CN112906957A - 基于遗传算法优化的bp神经网络输煤故障预测方法 - Google Patents
基于遗传算法优化的bp神经网络输煤故障预测方法 Download PDFInfo
- Publication number
- CN112906957A CN112906957A CN202110161268.3A CN202110161268A CN112906957A CN 112906957 A CN112906957 A CN 112906957A CN 202110161268 A CN202110161268 A CN 202110161268A CN 112906957 A CN112906957 A CN 112906957A
- Authority
- CN
- China
- Prior art keywords
- neural network
- output
- value
- network
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 58
- 239000003245 coal Substances 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 230000002068 genetic effect Effects 0.000 title claims abstract description 19
- 210000000349 chromosome Anatomy 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000035772 mutation Effects 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 239000010410 layer Substances 0.000 claims description 60
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 9
- 239000002344 surface layer Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 description 4
- 239000003638 chemical reducing agent Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002844 melting Methods 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 101150044453 Y gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于遗传算法优化的BP神经网络输煤故障预测方法,步骤为:确定BP神经网络拓扑结构图;以港务局机组参数作为BP神经网络拓扑结构图中的输入变量,并进行数据归一化处理,得到初始种群;对初始种群中的个体染色体进行编码,评估每一条染色体的适应度值;根据适应度值选取优良的个体进行选择、交叉、以及变异运算,得到最优个体;建立改进BP网络学习率优化模型,用于优化计算BP神经网络权值和阈值;用最优个体解码并赋值给BP神经网络,作为网络初始权值和阈值输入,训练神经网络,得到最佳预测模型。本发明可以对输煤系统故障进行提前预测,软硬件实现简单,成本低,提高了传统神经网络收敛速度,提高了网络训练效率。
Description
技术领域
本发明涉及一种计算机领域的故障预测技术,具体为一种基于遗传算法优化的BP神经网络输煤故障预测方法。
背景技术
在港务局输煤系统中,电机通过减速器及耦合器带动传送带运行,耦合器位于电机与减速器之间,与电机柔性连接,起到保护电机的作用。当出现负荷超载的情况时,减速机停转,然而电机带动耦合器仍旧运转,此时耦合器内部的油温会急剧升高,温度上升产生较大的变化,如不及时采取措施,会产生电机设备损坏事故,造成港务局财产的损失。
目前采取的措施是在耦合器中加入一定温度熔点的物质,此物质熔点高于输煤系统正常运行时耦合器内部油温,低于事故发生时耦合器内部油温,当耦合器内油温达到物质熔点温度时,物质融化,射流装置启动,射流装置压力加到压力开关上,使压力开关断开,触发信号连接到主控室PLC输入端,PLC控制设备停机。输煤系统实际运行中,当电机传送带负荷超载时,会造成耦合器油温急剧升高,报警停机。从实际应用来看,当前系统可在一定程度上有效地保护电机,防止事故发生,但还属于被动保护。机组报出高温故障警告时,一般已经发生故障失效。因此,如何对输煤系统故障进行监测,并提前采取一定的预防措施,是输煤系统亟待解决的一个课题。
发明内容
针对现有技术中输煤系统保护设备方法为被动保护,同时无法预测故障发生等不足,本发明要解决的问题是提供一种可有效提高输煤系统故障预测的准确性、变被动保护为主动保护的BP神经网络输煤故障预测系统及方法。
为解决上述技术问题,本发明采用的技术方案是:
本发明提供一种基于遗传算法优化的BP神经网络输煤故障预测方法,包括以下步骤:
1)确定BP神经网络拓扑结构图;
2)以港务局机组参数作为BP神经网络拓扑结构图中的输入变量,并进行数据归一化处理,得到初始种群;
3)对初始种群中的个体染色体进行编码,评估每一条染色体的适应度值;
4)根据适应度值选取优良的个体进行选择、交叉、以及变异运算,得到最优个体;
5)建立改进BP网络学习率优化模型,用于优化计算BP神经网络权值和阈值;
6)用步骤4)迭代运算后得到的最优个体解码并赋值给BP神经网络,作为网络初始权值和阈值输入,训练神经网络,得到最佳预测模型。
步骤3)中对初始种群中的染色体进行编码,估每一条染色体的适应度值,具体为:
采用随机数生成器法,将染色体编码成实数串,设定适应度函数;
评估每一条染色体的适应度值,适应度函数为:
其中,Y是预测输出结果值,Y0是实际数据值,N是迭代次数;u为染色体序号;
通过遗传算法的不断迭代,使得神经网络预测输出值不断接近实际数据值。
步骤4)中对优良染色体进行选择运算,具体为:
采用改进的适应度比例法,依据最优个体的适应度值计算每个个体在子代中出现的概率,并按照此概率随机选择个体构成子代种群,公式如下:
其中fmin=mini∈[0,N){fv,0},f是上述选择运算后得出的适应度值,v为染色体序号,M表示种群数目,设最差的适应度为fmin,如果其为负值,那么选择概率为0;对于校正后的适应度之和为0的情况,可以将所有个体的选的概率设为w为迭代次数,fv为第v个染色体适应度值,P(v)表示第v个染色体的的选择概率。
步骤5)中改进的BP网络学习率优化模型为:
其中,z为训练时间,E(z)为误差,e-λ为学习率修正系数,λ∈[0.0001,0.001],η∈[0.01,0.1],为学习率。
步骤6)用步骤4)迭代后得到的最优个体解碼并赋值给BP神经网络,作为初始权值和阈值输入,训练神经网络,得到最佳预测模型,具体为:
601)定义输入变量x1=(T1,T2,T3,...,Tn),T表示耦合器表层油温;x2=(P1,P2,P3,...,Pn),P表示电机功率;x3=(t1,t2,t3,...,tn),t表示系统运行时间;定义输出变量y=(Tp1,Tp2,Tp3,...,Tpn),Tp表示算法预测温度值;
602)隐含层输出计算,根据输入变量xi、输入层与隐含层连接权值ωij以及隐含层阈值aj,计算隐含层第i个神经元的输出:
603)输出层输出计算,根据隐含层输出Hj,隐含层与输出层连接权值ωjk以及输出层阈值bk,计算输出层第k个神经元的输出:
式中,Yk是网络预测输出,k为输出层神经元节点序号,m是输出层节点个数;
604)误差计算,根据网络预测的输出Yk和期望输出Ok,计算网络预测误差ek,ek=Ok-Yk,k=1,2,3,...,m;
605)权值更新计算通过以下公式实现:
ωjk=ωjk+ηHjek,k=1,2,...,m
其中,s是输入层神经元个数;
606)阈值更新计算:
bk=bk+ek,k=1,2,...,m
607)使用测试样本数据对训练后的网络单元进行验证分析,输入数据经过优化神经算法处理后得出较高精度的输出预测温度值;输出预测温度值与实际设定温度阈值比较,若预测值高于或等于设定阈值,则输煤系统故障,报警模块为机组人员报警;若预测值低于设定阈值,则输煤系统正常工作。
本发明具有以下有益效果及优点:
1.本发明提供一种基于遗传算法优化的BP神经网络输煤故障预测系统及方法可以对输煤系统故障进行提前预测,软硬件实现简单,成本低;
2.本发明提高了传统神经网络收敛速度,提高了网络训练效率;
3.本发明易于移植到相同类型的故障预测系统中,提出的算法模型具有较强的适应性和良好的拓展性。
附图说明
图1为本发明基于遗传算法优化的BP神经网络输煤故障预测方法中的输煤故障预测系统框图;
图2为本发明应用的BP神经网络拓扑结构图;
图3为本发明基于遗传算法优化的BP神经网络输煤故障预测方法流程图。
具体实施方式
下面结合说明书附图对本发明作进一步阐述。
如图1所示,是本发明输煤故障预测系统结构框图,包括前端检测单元、云服务器单元、故障预测单元、主控制单元、通信单元、报警单元以及显示单元,其中,前端检测单元采集的数据通过以太网传输到云服务器单元上,云服务器单元与主控制器进行数据交互,主控制器输出端分别接至通信单元、显示单元、报警单元以及红外温度采集单元。
云端服务器中的数据库对传输来的数据进行实时存储和备份,同时云服务器中挂载的神经网络算法对采集的数据进行处理,判断输煤系统是否发生故障。若无故障,则显示单元显示当前实时数据值和设定阈值;若故障,则报警单元工作,显示单元显示当前实时数据值,设定阈值。多条皮带机采用相同的方式进行数据采集,存储和处理,将数据传输至云服务器中,保证了数据共享。
如图3所示,本发明提供一种基于遗传算法优化的BP神经网络输煤故障预测方法,包括以下步骤:
1)确定BP神经网络拓扑结构图;
2)以港务局机组参数作为BP神经网络拓扑结构图中的输入变量,并进行数据归一化处理,得到初始种群;
3)对初始种群中的个体染色体进行编码,评估每一条染色体的适应度值;
4)根据适应度值选取优良的个体进行选择、交叉、以及变异运算,得到最优个体;
5)建立改进BP网络学习率优化模型,用于优化计算BP神经网络权值和阈值;
6)用步骤4)迭代运算后得到的最优个体解码并赋值给BP神经网络,作为网络初始权值和阈值输入,训练神经网络,得到最佳预测模型。
如图2所示,本发明在步骤1)中设计三层的BP神经网络包括输入层、隐藏层、输出层,其中层与层之间的连接是全连接。输入层神经元分别为红外温度传感器采集的耦合器表层油温T,港务局机组电机的功率P,系统运行时间t。BP神经网络的输入层节点数量为3,输出层节点数量为1,再由网络隐藏层数量m2和输入层数量m1之间的近似公式m2=2×m1+1,将隐藏层节点数量设置为7,设置BP神经网络结构为3-7-1。
步骤2)将采集的数据进行归一化处理,将数据值范围映射到区间[0,1]内。数据归一化处理公式为:
其中,ST,P,t是表示样本耦合器表层油温,电机功率和该原始数据对应系统运行的时间,ST,P,t *表示归一化处理后耦合器表层油温,电机功率和该被处理数据对应系统运行的时间,XT,P,tmin与XT,P,tmax分别表示样本耦合器表层油温,电机功率的最小值和最大值和该数据对应系统运行的时间。
步骤3)中对初始种群中的染色体进行编码,估每一条染色体的适应度值,具体为:
采用随机数生成器法,将染色体编码成实数串,设定适应度函数,网络在预测时预测值与实际值的绝对值误差要尽可能小,评估每一条染色体的适应度值,适应度函数为:
其中,Y是预测输出结果值,Y0是实际数据值,N是迭代次数;u为染色体序号,通过遗传算法的不断迭代,使得神经网络预测输出值不断接近实际数据值。
4)根据适应度值选取优良的个体进行选择、交叉、以及变异运算,得到最优个体;
步骤4)中对优良染色体进行选择运算,具体为:
采用改进的适应度比例法,依据最优个体(是根据适应度公式得到的初始种群的相对最优个体们,然后在通过步骤4)不断迭代得到最优的唯一个体)的适应度值计算每个个体在子代中出现的概率,并按照此概率随机选择个体构成子代种群,公式如下:
其中fmin=mini∈[0,N){fv,0},f是上述选择运算后得出的适应度值,v为染色体序号,M表示种群数目,设最差的适应度为fmin,如果其为负值,那么选择概率为0;对于校正后的适应度之和为0的情况,可以将所有个体的选的概率设为w为迭代次数,fv为第v个染色体适应度值,P(v)表示第v个染色体的的选择概率。
由于个体采用实数编码,交叉操作采用实数交叉法,第q次迭代后:
其中α∈min(0.2,1/(q+1)),X与Y是进行交叉的两个染色体;
变异运算,选取x个个体的第y个基因进行变异操作,即为:
式中:βmax为基因βxy的上界值,βmin为基因βxy的下界值,f(g)=r2(1-g/Gmax)2,r2为一个随机数,g为当前迭代次数,Gmax为最大进化迭代数,r为[0,1]之间的随机数。
步骤5)中学习率影响神经网络的收敛速度,学习速率设置过小,会极大降低收敛速度,增加训练时间;学习率太大,可能导致参数在最优解两侧来回振荡。本步骤中改进的BP网络学习率优化模型为:
其中,z为训练时间,E(z)为误差,e-λ为学习率修正系数,λ∈[0.0001,0.001],η∈[0.01,0.1]为学习率。
6)用步骤4)迭代运算后得到的最优个体解碼并赋值给BP神经网络,作为网络初始权值和阈值输入,训练神经网络,得到最佳预测模型。
在BP神经网络的拓扑结构中,最佳预测模型以港务局某一输煤线路为研究对象,采集过去半年的历史数据作为模型输入样本。为避免电机运行功率等离散因素对预测结果造成干扰,样本只考虑电机额定运行功率Pr到满功率区间Pm范围内的耦合器表层温度,对低于额定功率的状态数据进行剔除。
本步骤用遗传算法迭代计算得到的最优个体解码后赋值给BP神经网络,作为网络初始的权值输入和阈值输入,设定BP神经网络的迭代次数,训练网络,用测试集比对训练好的网络算法模型,最终得到效果良好的网络算法模型,具体为:
601)定义输入变量x1=(T1,T2,T3,...,Tn),T表示耦合器表层油温;x2=(P1,P2,P3,...,Pn),P表示电机功率;x3=(t1,t2,t3,...,tn),t表示系统运行时间;定义输出变量y=(Tp1,Tp2,Tp3,...,Tpn),Tp表示算法预测温度值;
602)隐含层输出计算,根据输入变量xi、输入层与隐含层连接权值ωij以及隐含层阈值aj,计算隐含层第i个神经元的输出:
603)输出层输出计算,根据隐含层输出Hj,隐含层与输出层连接权值ωjk以及输出层阈值bk,计算输出层第k个神经元的输出:
式中,Yk是网络预测输出,k为输出层神经元节点序号,m是输出层节点个数;
604)误差计算,根据网络预测的输出Yk和期望输出Ok,计算网络预测误差ek,ek=Ok-Yk,k=1,2,3,...,m;
605)权值更新计算通过以下公式实现:
ωjk=ωjk+ηHjek,k=1,2,...,m
其中,s是输入层神经元个数;
606)阈值更新计算:
bk=bk+ek,k=1,2,...,m
607)使用测试样本数据对训练后的网络单元进行验证分析,算法是够满足预测要求,精度达到90%以上,输入数据经过优化神经算法处理后得出较高精度的输出预测温度值;输出预测温度值与实际设定温度阈值比较,若预测值高于或等于设定阈值,则输煤系统故障,报警模块为机组人员报警;若预测值低于设定阈值,则输煤系统正常工作。
本发明中,输煤故障预测系统能够良好的运行并实时监测采集的数据,在显示单元进行实时显示。同时,系统对数据进行处理,预测输煤系统是否发生故障。并且,在整个计算过程中,利用遗传算法对神经网络初始的权值和阈值进行优化,大大提高了算法的运算效率和收敛速度。
本发明系统可以对输煤系统故障进行提前预测,软硬件实现简单,成本低;易于移植到相同类型的故障预测系统中,提出的模型具有较强的适应性和良好的拓展性。
Claims (5)
1.一种基于遗传算法优化的BP神经网络输煤故障预测方法,其特征在于包括以下步骤:
1)确定BP神经网络拓扑结构图;
2)以港务局机组参数作为BP神经网络拓扑结构图中的输入变量,并进行数据归一化处理,得到初始种群;
3)对初始种群中的个体染色体进行编码,评估每一条染色体的适应度值;
4)根据适应度值选取优良的个体进行选择、交叉、以及变异运算,得到最优个体;
5)建立改进BP网络学习率优化模型,用于优化计算BP神经网络权值和阈值;
6)用步骤4)迭代运算后得到的最优个体解码并赋值给BP神经网络,作为网络初始权值和阈值输入,训练神经网络,得到最佳预测模型。
5.根据权利要求1所述的基于遗传算法优化的BP神经网络输煤故障预测方法,其特征在于步骤6)用步骤4)迭代后得到的最优个体解碼并赋值给BP神经网络,作为初始权值和阈值输入,训练神经网络,得到最佳预测模型,具体为:
601)定义输入变量x1=(T1,T2,T3,...,Tn),T表示耦合器表层油温;x2=(P1,P2,P3,...,Pn),P表示电机功率;x3=(t1,t2,t3,...,tn),t表示系统运行时间;定义输出变量y=(Tp1,Tp2,Tp3,...,Tpn),Tp表示算法预测温度值;
602)隐含层输出计算,根据输入变量xi、输入层与隐含层连接权值ωij以及隐含层阈值aj,计算隐含层第i个神经元的输出:
603)输出层输出计算,根据隐含层输出Hj,隐含层与输出层连接权值ωjk以及输出层阈值bk,计算输出层第k个神经元的输出:
式中,Yk是网络预测输出,k为输出层神经元节点序号,m是输出层节点个数;
604)误差计算,根据网络预测的输出Yk和期望输出Ok,计算网络预测误差ek,ek=Ok-Yk,k=1,2,3,...,m;
605)权值更新计算通过以下公式实现:
ωjk=ωjk+ηHjek,k=1,2,...,m
其中,s是输入层神经元个数;
606)阈值更新计算:
bk=bk+ek,k=1,2,...,m
607)使用测试样本数据对训练后的网络单元进行验证分析,输入数据经过优化神经算法处理后得出较高精度的输出预测温度值;输出预测温度值与实际设定温度阈值比较,若预测值高于或等于设定阈值,则输煤系统故障,报警模块为机组人员报警;若预测值低于设定阈值,则输煤系统正常工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110161268.3A CN112906957A (zh) | 2021-02-05 | 2021-02-05 | 基于遗传算法优化的bp神经网络输煤故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110161268.3A CN112906957A (zh) | 2021-02-05 | 2021-02-05 | 基于遗传算法优化的bp神经网络输煤故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906957A true CN112906957A (zh) | 2021-06-04 |
Family
ID=76124145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110161268.3A Pending CN112906957A (zh) | 2021-02-05 | 2021-02-05 | 基于遗传算法优化的bp神经网络输煤故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906957A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569472A (zh) * | 2021-07-16 | 2021-10-29 | 中山大学 | 一种液体火箭发动机的故障检测方法、系统、设备和介质 |
CN113743003A (zh) * | 2021-08-24 | 2021-12-03 | 广东电网有限责任公司广州供电局 | 考虑温度、湿度影响的高压线路对地电场强度计算方法 |
CN114021432A (zh) * | 2021-10-21 | 2022-02-08 | 中国特种设备检测研究院 | 一种应力腐蚀开裂裂纹扩展速率预测方法及系统 |
CN114647980A (zh) * | 2022-03-21 | 2022-06-21 | 厦门华夏国际电力发展有限公司 | 一种基于bp神经网络的给煤机偏差监测方法及系统 |
CN114755038A (zh) * | 2022-04-02 | 2022-07-15 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种具备实时数据库的涡轮冷却器故障诊断装置及方法 |
CN114881258A (zh) * | 2022-04-21 | 2022-08-09 | 中国人民解放军战略支援部队航天工程大学 | 装备维修能力评估方法、装置、电子设备及存储介质 |
CN115099133A (zh) * | 2022-06-16 | 2022-09-23 | 南京航空航天大学 | 一种基于tlmpa-bp的集群系统可靠性评估方法 |
CN115796237A (zh) * | 2022-12-07 | 2023-03-14 | 北京石油化工学院 | 基于ICSA-VS-bpNet的装甲车辆底盘发动机的故障预测方法 |
CN117057212A (zh) * | 2023-06-05 | 2023-11-14 | 四川大学 | 一种核动力装置动态温度场的声学重构方法 |
CN117852611A (zh) * | 2024-03-07 | 2024-04-09 | 哈尔滨工业大学(威海) | 一种电离层f2层最大高度预测方法及系统 |
CN118153460A (zh) * | 2024-05-10 | 2024-06-07 | 无锡芯光互连技术研究院有限公司 | 定向耦合器的设计方法、装置及存储介质 |
WO2024139014A1 (zh) * | 2022-12-28 | 2024-07-04 | 中国电子科技集团公司第三十八研究所 | 基于cnn-ga-bp的组合模型备件需求预测方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665095A (zh) * | 2018-04-27 | 2018-10-16 | 东华大学 | 基于遗传算法优化Elman神经网络的短期功率预测方法 |
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
-
2021
- 2021-02-05 CN CN202110161268.3A patent/CN112906957A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665095A (zh) * | 2018-04-27 | 2018-10-16 | 东华大学 | 基于遗传算法优化Elman神经网络的短期功率预测方法 |
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
Non-Patent Citations (2)
Title |
---|
周辉等: "基于遗传算法优化BP神经网络的电缆接头导线温度预测", 《电气应用》 * |
肖伸平等: "基于改进的遗传算法优化BP神经网络的电力负荷预测", 《电子测试》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569472A (zh) * | 2021-07-16 | 2021-10-29 | 中山大学 | 一种液体火箭发动机的故障检测方法、系统、设备和介质 |
CN113743003B (zh) * | 2021-08-24 | 2023-01-17 | 广东电网有限责任公司广州供电局 | 考虑温度、湿度影响的高压线路对地电场强度计算方法 |
CN113743003A (zh) * | 2021-08-24 | 2021-12-03 | 广东电网有限责任公司广州供电局 | 考虑温度、湿度影响的高压线路对地电场强度计算方法 |
CN114021432A (zh) * | 2021-10-21 | 2022-02-08 | 中国特种设备检测研究院 | 一种应力腐蚀开裂裂纹扩展速率预测方法及系统 |
CN114647980A (zh) * | 2022-03-21 | 2022-06-21 | 厦门华夏国际电力发展有限公司 | 一种基于bp神经网络的给煤机偏差监测方法及系统 |
CN114755038A (zh) * | 2022-04-02 | 2022-07-15 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种具备实时数据库的涡轮冷却器故障诊断装置及方法 |
CN114881258A (zh) * | 2022-04-21 | 2022-08-09 | 中国人民解放军战略支援部队航天工程大学 | 装备维修能力评估方法、装置、电子设备及存储介质 |
CN115099133A (zh) * | 2022-06-16 | 2022-09-23 | 南京航空航天大学 | 一种基于tlmpa-bp的集群系统可靠性评估方法 |
CN115796237A (zh) * | 2022-12-07 | 2023-03-14 | 北京石油化工学院 | 基于ICSA-VS-bpNet的装甲车辆底盘发动机的故障预测方法 |
WO2024139014A1 (zh) * | 2022-12-28 | 2024-07-04 | 中国电子科技集团公司第三十八研究所 | 基于cnn-ga-bp的组合模型备件需求预测方法和系统 |
CN117057212A (zh) * | 2023-06-05 | 2023-11-14 | 四川大学 | 一种核动力装置动态温度场的声学重构方法 |
CN117057212B (zh) * | 2023-06-05 | 2024-05-17 | 四川大学 | 一种核动力装置动态温度场的声学重构方法 |
CN117852611A (zh) * | 2024-03-07 | 2024-04-09 | 哈尔滨工业大学(威海) | 一种电离层f2层最大高度预测方法及系统 |
CN118153460A (zh) * | 2024-05-10 | 2024-06-07 | 无锡芯光互连技术研究院有限公司 | 定向耦合器的设计方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906957A (zh) | 基于遗传算法优化的bp神经网络输煤故障预测方法 | |
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
CN110619386B (zh) | 一种tmr运行监测及故障智能研判方法及系统 | |
CN107862763B (zh) | 列车安全预警评估模型训练方法、模块及监测评估系统 | |
CN108197845A (zh) | 一种基于深度学习模型lstm的交易指标异常的监测方法 | |
CN110210169B (zh) | 一种基于lstm的盾构机故障预测方法 | |
CN111890127B (zh) | 基于在线增量磨损演化模型的切削状态边缘智能监控方法 | |
CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
CN109443419A (zh) | 一种基于机器学习的整流器在线监测方法 | |
CN107622308A (zh) | 一种基于dbn网络的发电设备参数预警方法 | |
CN104615121B (zh) | 一种列车故障诊断方法及系统 | |
CN111461551B (zh) | 一种基于深度学习和spc准则的电潜泵故障预警方法 | |
CN113759868A (zh) | 一种基于神经网络的工业以太网故障预测方法 | |
CN112098715A (zh) | 基于5g和修正gcn图神经网络的电能监控与预警系统 | |
CN110930072A (zh) | 一种牵引供电系统的可靠性研究方法 | |
CN117200454A (zh) | 配电装置的智能化大数据监测方法及物联网系统 | |
CN115577860A (zh) | 基于自适应调控的轨道交通智能维保方法及系统 | |
Shao et al. | Remaining useful life prediction considering degradation interactions of subsea Christmas tree: a multi-stage modeling approach | |
CN117696224A (zh) | 一种基于大模型的磨矿优化处理系统 | |
CN103616877A (zh) | 能源管网的监控诊断方法和系统 | |
CN111273635B (zh) | 一种工控设备未知异常检测方法 | |
CN117236030A (zh) | 台风灾害下考虑级联过载故障发生的电力系统韧性评估建模方法 | |
CN107292431A (zh) | 基于动态贝叶斯网络的电力通信网业务可靠性预测方法 | |
CN112862249B (zh) | 一种智能配电设备精益管理方法及其系统 | |
CN114791537A (zh) | 基于属性自适应的工业设备剩余使用寿命预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |