CN113483473A - 一种基于遗传-神经网络（ga-bp）模型的焊接车间环境控制方法 - Google Patents
一种基于遗传-神经网络（ga-bp）模型的焊接车间环境控制方法 Download PDFInfo
- Publication number
- CN113483473A CN113483473A CN202110334646.3A CN202110334646A CN113483473A CN 113483473 A CN113483473 A CN 113483473A CN 202110334646 A CN202110334646 A CN 202110334646A CN 113483473 A CN113483473 A CN 113483473A
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- air supply
- network
- genetic
- 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 92
- 238000003466 welding Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000000779 smoke Substances 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000009423 ventilation Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000007613 environmental effect Effects 0.000 claims abstract description 5
- 230000002068 genetic effect Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 210000000349 chromosome Anatomy 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 8
- 239000003344 environmental pollutant Substances 0.000 claims description 6
- 231100000719 pollutant Toxicity 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 5
- 239000000428 dust Substances 0.000 description 11
- 108090000623 proteins and genes Proteins 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 238000012546 transfer Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 230000002759 chromosomal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- AMWRITDGCCNYAT-UHFFFAOYSA-L hydroxy(oxo)manganese;manganese Chemical compound [Mn].O[Mn]=O.O[Mn]=O AMWRITDGCCNYAT-UHFFFAOYSA-L 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000003496 welding fume Substances 0.000 description 2
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N iron oxide Inorganic materials [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- NDLPOXTZKUMGOV-UHFFFAOYSA-N oxo(oxoferriooxy)iron hydrate Chemical compound O.O=[Fe]O[Fe]=O NDLPOXTZKUMGOV-UHFFFAOYSA-N 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
- F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fluid Mechanics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Human Computer Interaction (AREA)
- Fuzzy Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于遗传‑神经网络(GA‑BP)模型的焊接车间环境控制方法，涉及焊接车间内环境控制技术领域。该基于遗传‑神经网络(GA‑BP)模型的焊接车间环境控制方法，包括以下步骤：步骤一：确定输入、输出变量；步骤二：建立BP神经网络层次结构；步骤三：组成训练样本；步骤四：确定编码方式、迭代次数以及选择交叉编译参数；步骤五：获得GA‑BP神经网络模型；步骤六：应用于新风通风参数预测。通过使用GA‑BP神经网络，建立了焊接车间内新风口送风量、送风温度、送风方向和各区域烟尘浓度、温度、湿度之间的非线性关系，通过实时监测即可判断能否满足室内作业浓度要求，实现了根据烟尘浓度及环境变化动态调整焊接车间内通风参数，值得大力推广。
Description
技术领域
本发明涉及焊接车间内环境控制技术领域，具体为一种基于遗传-神经网络(GA-BP)模型的焊接车间环境控制方法。
背景技术
近年来，我国船舶事业发展迅猛，船体钢结构焊接量随着船型增大的不断增加，大型船厂焊装车间内对船体进行焊接作业过程中释放出大量的气态及固态有害物质，在焊接产生烟尘过程中由焊接场所中出现金属蒸发物与相关气态液晶反应物，这些物质离开焊接空间后由于温度下降在空气中呈气溶胶状态，以微小的固体颗粒分布在厂房空气中，其主要成分为氧化铁，同时混有二氧化硅、氧化锰、氟化物、臭氧、各种微量金属和氮氧化物等粉尘，这类细小的气溶胶颗粒对人体有严重影响，危害员工身心健康，我国相关法律法规规定了焊接车间的烟尘浓度不得高于4mg/m3。
目前，焊接车间主要采用分层送新风进行厂房整体除尘，通常在厂房不同高度排布送风口，通过送风口把清洁的空气快速补充入作业空间，顶部排布回风口，收集厂房内部含尘空气，统一集中进行除尘处理，通过此种模式能够让厂房内工作人员处于相对清洁的环境，强化作业区域的空气质量，同时通过控制送入清洁空气的温度，保证作业区域的温度始终处于一个较为合理的范围；合理的送风角度能够让烟尘在送风和回风的双重作用下不断浮升，由此产生上升流动作用。
上述的焊接车间内烟尘控制方式通常在不同的送风口以固定的送风风量、温度、温度向车间内部送风，但是由于作业区域位置、作业强度及作业种类的差异，车间内部各区域的焊接烟尘浓度不同，为保证车间内部的整体环境清洁，需要送风量及温度等能够满足烟尘浓度最高区域的清洁要求，此要求必然会造成部分无烟尘或低浓度烟尘区域进行无效或过量的通风作业，造成大量的设备浪费及能源浪费。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于遗传-神经网络(GA-BP)模型的焊接车间环境控制方法，解决了如何根据焊接车间不同区域烟尘浓度快速判断是否满足作业环境要求，预测选择车间各送风口最佳送风量、送风温度、送风角度的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于遗传-神经网络(GA-BP)模型的焊接车间环境控制方法，包括以下步骤：
步骤一：根据焊接车间内烟尘浓度影响因素确定GA-BP网络模型的输入、输出变量；
步骤二：根据输入、输出变量建立BP神经网络层次结构，包括输入层节点个数、输出层节点个数、隐含层节点个数；
步骤三：收集训练样本数据，利用仿真计算软件对不同情况下焊接车间内部烟尘浓度模拟进行计算，收集仿真计算结果数据，组成训练样本；
步骤四：根据所确定的BP神经网络算法模型确定编码方式、初始种群个数、染色体长度、适应度函数、迭代次数以及选择交叉编译参数；
步骤五：根据遗传算法对BP神经网路的初始化权重与阙值进行优化筛选，根据样本数据对BP神经网络进行训练，解码输出优化后的初始权值和阙值并赋予GA-BP神经网络，对优化后的BP神经网络进行测试，获得GA-BP神经网络模型；
步骤六：将GA-BP神经网络模型应用于焊接车间内新风通风参数预测。
优选的，步骤一具体为：
根据焊接车间内烟尘浓度影响因素确定GA-BP网络模型的输入、输出变量，将焊接车间各测量点的烟尘浓度、空气温度、湿度、空气流速及方向作为GA-BP模型的输入变量，焊接车间各新风口的送风速度、送风温度、送风角度、新风风量作为GA-BP模型的输出变量。
优选的，步骤二具体为：
建立的BP神经网络层次结构，根据输入、输出变量确定网络层次结构，输入层节点个数：建立的BP神经网络的输入变量为焊接车间内各测量点的烟尘浓度、空气温度、空气湿度、空气流速及方向，BP神经网络的输入层节点个数为5；输出层节点个数：本神经网络的输出变量为各新风口的送风速度、送风温度、送风角度、新风风量，输出层节点个数为4；隐含层节点个数：隐含层节点数为10；
模型中隐含层神经元个数的确定依据下式确定：
式中：j为隐含层神经元个数；i为输入层神经元个数；k为输出层神经元个数；l为1-10的随机整数；根据公式此处隐含层神经元个数取10。
优选的，步骤三具体为：
利用仿真计算软件对不同情况下焊接车间内部烟尘浓度模拟进行计算，收集仿真计算结果数据，组成训练样本，对GA-BP神经网络进行模拟训练；
BP神经网络的样本数据由仿真软件模拟结果数据组成，分为训练样本和测试样本，训练样本对经遗传算法优化后的BP神经网络进行训练，确定BP神经网络权值及阙值；测试样本对经遗传算法优化后的BP神经网络进行测试验证；
由于BP神经网络的输入、输出样本中个数据的量纲和数量级不同，因此，对输入数据和输出数据进行归一化处理，如下式所示：
式中：X′为归一化后的数据；X为初始数据；Xmin为初始数据最小值；Xmax为初始数据最大值。
优选的，步骤四、五具体为：
S41：对BP神经网络的权值和阙值编码；
S42：计算每个个体的适应值；
S43：对适应值好的个体进行遗传操作，包括选择、交叉、变异；
S44：重复S42、S43，反复迭代，直到满足预设迭代次数，解码输出最佳适应度的个体，即BP神经网络最优的初始权值和阙值；
用遗传算法优化后的BP神经网络初始权值和阙值，设定初始训练参数，采用训练样本训练BP神经网络结构；
计算预测精度评价参数决定系数R，若满足设定值Rmax，则提取训练后的权值和阙值，获得GA-BP神经网络模型；若不满足，返回重新训练，直到决定系数满足设定值；
所述计算公式如下：
式中：R为网络性能判断参数；l为学习样本数；y(i)为网络实际的输出值；ym(i)为网络的期望输出值；Rmax为遗传算法所要达到的性能指标；
用测试样本对建立好的GA-BP神经网络进行测试，并对网络性能和预测精度进行评估。
优选的，步骤六具体为：
获得GA-BP神经网络模型后，将GA-BP神经网络模型应用于焊接车间内通风参数预测，应用焊接车间内部各区域浓度传感器、温度传感器、湿度传感器等仪器对车间内部进行实时监测，并送至GA-BP神经网络作为网络输入量，首先对各点监测值进行判断，判断其是否满足车间内污染物浓度、温度、湿度限值，若各监测点均满足要求，则保持当前通风条件；若某一个或几个监测点污染物浓度、环境温度、湿度等参数超标，则作为经遗传算法优化后的BP神经网络模型的输入值，其输出为各新风口的送风量、送风温度、送风角度、送风速度，得到输出量后对各新风口的对应值进行实时调整，以获得最优解决方案，为保证送风状态调整后及时有效控制各区域参数情况，实施监测判断及调整新风状态整个循环过程间隔时间为两分钟。
(三)有益效果
本发明提供了一种基于遗传-神经网络(GA-BP)模型的焊接车间环境控制方法。具备以下有益效果：
本发明通过使用GA-BP神经网络，建立了焊接车间内新风口送风量、送风温度、送风方向和各区域烟尘浓度、温度、湿度之间的非线性关系，通过实时监测各区域不同位置的烟尘浓度、温度、湿度信息，即可对当前新风量、新风温度、新风方向做出判断能否满足室内作业浓度要求，并及时调整送风参数，实现了根据不同区域浓度变化动态调整焊接车间内通风参数，相比于传统固定式新风输送调节焊接车间内部环境的模式，能够及时对焊接车间内烟尘浓度变化精确反应，且相比于固定式送风模式，本发明能够在保证车间环境处于正常值的情况下，使新风得到最合理的分配利用，有效减少新风总量的需求，从而节省了大量能耗，值得大力推广。
附图说明
图1为本发明的流程图；
图2为本发明的GA-BP神经网络流程图；
图3为本发明的三层BP网络结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
如图1-3所示，本发明实施例提供一种基于遗传-神经网络(GA-BP)模型的焊接车间环境控制方法，包括以下步骤：
步骤一：根据焊接车间内烟尘浓度影响因素确定GA-BP网络模型的输入、输出变量；
步骤二：根据输入、输出变量建立BP神经网络层次结构，包括输入层节点个数、输出层节点个数、隐含层节点个数；
步骤三：收集训练样本数据，利用仿真计算软件对不同情况下焊接车间内部烟尘浓度模拟进行计算，收集仿真计算结果数据，组成训练样本；
步骤四：根据所确定的BP神经网络算法模型确定编码方式、初始种群个数、染色体长度、适应度函数、迭代次数以及选择交叉编译参数；
步骤五：根据遗传算法对BP神经网路的初始化权重与阙值进行优化筛选，根据样本数据对BP神经网络进行训练，解码输出优化后的初始权值和阙值并赋予GA-BP神经网络，对优化后的BP神经网络进行测试，获得GA-BP神经网络模型；
步骤六：将GA-BP神经网络模型应用于焊接车间内新风通风参数预测。
步骤一具体为：
根据焊接车间内烟尘浓度影响因素确定GA-BP网络模型的输入、输出变量，将焊接车间各测量点的烟尘浓度、空气温度、湿度、空气流速及方向作为GA-BP模型的输入变量，例如各测量点烟尘浓度(x1，x2，x3…xn)、空气温度(K1，K2，K3…Kn)、湿度(Y1，Y2，Y3…Yn)、空气流速(v1，v2，v3…vn)及方向(α1，α2…αn)作为GA-BP模型的输入变量。将焊接车间各新风口的送风速度、送风温度、送风角度、新风风量作为GA-BP模型的输出变量。即焊接车间各新风口的送风速度(V1,V2,V3…Vm)、送风温度(T1,T2,T3…Tm)、送风角度(θ1，θ2，θ3…θm)、新风风量(m1,m2,m3…mm)作为GA-BP模型的输出变量。
步骤二具体为：
建立的BP神经网络层次结构，如图3所述，根据输入、输出变量确定网络层次结构，输入层节点个数：建立的BP神经网络的输入变量为焊接车间内各测量点的烟尘浓度、空气温度、空气湿度、空气流速及方向，BP神经网络的输入层节点个数为5；输出层节点个数：本神经网络的输出变量为各新风口的送风速度、送风温度、送风角度、新风风量，输出层节点个数为4；隐含层节点个数：隐含层节点数为10；
模型中隐含层神经元个数的确定依据下式确定：
式中：j为隐含层神经元个数；i为输入层神经元个数；k为输出层神经元个数；l为1-10的随机整数；根据公式此处隐含层神经元个数取10。
隐含层的传递函数采用值域为[-1，1]的tansig函数，输出层的传递函数采用purelin函数，2个传递函数都是将加权和作为自变量进行函数值计算并产生输出量；
隐含层的输入量与输出量，输出层的输入量与输出量间的关系如下式所示：
式中：xi为神经网络的输入量；yi为神经网络隐含层的输出量；pk为神经网络输出层的输出量；ωij为输入层到隐含层的权值；ωij为隐含层到输出层的权值；θj为隐含层的阙值；γk为输出层的阙值。
步骤三具体为：
利用仿真计算软件对不同情况下焊接车间内部烟尘浓度模拟进行计算，收集仿真计算结果数据，组成训练样本，对GA-BP神经网络进行模拟训练；
BP神经网络的样本数据由仿真软件模拟结果数据组成，分为训练样本和测试样本，训练样本对经遗传算法优化后的BP神经网络进行训练，确定BP神经网络权值及阙值；测试样本对经遗传算法优化后的BP神经网络进行测试验证；
由于BP神经网络的输入、输出样本中个数据的量纲和数量级不同，因此，对输入数据和输出数据进行归一化处理，如下式所示：
式中：X′为归一化后的数据；X为初始数据；Xmin为初始数据最小值；Xmax为初始数据最大值。
步骤四、五具体为：
S41：对BP神经网络的权值和阙值编码；
S42：计算每个个体的适应值；
S43：对适应值好的个体进行遗传操作，包括选择、交叉、变异；
S44：重复S42、S43，反复迭代，直到满足预设迭代次数，解码输出最佳适应度的个体，即BP神经网络最优的初始权值和阙值；
S41具体为：
遗传算法根据BP神经网络各层神经元的个数，对网络的权值和阙值进行编码，生成初始种群；
BP神经网络模型为三层5-10-4的拓扑结构，其输入层到隐含层共55个权值和阙值，隐含层到输出层共44个权值和阙值，即确定GA-BP神经网络模型中实数编码长度(染色体)长度为99；
S42具体为：
选取适应度函数，将其作为优化搜索的依据，计算种群中每个个体适应度值；
将GA-BP神经网络模型预测输出量和期望输出量之间的误差绝对值之和作为个体适应度值，适应度值越低，模型输出绝对误差的和越小，逼近效果越好，其适应度函数如下式所示：
F＝A∑|Pk-tk|
式中：F为适应度值；A为系数；tk为对应实际输出值；
S43具体为：
根据计算结果，对适应度好的个体执行遗传操作，繁衍出新的个体，即完成一次进化，遗传操作包括选择、交叉、变异：
选择：染色体选择方法采用轮盘赌发，即基于适应度比例的选择策略，每个个体ν的选择概率如下式所示：
式中：Fv为个体ν的适应度值；fv为求倒数后的个体ν适应度值；Pv为每个个体ν的选择概率；fr为求倒数后的个体r适应度值；B为种群个体数目；
交叉：个体采用实数编码，交叉操作方法采用实数交叉法，第c个染色体和第d个染色体在第e个基因的交叉操作方式如下式所示：
a′ce＝ace(1-b)+adeb
a′de＝ade(1-b)+aceb
式中：ace为交叉前第c个染色体；a′ce为交叉后第c个染色体；ade为交叉前第d个染色体；a′de为交叉后第d个染色体；b为[0，1]间的随机数。
变异：选取第w个染色体的第e个基因awe进行变异，变异方法如下式所示：
式中：awe为变异前第w个染色体的第e个基因；a′we为变异后第w个染色体的第e个基因；amax为染色体基因awe的上界；amin为染色体基因awe的下界；r2为1个随机数，s为当前迭代次数，Gmax为最大进化次数；r为[0,1]间的随机数。
用遗传算法优化后的BP神经网络初始权值和阙值，设定初始训练参数，采用训练样本训练BP神经网络结构；
计算预测精度评价参数决定系数R，若满足设定值Rmax，则提取训练后的权值和阙值，获得GA-BP神经网络模型；若不满足，返回重新训练，直到决定系数满足设定值；
所述计算公式如下：
式中：R为网络性能判断参数；l为学习样本数；y(i)为网络实际的输出值；ym(i)为网络的期望输出值；Rmax为遗传算法所要达到的性能指标；
用测试样本对建立好的GA-BP神经网络进行测试，并对网络性能和预测精度进行评估。
步骤六具体为：
获得GA-BP神经网络模型后，将GA-BP神经网络模型应用于焊接车间内通风参数预测，应用焊接车间内部各区域浓度传感器、温度传感器、湿度传感器等仪器对车间内部进行实时监测，并送至GA-BP神经网络作为网络输入量，如图1所示，首先对各点监测值进行判断，判断其是否满足车间内污染物浓度、温度、湿度限值，若各监测点均满足要求，则保持当前通风条件；若某一个或几个监测点污染物浓度、环境温度、湿度等参数超标，则作为经遗传算法优化后的BP神经网络模型的输入值，其输出为各新风口的送风量、送风温度、送风角度、送风速度，得到输出量后对各新风口的对应值进行实时调整，以获得最优解决方案，为保证送风状态调整后及时有效控制各区域参数情况，实施监测判断及调整新风状态整个循环过程间隔时间为两分钟。
例如在某车间焊接烟尘控制系统中，以常规方式进行焊接烟尘控制，车间换气次数为6次/h；在采用GA-BP神经网络模型的车间焊接烟尘控制系统中，车间平均换气次数为4次/h。相比于传统焊接车间内部环境的模式，本发明能够及时对焊接车间内烟尘浓度及环境变化精确反应，使新风得到最合理的分配利用，有效减少新风总量的需求，从而节省大量能耗，且对焊接车间内部烟尘浓度变化反应灵敏，能够高效的保证焊接车间内部环境在规定要求以内。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于遗传-神经网络(GA-BP)模型的焊接车间环境控制方法，其特征在于：包括以下步骤：
步骤一：根据焊接车间内烟尘浓度影响因素确定GA-BP网络模型的输入、输出变量；
步骤二：根据输入、输出变量建立BP神经网络层次结构，包括输入层节点个数、输出层节点个数、隐含层节点个数；
步骤三：收集训练样本数据，利用仿真计算软件对不同情况下焊接车间内部烟尘浓度模拟进行计算，收集仿真计算结果数据，组成训练样本；
步骤四：根据所确定的BP神经网络算法模型确定编码方式、初始种群个数、染色体长度、适应度函数、迭代次数以及选择交叉编译参数；
步骤五：根据遗传算法对BP神经网路的初始化权重与阙值进行优化筛选，根据样本数据对BP神经网络进行训练，解码输出优化后的初始权值和阙值并赋予GA-BP神经网络，对优化后的BP神经网络进行测试，获得GA-BP神经网络模型；
步骤六：将GA-BP神经网络模型应用于焊接车间内新风通风参数预测。
2.根据权利要求1所述的一种基于遗传-神经网络(GA-BP)模型的焊接车间环境控制方法，其特征在于：步骤一具体为：
根据焊接车间内烟尘浓度影响因素确定GA-BP网络模型的输入、输出变量，将焊接车间各测量点的烟尘浓度、空气温度、湿度、空气流速及方向作为GA-BP模型的输入变量，焊接车间各新风口的送风速度、送风温度、送风角度、新风风量作为GA-BP模型的输出变量。
3.根据权利要求1所述的一种基于遗传-神经网络(GA-BP)模型的焊接车间环境控制方法，其特征在于：步骤二具体为：
建立的BP神经网络层次结构，根据输入、输出变量确定网络层次结构，输入层节点个数：建立的BP神经网络的输入变量为焊接车间内各测量点的烟尘浓度、空气温度、空气湿度、空气流速及方向，BP神经网络的输入层节点个数为5；输出层节点个数：本神经网络的输出变量为各新风口的送风速度、送风温度、送风角度、新风风量，输出层节点个数为4；隐含层节点个数：隐含层节点数为10；
模型中隐含层神经元个数的确定依据下式确定：
式中：j为隐含层神经元个数；i为输入层神经元个数；k为输出层神经元个数；l为1-10的随机整数；根据公式此处隐含层神经元个数取10。
4.根据权利要求1所述的一种基于遗传-神经网络(GA-BP)模型的焊接车间环境控制方法，其特征在于：步骤三具体为：
利用仿真计算软件对不同情况下焊接车间内部烟尘浓度模拟进行计算，收集仿真计算结果数据，组成训练样本，对GA-BP神经网络进行模拟训练；
BP神经网络的样本数据由仿真软件模拟结果数据组成，分为训练样本和测试样本，训练样本对经遗传算法优化后的BP神经网络进行训练，确定BP神经网络权值及阙值；测试样本对经遗传算法优化后的BP神经网络进行测试验证；
由于BP神经网络的输入、输出样本中个数据的量纲和数量级不同，因此，对输入数据和输出数据进行归一化处理，如下式所示：
式中：X'为归一化后的数据；X为初始数据；Xmin为初始数据最小值；Xmax为初始数据最大值。
5.根据权利要求1所述的一种基于遗传-神经网络(GA-BP)模型的焊接车间环境控制方法，其特征在于：步骤四、五具体为：
S41：对BP神经网络的权值和阙值编码；
S42：计算每个个体的适应值；
S43：对适应值好的个体进行遗传操作，包括选择、交叉、变异；
S44：重复S42、S43，反复迭代，直到满足预设迭代次数，解码输出最佳适应度的个体，即BP神经网络最优的初始权值和阙值；
用遗传算法优化后的BP神经网络初始权值和阙值，设定初始训练参数，采用训练样本训练BP神经网络结构；
计算预测精度评价参数决定系数R，若满足设定值Rmax，则提取训练后的权值和阙值，获得GA-BP神经网络模型；若不满足，返回重新训练，直到决定系数满足设定值；
所述计算公式如下：
式中：R为网络性能判断参数；l为学习样本数；y(i)为网络实际的输出值；ym(i)为网络的期望输出值；Rmax为遗传算法所要达到的性能指标；
用测试样本对建立好的GA-BP神经网络进行测试，并对网络性能和预测精度进行评估。
6.根据权利要求1所述的一种基于遗传-神经网络(GA-BP)模型的焊接车间环境控制方法，其特征在于：步骤六具体为：
获得GA-BP神经网络模型后，将GA-BP神经网络模型应用于焊接车间内通风参数预测，应用焊接车间内部各区域浓度传感器、温度传感器、湿度传感器等仪器对车间内部进行实时监测，并送至GA-BP神经网络作为网络输入量，首先对各点监测值进行判断，判断其是否满足车间内污染物浓度、温度、湿度限值，若各监测点均满足要求，则保持当前通风条件；若某一个或几个监测点污染物浓度、环境温度、湿度等参数超标，则作为经遗传算法优化后的BP神经网络模型的输入值，其输出为各新风口的送风量、送风温度、送风角度、送风速度，得到输出量后对各新风口的对应值进行实时调整，以获得最优解决方案，为保证送风状态调整后及时有效控制各区域参数情况，实施监测判断及调整新风状态整个循环过程间隔时间为两分钟。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110334646.3A CN113483473A (zh) | 2021-03-29 | 2021-03-29 | 一种基于遗传-神经网络（ga-bp）模型的焊接车间环境控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110334646.3A CN113483473A (zh) | 2021-03-29 | 2021-03-29 | 一种基于遗传-神经网络（ga-bp）模型的焊接车间环境控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113483473A true CN113483473A (zh) | 2021-10-08 |
Family
ID=77932686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110334646.3A Pending CN113483473A (zh) | 2021-03-29 | 2021-03-29 | 一种基于遗传-神经网络（ga-bp）模型的焊接车间环境控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113483473A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113777000A (zh) * | 2021-10-09 | 2021-12-10 | 山东科技大学 | 一种基于神经网络的粉尘浓度检测方法 |
| CN115342488A (zh) * | 2022-08-08 | 2022-11-15 | 哈尔滨工业大学 | 一种超低能耗住宅新风系统智能控制方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894214A (zh) * | 2010-07-09 | 2010-11-24 | 中冶北方工程技术有限公司 | 基于遗传神经网络的矿山通风系统故障判断方法 |
| CN102353119A (zh) * | 2011-08-09 | 2012-02-15 | 北京建筑工程学院 | 一种vav变风量空调系统控制方法 |
| CN106779071A (zh) * | 2016-12-19 | 2017-05-31 | 辽宁工程技术大学 | 一种用于矿井通风机的神经网络自适应调速方法 |
| CN108223009A (zh) * | 2017-11-27 | 2018-06-29 | 广东工业大学 | 一种基于污染物浓度的隧道通风控制方法 |
| CN109829244A (zh) * | 2019-02-25 | 2019-05-31 | 浙江工业大学 | 算法优化深度网络和三代遗传算法的风机优化设计方法 |
| CN110059801A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
| CN111160520A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种基于遗传算法优化的bp神经网络风速预测方法 |
| EP3789838A1 (en) * | 2019-09-09 | 2021-03-10 | Alisea S.r.l. | Systems and methods for artificial intelligence-based maintenance of an air conditioning system |
-
2021
- 2021-03-29 CN CN202110334646.3A patent/CN113483473A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894214A (zh) * | 2010-07-09 | 2010-11-24 | 中冶北方工程技术有限公司 | 基于遗传神经网络的矿山通风系统故障判断方法 |
| CN102353119A (zh) * | 2011-08-09 | 2012-02-15 | 北京建筑工程学院 | 一种vav变风量空调系统控制方法 |
| CN106779071A (zh) * | 2016-12-19 | 2017-05-31 | 辽宁工程技术大学 | 一种用于矿井通风机的神经网络自适应调速方法 |
| CN108223009A (zh) * | 2017-11-27 | 2018-06-29 | 广东工业大学 | 一种基于污染物浓度的隧道通风控制方法 |
| CN109829244A (zh) * | 2019-02-25 | 2019-05-31 | 浙江工业大学 | 算法优化深度网络和三代遗传算法的风机优化设计方法 |
| CN110059801A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 基于神经网络的空调器能效控制方法 |
| EP3789838A1 (en) * | 2019-09-09 | 2021-03-10 | Alisea S.r.l. | Systems and methods for artificial intelligence-based maintenance of an air conditioning system |
| CN111160520A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种基于遗传算法优化的bp神经网络风速预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 冯国增;雷淑雅;郭月姣;孟博;沈九兵;宋印东;: "大型船体钢结构车间焊接烟尘浓度分布研究", 建筑科学, no. 06, 15 June 2020 (2020-06-15) * |
| 王利;王立忠;冯存义;: "焊接车间烟尘净化气流仿真模拟工艺研究", 焊接技术, no. 09, 28 September 2020 (2020-09-28) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113777000A (zh) * | 2021-10-09 | 2021-12-10 | 山东科技大学 | 一种基于神经网络的粉尘浓度检测方法 |
| CN113777000B (zh) * | 2021-10-09 | 2024-04-12 | 山东科技大学 | 一种基于神经网络的粉尘浓度检测方法 |
| CN115342488A (zh) * | 2022-08-08 | 2022-11-15 | 哈尔滨工业大学 | 一种超低能耗住宅新风系统智能控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113483473A (zh) | 一种基于遗传-神经网络（ga-bp）模型的焊接车间环境控制方法 | |
| Yi et al. | A neural network model forecasting for prediction of daily maximum ozone concentration in an industrialized urban area | |
| CN108268935B (zh) | 一种基于时序循环神经网络的pm2.5浓度值预测方法及系统 | |
| CN110333325B (zh) | 一种大气污染环境下列车运行防护方法及系统 | |
| CN109978048B (zh) | 一种脱硫塔浆液循环泵故障分析与诊断方法 | |
| US11938784B2 (en) | Health protection system for passengers on a train in a polluted indoor environment and method thereof | |
| JP7216450B2 (ja) | 列車内空気品質監視及び換気制御方法、システム | |
| CN110533239B (zh) | 一种智慧城市空气品质高精度测量方法 | |
| CN112990677B (zh) | 一种基于人工智能的教学系统、计算机设备、存储介质 | |
| CN110824915A (zh) | 基于ga-dbn网络的废水处理智能监控方法及系统 | |
| CN108052793A (zh) | 一种基于模糊加权elm的移动污染源排放浓度预测方法 | |
| CN110610209A (zh) | 一种基于数据挖掘的空气质量预测方法及系统 | |
| CN115656446B (zh) | 一种基于物联网的空气质量检测系统及方法 | |
| Kowalski et al. | PM10 forecasting through applying convolution neural network techniques | |
| CN114119277A (zh) | 一种基于人工智能神经网络的絮凝投药决策的分析方法 | |
| CN108364098B (zh) | 一种天气特征对用户签到影响的度量方法 | |
| BARAN | Air quality Index prediction in besiktas district by artificial neural networks and k nearest neighbors | |
| CN114822709A (zh) | 大气污染多粒度精准成因分析方法及装置 | |
| CN114049134A (zh) | 一种污染源在线监测数据造假识别方法 | |
| Akkoyunlu et al. | A neural network-based approach for the prediction of urban SO2 concentrations in the Istanbul metropolitan area | |
| CN115408930A (zh) | 一种地铁通风空调系统负荷预测方法 | |
| Paschalidou et al. | Neural modelling of the tropospheric ozone concentrations in an urban site | |
| Purnomo et al. | Achieving sustainable environment through prediction of air pollutants in Yogyakarta using adaptive neuro fuzzy inference system | |
| CN114970813A (zh) | 一种溶解氧浓度数据修复及预报方法 | |
| Gültepe et al. | Daily SO2 air pollution prediction with the use of artificial neural network models |
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 |