CN115330091A - 基于人工神经网络和遗传算法的精密辊压工艺优化方法 - Google Patents
基于人工神经网络和遗传算法的精密辊压工艺优化方法 Download PDFInfo
- Publication number
- CN115330091A CN115330091A CN202211243682.XA CN202211243682A CN115330091A CN 115330091 A CN115330091 A CN 115330091A CN 202211243682 A CN202211243682 A CN 202211243682A CN 115330091 A CN115330091 A CN 115330091A
- Authority
- CN
- China
- Prior art keywords
- neural network
- parameters
- artificial neural
- genetic algorithm
- process optimization
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 230000002068 genetic effect Effects 0.000 title claims abstract description 42
- 238000005096 rolling process Methods 0.000 title claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 238000013178 mathematical model Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000013386 optimize process Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 16
- 230000003746 surface roughness Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 19
- 239000010410 layer Substances 0.000 description 19
- 238000012549 training Methods 0.000 description 14
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Neurology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
本发明涉及动力电池技术领域，尤其涉及基于人工神经网络和遗传算法的精密辊压工艺优化方法，包括对工业现场采集的数据进行分析、清洗与处理，根据分析结果求取优化的工艺参数和工艺优化目标；基于人工神经网络建立工艺数学模型，定义从工艺参数到工艺优化目标的参数的映射关系；利用已建立的工艺数学模型，基于遗传算法对工艺参数在可行域内进行优化，得到多个最优解集。本发明实现了对精密辊压实际生产过程的全面考虑，对于实际生产过程的描述更为真实准确，优化结果也更加符合实际生产情况和生产需要。
Description
技术领域
本发明涉及动力电池技术领域，尤其涉及基于人工神经网络和遗传算法的精密辊压工艺优化方法。
背景技术
精密辊压技术在薄片状机械零件和其他元件的生产中具有广泛应用，例如，作为当前成熟储能手段之一的锂离子电池，其性能的决定因素即为其内部极片的精密辊压质量。现有精密辊压技术却面临着辊压厚度控制不够准确、不够均匀、波动等问题，在锂离子电池中，直接导致了电池比容量不足、容量衰退快等问题，造成了大量资源浪费。因此，对精密辊压质量进行控制和优化对于降低生产成本、提升产品性能具有重要意义。
对精密辊压过程控制和优化方法大多集中在对辊压机器和生产系统的优化上，例如设计出刚度更好、振动更弱的辊压设备。这种方式通常能带来较为优良的优化效果，但对于实际生产企业而言，更换一次设备和生产线的成本很高，且一旦生产标准和计划发生改变，则改进生产设备和系统所带来的优化效果便可能大打折扣。
现有算法中有利用遗传算法对神经网络进行改进，通过优化神经网络参数，实现预测精度提升，但并未从工艺角度提出优化方案；近年来，从工艺优化角度出发的研究主要解决了单一因素如何影响辊压质量的问题，但这些研究大多通过实验研究得出结论，相比于实际生产环境，实验方案的考虑仍然很不全面，对于实际生产的参考价值有限。
发明内容
针对现有算法的不足，本发明提出一种能够充分利用精密辊压生产现场数据的进行数据分析，并采用遗传算法和神经网络对工艺参数进行高效寻优。
本发明所采用的技术方案是：基于人工神经网络和遗传算法的精密辊压工艺优化方法包括以下步骤：
步骤一、对工业现场采集的数据进行分析、清洗与处理，根据分析结果求取优化的工艺参数和工艺优化目标的参数；
进一步的，步骤一具体包括：
S11、对原始数据集的零值和缺失数据进行清洗；
S12、建立数据集的频数分布直方图，对偏差数据进行清洗；
S13、对工艺优化目标进行处理与计算；
S14、利用统计学手段，对需要优化的工艺参数进行分析和选择；
进一步的，步骤S14具体包括：
根据相关系数和显著性水平分析，当
，
时，确定辊压速度v、
操作侧辊缝
、传动侧辊缝
为符合要求的工艺参数，厚度偏差
及表面粗糙度
为工艺优化目标的参数。
步骤二、基于人工神经网络建立工艺数学模型，定义从工艺参数到工艺优化目标的参数的映射关系；
进一步的，步骤二具体包括：人工神经网络的输入层神经元个数为3、输出层神经元个数为2、单个隐藏层神经元个数、隐藏层层数分别选定为12和7、设定拟合优度值大于0.8、迭代次数为15000。
步骤三、利用已建立的工艺数学模型，基于遗传算法对工艺参数在可行域内进行优化，得到多个最优解集；
进一步的，步骤三具体包括：
S31、选用实数编码方式对用于遗传算法优化的种群个体进行编码，执行遗传算法时所要确定的演化参数；
S32、初始化遗传种群并选定种群遗传与变异参数，选择模拟二进制交叉概率
和多项式变异概率
分别为：
其中，d为工艺参数的个数；
S33、选定种群遗传代数并输出启发式优化结果集；
以遗传种群性能稳定为标准，以人工神经网络为目标函数，选定遗传代数，进行种群遗传和进化，获得包含N个解的最优解集。
本发明的有益效果：
1、弥补了当前对精密辊压过程理论研究的不足，从工业现场的实际生产数据出发，通过对数据中隐藏的信息进行挖掘，分析得出精密辊压过程的复杂数学模型和优化方案，利用启发式优化算法对精密辊压过程进行分析和优化，实现了对精密辊压实际生产过程的全面考虑，对于实际生产过程的描述更为真实准确，优化结果也更加符合实际生产情况和生产需要。
2、相比于优化前的数据集，精密辊压的厚度偏差和表面粗糙度减小均超过50%。
附图说明
图1是本发明的基于人工神经网络和遗传算法的精密辊压工艺优化方法流程图；
图2是本发明的遗传算法的流程框图；
图3是本发明的人工神经网络结构示意图；
图4是本发明厚度偏差的拟合优度值；
图5是本发明表面粗糙度的拟合优度值；
图6是本发明的精密辊压工艺优化结果集对应的优化目标值。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示，基于人工神经网络和遗传算法的精密辊压工艺优化方法包括以下步骤：
步骤一、对工业现场采集的数据进行分析、清洗与处理，根据分析结果求取优化的工艺参数和工艺优化目标；
具体包括：
S11、对原始数据集的零值和缺失数据进行清洗；
通过直接筛选，选择数据集中的零值数据和缺失数据进行剔除，并由此获得有效数据构成的数据集；
S12、建立数据集的分布直方图，对偏差数据进行清洗；
对有效数据绘制频数分布直方图，筛选出其中与均值存在明显偏差的数据并剔除，由此获得用于后续过程的训练数据集；
S13、对工艺优化目标进行处理与计算；
根据数据集中的在工业现场测得的工艺优化目标的参数实际值
，归纳出用于工艺优化目标的参数，公式为：
y＝（y（1），y（2）；···y（j）；y（i））（1）
其中，
为工业现场q个传感器分别测得的值，y（1），y（2）；···y（j）；y（i） 为作为优化目标的l个指标；
S14、利用统计学手段，对需要优化的工艺参数进行分析和选择；
对工业现场可调参数 
和式（1）中的工
艺优化目标的参数进行相关性分析和显著性水平检验，可调参数
和优化目标
的相关系数和显著性水平值分别为
，根据统计学一般原则，当
，
时，认为可调参数
和优化目标
具有相关性，此时将可调参数
选定为优化参
数之一，最终选定d个符合要求的工艺参数
。
根据相关系数和显著性水平分析，确定辊压速度v、操作侧辊缝
、传动侧辊缝
为符合要求的工艺参数，公式为：
；确定厚度偏差
及表面粗糙
度
为工艺优化目标的参数，公式为：
。
步骤二、基于人工神经网络建立工艺数学模型，定义从工艺参数到工艺优化目标的参数的映射关系；
具体包括：
S21、选定人工神经网络神经元的基本属性；
根据人工神经网络基本原理，选定输出层神经元个数与优化目标的个数相同，均为l；选定输入层神经元个数与优化参数的个数相同，均为d；考虑到训练模型的复杂性，对输入层和隐藏层神经元均选用指数线性激活函数，使网络具备非线性特性的同时确保映射关系的光滑性；
S22、对训练数据集进行归一化和标准化处理；
定义了用于人工神经网络训练的归一化、标准化参数，即
其中，
为训练集第k条数据对应的工艺参数
的归一化值，
为训练集
第k条数据对应的工艺优化目标的参数
的标准化值；
S23、调试人工神经网络结构以及结构参数；
采用遍历方法，以最小化累计均方根误差为目标，依次选定人工神经网络训练过程中涉及的批处理规模、单层隐藏层神经元个数、隐藏层层数和迭代次数，建立完成的、用于训练的人工神经网络；
建立人工神经网络，构建从工艺参数到工艺优化目标的参数的映射关系，其结构
如图3所示；输入层神经元个数
，即辊压速度、操作侧辊缝和传动侧辊缝；输出层神
经元个数
，即厚度偏差和表面粗糙度；单个隐藏层神经元个数、隐藏层层数分别选定
为12和7；
S24、代入训练数据集进行人工神经网络训练；
数据集按3:1分为训练集和验证集，并将数据代入人工神经网络中，以拟合优度
作为衡量人工神经网络性能的主要参数，当拟合优度值大于0.8时认为效果良好；
迭代次数选定为15000，代入训练数据集对人工神经网络进行训练，所得训练结果如图4、5所示；图4中，横坐标表示厚度实测值，纵坐标表示人工神经网络对厚度的预测值，图5中，横坐标表示表面粗糙度实测值，纵坐标表示人工神经网络对表面粗糙度的预测值；图4、5中，实线为象限角平分线，散点越靠近实现，代表预测效果越好；人工神经网络在两个工艺优化目标的参数上的拟合优度值分别达到0.8859和0.8943，表明基于此建立的人工神经网络具有较高的准确度；
步骤三、利用已建立的工艺数学模型，基于遗传算法（如图2）对工艺参数在可行域内进行优化，得到多个最优解集；
S31、将优化参数编码为用于遗传算法的种群个体；
选用实数编码方式对用于遗传算法优化的种群个体进行编码，由此，执行遗传算法时所要确定的演化参数即为该编码方式对应的模拟二进制交叉概率和多项式变异概率；
S32、初始化遗传种群并选定种群遗传与变异参数；
确定根据所需最优解集的规模确定遗传种群规模N，并选择模拟二进制交叉概率
和多项式变异概率
分别为：
其中，d为工艺参数的个数；
S33、选定种群遗传代数并输出启发式优化结果集；
以遗传种群性能稳定为标准，以人工神经网络为目标函数，选定合适的遗传代数，进行种群遗传和进化，最终获得与包含N个解的最优解集；
基于上述训练完成的人工神经网络，利用遗传算法进行寻优，选取种群规模
，在遗传150代后，所得结果收敛，其对应的优化目标值如图6所示，横、纵坐标分
别表示各最优解对应的厚度偏差值和表面粗糙度值，按厚度偏差值从小到大进行编号，编
号分别为1~80；相比于优化前的数据集，精密辊压的厚度偏差和表面粗糙度（厚度波动）均
减小了50%以上，这表明本发明所提出的方法可以有效地实现精密辊压工艺优化；另一方
面，本发明所求得的最优解集具有一定规模，当工艺优化的侧重点不同时，可从解集中选择
不同的工艺参数投入使用，即侧重于减小厚度偏差时，选择编号较小的解，侧重于减小表面
粗糙度时，选择编号较大的解。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (5)
1.基于人工神经网络和遗传算法的精密辊压工艺优化方法，其特征在于，包括以下步骤：
步骤一、对工业现场采集的数据进行分析、清洗与处理，根据分析结果求取优化的工艺参数和工艺优化目标的参数；
步骤二、基于人工神经网络建立工艺数学模型，定义从工艺参数到工艺优化目标的参数的映射关系；
步骤三、利用已建立的工艺数学模型，基于遗传算法对工艺参数在可行域内进行优化，得到多个最优解集。
2.根据权利要求1所述的基于人工神经网络和遗传算法的精密辊压工艺优化方法，其特征在于，步骤一具体包括：
S11、对原始数据集的零值和缺失数据进行清洗；
S12、建立数据集的频数分布直方图，对偏差数据进行清洗；
S13、对工艺优化目标进行处理与计算；
S14、利用统计学手段，对需要优化的工艺参数进行分析和选择。
3.根据权利要求2所述的基于人工神经网络和遗传算法的精密辊压工艺优化方法，其特征在于，步骤S14具体包括：
根据相关系数和显著性水平分析，当
，
时，确定辊压速度、操作侧
辊缝、传动侧辊缝工艺参数，厚度偏差及表面粗糙度为工艺优化目标的参数。
4.根据权利要求1所述的基于人工神经网络和遗传算法的精密辊压工艺优化方法，其特征在于，步骤二具体包括：
人工神经网络的输入层神经元个数为3、输出层神经元个数为2、单个隐藏层神经元个数、隐藏层层数分别为12和7、拟合优度值大于0.8、迭代次数为15000。
5.根据权利要求1所述的基于人工神经网络和遗传算法的精密辊压工艺优化方法，其特征在于，步骤三具体包括：
S31、选用实数编码方式对遗传算法优化的种群个体进行编码，执行遗传算法时的演化参数；
S32、初始化遗传种群并选定种群遗传与变异参数，选择模拟二进制交叉概率
和多
项式变异概率
分别为：
其中，d为工艺参数的个数；
S33、以遗传种群性能稳定为标准，以人工神经网络为目标函数，选定遗传代数，进行种群遗传和进化，获得包含N个解的最优解集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211243682.XA CN115330091A (zh) | 2022-10-12 | 2022-10-12 | 基于人工神经网络和遗传算法的精密辊压工艺优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211243682.XA CN115330091A (zh) | 2022-10-12 | 2022-10-12 | 基于人工神经网络和遗传算法的精密辊压工艺优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115330091A true CN115330091A (zh) | 2022-11-11 |
Family
ID=83914713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211243682.XA Pending CN115330091A (zh) | 2022-10-12 | 2022-10-12 | 基于人工神经网络和遗传算法的精密辊压工艺优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115330091A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118643797A (zh) * | 2024-08-16 | 2024-09-13 | 浙江振有电子股份有限公司 | 面向hdi印制线路板制造的工艺参数自适应优化方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1979496A (zh) * | 2005-12-02 | 2007-06-13 | 中国科学院金属研究所 | 铜合金管材铸轧工艺参数设计及优化的方法 |
| CN101114312A (zh) * | 2007-06-05 | 2008-01-30 | 天津钢管集团股份有限公司 | 基于遗传神经网络技术设计assel轧辊辊型的方法 |
| CN106345823A (zh) * | 2016-08-31 | 2017-01-25 | 北京首钢自动化信息技术有限公司 | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 |
| CN107042234A (zh) * | 2017-03-15 | 2017-08-15 | 中冶华天工程技术有限公司 | 基于棒材全流程大数据采集的智能化工艺生产线及生产方法 |
| CN109508488A (zh) * | 2018-11-07 | 2019-03-22 | 西北工业大学 | 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法 |
| CN111241750A (zh) * | 2020-01-14 | 2020-06-05 | 邯郸钢铁集团有限责任公司 | 一种结合遗传算法的bp网络冷轧带钢力学性能预测方法 |
| CN113901725A (zh) * | 2021-10-14 | 2022-01-07 | 太原科技大学 | 一种基于Matlab的无缝钢管连轧工艺智能预测系统及方法 |
| CN114564892A (zh) * | 2022-03-03 | 2022-05-31 | 太原科技大学 | 一种基于遗传算法的矫直工艺优化方法及系统 |
-
2022
- 2022-10-12 CN CN202211243682.XA patent/CN115330091A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1979496A (zh) * | 2005-12-02 | 2007-06-13 | 中国科学院金属研究所 | 铜合金管材铸轧工艺参数设计及优化的方法 |
| CN101114312A (zh) * | 2007-06-05 | 2008-01-30 | 天津钢管集团股份有限公司 | 基于遗传神经网络技术设计assel轧辊辊型的方法 |
| CN106345823A (zh) * | 2016-08-31 | 2017-01-25 | 北京首钢自动化信息技术有限公司 | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 |
| CN107042234A (zh) * | 2017-03-15 | 2017-08-15 | 中冶华天工程技术有限公司 | 基于棒材全流程大数据采集的智能化工艺生产线及生产方法 |
| CN109508488A (zh) * | 2018-11-07 | 2019-03-22 | 西北工业大学 | 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法 |
| CN111241750A (zh) * | 2020-01-14 | 2020-06-05 | 邯郸钢铁集团有限责任公司 | 一种结合遗传算法的bp网络冷轧带钢力学性能预测方法 |
| CN113901725A (zh) * | 2021-10-14 | 2022-01-07 | 太原科技大学 | 一种基于Matlab的无缝钢管连轧工艺智能预测系统及方法 |
| CN114564892A (zh) * | 2022-03-03 | 2022-05-31 | 太原科技大学 | 一种基于遗传算法的矫直工艺优化方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118643797A (zh) * | 2024-08-16 | 2024-09-13 | 浙江振有电子股份有限公司 | 面向hdi印制线路板制造的工艺参数自适应优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738512B (zh) | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 | |
| CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
| CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
| CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
| CN112734128B (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
| CN101893884B (zh) | 密炼机的橡胶混炼过程中质量指标数据的软测量方法 | |
| CN116167531A (zh) | 一种基于数字孪生的光伏发电预测方法 | |
| CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
| CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
| CN115330091A (zh) | 基于人工神经网络和遗传算法的精密辊压工艺优化方法 | |
| CN114169251A (zh) | 一种超短期风电功率预测方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN110212592A (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 | |
| CN113487064A (zh) | 基于主成分分析和改进lstm的光伏功率预测方法及系统 | |
| CN117494888A (zh) | 基于优化级联的分布式光伏功率预测方法及系统 | |
| CN117150677A (zh) | 一种电除尘器选型参数的确定方法及装置 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN110956304A (zh) | 一种基于ga-rbm的分布式光伏发电量短期预测方法 | |
| CN117174899B (zh) | 一种氟化碳正极材料制备方法 | |
| CN110880044A (zh) | 一种基于马尔科夫链的负荷预测方法 | |
| CN117709524A (zh) | 一种基于贝叶斯优化的钢铁行业碳排放预测方法及系统 | |
| CN117407665A (zh) | 一种基于生成对抗网络的退役电池时序数据缺失值填充方法 | |
| CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
| CN113919610A (zh) | 低压台区线损预测用arima模型构建方法及评估方法 |
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: 20221111 |