基于PSO-BP网络模型的模压时效炉金属温度软测量方法研究

总结PSO优化的神经网络软测量步骤如下：

1）对40个粒子进行初始化，粒子的位置及速度，同时将局部最优pbest初始化为对应粒子的初始值;

2）将网络的输入带入有传递系数值的神经网络结构中得到输出，计算得到每个粒子的误差;

3）比较误差得到单个粒子的局部最优解以及全局最优解gbest;

4）根据速度及位置更新公式更新粒子相应的速度及位置，公式[20]为

式中，v表示粒子速度，present表示粒子位置，k为上次循环得到的修正值，k+1则表示本次循环更新后的修正值，w1为惯性权重，设为0.8，c1、c2为常系数，均设为2，rand O为符合运算规则的随机矩阵。

5）将全局最优解的误差与设定误差相比，若达到精度要求，则结束循环，全局最优解则为神经网络中最优参数解，得到预测温度模型;若未达到精度要求，则重复步骤2）-4）直到误差满足系统要求。

同样，选取训练BP神经网络模型的两组数据对PSO优化的神经网络模型进行训练，得到结果如图7-10所示。

从图中可以看出，用PSO优化后的神经网络模型更加精确，且避免了用BP算法导致模型陷入局部最小的情况。

综上文所述，PSO优化的神经网络与用梯度向量法优化的神经网络相比，在相同精度要求、设置相同最大循环次数下，我们有如下结论：

1）前者平均误差为0.5764，后者平均误差为0.9721，因此PSO优化的神经网络精度更高，更能达到工业生产要求;

2）前者平均循环次数约为52，后者平均循环次数约为1556，因此PSO优化的神经网络的循环次数更少;

3） PSO优化的神经网络程序中更多的是简单的加减运算，不需要函数求导，程序上更加简洁。

4 结论

选取工作室壁温度作为输入，运用BP神经网络构建了时效炉金属温度预测模型，满足了一般民用铝合金产品的时效温度预测要求。为了提高模型的精度和泛化能力，运用PSO算法对模型参数进行优化。仿真实验结果表明，PSO-BP网络温度预测模型的性能显著提高，能够满足特种铝合金产品生产时温度预测的需要。

参考文献

[1]王顺兴.金属热处理原理与工艺[M].哈尔滨工业大学出版社，2009.

[2]刘世琪.铝合金时效强化工艺的设计与研究[D].天津大学，2009.

[3]梁世斌.工业铝型材的淬火与时效[A].中国有色金属加工工业协会轻金属分会.工业铝型材技术专集，中国有色金属加工工业协会轻金属分会，2006：11.

[4]蔡自兴，徐光佑.人工智能及其应用[M].北京：清华大学出版社，2010.

[5]郭强.基于支持向量机的软测量技术及其应用[D].抚顺：辽宁石油化工大学.2014.

[6]李海青，黄志尧.软测量技术原理与应用[M].北京：化学工业出版社，2000.

[7]俞金寿.软测量技术及其应用[J].自动化仪表，2008，29（1）：1- 7.

[8]张晓亮，谢飞，崔硕，李佳明，闫龙川.基于BP神经网络模型的故障预测与检修机制[A].2016电力行业信息化年会论文集.2016：4.

[9]李绍铭，章家岩，谢富春，等.软测量技术在铁矿石表面温度检测中的应用[J].重庆大学学报，2009，32 （7）：844-847.

[10]马晓茜，谢泽琼.基于BP神经网络的垃圾热值预测模型[l].科技导报，2012，30 （23）：46-50.

[11]谢立春.BP神经网络算法的改进及收敛性分析[J].计算技术与自动化，2007，26 （3）：52-56.

[12]刘博文，田冰，李少帅.时效炉的设计原理及选用[J].科技致富向导，2014，06：254+290.

[13]杨世铭.传热学[M].北京：高等教育出版社，2006.

[14]任怀庆.非线性不确定系统的神经网络控制研究[D].长春：吉林大学，2014.

[15]黄志辉.人工神经网络优化算法研究[D].长沙：中南大学，2009.

[16]孟小前.基于行程时间实时预测的露天矿调度服务研究[D].徐州：中国矿业大学，2014.

[17]吕纯，张培林，杨玉栋，等.一种用于磨粒识别的基于改进PSO算法的支持向量机模型[J].润滑与密封，2016，41 （2）：81-85.

[18]劉建华.粒子群算法的基本理论及其改进研究[D].长沙：中南大学，2009.

[19]纪震，吴青华.粒子群算法及应用[M].北京：科学出版社，2009.

[20]李海娜.基于PSO-BP神经网络的铝带坯晶粒度软测量建模与优化[D].长沙：中南大学，2009.

推荐访问:模压 时效 模型 温度 测量方法