針對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型預(yù)測模具溫度準(zhǔn)確度低,網(wǎng)絡(luò)超參數(shù)選取困難等問題,提出一種基于煙花算法優(yōu)化長短時記憶網(wǎng)絡(luò)的模溫預(yù)測模型,為鑄造成型模溫自動控制提供基礎(chǔ)。首先根據(jù)鑄造過程生產(chǎn)工藝選取影響鑄造系統(tǒng)的主要變量,利用灰關(guān)聯(lián)分析得出各變量灰色關(guān)聯(lián)度并去除關(guān)聯(lián)度小的變量,建立模具溫度影響因子變量的數(shù)據(jù)集;其次采用煙花算法對長短時記憶網(wǎng)絡(luò)進(jìn)行優(yōu)化,建立模具溫度預(yù)測模型;最后與BP神經(jīng)網(wǎng)絡(luò)和長短時記憶網(wǎng)絡(luò)預(yù)測效果進(jìn)行對比。實(shí)驗(yàn)結(jié)果表明基于煙花算法優(yōu)化的長短時記憶網(wǎng)絡(luò)的模溫預(yù)測方法絕對誤差小于2. 4℃,平均絕對百分比誤差小于0. 12。 

【文章來源】：計量學(xué)報. 2020,41(06)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

煙花算法爆炸效果

對比FWA-LSTM與LSTM迭代誤差圖

為了充分驗(yàn)證原始數(shù)據(jù)經(jīng)過GRA處理是否會降低網(wǎng)絡(luò)的預(yù)測能力和FWA-LSTM模溫預(yù)測算法的有效性，分別將原始數(shù)據(jù)經(jīng)過GRA處理和未經(jīng)過GRA處理后的數(shù)據(jù)作為模溫預(yù)測模型的輸入數(shù)據(jù)進(jìn)行預(yù)測。采用BP神經(jīng)算法、LSTM算法和FWA-LSTM算法進(jìn)行比較，煙花算法中，初始煙花數(shù)量n=5，煙花種群大小M=50，預(yù)設(shè)最大振幅A=40，常量a=0.04,b=0.8，最大迭代次數(shù)設(shè)為100。獲得的FWA-LSTM模溫預(yù)測模型的最優(yōu)超參數(shù):時間窗口大小為10，批處理大小為50，隱藏層單元個數(shù)為12。經(jīng)過仿真實(shí)驗(yàn)測得以原始數(shù)據(jù)經(jīng)過GRA處理和未經(jīng)過GRA處理的3種方法的預(yù)測模具溫度結(jié)果見圖4所示。整個實(shí)驗(yàn)過程采用平均絕對百分比誤差MAPE和絕對誤差ε兩個指標(biāo)作為衡量模型預(yù)測精度的標(biāo)準(zhǔn)，結(jié)果見圖5和表3所示。

【參考文獻(xiàn)】：
期刊論文
[1]灰色關(guān)聯(lián)分析模型研究進(jìn)展[J]. 劉思峰,蔡華,楊英杰,曹穎.  系統(tǒng)工程理論與實(shí)踐. 2013(08)



本文編號：3341502