基于BP神经网络的激光叠焊焊接接头熔深预测研究

分析了激光功率、焊接速度和离焦量3个焊接参数的变化对激光叠焊焊接接头熔宽和熔深的影响,证明了熔宽和熔深的变化规律具有一致性。利用焊接参数和超声波检测信号建立了BP神经网络模型,模型验证结果表明,熔深预测的最大偏差不超过0.1 mm,最大相对误差为3%。所建立的BP神经网络预测模型满足实际应用中对激光叠焊焊接接头熔深测量要求。     

激光熔覆制作铁路货车标志牌的试验研究

通过采用光纤激光器进行一系列工艺性试验,结合铁路货车激光熔覆凸字标志牌要求,选择合理的工艺参数。在此基础上,选用2组工艺参数对CHW-Ⅰ型自熔性粉末在高强耐大气腐蚀钢Q450NQR1上进行熔覆试验,对熔覆试样的宏观形貌、熔覆层硬度、显微组织和耐大气腐蚀性能等进行了研究分析。     

不锈钢车体非熔透激光搭接叠焊工艺研究

采用非熔透激光搭接叠焊方法对板厚组合分别为(0. 8+1. 5) mm和(1. 0+2. 0) mm的301L不锈钢板进行焊接,探究不同焊接工艺参数对焊缝形貌及力学性能的影响,结果表明:不锈钢搭接叠焊接头的拉剪强度随焊缝熔宽增大而增加;当焊缝熔宽固定时,拉剪强度随下板熔深增大缓慢增加,当下板熔深为下板厚度的约60%时达到最大值,之后随下板熔深增大缓慢减小;下板熔深对拉剪强度的影响不明显,但对下层板的热影响(氧化色)非常显著,下板熔深达到0. 3 mm就足以满足拉剪强度的要求,为了确保背面无热影响痕迹,当焊缝熔宽满足要求时,下板熔深对于拉剪力的影响可以忽略不计。     

基于双层次正交神经网络模型的铁路客运量预测

针对传统BP神经网络模型存在的计算效率和泛化能力低的问题,采用双层次特征分析方法对铁路旅客发送量统计数据的时间特征进行分析,提取出日趋势特征、月趋势特征、日周期性特征、月周期性特征、春运-暑运特征和黄金周-小长假特征作为模型的输入变量,建立双层次的BP神经网络模型,然后根据Gram-Schmidt正交化定理对双层次BP神经网络模型进行改进,在隐含层的输出采用Gram-Schmidt变换增加投影层,从而得到双层次正交神经网络模型。该模型包括2个相对独立的网络模型,1个用于处理客运量日数据,另1个用于处理月数据,2个网络模型的输出经过合成,最终得到客运量的预测结果。模型的应用证明,在铁路客运量预测中双层次正交神经网络模型比传统的BP神经网络模型更为有效。     

基于FOA-BP神经网络的高铁沉降预测

BP神经网络在沉降预测过程中存在预测精度有限、收敛速度慢等缺点。为提高BP神经网络在高铁沉降预测中的精度,基于改进的果蝇算法(FOA),利用其味道浓度函数来代替BP神经网络中的梯度函数,建立果蝇算法优化BP神经网络的预测模型—FOA-BP模型。通过果蝇种群迭代寻优获取最合适的权值和阈值,重新构建BP神经网络进行沉降预测。分别采用BP神经网络算法与FOA-BP神经网络算法对某高铁路基沉降监测点的沉降趋势进行预测,将两种算法的迭代次数、均方误差与平均相对百分比误差3个指标进行对比分析,结果表明:FOA-BP神经网络算法的三种指标均远小于BP神经网络算法,其模型精度更高,预测速度更快。     

基于经济周期的铁路货运量神经网络预测研究

针对现有铁路货运量预测方法存在较大突变性误差的问题,提出经济周期阶段参数的概念,将经济周期量化后作为一个输入因素提供给神经网络模型,用以学习记忆经济波动情况,建立基于经济周期的Elman神经网络预测模型,并以我国1992～2008年铁路货运量为实例对方法进行检验,与BP神经网络预测结果进行对比。实例表明,该方法有效减小突变性误差,预测精度较高,Elman神经网络在进行动态系统预测时效果更佳。     

基于BP神经网络的砂泥岩互层地质爆破参数优化研究

砂岩、泥岩互层地质在黄土地区路基工程中比较常见,其软硬相间的特性使得爆破参数设计困难,工程实践中难以达到理想的爆破效果。本文提出一种基于BP神经网络的爆破参数优化方法,该方法以影响爆破效果的主要因素作为网络输入参数、以爆破效果作为输出参数、采用搜集的数据样本作为训练和检测样本建立BP神经网络。以通过理论计算得出的爆破参数为基础,利用正交试验法筛选出16种试验方案。基于训练好的神经网络预测爆破效果,从中选择爆破效果较好的5组方案进行试爆,并根据试爆效果确定最佳爆破方案。该方法应用于横山车站路堑工程施工,效果良好。     

基于MEA-BP神经网络的自锚式悬索桥施工阶段吊索索力预测分析

为减小自锚式悬索桥在施工过程中吊索索力偏差对桥梁线形的影响程度，提高有限元模型的计算效率，提出一种基于思维进化(MEA)算法优化BP神经网络的吊索索力预测方法，以实现对桥梁各施工阶段的高精度逼近与吊索索力的快速反馈。在考虑施工过程中材料参数、荷载参数和环境温度等因素的不确定性基础上，结合有限元模型得到神经网络训练样本集。通过MEA算法实现BP神经网络权值与阈值的寻优，从而提高BP神经网络的预测精度。以某空间索面自锚式悬索桥为工程背景，建立该座桥梁的MEA-BP神经网络预测模型。结果表明，MEA-BP神经网络较传统BP神经网络具有更强的泛化能力与预测精度，MEA-BP神经网络的预测值与现场实测值的误差在10%以内，MEA-BP神经网络模型在索力预测方面具有较好的适用性。     

基于并联灰色神经网络的基桩沉降量预测研究

研究目的:静荷载试验是基桩检测中最直观有效的检测方法,其试验数据的科学有效性对试验结果的分析判定至关重要.本文旨在通过并联灰色神经网络模型,探讨静荷载试验中相似地质条件下基桩沉降量的有效预测和数据修补问题,并给出计算方法.研究结论:通过对桩周围土体的灰色关联分析,确定了区域内桩周围土体的关联度;借助线性加权的方法对灰色模型和BP神经网络进行并联整合,实现对单一模型的降噪优化;运用并联灰色神经网络,对相似土层区域范围内单桩静荷载试验数据进行有效预测,并进行误差比对.结果表明:该方法可综合考虑多方因素,对试验过程中缺失数据的修复、已知沉降量的拟合、未来沉降量的预测和关联区域内基桩沉降量参考值的确定具有实用价值.     

基于支持向量回归的地铁进站客流短时预测模型

基于准确的未来客流信息对地铁运营的重要性,研究客流预测的方法。选取支持向量机应用领域的一大分支——支持向量回归的方法对地铁进站客流进行短时预测,使用一种改进的粒子群算法进行参数寻优,从而构建客流预测模型。提出的模型以日期类型和所处时刻作为输入,可以提前预测未来一周的每15 min的客流。采取平均绝对百分比误差和均方根误差对模型的预测结果进行评估。使用广州杨箕车站进站客流数据进行实验,通过交叉验证确定验证参数选取的合理性,并将该模型与BP神经网络、KNN算法进行比较,实验表明模型预测结果的精度更高,稳定性更好。     

长大山岭隧道涌水量的BP神经网络时间序列预测模型

基于BP神经网络时间序列的隧道涌水量预测模型不必考虑隧道涌水量的影响因素及其关系,而是将隧道涌水量的时间序列做归一化处理,作为模型的输入输出变量,通过历史数据和所建立的预测模型来预测隧道涌水量。以一隧道1999年6月—2000年6月涌水数据序列为例,进行了基于BP神经网络时间序列模型的隧道涌水量预测,预测误差约为5.74%,满足精度要求。     

功率模块铜线键合工艺参数优化设计

为了提高功率模块铜线键合性能，采用6因素5水平的正交试验方法，结合BP (Back Propagation)神经网络与遗传算法，提出了一种铜线键合工艺参数优化设计方案。首先，对选定样品进行正交试验并将结果进行极差分析，得到工艺参数对键合质量的影响权重排序。其次，运用BP神经网络构建了铜线键合性能预测模型，并通过遗传算法对BP神经网络适应度函数求解，得到了工艺参数的最优值。将BP-遗传算法与传统优化方法的优化结果进行对比，发现经BP-遗传算法优化后的铜线键合工艺稳定性提升更加明显。最后，对功率模块进行了功率循环试验，结果表明经BP-遗传算法优化后的模块功率循环能力得到显著提升。     

基于BP神经网络与GM(1,1)模型组合算法的桥梁耐久性预测

针对混凝土桥梁耐久性历史评估数据的特点,提出一种基于BP神经网络与GM(1,1)模型的桥梁耐久性组合预测方法。通过GM(1,1)模型,以部分数据作为样本进行预测,在此基础之上,引入BP神经网络对预测的残差序列进行处理,旨在克服单一预测模型的不足,取得更高的预测精度。算例表明,本文算法精度明显高于传统GM(1,1)模型,与类似算法相比,精度上也有所提高。     

深基坑变形多维度预测研究

对可能影响深基坑变形的工程地质条件、水文地质条件、深基坑空间尺寸、支护结构进行了分析。考虑土的重度、土体的粘聚力、土体的内摩擦角、地下水位、土体的渗透系数、深基坑开挖深度、内支撑层数等7个主要因素的影响,以7个因素统计值作为训练样本,以实际观测得到的深基坑变形值作为目标值,建立了考虑多种影响因素的深基坑开挖变形预测BP神经网络模型。对比预测值与实测值,结果显示该模型预测误差非常小,模型精度很高。     

基于BP神经网络的动车组智能化控制和诊断研究

为解决因采集数据异常导致的列车控制的误动作和误诊断问题,对基于BP神经网络的动车组智能化控制和诊断方法进行了研究,建立了基于BP神经网络的预测模型,采用列车实际运行数据进行多次训练和参数调整,获取最优网络模型,结合该模型的预测值和实际值得到最终可信值,并融入到现有列车控制逻辑中进行控制和诊断。通过实验验证,采用训练模型的预测结果与实际采集值相比具有较高准确性,能够达到预测效果。实验结果表明,采用BP神经网络模型进行状态预测,并结合相关处理策略进行列车运行控制及故障诊断具有可行性。     

基于BP神经网络的混凝土箱梁最大温度梯度预测

混凝土箱梁受到太阳辐射、大气温度波动等多种气象因素的综合作用,结构内部会产生显著的非均匀温度分布。截面内温度梯度可能会导致桥梁结构产生过大的温度应力与温度变形,影响桥梁结构的安全性和耐久性。本文旨在探究气象因素对混凝土箱梁温度场的影响机理,并提出一种能精确预测中国多区域混凝土箱梁截面最大温度梯度的方法。首先建立了日照条件下混凝土箱梁温度场计算模型,将2 a以上气象资料作为输入条件,对多个地区混凝土箱梁温度场长期变化进行了仿真模拟,并对混凝土箱梁截面温度梯度的长期变化趋势进行了分析。然后利用主成分分析(PCA)确定了混凝土箱梁截面最大温度梯度预测模型所需的输入参数。最后利用遗传算法优化的BP神经网络建立预测混凝土箱梁竖向、横向温度梯度的网络模型,并与混凝土箱梁截面温度梯度进行比较。结果分析表明BP神经网络模型可以精确地预测混凝土箱梁最大温度梯度,预测值平均绝对误差(AAE)均小于0.9℃,均方根误差(RMSE)均小于1.2℃,决定系数(R2)均大于0.9。基于当地气象条件,本文利用经典的BP神经网络模型所建立的预测模型对中国不同地区的混凝土箱梁截面最大温度梯度均能给出准确的预测,为混凝土...     

改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。     

手持激光焊在城轨车辆侧墙产品中的应用

为验证手持激光焊在城轨车辆铝合金侧墙产品的应用可行性,文章介绍了焊接材料和方法,分析了不同焊接工艺参数对焊接接头的气孔率和熔深的影响,同时测试了焊后侧墙的振动冲击性能。研究结果表明,手持激光焊的摆宽和振镜频率对气孔影响较大,功率对熔深影响较大,侧墙焊缝在振动冲击试验后未发现裂纹。     

基于PSO-MK-ELM的动车轮对尺寸预测模型

动车轮对安全尺寸预测为动车安全性评估提供了依据。由于轮对尺寸变化受到运行环境等因素影响的复杂性,提出了一种适用于动车轮对尺寸数据的粒子群优化多核极限学习机(PSO-MK-ELM)预测模型。将多项式核函数和径向基核函数加权构成的多核函数(MK)引入极限学习机中,并采用粒子群优化算法对模型的4个关键参数进行寻优。针对CRH2车型的动车车轮直径数据,通过对比不同算法的预测结果,验证该方法的合理性和准确性。预测结果表明,在动车轮对尺寸数据的预测上,PSO-MK-ELM预测模型能够获取比BP模型、ELM模型和3种常用KELM模型更好的拟合优度、均方差、平均绝对误差和平均绝对百分比误差,验证了模型在动车轮对尺寸预测上的有效性。     

基于3D卷积神经网络的高铁轨道质量指数预测方法

轨道质量指数（TQI，Track Quality Index）是反映高铁整体线路质量状态的重要指标，分析TQI数据的变化规律能够对高铁线路养护维修提供重要指导和参考依据。为提高TQI数据预测的准确性，提出了一种多项特征数据的3D卷积神经网络模型，分析了TQI数据特征，抽取时间、空间、检测项数据并形成三维特征数据集，基于3D卷积神经网络算法，构建8层TQI预测模型，并从初始化参数、学习速率、激活函数、损失函数、Dropout方法等角度对模型进行优化，并利用某高铁线检测数据进行试验验证。结果表明，3D卷积神经网络模型可较好的预测高铁线路状态变化趋势，且对比于BP神经网络和2D卷积神经网络方法，平均绝对误差分别降低了41.48%、26.32%，均方差分别降低了65.42%、39.93%，证明了该方法的准确性与有效性，对于预测TQI与制定高铁线路养护维修计划具有实用价值。