基于烟花算法与长短时记忆网络的模温预测方法研究

发布时间：2021-08-14 01:35

　　针对传统神经网络模型预测模具温度准确度低,网络超参数选取困难等问题,提出一种基于烟花算法优化长短时记忆网络的模温预测模型,为铸造成型模温自动控制提供基础。首先根据铸造过程生产工艺选取影响铸造系统的主要变量,利用灰关联分析得出各变量灰色关联度并去除关联度小的变量,建立模具温度影响因子变量的数据集;其次采用烟花算法对长短时记忆网络进行优化,建立模具温度预测模型;最后与BP神经网络和长短时记忆网络预测效果进行对比。实验结果表明基于烟花算法优化的长短时记忆网络的模温预测方法绝对误差小于2. 4℃,平均绝对百分比误差小于0. 12。 

【文章来源】：计量学报. 2020,41(06)北大核心CSCD

【文章页数】：6 页

【部分图文】：

烟花算法爆炸效果

对比FWA-LSTM与LSTM迭代误差图

为了充分验证原始数据经过GRA处理是否会降低网络的预测能力和FWA-LSTM模温预测算法的有效性，分别将原始数据经过GRA处理和未经过GRA处理后的数据作为模温预测模型的输入数据进行预测。采用BP神经算法、LSTM算法和FWA-LSTM算法进行比较，烟花算法中，初始烟花数量n=5，烟花种群大小M=50，预设最大振幅A=40，常量a=0.04,b=0.8，最大迭代次数设为100。获得的FWA-LSTM模温预测模型的最优超参数:时间窗口大小为10，批处理大小为50，隐藏层单元个数为12。经过仿真实验测得以原始数据经过GRA处理和未经过GRA处理的3种方法的预测模具温度结果见图4所示。整个实验过程采用平均绝对百分比误差MAPE和绝对误差ε两个指标作为衡量模型预测精度的标准，结果见图5和表3所示。

【参考文献】：
期刊论文
[1]灰色关联分析模型研究进展[J]. 刘思峰,蔡华,杨英杰,曹颖.  系统工程理论与实践. 2013(08)



本文编号：3341502