为应对风力机齿轮箱振动信号压缩与重构过程存在复杂的参数设置问题,提出了基于模拟退火多种群遗传算法(Simulating Annealing and Multiple Population Genetic Algorithm,SA-MPGA)自适应设置过完备学习字典生成、振动信号压缩、压缩...为应对风力机齿轮箱振动信号压缩与重构过程存在复杂的参数设置问题,提出了基于模拟退火多种群遗传算法(Simulating Annealing and Multiple Population Genetic Algorithm,SA-MPGA)自适应设置过完备学习字典生成、振动信号压缩、压缩信号重构过程所需参数集。在传统遗传算法基础上引入多种群思想,增加了遗传算法对解空间的覆盖。在种群繁衍时个体选择引入模拟退火策略在种群进化过程中以不同概率接受一定程度的劣解,从而有助于遗传算法跳出局部最优解的缺陷。基于SA-MPGA的多参数自适应选择降低了传统遗传算法容易收敛到局部最优解的概率。应用实际工程数据验证基于SA-MPGA多参数优化问题,实验结果表明,在保持压缩率的前提下,基于模拟退火多种群算法比基于遗传算法重构信号与原始信号的峰值信噪比提升了16.5%,相关性提升了12.5%,均方根误差降低了13.4%。展开更多
文摘为应对风力机齿轮箱振动信号压缩与重构过程存在复杂的参数设置问题,提出了基于模拟退火多种群遗传算法(Simulating Annealing and Multiple Population Genetic Algorithm,SA-MPGA)自适应设置过完备学习字典生成、振动信号压缩、压缩信号重构过程所需参数集。在传统遗传算法基础上引入多种群思想,增加了遗传算法对解空间的覆盖。在种群繁衍时个体选择引入模拟退火策略在种群进化过程中以不同概率接受一定程度的劣解,从而有助于遗传算法跳出局部最优解的缺陷。基于SA-MPGA的多参数自适应选择降低了传统遗传算法容易收敛到局部最优解的概率。应用实际工程数据验证基于SA-MPGA多参数优化问题,实验结果表明,在保持压缩率的前提下,基于模拟退火多种群算法比基于遗传算法重构信号与原始信号的峰值信噪比提升了16.5%,相关性提升了12.5%,均方根误差降低了13.4%。