基于权重粒子群算法的工件铣削温度研究

为研究铣削加工中工件的温度分布规律,推导其热传导数学模型,提出应用权重粒子群算法(Weighted particle swarm optimization,WPSO)开展时变热流密度辨识的方法,并结合试验数据对AISI1045钢在特定工况下的温度分布情况进行分析。结果表明,铣削过程中的界面热流密度呈3个阶段的非线性变化;切削初期存在缓慢温升的平台期,渡过平台期后,工件与刀具相接触部分的温度急剧上升,最高温度可达到860℃左右;从试验结果与解析结果的对比来看,两者误差的最大值约为11.06%,结果基本吻合。研究表明所提出的方法可以较为准确研究铣削加工过程中工件的温度分布情况。

基于小生境优化的变权重粒子群算法在PMU优化配置中的应用

针对相量测量单元优化配置问题展开研究,提出了一种基于小生境优化的变权重粒子群算法来解决该问题。所提算法以离散粒子群算法为基础,通过基于共享函数的小生境技术优化初始粒子群,改进权重系数的取值函数来提高算法的收敛效果,最后进行冗余度比较得出最优方案。该算法与常用算法相比,提高了计算的收敛速度和全局性,实现了算法多峰性,可通过分析问题模型有效得出相量测量单元(PMU)优化配置方案。并通过IEEE 14母线系统和新英格兰39母线系统仿真实例验证了所提方法的有效性。

基于权重自适应调整的混沌量子粒子群算法的城市电动汽车充电站优化布局

针对城市电动汽车充电站的定容和选址的问题,从实际情况出发,建立将土地价格、建设成本、运行成本、交通流量、服务距离、服务能力考虑在内的数学模型,该模型以年均综合费用最小为目标,以充电能力,充电距离为约束条件。采用权重自适应调整的混沌量子粒子群算法对北方的某市某区进行规划,该算法在迭代过程中会根据粒子不同的适应值,对惯性权重做出相应的调整,从而调整对粒子的搜索能力。利用混沌算子的遍历性,使得该算法具有很好的收敛速度和精度。利用该算法对所建立的数学模型进行求解,经过进一步的筛选,确定了该地区充电站的建址坐标、容量和费用。

基于WPSO-BP和L-MBWO的多翼离心风机优化研究

针对多翼离心风机气动性能、噪声情况难以同时改进的问题,提出了一种基于变权重粒子群优化算法的反向传播神经网络风机性能预测模型(WPSO-BP),以及一种基于逻辑混沌初始化的多目标白鲸优化算法(L-MBWO),并将二者应用于多翼离心风机的优化设计中。首先,选取了叶片进出口角、倾斜蜗舌的最大蜗舌半径、叶片切除角度作为设计变量,把风机的全压、效率、声压级作为优化目标;然后,构建了WPSO-BP预测模型,以反映设计变量与优化目标之间的关系,定量分析对比了该模型与BP神经网络预测模型,预测值用于风机的性能优化;接着,将逻辑混沌初始化引入到白鲸优化算法(BWO),基于第三代非支配排序遗传算法(NSGA-Ⅲ)构建了L-MBWO优化算法;最后,在实验验证仿真可靠的前提下,将提出的预测模型和优化算法应用于风机优化,并对优化效果进行了综合分析。研究结果表明:优化后的风机全压增加了34.79 Pa,效率提高了0.67%,噪声降低了1.73 dB,实现了多个优化目标之间的平衡,有效改善了风机的综合性能,为多翼离心风机的优化设计提供了一种新思路。

基于DPSO-BP的机械转子故障诊断

信号特征提取的方式直接影响故障诊断的结果,因此提出一种新的特征向量组合方式从而进行有效故障模式识别,以从原始信号中提取出能够最大程度地表征其所包含信息的信号特征。将经过经验模态分解后得到原始信号的有效IMF分量的能量以及信号的能量熵相结合作为特征向量。由于机械转子故障诊断缺失情况时有发生,提出采用DPSO算法优化BP神经网络的方法。该方法主要通过优化神经网络的初始权值和阈值的方式对BP神经网络进行改进。结果表明:与传统的BP神经网络模型相比,改进后的BP神经网络模型迭代次数大幅度减少,训练时长也相应缩短,模型的训练精度以及故障诊断的正确率也得到提高。

基于DPSO-ANFIS的大坝变形预测模型

变形预测模型是大坝结构安全性态分析的关键技术支撑。针对现有大坝变形预测模型在精确度、泛化性等方面的不足,将自适应模糊神经网络引入到大坝变形预测模型中,利用动态权重粒子群算法对自适应模糊神经网络中模糊层的适应度值进行参数寻优,形成可以寻找最优适应度值的自适应模糊神经网络,进而建立基于DPSO-ANFIS的大坝变形预测模型。根据大坝原型监测数据,代入训练好的模型得到输出值,并将其与实际监测数据进行对比分析。工程实例应用表明,基于DPSO-ANFIS的大坝变形预测模型输出值与实测值偏差最大为0.0516 mm,均方根误差为0.0351 mm,平均绝对误差为0.0320 mm,各项指标精度均优于基于PSOANFIS、ANFIS和BP神经网络的大坝变形预测模型。针对不同位置测点、预测时间段,基于DPSO-ANFIS的大坝变形预测模型输出值接近实测值,预测趋势符合真实值走向,整体预测性能稳定。该模型具有较高的精确度、良好的泛化性与可靠的稳定性,工程实用综合性能较优。

基于CW-RNNs的PMSM故障诊断

针对永磁同步电机(PMSM)故障诊断问题,提出了一种基于权重改进粒子群算法与时钟驱动循环神经网络(Clockwork RNNS)PMSM的故障诊断方法。以定子电流与振动信号作为PMSM的故障特征数据,该方法引入权重改进粒子群算法自动优化超参数得到神经内网络最优超参数。通过试验结果表明:粒子群算法能够快速地确定神经网络的最优超参数以提高实验效率,减少工作量;与BP神经网络、支持向量机(SVM)、浅层LSTM等方法在同等试验条件下进行比较,该算法具有更高的准确率与时效性。