基于IPSO-MCKD的汽车变速箱轴承故障诊断

针对车辆在城区运行过程中频繁启停造成变速箱滚动轴承故障易发的问题,在轴承故障诊断中引入最大相关峭度反卷积(Maximum Correlation Kurtosis Deconvolution,MCKD)的方法,为了避免过于依赖人工选择MCKD算法中滤波器系数和移位数,提出了一种参数自适应的最大相关峭度反卷积的故障诊断方法。该方法以输入信号的包络谱中最大相关峭度为目标函数,采用改进后的粒子群优化(Improved Particle Swarm Optimization,IPSO)算法优化MCKD中的滤波器系数和位移数,最后通过对故障信号的包络谱进行分析,提取轴承的故障特征。仿真和试验的结果表明,该方法可以有效降低环境中的噪声干扰,准确从强噪声中提取故障特征,实现故障诊断。

基于IPSO-RBF神经网络的西北内陆河流域突发水污染风险评估

突发水污染事故会破坏环境、危害健康,开展西北内陆河流域突发水污染风险评估对于维护西部脆弱生态安全尤为重要。该文针对西北内陆河流域突发水污染问题,利用PSR模型遴选18个因素建立突发水污染风险评价指标体系,基于径向基神经网络模型(RBF)构建突发水污染风险评价模型。为进一步保证模型精度,采用改进惯性权重因子和学习因子的粒子群算法(IPSO)对神经网络模型参数进行优化,建立IPSO-RBF神经网络西北内陆河突发水污染风险评价模型,并运用该模型对石羊河流域武威段2017-2022年突发水污染进行风险等级评价。结果显示,石羊河流域武威段突发水污染2017-2019年风险等级为Ⅱ级,2020-2022年风险等级为Ⅲ级,结果与熵权-TOPSIS法一致,与流域治理情况相符。该研究成果有利于提升石羊河流域突发水污染的防控水平与应急处置能力,对于西北内陆河流域水资源管理以及祁连山生态保护具有重要意义。

基于IPSO-LSTM的井下动目标位置预测实验研究

提升井下人员定位精度能够加强矿山安全监测,最大程度保障井下人员的生命安全。针对现有测距类算法受现场环境影响致使定位精度不足的问题,提出一种基于IPSO-LSTM的定位模型,应用于井下动目标的位置预测。采用LSTM构建指纹定位模型,通过UWB无线模块采集距离信息以构建距离-位置指纹关系数据库,利用数据库对PSO-LSTM模型进行训练,最后将训练好的模型进行目标轨迹预测。为比较不同改进策略对PSO的提升效果,对比了混沌映射随机初始化种群位置、非线性惯性权重递减、非对称优化学习因子和适应度函数优化4种改进策略,实验证明改进的PSO优化算法收敛速度快、鲁棒性好。为验证IPSO-LSTM的定位效果,以平均定位误差作为评价指标,将IPSO-LSTM模型与Chan算法、PSO-LSTM模型、LSTM神经网络、SSA-LSTM模型和GWO-LSTM进行对比,结果显示,IPSO-LSTM定位模型的平均定位误差为30 mm,相对传统Chan算法、LSTM、PSO-LSTM模型分别提升了76%、49%、24%。为降低局部误差偏大的现象,采用中值滤波对输入信息处理,进一步提升了定位精度。研究对进一步提高现有井下动目标定位系统的精度和稳定性具有重要意义和参考价值。

基于AMGA与IPSO算法的42Cr Mo超声滚挤压工艺参数优化

为确定超声滚挤压轴承套圈工艺参数的最优解集,以42CrMo钢为研究对象,表面粗糙度、残余压应力和硬度为表层性能评价指标,设计正交试验。基于试验数据,采用多元回归法建立评价指标的数学预测模型,进行方差分析。对超声滚挤压工艺参数分别采用存档微遗传算法(AMGA)和改进粒子群(IPSO)算法进行多目标优化,对优化后的Pareto前沿图与计算效率进行对比分析,结果表明:在Pareto前沿图中, AMGA最优迭代2000次优于IPSO算法最优迭代3600次;得到超声滚挤压工艺参数最优解集:转速[250, 355]r·min^(-1)、进给速度[13, 24]mm·min^(-1)、振幅[16, 22]μm、静压力[488, 650]N;表层性能评价指标最优解集:表面粗糙度[0.398, 0.501]μm、残余压应力[823, 986]MPa、硬度[713, 742]HV。通过试验验证了算法优化的可靠性和精确性。

基于SA-IPSO的机械臂轨迹规划及仿真

为满足复杂装配场景下机械臂高效且平稳的运行需求,在时间-冲击最优约束下,提出了结合改进粒子群优化(improved particle swarm optimization,IPSO)算法的4-5-4多项式插值轨迹规划方法。首先,基于标准Denavit-Hartenberg(D-H)方法,建立机械臂仿真模型,并进行了运动学求解与验证;其次,针对传统粒子群算法易陷入局部最优的问题,通过种群混沌初始化,引入模拟退火算法(simulated annealing,SA)中的Metropolis准则,优化动态因子对其进行改进,并求解机械臂末端最优多项式插值曲线,通过仿真验证算法的优越性;最后,探究了时间冲击系数对优化效果的影响,当时间系数β1=0.6,冲击系数β2=0.4时,优化效果最佳,且相比优化前,机械臂的工作效率提高27.5%,冲击值降低26.36%。

基于IPSO算法的火电载能工业炉园区碳排放模型构建

为了降低火电载能碳排放量,实现工业炉园区火电载能的碳排放优化,提出基于IPSO算法的火电载能工业炉园区碳排放模型。通过工业炉园区火电机组的度电煤炭消耗量,计算火电机组的碳排放强度,结合最小二乘算法拟合各个火电机组的煤耗特性曲线,以此为基础,将含煤耗量最小、费用最小、污染物排放量最小视为目标函数,结合总负荷平衡、旋转备用容量等约束条件,构建工业炉园区碳排放优化模型,并通过IPSO算法对模型进行求解,实现工业炉园区火电载能的碳排放优化。测试结果显示:该模型有效完成机组在低碳、基准以及高碳三种情况下的燃煤特性曲线拟合,优化后机组碳排放浓度最大结果分别为744.5、502.4.833.6mgm=3,最高日碳排放量分别为10087.3、89665.4、92204.3kg,在满足园区供需的情况实现碳排放量的优化。

IPSO-BP算法在半主动悬架控制中的应用

为了改善半主动悬架的性能,提出采用改进的粒子群优化(improved particle swarm optimization,IPSO)-向后传播(back propagation,BP)算法作为半主动悬架自适应控制,该算法将标准粒子群算法进行改进,用以改善粒子群全局收敛性和收敛速度,并将改进后的IPSO算法作为BP神经网络的学习算法,用于半主动悬架的自适应控制.自适应控制器采用了双神经网络单元结构,一个作为输入端的控制器,根据路面输入调节半主动悬架阻尼值,另一个作为半主动悬架的辨识器,并进行在线识别.通过该控制器进行半主动悬架自适应控制数值仿真,结果表明,基于该算法的控制器明显改善了汽车的舒适性和平顺性,使得车身的垂向加速度比粒子群优化(particle swarm optimization,PSO)-BP半主动悬架的降低了21.73%,提高了汽车悬架的性能.

基于IPSO混沌支持向量机的网络流量预测研究

针对传统混沌支持向量机参数寻优算法的不足,提出了一种改进的粒子群(IPSO)算法。该算法通过延长迭代的开始阶段和最后阶段的搜索时间,实现了算法的全局搜索与局部搜索能力之间的平衡,进而优化模型参数,建立了基于IPSO优化的混沌支持向量机预测模型。应用实例结果表明,该模型对网络流量预测是有效可行的,并具有较高的寻优效率、预测精度和较好的稳态性能。

基于IPSO-BP神经网络模型的山东省碳排放预测及生态经济分析

在低碳经济发展背景下,针对山东省碳排放数据更新迟缓、以往预测模型难以满足现实需求的问题,统计相关数据,根据政府间气候变化专门委员会(IPCC)推荐方法测算山东省2000—2017年碳排放量和排放强度,并借助脱钩分析、碳承载力和碳赤字探究碳排放的动态变化趋势;基于5项最重要的碳排放影响因素,建立改进的粒子群算法(IPSO)优化BP神经网络模型,对山东省的碳排放量和排放强度进行仿真预测。结果表明:山东省工业耗能占总量的78.5%左右。2000—2017年间山东省碳排放量呈增长趋势,年平均为52328.10万吨;碳排放强度却呈下降趋势,年平均为1.73万吨/亿元。总体而言,2000—2017年间山东省碳排放量与GDP之间呈弱脱钩的态势,碳承载力呈先增长后减小的趋势,18年间碳承载力减少了8%,全省从2005年开始出现碳赤字,并呈现增大趋势。IPSO算法明显优化了BP神经网络,误差更小、精度更高,更适于碳排放量及相关指标的预测。预测结果显示山东省未来碳排放量呈缓慢增长趋势,而碳排放强度有所降低,以期为政府决策提供科学依据。

基于IPSO算法的减振器优化

提出将一种改进的粒子群优化算法应用于汽车减振器的优化中。该算法在标准粒子群算法的基础上引入了一个概率参数,使得粒子群优化算法的全局优化能力和收敛速度得到显著改善,并利用该算法对汽车减振器的主要参数进行了优化。结果表明,对减振器参数优化后,明显改善了汽车减振器压缩行程和复原行程的阻尼特性,提高了汽车的平顺性。

Research on Bulbous Bow Optimization Based on the Improved PSO Algorithm

In order to reduce the total resistance of a hull, an optimization framework for the bulbous bow optimization was presented. The total resistance in calm water was selected as the objective function, and the overset mesh technique was used for mesh generation. RANS method was used to calculate the total resistance of the hull. In order to improve the efficiency and smoothness of the geometric reconstruction, the arbitrary shape deformation （ASD） technique was introduced to change the shape of the bulbous bow. To improve the global search ability of the particle swarm optimization （PSO） algorithm, an improved particle swarm optimization （IPSO） algorithm was proposed to set up the optimization model. After a series of optimization analyses, the optimal hull form was found. It can be concluded that the simulation based design framework built in this paper is a promising method for bulbous bow optimization.

桩筏(箱)基础沉降多步预测控制的IPSO-Elman算法

将改进的粒子群优化(IPSO)算法与Elman神经网络进行了有机结合,形成了IPSO-Elman混合算法.建立桩筏(箱)基础沉降变形期望输出与超前预测输出之间的非线性隐式方程,避开了复杂的岩土工程本构关系和力学参数计算问题.提出的多步预测控制方法,具有很好的全局识别特点和较高的推广预测能力.工程实例分析表明,IPSO-Elamn算法在桩筏(箱)基础沉降的非线性系统动态辨识和在线预测应用方面,具有良好的预测精度,满足工程实际需要.

改进的粒子群优化算法(IPSO)及其在桁架设计中的应用

根据土木工程结构优化设计的特点,针对标准粒子群算法(PSO)在求解问题时因粒子多样性不足而易出现早熟、约束不易处理等现象,对标准的粒子群算法进行了改进.应用改进的粒子群算法(IPSO),实现了桁架结构单目标多变量的最优设计.通过与标准的PSO算法和其他优化算法的对比,发现采用IPSO算法具有较好的收敛性能和较高的精度,研究表明该算法实用可行,有望实现对复杂土木工程结构的优化设计,具有重要的理论价值及广阔的工程应用前景.

基于IPSO算法的短期电力负荷预测模型研究

为有效减小短期电力负荷预测的预测误差,提高预测精度、缩短预测时间,应用改进粒子群优化(IPSO)算法建立了1种短期电力负荷预测模型。通过水平方向和垂直方向的平滑修正,对历史数据的异常负荷点进行识别并修正。利用相同日期类型正常负荷,计算缺失数据填充值。采用模糊化处理,计算日期类型、温度、天气隶属度函数,对短期负荷变化因素进行量化处理。将历史数据的负荷值和量化值作为训练数据。为避免粒子群优化(PSO)算法陷入局部最优,采用IPSO算法找到全局最优解,建立了短期负荷预测模型,实现了短期电力负荷预测。试验结果表明,所设计模型预测结果在休息日和工作日的最大相对误差值、平均相对误差值分别为0.97%、0.53%和0.99%、0.65%,能够有效减小预测误差、提高预测精度、缩短预测时间。该研究为电力系统相关人员进行负荷预测提供了参考。

应用IPSO的无线传感器网络分簇路由算法

在基于分簇的无线传感器网络中,网络是通过附近传感器节点在转发信息到目的节点前进行冗余数据的融合实现节能,从而延长了网络的生命周期。但现存的算法在选择簇首节点的过程中由于忽略了邻居节点的状态信息,容易导致簇内节点过早出现盲节点的现象。进化类算法已经成功应用于许多方面,微粒群算法就是其中之一。提出了一种基于改进型微粒群算法的无线传感器网络分簇路由算法来优化分簇过程。簇首节点的选取综合考虑候选节点和邻居节点的状态信息。仿真结果表明算法的性能得到了较好的改善,并延长了网络的生命周期。

基于IPSO-BP算法的CFB锅炉NOx浓度预测

以山西省某电站2×350 MW循环流化床锅炉1号机组为试验对象,将归一化和指数平滑处理后的2000组数据作为样本数据,建立了八输入单输出的NOx浓度预测模型。利用BP神经网络算法和IPSO-BP算法对NOx浓度进行预测。MatLab结果表明,IPSO-BP算法对NOx浓度预测的各类误差指标性能更好,精度更高,有效改善了BP神经网络算法的不足。在170 MW和260 MW两种典型工况下对IPSO-BP算法进行模型验证,结果表明该模型在NOx浓度预测上的有效性,为该电站脱硝控制提供良好的指导。

基于IPSO-BP神经网络的最小阻力船形优化设计

针对船形优化设计问题,为了克服主尺度与型线分开设计的不足,将主尺度与表征船体形状的参数联合组成设计空间来进行优化设计,同时以不同航速的船体阻力加权总和作为优化目标,引入IPSO-BP神经网络建立兴波阻力系数的近似预报模型,以主尺度和船形修改系数作为设计变量,以排水体积的变化量作为约束条件,分别利用遗传算法与模拟退火算法对Wigley船形进行了优化计算.计算结果证明了IPSO-BP方法建立兴波阻力系数近似模型的优良性能,得出的光顺合理的优化船形证明了该方法的可行性与合理性.

基于IPSO-BP算法的城轨列车轮对故障率预测模型研究

为了提高城轨列车轮对故障率的预测精度,文章采用人工神经网络方法代替传统维修策略模型中基于经验的故障率分布显示表达式,以避开故障分布模型的选择;建立了IPSO-BP(improved particle swarm optimization-backpropagation)预测模型,并通过与常规的BP(backpropagation)及PSO-BP(particleswarmoptimization-backpropagation)预测模型进行对比来验证其高效性。仿真结果显示,IPSO-BP神经网络模型的预测误差范围为0～5.5%,输出值的相对误差百分比为0～10%,预测精度均优于常规方法,可为预防性维修决策提供理论参考和方法支撑。

物流配送中心选址的IPSO-BP算法

改进标准粒子群优化算法(PSO)的惯性权重参数,提出基于IPSO的BP神经网络算法,以提高物流配送中心选址的预测精度。仿真结果表明,IPSO-BP神经网络算法的预测精度优于常规BP神经网络算法,不仅改进了网络的收敛速度并且提高了预测准确性。

基于IPSO-SVM的地铁车辆牵引控制单元故障诊断

地铁车辆牵引控制单元(TCU)是地铁系统的核心单元之一,准确诊断其故障状态对整个地铁车辆安全运行至关重要.基于数据的故障诊断方法是当前热点方法之一.针对牵引控制单元故障诊断中检测参数多、故障类别多的特点,提出了改进的粒子群优化支持向量机(IPSO-SVM)方法,克服了传统方法存在过拟合、收敛速度慢、易陷入局部最优的缺点.使用UCI机器学习数据库中的5个数据集进行仿真实验,结果表明:IPSO-SVM分类精度高于ICPSO-SVM、PSO-SVM、GA-SVM.进一步将此方法应用于地铁车辆实际数据,同样得到了较好的分类结果,验证了所提方法的有效性.