基于Isight的可变角度主轴刀柄机构设计与优化

为实现基于三轴数控加工中心的四轴数控加工功能,文中提出了一种可变角度主轴刀柄机构,其具有低成本的多轴化数控功能升级技术优势。首先,完成可变角度主轴刀柄机构的结构设计,并建立该机构的运动学模型;其次,基于ADAMS∕View建立可变角度主轴刀柄机构的参数化模型,并通过Isight平台搭建多目标优化设计流程,以主动臂平均扭矩、主动臂转角及连杆总长度为优化目标,采用NSGA-Ⅱ算法进行多目标优化设计。数值算例的结果表明:相较于原始方案,优化后主动臂平均扭矩减小了15.5%,连杆总长度减小了11.3%,且机构内各部件在运动中不发生结构干涉。因此,基于Isight平台对可变角度主轴刀柄机构进行多目标优化设计的方法是可行的,优化后的机构具有更加合理的尺寸参数,可最大限度地发挥可变角度主轴刀柄机构的动力性和经济性。

三相CLLC谐振变换器磁集成平面变压器设计与优化

三相CLLC谐振变换器凭借其高效率、大容量、低器件应力等优势而受到广泛关注。然而,多相结构的磁性元件数量多、体积大,是制约功率变换器尺寸的主要因素。随着宽禁带(WBG)半导体器件的出现,功率变换器的开关频率显著提高,这也为印制电路板(PCB)绕组的使用提供了有利条件。与传统绕线式绕组相比,PCB绕组的扁平特性更适用于平面磁性元件。此外,由于高频带来的低电感需求也使得基于PCB绕组的平面磁性元件更有利于实现集成。该文提出一种新型的基于PCB绕组的电感和变压器的集成结构,详细分析磁心结构的磁路模型,并给出集成磁件的优化设计方法,最后通过搭建一台基于SiC器件的800 V/10 kW的实验样机进行验证。实验结果表明,该集成方案可有效减小变换器的体积和损耗,具有高功率密度和高效率。

基于分解-预测-灰狼优化集成模型的水质预测研究

准确的水质预报及关键因素识别是流域水环境控制及水资源保护的重要依据。针对地表水水质评价指标的多样性以及原始数据的非线性、非平稳的特征,在改善传统的分解-预测-集成时间序列预测框架之上,提出了一种基于集合经验模态分解(EEMD)和灰狼优化集成策略(GWO)数据预测模型。该模型采用集合经验模态分解方法对数据进行分解,得到不同频率的分解分量,再分别运用Elman神经网络、长短记忆神经网络(LSTM)和支持向量回归(SVR)作为基学习器进行预测,然后利用灰狼动态优化集成策略对预测结果进行集成,最后,以长江下游水质断面的数据对模型有效性进行评估,并与单一预测模型和平均集成策略的预测模型进行对比。研究结果表明,该模型在误差评价指标和DM检验上表现优异,相较于其他模型更具优势,其中,对于溶解氧的预测,相较于平均集成策略的预测模型,通过灰狼优化集成模型的平均绝对误差(MAE)、均方根误差(RMSE)以及Theil不等系数(TIC)分别降低了16.29%、13.17%、13.24%,对于最终水质等级的预测正确率为98.6%,证明该模型能够准确预测水质等级并识别关键影响因素,进而为水环境污染治理提供科学依据。

二次再热燃煤-捕碳-制甲醇系统集成设计与优化

针对碳捕集电厂的高能耗及CO_(2)的后续利用问题,设计了一种二次再热燃煤-捕碳-制甲醇一体化系统。以某1000 MW超超临界二次再热机组为例,采用动态自适应粒子群优化算法对所提系统参数进行优化计算,分析了碳捕集率和光电制氢成本等因素对系统性能的影响。结果表明:当碳捕集率为90%时,一体化系统的热效率相比燃煤-捕碳机组提高了6.62%,CO_(2)排放强度降低了4.45 g/(kW·h),净收益提高了33.42亿元;当碳捕集率在40%~90%内变化时,一体化系统的热效率能够稳定保持在49%以上;随着未来光电制氢成本的下降,一体化系统的净收益将显著提升。

基于蜣螂优化-集成加权融合的NO_(x)浓度动态预测

针对SCR入口NO_(x)浓度单一预测模型无法满足在不同工况下保持预测精度的问题,提出了一种基于蜣螂优化(dung beetle optimizer,DBO)集成模型加权融合的预测SCR入口NO_(x)浓度的动态模型。首先使用CatBoost与LightGBM的混合模型在筛选辅助变量的同时,求取辅助变量的迟延时间和阶次信息,并根据以上信息确定预测模型的输入变量;然后建立由LightGBM,XGBoost与CatBoost组成的集成模型,并使用蜣螂优化算法对预测结果进行加权融合;最后将DBO-集成加权融合动态预测模型与3种单模型和蜣螂算法优化2种模型加权融合的预测模型进行对比。结果证明DBO综合加权融合动态预测模型的评价指标优于其他模型,具有更高的预测精度、实时性和适应性,能够更好地满足不同工况下的NO_(x)浓度预测要求。

铁路工程建设可持续供应链网络集成优化研究

随着国家对铁路工程项目可持续发展的日益重视,迫切需要先进且集成的供应链网络设计方案理论与方法来提高供应链效率、可持续绩效以及资源利用率。实施可持续供应链网络设计已成为实现铁路工程可持续发展的重要途径,而供应商选择、物流设施选址、路径规划、库存管理以及工程废弃物回收再利用等决策是铁路工程供应链管理的核心与关键问题。针对我国铁路工程建设供应链管理特点,从可持续视角研究铁路工程建设供应链网络设计集成优化问题,提出两阶段的求解框架:其中,第1阶段基于可持续指标体系运用模糊TOPSIS方法确定最佳供应商选择;第2阶段针对物流设施选址、库存控制策略与网络最佳流量分配的集成决策问题,构建了基于模糊规划的多周期多目标供应链网络集成决策优化模型。该优化模型考虑了运输过程的不确定性,以供应链总成本、碳排放量最小以及社会效益最大为优化目标。针对上述多周期多目标优化模型的特征,设计了改进的宽容分层序列算法进行求解。最后,基于我国丰雄商铁路工程建设项目进行案例研究,验证了上述求解框架与算法的有效性,并针对单位运价、单位运输碳排放量以及弃置率3个关键参数进行了敏感性分析。研究结果表明:1)批量折扣策略可以在联合采购中节省大量成本;2)运输模式与路径优化对系统的效率和可持续绩效有决定性影响;3)与管理学手段相比,推进新能源的使用是降低碳排放量最有效的措施;4)社会效益的提高不可避免地需要更高的成本,政府合理的补贴政策是提高企业积极性的关键举措;5)长远来看,铁路工程项目中的废弃物回收利用是实现可持续工程建设的重要途径,其技术和应用的发展都应受到重视。

耦合加氢装置优化的多周期氢网络集成

当前环境法规日益严格,炼厂为提高产品质量需要深化加氢处理深度,但会显著增加氢气消耗。此外,当加氢装置处理量调整以及原油切换引起杂质含量波动时,加氢装置工况将会产生偏移,若不及时对新工况下的氢气使用进行优化,可能导致产品质量下降或造成氢气浪费。针对于此,提出耦合加氢装置优化的多周期氢网络集成方法。该方法第一阶段通过使用加氢精制装置操作参数优化模型获得不同场景下各装置的最佳操作参数,第二阶段综合多个优化后的操作场景集成氢网络。通过实例计算表明,基于所提出的优化方法能获得满足不同场景下的加氢精制装置的加氢需求、以更低的成本获得合格产品的氢气网络运行策略。

贝叶斯优化与集成学习在弹载雷达目标识别中的应用

空空导弹在打击低空、超低空目标时,弹载雷达区分目标和杂波的性能下降。本文针对弹载雷达目标识别问题,应用多种集成学习算法和贝叶斯优化算法,建立了多个目标识别模型,测试并对比了模型性能。通过特征提取、数据标准化和特征选择,构建了优选特征的目标杂波数据集。使用贝叶斯优化算法进行调参,构建了XGBoost、LightGBM和CatBoost目标识别模型并测试。测试结果表明,XGBoost、LightGBM、CatBoost的目标识别效果优于随机森林、支持向量机和AdaBoost。选择XGBoost、LightGBM和CatBoost和随机森林为基分类器,构建了Stacking目标识别模型并测试。测试结果表明,Stacking的目标识别准确率达到98.88%,优于组成它的四个单一模型,但运行效率大幅降低。综合来看,CatBoost的目标识别准确率达到98.03%,虽不是最优,但其测试时间为0.011 s,运行效率的优势更明显。

基于贝叶斯优化集成学习的WSN关键节点识别

在无线传感器网络中,关键节点检测用于识别和维护网络中对数据传输和网络稳定性最为关键的节点是一个热点问题。通过贝叶斯优化算法优化模型的超参数,提出一种基于集成学习的关键节点识别模型,利用不同网络规模的数据集生成关键节点标签确保超参数最优性,进而提高模型整体性能。在特征提取阶段,设计提取了7个特征,以提高模型识别的准确度。两组仿真实验证明,与其他五种常用关键节点检测算法相比,该模型在网络结构和节点能耗两方面均显示出明显优势。

基于集成SAO优化互相关熵极限学习机模型的变压器故障诊断方法

针对基于传统机器学习的变压器故障诊断方法在数据不平衡、训练数据集存在离群值等条件下稳健性弱和泛化能力不强等问题,提出一种稳健集成学习模型用于实现电力变压器的高精度故障诊断。首先针对离群值对模型稳健性的影响,将互相关熵损失(correntropy loss,CL)引入极限学习机(extreme learning machine,ELM)框架并应用梯度法获得最优解,以构建稳健学习模型CLELM,并利用雪消融优化器(snow ablation optimizer,SAO)优化CLELM的隐含层权重和偏差,以进一步改进其性能。其次,为了增强模型的泛化能力,将多个SAO-CLELM进行加权融合以构成稳健集成学习模型。最后,针对变压器故障数据集不平衡问题,采用合成少数类过采样技术对数据进行扩充,并应用平衡化后的数据训练集成SAO-CLELM模型以实现故障诊断。在两种故障测试集下对所提集成SAO-CLELM模型的故障诊断性能进行了验证,实验结果表明所提模型能获得准确的故障分类结果,说明其具有较高的稳健性和泛化性。

基于Isight的二元进气道压缩楔射流控制参数优化

二元进气道常用于宽速域吸气式飞行器。宽速域飞行器的飞行速域较大,进气道要兼顾高低速条件下的飞行要求,这存在一定的困难。利用射流进行前体激波控制,在一定程度上可以改善流场,并提升进气道性能,但现有的射流激励方案仅是将激波推至唇口,不一定使得进气道达到最优性能或造成射流流量过多损失,因此射流控制参数的优化是一个重要问题。基于Isight软件搭建优化流程,采用Hooke-Jeeves优化方法,以射流角度、射流宽度以及射流位置作为优化变量,流量系数作为约束条件,总压恢复系数最大作为目标函数进行优化,探究了来流Mach数为6时不同射流参数对进气道性能的影响。结果表明,Hooke-Jeeves优化方法可以应用于进气道前体射流控制参数优化问题,优化后的进气道能够满足流量系数的要求,射流角度优化后的总压恢复系数相对于无射流方案提升18%,综合优化后的总压恢复系数相对于仅优化射流角度提升2.82%。

基于PointCloudTransformer和优化集成学习的三维点云分类

针对三维点云的不规则性和无序性所导致的难于提取特征并进行分类的问题,提出了一种融合深度学习和集成学习的三维点云分类方法。首先,训练深度学习点云分类网络PointCloudTransformer,并使用主干网络提取点云特征,进而训练基分类器,获得基分类器集合;然后,针对集成学习算法设计基分类器选择模型,模型的优化目标为基分类器组合的差异性和平均总体精度。为了降低集成规模,本文基于增强后的白鲸优化算法提出了二元多目标白鲸优化算法,并使用该算法优化基分类器选择模型,获得集成剪枝方案集合;最后,采用多数投票法集成每个基分类器组合在测试集点云特征上的分类结果,获得最优基分类器组合,从而构建基于多目标优化剪枝的集成学习点云分类模型。在点云分类数据集上的实验结果表明,本文方法使用了更小的集成规模,获得了更高的集成精度,能够对多类别三维点云进行准确分类。

利用集成剪枝和多目标优化算法的随机森林可解释增强模型

随机森林模型是广泛应用于各个领域的经典黑盒模型,而黑盒模型的结构特征导致模型可解释性弱,需要借助可解释技术优化随机森林的可解释性,从而促进其在可靠性要求较高场景的应用与发展。研究构建了基于集成剪枝和多目标优化算法的规则提取模型,集成剪枝在解决树模型规则提取易陷入局部最优的问题上具有代表性,多目标优化在解决规则准确性和可解释性的平衡问题上有多个领域的应用。模型验证结果表明,所构建模型能够在不降低准确性的前提下优化模型的可解释性。本研究首次将集成剪枝技术与多目标优化算法相融合,增强了随机森林的可解释性,有助于推动该模型在可解释性要求较高领域的决策应用。

丘陵山地拖拉机悬挂液压集成阀块结构参数设计及优化

液压集成阀块作为丘陵山地拖拉机液压系统的重要组成部分,可减少液压元件之间连接管的数量,对解决因油管连接而引起的油液泄露问题具有重要意义。针对丘陵山地拖拉机电液悬挂系统工作性能要求,设计一组用于悬挂系统姿态调节的液压集成阀块,对其主要结构参数进行设计计算,建立液压集成阀块三维模型。根据刀尖角、工艺孔、非正交流道单目标优化结果,组合流道响应面分析结果、整体流道CFD分析结果和流固耦合分析结果,对液压集成块内部流道结构进行优化设计。最后,通过CFD仿真与流固耦合仿真对比优化前后性能。仿真结果表明:优化后的A口供油横向姿态调节进油流道和回油流道压力损失相比于优化前分别减小0.005 MPa、0.013 MPa,B口供油横向姿态调节进油流道和回油流道压力损失相比于优化前分别减小0.048 MPa、0.015 MPa,升降回路进油流道和回油流道压力损失相比于优化前分别减小0.129 MPa、0.003 MPa,验证优化后阀块性能的优越性。

基于集成学习的某重型自卸车车厢多目标优化

针对复杂自卸车车厢结构的轻量化设计问题,提出一种集成学习联合多目标优化的设计方法。以某重型自卸车车厢为研究对象,建立了高保真的车厢有限元模型,并进行3个典型静力学工况和自由模态的结构性能仿真分析。通过贡献度分析筛选出重要零部件的厚度为设计变量,以危险工况下的最大位移、最大等效应力及自由模态第1阶固有频率为约束条件,以质量和满载举升0°工况下的最大位移为优化目标,运用极端梯度提升(XGBoost)集成学习近似模型进行自卸车车厢多目标优化设计。经优化决策后的轻量化设计表明:在满足基本静动态结构性能要求下,车厢满载举升0°工况下的最大位移减少了1.98 mm,减少幅度为8.57%,车厢质量减少了0.207 t,减少幅度为6.64%,取得了较好的轻量化效果。

基于多元模态分解与多目标算法优化的深度集成学习模型的超短期风电功率预测

针对风电功率预测问题,提出了一种基于多元变分模态分解(multivariate variational mode decomposition,MVMD)、多目标纵横交叉优化(multi-objective crisscross optimization,MOCSO)算法和Blending集成学习的超短期风电功率预测。在数据处理阶段,为了保持各序列间的同步相关性以及分解后得到本征模态函数(intrinsic mode functions,IMF)分量个数和分量频率相匹配,使用MVMD对多通道原始数据进行同步分解。针对单一机器学习模型导致预测的全面性不足,且存在精度和鲁棒性低的问题,提出基于MOCSO算法动态加权的Blending集成学习模型。通过对递归神经网络、卷积神经网络、长短期记忆网络的预测结果进行动态加权集成,并通过MOCSO优化调整权重,以提高模型的预测准确性与稳定性。实验结果表明,所提预测模型不仅有效,且显著优于其他预测模型。

订单型机器人冲压单元排样选配与生产调度集成优化

【目的】解决订单式冲压生产中,生产准备周期长、效率低且资源利用率低等问题。【方法】提出一种将排样选配与生产调度进行集成优化的思路来解决上述问题。建立了以最小化中间库存、换模次数、总拖期时间为优化目标的集成优化模型,设计了一种将排样选配与生产调度统一考虑的多层结构编码方法和一种考虑机器人调度策略的解码方法,提出了混合鲸鱼优化算法(HWOA)并应用该算法对此集成优化问题进行求解,然后设计多组测试算例,将HWOA与其他算法进行了对比。【结果】1)HWOA获得的Pareto解是最优解,质量比NSGA-II、HNSGA-II、MOGA、PSO+SA获得的Pareto解都要好;2)HWOA单独运行各算例10次后,从最终的Pareto解集中筛选出来的最满意解结果均较好,符合计算目标。【结论】实验结果验证了该算法的可行性和有效性,相对于其他算法,HWOA在解决IOLS-ORSC问题上具有一定的优越性;文章提出的解码方法考虑了机器人的调度策略,实现了RSC中物料运输任务与生产任务的协调分配;未来可以将几何排版与冲压工艺考虑进来,进一步提高研究的实际应用价值。

基于多目标优化加权软投票集成算法的信用债违约预警研究

为了提高信用债违约预测的准确性和稳定性,便于金融风险管理,以2014年1月1日—2021年12月31日的信用债为研究对象,提出一种基于多目标优化的加权软投票集成算法。该算法通过计算每个基分类器的模糊密度来量化其识别能力,并使用多目标粒子群算法来求解基分类器的权重。将所提算法与其他单一分类器如支持向量机、逻辑回归、高斯贝叶斯、MLP,以及其他集成算法如投票类集成算法(voting)和stacking算法进行比较,采用期望PFI算法进行特征重要度分析。结果表明,加权软投票集成算法在信用债违约预测中表现出色,不仅提升了单一算法的性能,且相对于其他集成算法,具有更高的准确性、精确度和AUC值。违约前主体评级、交易所、违约前债项评级、总资产周转率、货币资金、净资产增长率、经营活动现金流量占营收比、GDP、PPI、注册地、短期国债利率、宏观经济景气指数(先行指数)、债券类型和所属行业的特征重要度较高,在信用债违约中值得关注。该研究可为金融风险预测提供一种有效方法,对于投资者和金融机构的风险预警具有重要参考意义。

基于集成计算平台的高强韧铝合金半连铸工艺优化

基于集成计算材料工程(ICME)思想,使用数字化集成计算平台依托ProCAST仿真模拟软件、MATLAB数值分析软件,并使用最优化方法中序列(逐步)二次规划法(SQP),优化了半连续铸造制备直径254 mm的7050铝合金圆锭工艺,得到较优铸造温度为690℃,所得铸锭的残余应力值最小。与传统优化方式,即逐步调整工艺参数并分析模拟结果的方法相比,数字化集成平台迭代进行工艺寻优的效率提高了1倍。在此优化工艺下得到铸锭的屈服强度为218 MPa,抗拉强度为336 MPa。

一种高集成一体化液压能源设计及其密封优化

为适应未来导弹对舵机舱轻质小型化的需求,提出一种液压能源系统设计。采用液压能源集成一体化技术,将原本独立的液压部件的芯体集成为一体式能源,在不牺牲技术性能的前提下,达到液压能源系统的轻质、小型化目的;同时优化液压能源配流盘、活塞调节结构、柱塞滑靴组的密封设计,降低液压泄漏、提高容积效率。仿真和试验结果表明:高集成的一体化液压能源设计实现了弹上用液压能源的轻质、小型化,同时有效降低了液压泵的泄漏量,具有效率高、零流量输入扭矩小、对弹上电源需求低的特点。