基于粒子群优化ACMD方法的滚动轴承复合故障分离方法

为了对强背景噪声干扰下的滚动轴承复合故障特征进行提取,课题组提出一种基于粒子群和自适应调频模式分解(adaptive chirp mode decomposition,ACMD)的滚动轴承复合故障分离的特征提取方法。首先,构建一个复合故障分解因子(compound fault decomposition factor,CFDF)用于评价复合故障特征提取效果;然后,将最大复合故障分解因子作为目标函数,利用粒子群寻优算法自适应搜索ACMD最优参数,进而实现信号模态分解;最后,对分解后的多模态分量进行平方包络谱分析,进而判断轴承的故障类型。仿真及试验结果表明:该方法能够实现强背景噪声干扰下的滚动轴承复合故障特征提取,分离出单一的故障信息。对比经典VMD方法,该方法具有更好的鲁棒性。

基于PSO的BP神经网络-Markov船舶交通流量预测模型

为对船舶交通流量进行准确预测,结合BP神经网络和Markov算法,构建BP神经网络-Markov预测模型。引入粒子群优化(particle swarm optimization,PSO)算法对模型进行优化,克服利用Markov模型选取白化系数的不足。用该模型预测武汉长江大桥船舶交通流量的月度数据,结果表明:与BP神经网络的预测精度82.439 0%相比,基于PSO的BP神经网络-Markov预测模型的预测精度提高到91.050 8%,该模型的合理性和准确性得到验证。

隧道洞口边坡变形的多阶段递进预测研究

为及时掌握隧道洞口边坡的变形规律,保证隧道进洞过程的安全,采用小波变换剔除变形序列中的误差信息,将原始序列分解为趋势项和误差项序列,并采用PSO-LSSVM模型和ARMA模型分别对趋势项和误差项进行预测,将两者叠加即得到边坡的综合变形预测值,再利用马尔科夫链建立预测误差的修正模型,进一步提高预测精度。对预测模型进行实例分析,结果表明:sym9小波函数、启发式阈值标准、硬阈值选取标准及10层小波分解的去噪效果较优,且通过综合预测,得到边坡变形预测结果的相对误差均值为1. 03%,方差值为0. 042 6,预测精度和稳定性较高,验证了预测模型的有效性。

基于粒子群优化支持向量机神经网络的弹丸落点预报

针对目前弹丸落点预报方法预报时间较长和精度不高的问题,提出了基于粒子群(PSO)优化的支持向量机(SVM)神经网络预测方法。该方法采用PSO优化算法优化SVM训练参数,以获得最优SVM神经网络落点预测模型。在此基础上,使用卡尔曼滤波处理外弹道数据形成神经网络训练数据,进行落点预报仿真测试。仿真结果表明,射程最大误差为7.371m,横偏最大误差为0.886m;落点预报时间在35ms之内,比数值积分法快了一个数量级,为弹丸落点预报的实际应用提供了一种途径。

基于优化模糊C均值聚类选取相似日的燃气负荷预测

针对短期负荷预测方法中传统的模糊C均值(FCM)聚类容易陷入局部最优和对初始聚类中心敏感的问题,提出利用粒子群优化(PSO)算法的全局搜索特性来优化此缺点.通过优化的FCM聚类来选取与预测日相似的日期作为支持向量机的训练样本,既强化了训练样本的数据规律,又保证数据特征的一致性.实验结果表明,优化预测模型的预测精度优于BP神经网络和支持向量机算法.

带混沌搜索的粒子群聚类算法

聚类可以看成是寻找K个最佳聚类中心的过程。文中把一组聚类中心视为一个粒子(P),把各个数据到各自聚类中心的欧式距离之和看成优化函数(f(P)),使用带混沌搜索的粒子群聚类算法(C-PSO)算法寻找最优函数值,从而找到最佳聚类中心。该算法改进了粒子速度的初始化,把混沌搜索嵌入到粒子群的搜索过程中,提高了粒子群的搜索能力。实验结果表明,该算法的聚类效果明显好于K-means和PSO聚类。

一种基于LEACH的改进WSN路由算法

针对无线传感器网络中网络能量损耗不均的问题,提出了一种基于LEACH的改进节能路由协议LEACH-PSOC。本文针对LEACH算法中的簇首选举方法进行了改进,首先利用粒子群算法良好的收敛性和全局优化能力将整个网络区域合理分割成多个子区域,然后在子区域内通过考虑节点剩余能量的因素进而选举出簇首。实验结果表明:与经典路由协议LEACH相比,该协议能够更加有效的平衡网络负载,提高了能量的利用率,延长了网络的生命周期。

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.

基于LS-SVR的压力传感器温度自补偿策略

硅压阻式压力传感器在实际使用过程中受环境温度影响易发生温度漂移,同时传感器本身又存在一定的非线性,这使得传感器测量精度大幅度降低。针对传统的温度补偿方法中需引入温度传感器的情况,提出一种基于最小二乘支持向量回归(LS-SVR)的压力传感器温度自补偿策略,通过定义并测量传感器桥路自身参数获取温度信息实现温度补偿,而无需配置额外的温度传感器。通过粒子群算法和交叉验证对LS-SVR的参数进行了优化。实验结果表明:这种利用传感器自身桥路进行温度补偿的方法能够有效地消除压力传感器的温度漂移。补偿后测量精度达到0.1%FS。

基于优化概率神经网络和红外多光谱融合的大气层外空间弹道目标识别

针对大气层外空间弹道目标难识别的问题,该文利用红外多光谱数据融合的思想,提出一种基于粒子群优化概率神经网络(PNN)的大气层外空间弹道目标识别方法。该方法首先通过一种新的多色测温方法提取出弹道目标的温度变化率和有效辐射面积两类动态特征,然后利用高斯粒子群优化(GPSO)方法对PNN的平滑因子进行优化,最后利用优化的PNN完成4类典型空间目标的识别。该方法融合了多光谱信息并提取出了多个动态特征,具有较强的鲁棒性。另外,该方法充分利用了概率神经网络的较高的稳定性和样本容错能力。仿真实验给出了4类典型空间弹道目标的多光谱红外辐射强度序列数据,并进行了目标识别研究。仿真测试结果表明,提出的优化PNN网络对多个弹道目标具有良好的识别能力。

基于粒子群的水力发电力组综合控制研究

针对中小型水力发电机组的优化控制问题,提出一种转速和发电励磁的综合控制方法。该方法有效地解决了单一励磁或者调速控制方法存在的控制误差大、过渡过程时间长,控制精度低的问题。还提出了基于粒子群(PSO)的PID控制参数优化设计方法,解决了系统参数的优化问题。通过比较此方法和传统PID的控制,仿真结果表明了该方法的有效性。

基于混合粒子滤波的温控传感器故障诊断方法

标准粒子滤波算法的精度不高、鲁棒性差,难以满足电厂温度传感器故障诊断的要求。针对该问题,提出一种新的适用于温度传感器故障检测的智能粒子滤波算法。该算法采用人工鱼群的全局收敛性找到满意的解域,利用粒子群算法引导粒子向高斯然区域移动,提高滤波精度。实验结果证明,该算法精度高、鲁棒性强,可以有效地应用于电厂温控系统故障的诊断。

考虑传感器故障检测能力的PHM系统传感器优化配置方法

传感器优化配置是航空航天设备PHM系统功能得以有效实现的基础和保证。针对目前传感器配置研究中未考虑传感器实际属性的问题,建立了考虑传感器故障检测能力的PHM系统传感器优化配置模型。首先分析了系统故障-传感器相关性矩阵的含义,将传感器的故障检测能力和相关性矩阵相结合,以概率形式描述了传感器对故障的检测性能。在此基础上根据系统的测试性指标要求建立传感器优化配置模型,并采用混沌二进制粒子群优化算法求解。仿真实例结果表明,本文建立的优化模型更加符合实际情况,配置结果更加准确和可靠。

多粒子群优化算法的远红外图像对比度增强

研究红外图图像增强优化处理问题,针对标准粒子群优化算法(Particle Swarm Optimization,PSO)在远红外图像对比度增强处理过程中计算速度慢、算法进化到后期收敛速度慢和早熟问题,通过分析标准粒子群算法粒子的运动行为,提出了一种改进的粒子群优化算法和非完全Beta函数相结合的自适应图像对比度增强的算法。在传统的粒子群优化算法的基础上,改进的算法融入了"多粒子群"和"进化论"等理论方法,利用多个粒子彼此独立的搜索空间最优解,提高了全局搜索能力;且在迭代过程中,适时调整加速因子,便于算法在迭代后期找到全局最优解。通过对远红外图像进行仿真,结果表明,改进算法在计算速度和收敛性方面均优于标准粒子群算法,不依赖于图像具体内容,具有较好的通用性和推广价值。

基于PSO-SVM的多阶段产品质量预测控制方法研究

以钢铁产品为例,在分析多工序多阶段产品质量预测控制特点的基础上,建立了多控制点递阶SVM预测控制模型,在模型的求解过程中,提出了基于粗集理论和主成分分析法的数据预处理与模型简化,并利用带约束的PSO算法分别优化了SVM的核超参数和相关影响因素的决策范围,实现了多阶段产品质量预测和相关过程参数的全局优化,为生产过程的质量改进提供了科学的决策依据。

惯导辅助的基于GPS的航向姿态参考系统的设计与实现

描述了一种惯导辅助的基于GPS的航向姿态参考系统的设计与实现,主要工作包括两个方面:第一,采用最小二乘方法和乔里斯基分解,基于基线长度约束设计并实现了实时的GPS定姿系统;第二,采用低成本的光纤陀螺辅助CPS定姿系统,提出了基于姿态角约束的多分辨率方法,用于在GPS定姿失败的情况下,正确求解载体姿态。该系统经过船载航行实验,证明完全能够达到实时计算,在基线长度为3 m的条件下,航向角精度优于0.1°。

600MW燃煤机组燃烧系统的建模方法研究

建立热工系统的传递函数模型,既有利于了解机组的运行特性,又便于控制方案的设计和控制器的参数整定。为了避免开环辨识法对机组运行的扰动大的问题,文中采用了基于机组历史运行数据的闭环智能辨识方法,以两输入两输出的燃烧控制系统为例,通过对象特性分析,确定传递函数模型结构,以粒子群算法进行模型参数寻优,最后进行了模型的验证。仿真结果表明了该闭环辨识方法的有效性和辨识模型的正确性。

高炉炼铁工序入炉焦比预测的研究

入炉焦比是高炉生产过程中的一个重要技术经济指标。由于高炉内物理化学反应的复杂性以及冶炼过程受许多非线性因素影响的问题,预测精度普遍不高。为了提高入炉焦比预测的精度,采用灰色关联度分析和粒子群算法优化最小二乘支持向量机的预测方法。应用灰色关联度分析理论确定影响入炉焦比的主要因素,采用粒子群算法对最小二乘支持向量机的核宽度和正则化参数进行优化,最后用优化后的最小二乘支持向量机模型进行预测。仿真结果表明,改进方法具有更高的预测精度,为炼铁工序入炉焦比预测提供了一种有效的新方法。

基于最小二乘支持向量机的高炉铁水温度预测

关于铁水温度控制模型的优化设计问题,由于炉温变化为非线性的,采用传统的神经网络方法存在因素漏选、训练速度慢、预测精度低等问题。为解决上述问题,提出一种主成分分析(PCA)和最小二乘支持向量机(LS-SVM)的铁水温度时间序列预测方法。改进的方法首先对影响铁水温度变化因素的数据做主成分分析,求取主成分作为模型的输入变量,其次建立最小二乘支持向量机时间序列预测模型,并用粒子群算法优化模型参数,最后预测输出。采用某钢厂大型高炉的在线采集数据作为应用案例,建立改进方法的预测模型。相比小波神经网络时间序列预测模型,改进方法不仅可以考虑所有因素对铁水温度变化的影响,还具有训练时间短、预测精度高等优点。仿真证实了改进方法的有效性。

基于粒子群算法打击指挥系统瞄准点优化

研究了战斗部爆炸对指挥楼的毁伤模型。将模拟退火和分阶段搜索引入基本粒子群算法,并基于该改进算法对瞄准点进行了优化选择。仿真结果表明,该方法可用于解决瞄准点的寻优问题。