建筑结构钢板热轧轧机DBN-PSO振动预报及应用

利用实时监测数据(Real-Time Monitoring Data,RMD)参数分析轧机振动状态,综合运用深度置信网络(Deep Belief Networks,DBN)与粒子群(Particle Swarm Optimization,PSO)算法构建轧机振动仿真模型,实现RMD参数的深度挖掘,并达到轧机振动的预报效果。通过融合处理能够获得非常接近实际振动过程的预测数据,具备优异预测能力。结合现场测试的初始数据预测误差在3.5%范围内,跟轧机振动情况相符。当轧制速率变慢后,振动加速度出现了降低结果;入口张力对轧机的振动加速度具有反向作用;轧机振动加速度相对出口张力表现为正相关特点;以不同宽度的轧件进行测试发现轧机振动加速度保持基本恒定的状态。该研究对提高热轧轧机运行稳定性,对保证建筑结构钢板成形精度具有很好的指导意义,可以拓宽到其它的成形设备优化领域。

基于PSO的电气设备绝缘故障诊断系统设计

电气设备一旦发生绝缘故障,其运行状态的平稳性会急剧下降。为了解决该类问题,基于PSO设计了一种电气设备绝缘故障诊断系统。系统硬件由传感器、核心处理器和通讯器组成,传感器模块内部包含定性传感器与定量传感器,并将WQA427J524NC核心处理器作为中央处理器。分解高中低频三个波段的绝缘故障信息,确定特征矢量后,建立故障信息提取程序。利用PSO优化实现信息更新,通过提取数据内部有效信息建立设备故障诊断程序。实验结果表明,该系统对单一故障检测准确率高达99%,对复合故障的检测准确率达到95%,具有较好的诊断能力。

基于改进PSO的无人机精细化自主巡检航迹布设优化

提出基于改进PSO的无人机精细化自主巡检航迹布设优化。结合波束法测量地面像控点坐标,通过结构矩阵描述平面误差细化值,完成像控点的布设。采用改进PSO算法计算航迹子路径的变更代价,得到新的路径点,由此实现无人机精细化自主巡检航迹布设优化。实验结果表明,所提方法的无人机精细化自主巡检航迹布设时间仅为39.4 min,说明所提方法能够有效提高无人机精细化自主巡检航迹布设效率,精细化自主巡检航迹布设优化效果更好。

基于PSO-SVM的Φ-OTDR系统模式识别研究

针对相位敏感光时域反射仪(phase sensitive optical time domain reflectometer,Φ-OTDR)系统中误报率高的问题,提出一种多域特征提取与粒子群算法优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)相结合的模式识别算法。首先,对原始信号进行差分处理后提取时域特征,并利用小波包分解方法,通过验证不同分解层数下的事件分类准确率,设定最优分解层数为6层,提取差分信号的能量特征。然后以SVM分类器为基础,利用PSO算法优化SVM分类器参数,提高光纤振动信号识别准确率。最后利用Φ-OTDR事件数据集进行验证,实验结果表明,该模式识别算法达到了95.6%的振动事件分类准确率。

基于PSO-PLS煤泥浮选加药量预测模型

煤泥浮选药剂添加量的精确控制对浮选效果至关重要,是智能浮选的重要因素,也是近几年浮选智能科研工作者的研究课题。药剂量添加不当会导致浮选精煤灰分存在较大波动。影响浮选药剂添加量的因素众多,本文考虑入料浓度、入料流量、补水量、精煤灰分和尾煤灰分这五种因素对煤泥浮选药剂添加量的影响,提出了一种基于粒子群优化(PSO)偏最小二乘(PLS)算法的煤泥浮选起泡剂和捕收剂加药量预测模型。通过对比PCA、PLS和PSO-PLS三种算法的预测效果,发现PSO-PLS模型在预测精度和稳健性上表现优异,均方差、均方根误差、平均绝对百分比误差显著低于前两者,捕收剂预测R2值达到0.7863,起泡剂预测R2值达到0.8320,表明其拟合效果良好。实验证明,PSO-PLS算法能够准确预测浮选药剂添加量,有助于实现选煤厂浮选加药过程的智能化,为进一步选煤厂智能化建设提供了技术支持。

基于融合影响因素PSO-Prophet模型的农产品价格预测

为了提高价格预测的准确度,在Prophet模型中融入了消费者物价指数(CPI)和经济政策不确定性指数(EPU)等影响因素,并使用粒子群算法优化参数。利用国际大蒜贸易网中的日价格数据,将该方法应用于山东省大蒜的价格预测。结果表明,融合影响因素的PSO-Prophet模型大蒜价格预测结果的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)比Prophet模型分别降低了82.88%、82.86%和77.49%。融合影响因素的PSO-Prophet模型可以有效提高预测精度。

基于改进PSO-Elman的液晶显示器颜色特性化

液晶显示器颜色特性化可以实现同一幅图像在不同设备上的准确显示。为解决液晶显示器颜色特性化存在模型建立复杂、模型鲁棒性差导致特性化精度较低的问题,提出基于改进PSO-Elman神经网络的方法建立RGB颜色空间到CIEXYZ颜色空间的转换模型(ACOPSO-Elman)。首先根据粒子种群规模和粒子位置关系构造惯性权重与学习因子的自适应调节函数提高PSO算法的全局寻优能力和收敛速度,并在寻优过程中添加混沌优化(CO),防止粒子陷入局部最优解,将改进的粒子群算法用于Elman模型参数寻优,解决了Elman模型参数较难选取的问题。通过仿真验证并与BP、Elman神经网络模型比较表明,ACOPSO-Elman模型特性化的平均色差为1.9247ΔE^(*)_(ab),最大色差为5.1252ΔE^(*)_(ab),在特性化精度上取得了较好的效果。

地磁序列辅助修正的PSO-PF室内行人定位方法

室内行人定位是位置服务的重要基础,地磁信号具有被随时感知的特点,基于地磁信号的定位方法一直是室内行人定位研究的一个热点。针对当前基于粒子滤波融合定位存在累计误差大、定位精度较低的问题,本文提出变长地磁序列辅助PSO-PF的室内行人定位方法。首先,在传统粒子滤波算法的基础上,融合粒子群算法进行最佳位置寻优提升实时定位的准确性;然后,建立了DTW-A^(*)算法获取变长地磁序列对一段时间累计误差进行修正,以解决基于粒子滤波定位方法的累计误差问题;最后,通过试验将本文方法与现有主流定位方法进行比较。结果表明,本文方法在室内行人定位方面平均误差为0.90 m,比PDR、MaLoc和Magicol方法分别降低了73.1%、68.0%和63.8%。其中,本文方法1.43 m定位精度达90%,比PDR、MaLoc和Magicol方法分别提升了75.1%、68.4%和67.7%。此外,在不同型号手机上进行的试验结果表明,本文方法不仅适用且表现稳定,有望为不同设备的室内定位提供支持。

局部遮荫下基于改进PSO算法的光伏发电MPPT控制

为解决光伏阵列在局部遮荫工况下最大功率点跟踪问题,在分析光伏阵列输出特性的基础上,提出惯性权重自适应调整、飞行速度动态钳位、迭代周期动态更新的改进型粒子群优化算法对光伏阵列输出调节电路实施控制。MATLAB仿真结果表明:与常规扰动观察法、基本粒子群优化算法相比,该算法在静态与动态的局部遮荫工况下均能获得较高的最大功率点跟踪精度,且缩短了近50%的跟踪时间,提高了光伏阵列的发电效率。

基于PSO-BP神经网络的分拣机器人视觉反馈跟踪

针对分拣机器人视觉反馈跟踪精度差、耗时较长的问题,研究基于粒子群算法-反向传播(particle swarm optimization-back propagation,PSO-BP)神经网络的分拣机器人视觉反馈跟踪方法,以提升视觉反馈跟踪效果。依据分拣机器人的视觉反馈信息,建立分拣机器人运动学模型,并求解分拣机器人机械臂输出位置和输入位置的误差函数;利用PSO算法优化BP神经网络的权值与偏置;在权值与偏置优化后的BP神经网络内,输入误差函数,预测分拣机器人视觉反馈跟踪控制量;利用预测视觉反馈跟踪控制量,在线调整增量式比例-积分-微分(proportional-integral-derivative,PID)的参数,输出高精度的分拣机器人视觉反馈跟踪控制量,实现分拣机器人视觉反馈跟踪。实验结果表明,该方法可有效视觉反馈跟踪分拣机器人机械臂的关节角;存在干扰情况下,在运行时间为10 s左右时,阶跃响应趋于稳定;有干扰情况下,视觉反馈跟踪的平均误差为0.09 cm,耗时平均值为0.10 ms;无干扰情况下,平均误差为0.03 cm,耗时平均值为0.04 ms。

基于PSO的联合任务卸载与缓存算法研究

随着各类计算敏感(Computation-Sensitive, CS)型和高数据率(High-Rate, HR)服务的不断涌现,诸如移动游戏、认知辅助和虚拟/增强现实服务等,移动终端(Mobile Terminal, MT)对存储和计算资源的需求越来越大。为满足移动边缘计算(Mobile Edge Computing, MEC)网络中MT对CS和HR服务的通信需求,联合任务卸载、缓存与资源分配算法的研究被广为关注。现有研究鲜有涉及多蜂窝无线回程网络,不利于现实应用与低网络成本部署。针对支持CS和HR服务的多蜂窝无线回程网络,以MT所需资源占其服务基站的所有MT所需资源的比例分配频谱、计算与缓存资源。在该资源分配方式下,提出了最小化MT平均时延的问题,涉及MT关联指示的优化,其中MT关联兼顾基站的选择、计算和缓存模式的选择。为处理该问题,开发了基于粒子群优化(Particle Swarm Optimization, PSO)的MT关联与资源分配(PSO-based MT Association and Resource Allocation, PMARA)算法。仿真结果表明,在上述资源分配方式下,同其他现有算法相比,所设计的算法通常可以获得更低的MT时延。

基于泥水平衡盾构掘进参数的PSO-BP神经网络掘进地层识别模型研究

为解决泥水平衡盾构机在掘进时无法准确地实时识别掘进地层的问题,以珠三角水资源配置工程为例,研究泥水平衡盾构机的盾构推力、掘进速度、刀盘转速、刀盘扭矩在不同地层下的变化规律,提出基于掘进参数的PSO-BP神经网络掘进地层识别方法,建立盾构推力、掘进速度、刀盘转速、刀盘扭矩4种掘进参数为输入集,地层编码为输出集的地层识别模型。工程数据的验证结果表明,该模型在珠三角水资源配置工程数据集上的掘进地层的识别准确率达99.07%,PSO-BP神经网络算法的识别准确率明显高于BP、RF、RBF、CNN等机械学习算法。

基于PSO-BP的岩性识别方法研究

近些年来,数据分析、深度学习技术取得了长足的发展,并为社会带来了可观的收益。故利用深度学习手段进行岩性识别也成为了一个研究热点。岩性识别是录井解释的核心业务,准确而有效地预测储层性质对石油勘探工作有着重大意义。为解决传统岩性识别方法成本高、耗时长等缺点。论文利用松辽盆地中若干井的测井数据进行模型研究,提出了一种基于PSO-BP的岩性识别方法。通过对测井源数据进行数据预处理、构建网络识别模型、优化岩性识别模型、评价模型输出结果等步骤,实现基于PSO-BP岩性识别方法。经过反复试验,结果表明采用PSO-BP的岩性识别方法对岩性进行识别的平均准确率可达92.2%,为储层预测工作提供了可靠的支撑。

基于PSO-Elman神经网络的井底风温预测模型

目前井下风温预测大多采用BP神经网络,但其预测精度受学习样本数量的影响,且容易陷入局部最优,Elman神经网络具备局部记忆能力,提高了网络的稳定性和动态适应能力,但仍然存在收敛速度过慢、易陷入局部最优的问题。针对上述问题,采用粒子群优化(PSO)算法对Elman神经网络的权值和阈值进行优化,建立了基于PSO-Elman神经网络的井底风温预测模型。分析得出入风相对湿度、入风温度、地面大气压力和井筒深度是井底风温的主要影响因素,因此将其作为模型的输入数据,模型的输出数据为井底风温。在相同样本数据集下的实验结果表明:Elman模型迭代90次后收敛,PSO-Elman模型迭代41次后收敛,说明PSO-Elman模型收敛速度更快;与BP神经网络模型、支持向量回归模型和Elman模型相比,PSO-Elman模型的预测误差较低,平均绝对误差、均方误差(MSE)、平均绝对百分比误差分别为0.376 0℃,0.278 3,1.95%,决定系数R^(2)为0.992 4,非常接近1,表明预测模型具有良好的预测效果。实例验证结果表明,PSO-Elman模型的相对误差范围为-4.69%~1.27%,绝对误差范围为-1.06~0.29℃,MSE为0.26,整体预测精度可满足井下实际需要。

基于PSO‑BPNN模型的氯氧镁水泥混凝土耐水性预测

为快速准确地获得具有优异耐水性氯氧镁水泥混凝土(MOCC)的配合比,设计了拓扑结构为4‑10‑2的粒子群优化(PSO)算法-反向传播(BP)神经网络(PSO‑BPNN)模型.该模型的输入层参数为n(MgO)/n(MgCl_(2))、粉煤灰掺量、磷酸掺量和磷肥掺量,输出层参数为MOCC的抗压强度和软化系数;模型数据集为144组,其中训练集数据为100组,验证集数据为22组,测试集数据为22组.结果表明:PSO‑BPNN模型在MOCC抗压强度预测中的评价参数——决定系数R^(2)=0.99、平均绝对误差S_(MAE)=0.52、平均绝对误差百分比S_(MAPE)=1.11、均方根误差S_(RMSE)=0.73;其在软化系数预测中的评价参数——R^(2)=0.99、S_(MAE)=0.44、S_(MAPE)=1.29、S_(RMSE)=0.62;与BP神经网络(BPNN)模型相比,PSO‑BPNN模型具有更强的双参数预测能力,可用于MOCC配合比的正向设计和反向指导.

融合PSO-模糊Petri网的室内燃气泄漏风险研究

近年来室内燃气事故多发,而燃气用户风险意识淡薄、户内安全检查难度大。针对现行室内燃气安全管理技术多为静态主观评估的局限性,构建了基于模糊Petri网(Fuzzy Petri Net,FPN)的风险计算规则,提出了结合粒子群优化算法(Particles Swarm Optimization,PSO)和FPN的室内燃气泄漏动态风险评估模型。首先,应用Petri网的直观图像描述和异步并发处理能力建立室内燃气泄漏事故风险演化的拓扑结构模型,借助FPN的模糊推理能力处理风险传播的不确定性;然后,根据燃气运维数据,融合PSO动态更新初始参数,提高风险评估的准确性。结果表明,基于PSO-FPN的室内风险评估方法可弱化燃气公司安检人员分析的主观不确定性,更为准确地量化风险因子演化过程,实现室内燃气泄漏风险的动态分析,有效支持户内燃气泄漏风险管控。

基于Kriging代理模型及改进PSO的变模温注塑成型翘曲变形优化

为提升变模温注塑成型的产品质量,提高优化效率,将翘曲变形作为优化目标,模具温度、保压压力、熔体温度、保压时间、冷却时间等工艺参数作为变量因素,采用Moldflow模拟变量因素对优化目标的影响,通过最优拉丁超立方试验设计选出试验样本,建立Kriging代理模型,并且,检测代理模型拟合精度。采用改进PSO算法,得到最优翘曲模型预测值及最佳工艺参数组合。对比改进后的PSO与标准PSO,平均迭代次数、迭代时间约降低了45%,最优适应度、平均适应度、最差适应度、局部最优解及未实现收敛等参数均得到提升。通过实验验证可知,与优化前翘曲值(1.293 mm)相比,优化后翘曲值(0.7512 mm)降低了41.9%,误差为4.84%。结果表明,基于Kriging代理模型及改进PSO能有效地优化变模温成型工艺,降低了翘曲变形量,对于生产应用有指导意义。

基于PSO-DBN-ELM的管道流型辨识算法研究

电容层析成像技术(Electrical Capacitance Tomography,ECT)是一种基于电容敏感场的过程层析成像技术,该技术通过传感器测量所需电容数据,实现充填管道流型检测,从而满足管道流型可控性。传统ECT流型辨识方法识别速率较低、运算较为复杂,成像结果也存在误差。为了改善传统方法存在的问题,提出一种基于粒子群优化算法(Particle Swarm Optimization,PSO)优化深度置信网络—极限学习机(Deep Belief Networks-Extreme Learning Machine,DBN-ELM)的流型识别算法,电容数据采集模块采集电容数据并制作相应数据集,经过DBN网络提取电容数据特征,在DBN网络顶层添加ELM完成对抽象电容流型数据的辨识;DBN隐含层神经元个数影响着整个模型的学习能力和信息处理能力,因此引入PSO优化算法首先计算出每层玻尔兹曼机(Restricted Boltzmann Machine,RBM)的最优神经元个数。与其他流型辨识算法相比,所需时间短,成像效果较好,对加快工业智能化发展有着重要的意义。

基于GA-PSO算法的冻土本构模型参数识别

遗传算法(GA)与粒子群算法(PSO)分别具有缺乏目标导向性和易陷入局部最优的缺点,但同时分别具有全局搜索能力强与能有效传递优势信息的优点。本文以GA计算步结合精英保留策略作为PSO计算步的优势信息,避免PSO算法陷入局部最优,以PSO计算步结合非精英优化策略作为GA计算步的导向信息,克服GA算法缺乏目标导向的问题,建立了GA-PSO新算法。其具体过程为,通过采用GA计算步对解空间进行全局搜索并对精英个体进行保留,进一步,将适应度较差的个体利用PSO计算步进行优化。基于多峰函数的验证结果表明,GA-PSO算法在解空间中具有更强的全局搜索能力,同时具有更快的收敛速度。将GA-PSO算法应用到冻土非正交弹塑性本构模型的参数识别中,通过模型的参数识别以及模型预测结果对比与验证,结果表明GA-PSO算法能够有效识别冻土非正交弹塑性本构模型的参数,提升了模型的预测效果。

非线性递减权值PSO优化下的LQR轨迹跟踪研究

针对二次线性调节器(LQR)权重矩阵选取困难导致的自动驾驶车辆控制精度低、系统适应度欠佳等问题,设计了一种非线性递减权值粒子群算法(NLDW-PSO)。基于二自由度车辆动力学模型,构建了横向跟踪误差模型,设计了前馈控制消除了LQR稳态误差;并设计以横向偏差、航向偏差和前轮转向角为评价函数,将系统输出误差状态量反馈至NLDW-PSO算法,所设计的非线性递减惯性权重因子通过提升粒子群体寻优性能,从而自适应调整LQR权重系数更新策略,形成闭环优化控制,最终求解得到系统目标函数极值。将所设计控制器的跟踪效果进行了对比,Carsim/Smulink联合仿真结果表明所提出NLDW-PSO优化LQR算法的跟踪控制效果最优,横向距离偏差最大值为0.076 m,横向距离偏差均值相较于固定权重系数LQR降低了69.74%,显著提高了车辆跟踪控制精度和自适应能力,且对速度变化具有较强鲁棒性。