基于PSO-GA模型的供水管网漏损预测研究

准确、有效地定位供水管网中漏损位置,减少水资源浪费和降低检漏成本。基于EPANET软件构建供水管网水力模型,采用粒子群算法和遗传算法相结合方法对管网漏损预测模型进行优化求解、验证,以实现管网漏损定位和漏损程度判定;以西南地区某城镇的供水管网为例,分别对单点和多点(2处及以上)漏损工况进行模拟评估。提出的供水管网漏损预测模型在单点漏损工况下,预测漏损量与实际漏损量的平均绝对百分比误差εmape小于3%,多点漏损量的εmape值均小于5.22%,且模拟定位节点与实际漏损点的拓扑距离绝大部分稳定在2以内。基于PSO-GA的漏损预测模型可有效地实现漏损定位与漏损程度的同步检测,并识别出多个近似节点,为检漏工作提供技术参考。

基于PSO-OBL算法的平面移动类立体车库车辆调度优化模型

针对平面移动类立体车库在车辆存取效率方面的瓶颈问题,提出了一种基于PSO-OBL算法的存取车辆调度优化模型。该模型旨在通过精确调控车辆存取策略和时间管理,缩短车辆存取运行时间及用户平均等待时间。为提升传统粒子群算法的寻优效能和收敛速率,将粒子间相互协作与信息交流机制融入算法框架,并结合反向学习机制以实现问题的高效求解。实验数据表明,与传统粒子群算法相比,PSO-OBL算法在顾客平均等待时间、平均服务时间、平均等待队长以及平均运行能耗等方面均实现了显著提升,研究结果将为平面移动类立体车库的存取效率提供优化理论支持和实践参考。

基于PSO-LIBSVM的广域后备保护新算法

广域后备保护利用电网线路IED和母线IED采集各元件相关信息,构造基于PSO-LIBSVM的线路和母线故障识别网络。以IED采集的信息作为输入向量,建立故障识别网络的训练样本矩阵;PSO算法寻找最优LIBSVM运行参数并训练故障识别网络,利用随机故障下的测试样本矩阵对线路和母线识别网络进行测试,以识别电网故障元件IED,进而确定故障元件。通过大量实验仿真了多种信息不准确情况下的故障识别,实验证明基于PSO-LIBSVM的广域后备保护新算法,识别准确率高,具有很好的容错性。

MODIS干旱监测指数结合PSO_RBFNN反演甘肃省胡麻出苗期土壤湿度

针对目前单一的遥感干旱监测指数难以全面反映作物生长期土壤湿度的动态变化等问题,以甘肃省胡麻出苗期田间土壤相对湿度为研究对象,选取作物形态及绿度、冠层温度、冠层含水量等指标作为遥感干旱监测指数。利用MODIS遥感干旱监测指数和农田土壤相对湿度实测数据,结合经过粒子群优化的径向基函数神经网络(PSO_RBFNN),构建了农田土壤相对湿度反演模型,并基于BP_NN、RBFNN、PSO_RBFNN人工神经网络和逻辑回归(LR)4种机器学习方法,利用土壤相对湿度实测数据对不同模型反演结果的精度进行了验证和对比分析。结果表明:与其他3种模型相对比,MODIS遥感干旱监测指数与PSO_RBFNN结合反演甘肃省胡麻出苗期的农田土壤相对湿度效果较好;模型对10 cm和20 cm深度土壤相对湿度的反演结果平均精度分别达到89.91%和91.71%。与RBFNN、LR和BP_NN模型相比,PSO_RBFNN模型10 cm土层平均预测精度分别提高8.69个百分点、4.94个百分点、4.76个百分点,20 cm土层平均预测精度分别提高6.91个百分点、6.86个百分点、9.32个百分点。模型回归分析显示,相对于1∶1斜线,PSO_RBFNN模型偏差最小,与10 cm和20 cm深度土壤相对湿度的相关系数分别达到0.68和0.74,说明利用PSO_RBFNN模型反演有效,可为区域农田土壤湿度遥感监测反演提供新的案例借鉴。

基于PSO-CNN模型和流固耦合的三角钢闸门优化算法

针对大型三角钢闸门流固耦合下优化设计工作量巨大、计算机难以短时间实现的问题,提出PSO-CNN模型即粒子群算法优化卷积神经网络模型,以改善仿真模型计算效率和普通神经网络模型计算精度的问题。对比PSO-CNN模型与CNN模型误差曲线与偏离度预测图,PSO-CNN模型的预测精度明显高于CNN卷积神经网络算法的预测精度。根据考虑流固耦合作用下闸门的一阶频率变化,采用全局随机灵敏度分析方法筛选出圆管型支臂的管外径、圆管型支臂管壁厚度和面板厚度作为模型主导参数。结合ANSYS平台opt分析模块零阶优化算法求得主导参数的优化结果,优化后闸门流固耦合后频率远离水流脉冲频率,使该弧形闸门具有良好动力性能。

基于PSO-BP模糊PID的变距取苗机构控制系统设计

为满足番茄、辣椒等蔬菜作物的移栽需求,基于向下取苗原理设计了一种适用72穴和128穴两种主要番茄钵苗穴盘规格的变距取苗机构,通过建立数学模型获得了取苗机械手参数的目标函数,并利用粒子群和模拟退火混合算法对其结构参数进行优化。同时,为实现变距取苗机构的精确控制,提出了一种基于PSO-BP的模糊PID算法以提高控制精度,介绍了系统的结构与工作原理,并通过选型计算与分析建模建立了控制系统的数学模型。针对传统PID控制器稳定性差、响应速度慢等不足之处,利用PSO-BP模糊PID对控制器的参数进行在线调整,以满足控制过程中对参数的不同需求。仿真结果与试验数据的分析表明:在参数相同条件下,基于PSO-BP模糊PID控制系统系统稳定性更好、响应速度更快,具有良好的鲁棒性,提升取苗成功率的同时降低了基质损伤率,能够满足变距取苗机构高精度快速稳定控制的需求。

PSO-RRT机器人可行路径搜索融合算法

针对传统RRT算法在静态障碍环境下进行可行路径搜索时存在采样率低、搜索时间长等问题,提出了PSO-RRT算法。PSO-RRT算法是一种将PSO(粒子群)算法融合RRT(快速扩展随机树)算法中的机器人可行路径搜索算法。该算法主要引入一个采样拒绝率参数改变随机采样方式,使用PSO算法来优化RRT算法中的随机采样拒绝率、扩展步长等参数,以减小RRT算法的平均采样点数和搜索时间,提高搜索效率。在3种不同的障碍环境下进行仿真实验,验证了PSO-RRT融合算法的有效性,其算法的平均采样点数、平均搜索时长、平均路径长度等评价指标较优于对比算法。

基于改进PSO-GWO算法的渠系优化配水模型研究

为减少渠系输配水过程中的水量损失,针对闸门调控时间各异和频繁启闭的问题,以精河灌区茫乡团结支渠支斗两级渠系渗漏损失量最小为目标建立渠系配水模型,首次采用“组间轮灌,组内续灌”的配水方式,通过改进PSO-GWO算法求解,确定斗渠最优轮灌编组、配水流量和灌水时间等重要参数,得出渠系渗漏损失量和算法迭代次数,并与粒子群算法、灰狼算法的求解结果进行对比。改进模型使灌水时间缩短了0.62 d,支斗两级渠系水利用系数提高了0.168,改进PSO-GWO算法迭代次数为3次、渠系渗漏总量为16.69万m^(3),优于传统算法的配水结果。实例应用情况表明,改进算法具有更强的寻优能力和收敛性,并且模型在满足高效配水的同时,减少了闸门启闭次数,实现了集中调控,配水模式便捷,应用价值较高。

基于PSO与BP神经网络的磁共振成像设备故障诊断研究

针对磁共振成像设备故障诊断准确性和效率低的问题,提出一种基于粒子群优化算法与反向传播神经网络结合邓普斯特-谢弗证据理论的故障诊断模型。该模型通过粒子群优化算法优化反向传播神经网络的参数,并结合邓普斯特-谢弗证据理论融合多传感器数据。实验结果表明,10种故障类型下所提模型的故障检测正确率为100%,对10种不同类型故障的平均检测准确率达96.2%,单样本检测耗时为17.5 ms。

基于PSO-GM(1,1)模型在大坝安全监测中的应用

文章以观音阁水库大坝监测数据为例,采用粒子群优化算法(PSO)对灰色预测模型GM(1,1)参数进行优化,建立了PSO-GM(1,1)模型,利用13期的数据进行预测。结果表明,经粒子群优化算法优化后的GM(1,1)模型预测精度较高,且随着监测数据的增加,预测值越接近实测监测值,预测精度越高。本文所建模型计算速度快、建模简单,适合工程现场快速应用,为大坝安全监测提供了一种可靠的新方法。

基于PSO-RF的妊娠母猪日饲喂量预测算法研究

日饲喂量对妊娠期母猪繁殖性能具有较大影响,对于保障母猪健康、胎儿生长发育具有重要意义。为了精准控制日饲喂量,针对粒子群算法(PSO)各阶段搜索能力不均衡的问题,引入一种非线性递减惯性权重策略对PSO算法进行改进,并用改进的粒子群优化随机森林回归算法(PSO-RF)精确预测妊娠母猪日饲喂量,精准控制智能饲喂器的饲料投放。该算法融合随机森林的高准确性和粒子群算法的参数寻优能力强的特性,通过优化决策树的数量和最大深度来提升预测性能。结果表明,PSO-RF算法取得的决定系数R^(2)值达到0.9814,相较于RF算法、SVM支持向量机和BP神经网络分别提升了1.19%、2.30%和3.25%。PSO-RF算法在预测妊娠母猪日饲喂量方面具有更高的精准度,有助于提高养猪场管理的智能化水平,降低生产成本,提升养猪场养殖效益,具有一定实际应用价值。

PSO-LIBSVM在污水水质建模中的应用

针对间歇式活性污泥法(SBR)复杂非线性等问题,常规神经网络建立的出水水质模型性能精度不高。采用支持向量机建立生化需氧量(BOD)软测量模型,并通过粒子群算法弥补支持向量机模型参数的不足。仿真结果表明,相对于BP神经网络、标准SVM模型,PSO-LIBSVM模型的误差小、精度高,降低了模型的复杂度并提高了其泛化能力。

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−ELM的综采工作面液压支架姿态监测方法

针对基于惯性测量单元的液压支架姿态解算方法会产生累计误差、校正结果不准确的问题,提出一种基于粒子群优化(PSO)−极限学习机(ELM)的综采工作面液压支架姿态监测方法。以液压支架顶梁俯仰角为监测对象,采用倾角传感器和陀螺仪采集液压支架顶梁支护姿态实时信息,对采集到的数据进行预处理,将处理后的数据输入PSO−ELM误差补偿模型中,得到解算误差预测值;同时通过卡尔曼滤波融合进行液压支架姿态解算,得到解算值;再用误差预测值对解算值进行误差补偿,从而求得更加准确的顶梁支护姿态数据。该方法只考虑加速度和角速度数据与解算误差的关系,不依赖具体的物理模型,可有效降低姿态解算累计误差。实验结果表明:液压支架顶梁俯仰角平均绝对误差由补偿前的1.4208°减少到0.0580°,且误差曲线具有良好的收敛性,验证了所提方法可持续稳定地监测液压支架的支护姿态。

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-LSTM的重载铁路车轨桥系统随机振动响应预测方法

在车桥系统随机振动分析中,随机动力响应是评价行车安全性的关键因素之一,而现有的响应计算方法存在耗时长、成本高的问题。能够快速准确预测车-轨-桥系统的动力响应对重载铁路桥梁的状态评估和运维养维具有重要意义。本文提出了一种基于粒子群优化(Particle Swarm Optimization,PSO)长短期记忆(Long Short-term Memory,LSTM)神经网络模型的重载车桥系统随机振动响应预测方法。该方法以车桥随机参数与轨道随机不平顺激励为输入,以桥梁动力响应为输出构造代理模型。首先,基于商业软件MATLAB平台构建PSO-LSTM网络模型;其次,通过建立的车-轨-桥系统随机振动分析模型计算初始样本集对应的随机动态响应,并进行模型训练,同时利用PSO算法优化LSTM结构参数;最后,使用训练好的PSO-LSTM模型对桥梁动态响应进行预测。为了验证本算法的优越性和鲁棒性,以朔黄重载铁路实测数据为例,对比本算法与BP(Back Propagation)神经网络、GRU(Gated Recurrent Unit)神经网络和LSTM神经网络的预测效率,并讨论不同车速下的预测情况,开展本模型与实测数据及有限元分析数据的对比分析。研究结果表明:在PSO优化下,LSTM模型预测结果得到一定的改善,PSO-LSTM模型拟合相关性系数可以达到0.97,其他评价误差值也均小于BP神经网络、GRU神经网络模型,本文模型可更高效准确地预测桥梁随机动力响应,可为进一步发展车-轨-桥系统随机振动响应预测理论提供技术支持。

基于改进 PSO-BPNN 的拖拉机液压油品质监测

为实现对拖拉机液压油品质的有效监测,保障拖拉机液压系统的平稳运行,基于改进PSO-BPNN设计一种针对拖拉机液压油品质的监测方法。首先,为研究拖拉机液压油品质恶化情况,在液压油新油的基础上配制不同比例的液压油油样。随后,搭建拖拉机液压油品质监测试验装置,并依据试验装置采集与监测液压油粘度、介电常数和温度参数。然后,设计并搭建一种基于改进PSO-BPNN的拖拉机液压油品质监测模型,该模型利用正弦调整惯性权重的PSO算法优化BPNN的权值和阈值初始值,提高模型收敛效率。最后,为验证基于改进PSO-BPNN的液压油品质监测方法的可行性,与基于传统BPNN、标准PSO-BPNN的拖拉机液压油品质监测模型进行对比。结果表明,基于改进PSO-BPNN的拖拉机液压油品质监测方法具有较快的收敛速度,监测正确率达到97.78%,为优化拖拉机液压油品质监测方法提供参考。

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-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。