数控车床主轴热误差SHO–LSTM预测建模

在高精度加工过程中,数控机床主轴误差对加工精度的影响较为严重。数控机床热误差占总误差比例高达40%~70%,是主要的误差源之一。为了提高热误差预测的精度,本文提出一种使用海马优化算法(SHO)优化时序预测网络(LSTM)的精密车床主轴热误差预测建模方法。首先,利用羚羊优化算法(GOA)对模糊C均值聚类(FCM)的模糊矩阵常数、最大迭代次数、迭代终止条件进行优化并结合皮尔逊(Person)、斯皮尔曼(Spearman)和肯德尔(Kendall)相关分析方法优化温度测点,使用手肘法确定最优分组规模,根据DB(Davies–Bouldin)、BWP(Bregman Within–class Projection)和Silhouette(Silhouette coefficient)聚类评估指标评估温度测点聚类效果。其次,以车床主轴五点法获取的热误差数据和优化后的温度数据作为输入,使用海马优化算法(SHO)对时序预测网络(LSTM)的隐含层节点、全连接层节点、学习率、L2正则化常数进行优化,并使用S折交叉试验方法确定最优分组规模,建立主轴热误差SHO–LSTM预测模型。再次,在不同转速下对构建的热误差模型对基于平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)的预测效果进行评估。最后,在CKA6163A型车床上进行实例验证,使用五点法进行测量辨识,同时测量主轴附近的温度。结果表明:本文所提出的温度测点优化算法相比未优化的模糊C均值聚类(FCM)的DB指标降低了89.00%,BWP和Silhouette分别提高了59.00%和8.17%,优化后的聚类算法可有效降低温度测点间的共线性,提高预测模型的预测效率。本文所提出的海马优化算法(SHO)优化时序预测网络(LSTM)与未优化的时序预测网络(LSTM)相比,均方根误差降低了42%,表明海马优化算法(SHO)可以提高时序预测网络(LSTM)的准确性;与天鹰(AO)优化卷积神经网络(CNN)、反向传播神经网络(BP)相比,本文所提出的预测网络的均方根误差分别降低了3%、57%,SHO–LSTM主轴热误差预测模型的鲁棒性和准确性更高。

基于PCA-SHO-SVM和PCA-SHO-BP模型的径流预测

为提高径流预测精度,研究主成分分析(PCA)、斑鬣狗优化(SHO)算法与支持向量机(SVM)、BP神经网络相融合的预测方法。在样本数据筛选上选取PCA方法进行数据降维,使数据样本简洁且更具代表性。利用SHO算法优化SVM关键参数及BP神经网络权阈值,分别提出PCA-SHO-SVM、PCA-SHO-BP径流量预测模型,并与SHO-SVM、PCA-SVM、SVM和SHO-BP、PCA-BP、BP模型的预测结果作对比,通过云南省龙潭水文站年径流量及枯水期月径流量预测为例进行验证。结果表明,PCA-SHO-SVM、PCA-SHO-BP模型对实例年径流量预测的平均相对误差分别为2.34%、2.50%,对月径流量预测的平均相对误差分别为6.15%、6.08%,预测精度均优于其他6种模型,具有较高的预测精度和更强的泛化能力。

控制阀智能定位器控制算法及PID参数整定方法研究

智能阀门定位器作为气动控制阀系统的核心部件,其控制性能直接影响气动控制阀门的响应速度、调节精度、稳定性等,从而影响整个工业回路的控制效果。为提高气动控制阀的响应速度、调节精度和稳定性,减小控制阀性能不佳对工业管路系统的影响,设计了一种基于自私群体优化(SHO)算法的控制器。基于直行程的单作用膜片式气动控制阀的物理特性,对智能阀门定位器的PID控制器参数进行自动整定,测试优化后的控制效果,控制过程不出现超调和振荡现象。本方法为后续优化智能阀门定位器控制算法提供一定的参考价值。

基于SHO-VMD分解和多特征参数的变工况滚动轴承故障诊断

风机在多种工况条件下运行时,利用轴承的振动监测系统所检测到的信号难以实现故障诊断,而大量文献研究的轴承故障诊断多是在恒定转速下进行的。针对变工况下运行的滚动轴承,提出一种基于SHO-VMD分解和多特征参数融合的特征提取方法,使用t-SNE降维可视化,提取出振动信号的故障信息与转速变化信息。变分模态分解(VMD)方法的分解效果取决于分解个数和惩罚因子的取值,采用自私羊群优化算法(SHO)对参数进行优化,将振动信号分解为一些本征模态分量,再对每组分量进行特征参数提取,基于奇异值特征、能量熵、样本熵特征进行多特征量融合,使用t-SNE降维来提取轴承故障信息以及速度变化信息,实验结果表明:提出的方法可以有效提取出轴承的故障和速度信息。

基于模拟退火斑点鬣狗优化算法的特征选择

特征选择问题是一个基于某些标准找到最相关子集的过程,针对特征选择中的评价标准,设计了一种将斑点鬣狗优化(spotted hyena optimization,SHO)算法与模拟退火算法(simulated annealing,SA)相结合的混合模型来解决上述问题,以增强每次迭代后SHO找到的最优解,并通过UCI存储库中的8个数据集来评估优化算法的性能。实验结果表明:SASHO混合算法的表现不仅优于原始SHO算法,而且与其他优化算法相比,提高了分类精度并减少了所选特征的个数,在空间搜索和特征属性选择方面具有一定的工程实用价值。

基于改进斑点鬣狗优化算法的同步优化特征选择

针对传统支持向量机(SVM)在封装式特征选择中分类精度低、特征子集选择冗余以及计算效率差的不足,利用元启发式优化算法同步优化SVM与特征选择。为改善SVM分类效果以及选择特征子集的能力,首先,利用自适应差分进化(DE)算法、混沌初始化与锦标赛选择策略对斑点鬣狗优化(SHO)算法改进,以增强其局部搜索能力并提高其寻优效率与求解精度;其次,将改进后的算法用于特征选择与SVM参数调整的同步优化中;最后,在UCI数据集进行特征选择仿真实验,采取分类准确率、选择特征数、适应度值及运行时间来综合评估所提算法的优化性能。实验结果证明,改进算法的同步优化机制能够在高分类准确率下降低特征选择的数目,该算法比传统算法更适合解决封装式特征选择问题,具有良好的应用价值。

高速下行包接入中小区选择算法述评

在高速下行包接入 (HSDPA)环境下 ,由于码分多址 (CDMA)系统中常用的软切换技术会给下行链路带来更多的干扰 ,因此在 3GPP中提出了快速选择小区 (FCS)。本文结合 3GPP相关提案 ,对FCS算法进行了分析。

基于CNN-LSTM和海马优化算法的二阶拉曼光纤放大器设计方案

随着通信系统向高速率、超带宽不断发展,适应这种发展的高性能拉曼放大器的设计逐渐成为研究重点。然而,由于输出拉曼增益、噪声和泵浦参数之间复杂的非线性关系,设计高性能的拉曼放大器具有挑战性。传统的数值优化方法在解决这个问题上效率不佳。为了解决这个问题,本文提出了一个使用卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long-short term memory,LSTM)的二阶拉曼光纤放大器(Raman fiber amplifier,RFA)增益和噪声预测模型。研究了不同预测模型性能对设计拉曼光纤放大器的影响,并利用海马算法优化模型,以准确反映泵浦参数、光纤长度和目标增益和噪声分布之间的映射关系。实验结果表明,本文提出的模型在增益和噪声预测方面的均方根误差分别只有0.0431和0.0224 dB,预测值和目标值之间的误差小于0.25 dB,平均耗时小于0.1337 s。该设计方案为未来RFA的快速设计提供了方法和思路。