基于多传感器信号的主轴回转误差在线回归预测方法研究

通过对主轴回转误差形成机理分析,基于多传感器信号构建了主轴回转误差回归预测模型。首先,使用LMD分解方法和皮尔逊相关系数算法对主轴回转误差密切相关的主轴前轴承振动信号、主轴电流信号和前轴承声发射信号进行特征量提取和寻优降维,克服了以往机床主轴回转误差预测中原始信号类型过于单一的问题。其次,针对各监测信号与机床主轴回转误差之间的非线性问题,利用支持向量机模型特有的RBF核函数实现多输入量下的非线性预测、找到数据之间的复杂关系,但模型中宽度系数σ、惩罚因子C和不敏感损失系数ε的有效确定是建立其RBF核函数的难题,为此建立了基于粒子群算法的支持向量机模型对主轴回转误差进行回归预测。再次,为评价该模型的有效性,提出了基于均方误差、平均绝对误差和决定系数的主轴回转误差回归预测模型评价方法。最后,使用i5m4数控加工中心对上述预测模型进行了实验研究,结果表明:该PSO-SVM回归预测模型的均方误差为0.19%,平均绝对误差为4.58%,决定系数为0.9237,相对于优化前模型,该PSO-SVM回归预测模型可准确有效实现主轴回转误差的预测。

基于需求响应的家庭负荷优化调度算法研究

为提升电力需求侧负荷需求响应能力,降低家庭用户的用电成本和电网日负荷曲线峰谷差,提出一种基于改进多目标粒子群算法的家庭负荷优化调度策略。首先,分析家庭负荷的运行特性并对其分类建模,采用功率平衡和储能充放电功率为约束,建立以用电成本和负荷峰值平均功率比为目标的负荷优化调度模型;其次,以自适应惯性权重和均值欧氏距离等策略对多目标粒子群算法进行改进,并用改进算法对建立的模型进行优化求解;最后,用实际算例进行仿真,验证所提模型和算法的可行性与有效性,为用户参与需求响应提供了多种参考方案。

基于Deform仿真和粒子群多目标算法的微结构刀具优化设计

合理的刀具微结构在铣削过程中能够有效降低铣削力与铣削温度,提高刀具服役寿命。为了得到理论最优的硬质合金刀具微结构参数,需解决铣削H13模具钢过程中存在的大铣削力与高铣削温度等问题。借助Deform软件构建理想状态下的硬质合金铣削模型,进行正交仿真实验研究微结构关键参数对铣削力与铣削温度的影响;以刀具微结构作为优化自变量,最小铣削力与最低铣削温度作为目标函数,构建基于粒子群算法下的多目标优化模型,通过铣削仿真实验进行验证。结果显示,经粒子群多目标算法优化后的刀具微结构参数为R1=300μm, R7=822μm, R22=607μm,理论计算与仿真的最大铣削力和最高铣削温度之间的误差分别为22.93%和5.64%;与原刀相比,最大铣削力与最高铣削温度分别优化了53.15%和4.91%。

室内多消防水炮协同灭火任务规划研究

室内大空间消防系统通常采用多个固定式智能消防水炮组成水炮群进行灭火。为改善室内多消防水炮对多火源灭火效率,提出一种基于火灾损失代价和灭火时间代价的粒子群任务规划算法。首先,采用整数编码方式对粒子进行编码,一组编码对应一组任务分配解;然后,应用非线性自适应权重更新方法动态调整算法关键参数,提升算法性能。为避免陷入局部最优解,采用基于模拟退火的自适应粒子群算法,以一定概率接受差解,提高粒子多样性,帮助算法跳出局部最优。针对火源动态变化和灭火过程中新发火源,设计了一种分阶段任务规划策略,与所提算法结合可有效解决动态规划问题。实例仿真结果表明,该算法在寻优效率和结果稳定性方面优于标准粒子群算法和自适应粒子群算法,具有良好的应用价值。

机械臂空间轨迹的非支配扰动粒子群算法优化

为了减少机械臂工作时间同时减小机械臂的运动冲击,提出了基于非支配排序扰动粒子群算法的机械臂轨迹多目标优化方法。以那智MZ04机械臂为研究对象,对机械臂空间轨迹规划问题进行描述,并建立了时间最少、冲击最小的多目标优化模型。在粒子群算法中融入了扰动策略和非支配排序策略,扰动策略使粒子不再向固定的种群最优学习,而是向种群最优邻域学习,有效维持了粒子多样性并提高了算法优化能力;将非支配排序扰动粒子群算法应用于机械臂轨迹规划,其Pareto前沿解优于非支配排序粒子群算法。将非支配扰动粒子群算法和非支配粒子群算法的时间、冲击等权重解进行比较可以看出,非支配扰动粒子群算法规划路径的时间和冲击均优于非支配粒子群算法,且轨迹连续、平滑,运动轨迹参数在约束范围内,证明了非支配扰动粒子群算法在机械臂轨迹规划中的有效性。

基于PSO-CNN算法的齿轮故障诊断方法

齿轮故障振动信号具有非线性和非平稳性的特性,以及样本不均衡问题和运行工况复杂多变的情况,造成齿轮故障特征诊断的准确度和稳定性偏低,因此,通过研究提高样本集质量和改进深度学习模型的综合方法,以此来提高模型的诊断精度。首先采用变分模态分解(variational mode decomposition,VMD)对信号进行处理,提取每个本征模态函数(intrinsic mode function,IMF)分量的能量熵无量纲指标作为样本集,克服样本不均衡和工况变化带来的不利影响。然后,利用粒子群优化(particle swarm optimization,PSO)算法自主优化卷积神经网络(convolutional neural network,CNN)的学习率(PSO-CNN),降低模型出现过拟合问题的可能性,并利用Inception模块的概念,设计一个多分支全局平均池化网络用于特征融合,进一步提高模型的故障诊断精度。最后,通过试验数据对所提方法进行了验证,结果表明,本文方法的故障诊断准确率可达0.99,并于其他方法进行对比,凸显该方法的有效性和稳定性。

基于粒子群-细菌觅食混合优化算法的汽车碳纤维复合材料地板铺层设计

为提高白车身地板复合材料铺层优化设计的精度、效率及结构轻量化水平,提出了一种碳纤维复合材料地板铺层优化设计方法。首先建立了白车身有限元模型并验证了其有效性,然后通过力学性能测试获取了碳纤维复合材料的参数,并进行了地板铺层的概念设计和建模。接着,采用连续变量优化设计方法确定了地板的铺层厚度、铺块形状和铺层层数,并使用离散化圆整策略获得了各铺向角的离散铺层层数。优化结果表明,所提出的粒子群-细菌觅食混合优化(PSO-BFO)算法对地板质量、静态弯曲刚度和白车身轻量化系数的改善率分别为34.4%、6.0%和5.3%。

基于多目标粒子群算法的城市无人机路径规划

对于城市环境下的无人机路径规划问题,提出了一种多目标路径规划模型,以无人机运行效率最大化与运行风险最小化为目标函数,综合考虑无人机性能约束、噪声影响以及避障要求,使用随机速度更新、惯性因子动态调整等策略对多目标粒子群算法进行改进,基于帕累托解集拥挤距离更新个体极值和群体极值,并构建帕累托解以得到多组备选路径方案。最后通过仿真验证了所提方法的可行性和有效性。

一种多指标综合最优的抗冲击轨迹规划方法

为提高机械臂作业效率以及抗冲击能力,提出了一种综合最优轨迹规划方法。首先通过建立3-5-3多项式曲线数学模型构造出端点运动参数可控的关节运动轨迹;然后考虑关节位置、速度、加速度等约束条件,通过加权系数法定义目标函数,使机械臂的动作时间、冲击和灵巧度达到综合最优,在目标函数的设计中采用动态加权方法来处理关节速度与冲击之间的矛盾;最后,针对标准粒子群算法,利用拉丁超立方抽样函数均匀化种群,并提出随机惯性权重更新策略,得到改进粒子群算法,利用该算法对目标函数进行优化,得到综合最优运动轨迹。进行了仿真和样机实验,实验结果证明所提方法具有可行性。

基于VMD混合多尺度机器学习模型的碳排放权价格预测

构造了一种融合变分模态分解的多尺度混合碳价预测模型VMD-PSO-LSTM。结果显示,该模型能有效映射并拟合复杂多尺度的碳价时频信号,预测误差RMSE、MAE、MAPE仅为0.2109、0.176和0.0021,碳价预测精度和稳定性均优于基准模型。该模型的预测效果并不受随机样本预测期限差异的影响,并在较长随机区间的样本外预测上误差较小,展现出较强的预测鲁棒性和稳定性。

SWMM模型耦合MOPSO算法优化配置大型城市绿地海绵设施

本研究以水文-成本综合效益为目标,探讨在城市绿地中,如何优化海绵设施布局,使其在较少投资成本下实现较高年径流总量控制率(α)的目标。以济南市凤凰湖公园为研究对象,根据海绵城市规划及容积法,确立LID规模与预布局。在α与成本目标约束下,通过Python运行MOPSO算法调用SWMM模型,求解LID布局最优方案,利用GIS实现LID空间落位。研究结果显示:现状方案的α=67.32%,在以实现α=85%为优化目标的情况下,最优方案可使α=94%,地表径流减少42.76%,同时建设成本节省约1653.12万元。MOPSO有助于提高LID优化效率,可为LID设施综合效益评估及海绵公园建设提供科学依据。

泵站正向进水结构流场特性多目标优化研究

为提高引黄灌区水源含沙提水泵站进水结构流场稳定性,对泵站原型(泥沙淤积前)进水结构设计参数进行耦合协同优化。选取甘肃省景电灌区典型正向进水泵站为研究对象,确定流场特性评价指标与进水结构设计参数,基于仿真智能算法(PSO-BPNN)和多岛遗传算法(MIGA)构建PSO-BPNN-MIGA耦合优化模型,通过Realizable k-ε湍流模型耦合考虑相间滑移的Mixture多相流模型对最优方案进行模拟。由耦合优化模型得到的最优设计方案(OPT)为:扩散角θ=26.30°、总宽度B=26.46 m、底部纵坡i=1∶2.3、悬空高度C=1.05 m、淹没深度h_(s)=1.38 m、后壁距T=0.57 m;OPT方案评价指标预测值和计算值的偏差率均在10.00%以内;OPT方案下泵站进水结构内未出现明显旋涡回流区,泥沙淤积强度和淤积范围明显减少、水流流速较小、流线较为均匀。优化模型在泵站原型进水结构协调优化中较为可靠,可实现参数区间内的全局连续寻优,所得最优方案整体优化效果较好。本文提出的研究思路与方法可为类似泵站工程设计参数耦合协同优化提供参考方法借鉴。

基于AG-MOPSO的含风电配电网无功优化

针对风电机组并网出力的不确定性,采用基于概率发生的场景分析法将不确定性模型转换为不同发生概率的多场景问题,建立以有功网损和电压偏差最小为目标的无功优化模型。针对传统方法得到的Pareto前沿多样性较差的问题,提出基于自适应网格的多目标粒子群优化AG-MOPSO(adaptive grid multi-objective particle swarm optimization)算法。该算法采用自适应网格得到外部档案库中粒子的密度,并根据密度信息以轮盘赌机制选取全局最优粒子和维护外部存储库的规模,有效地保证了Pareto前沿分布的均匀性和多样性。运用该算法对含风电的IEEE 33节点系统进行无功优化计算,并与已有NSGA-Ⅱ算法进行比较,结果表明所提算法得到的Pareto前沿较好,验证了该模型和算法的可行性。

多弹集群协同优化决策算法研究

本文以集群对海作战为应用背景,为重点解决多弹多空间散布的时空构型及目标分配决策问题,建立了多弹典型协同场景下的导弹主动感知协同探测模型,设计了导弹协同探测与协同攻击的模型以及相应的算法。首先,建立了导弹三自由度和舰船二自由度模型、导弹飞行能力评估模型、导弹突防概率评估模型和导弹威胁度评估模型,使得对导弹执行探测和打击任务中能力的变化度量更加精确。其次,设计导弹在不完全信息条件下的主动感知协同探测模型和协同攻击模型,保证导弹协同作战的效益最大化,最大限度地打击敌方势力。再次,针对导弹协同打击目标分配和导弹编队构型问题,使用融合了遗传算法的粒子群(GAPSO)算法问题进行求解,并与传统的粒子群(PSO)算法进行了对比,实现了多方位考虑战场态势信息,对敌方目标进行探测攻击一体化打击。最后,对建立的作战模型进行仿真,得到算法仿真图和算法多次仿真的统计数据。相比其他算法,该算法具有一定的优越性,大幅提升了导弹的智能化对抗水平和突防打击能力。

基于GA-DE-PSO优化算法的停车场车辆高效引导研究

传统停车引导方法受到寻优搜索算法本身缺陷的影响,设计的引导路径无法实现全局最优。针对该点不足设计了一种基于GA-DE-PSO优化算法的停车场车辆高效引导方法。利用栅格法建立停车场环境栅格地图。在原有停车时间最小化目标的基础上,增加一个避碰目标函数,由此建立一个多目标函数模型。将GA与DE融合到一起后利用GA-DE优化PSO算法,通过GA-DE-PSO优化求解停车场车辆最佳引导方案。结果表明与三种传统方法相比,GA-DE-PSO优化算法求出的方案所耗费的停车时间更短、效率更高,能够引导驾驶员快速识别出最近车位。

基于XGBoost-PSO的混凝土重力坝体型多目标优化设计

为解决重力坝优化设计以截面尺寸作为唯一设计变量,缺乏考虑材料属性对重力坝优化设计影响的问题,综合经济、抗震安全进行重力坝多目标优化设计方法研究,构建了综合经济、抗震安全指标的多因素评价体系;采用ABAQUS软件对重力坝进行有限元静动力分析,基于计算结果采用变权功效系数法进行量化评价;采用XGBoost-PSO算法进行寻优得到最终优化方案。实例验证结果表明:多目标优化方案与初始方案相比,在经济、抗震安全指标上都得到了明显改善;相比传统单目标优化模式,经济、安全多目标优化更适用于抗震安全要求高的重力坝工程。

基于改进粒子群算法的多电机智能控制研究

伺服电机作为全自动线束端子组装设备驱动、控制和机械传动的主要联系环节,其控制系统的优劣决定了整个设备的性能。结合端子组装设备的结构和工作原理,对端子组装设备中重要的伺服系统建立了控制数学模型。为了得到较优的控制器参数,对粒子群算法(PSO)搜索寻优进行了改进,通过PSO对PID控制器进行参数优化,并利用优化后的PID控制器设计多电机功率平衡控制策略。仿真验证表明:改进粒子群算法能有效实现多电机功率平衡控制,在负载发生变化的情况下,控制策略能够控制每个电机的输出实现均衡分配负载。

PSO多决策融合刀具磨损评估

针对刀具磨损状态监测中单一决策算法模型评估效果受工况参数影响较大,在不同工况条件下模型通用性不好的问题,提出一种基于粒子群优化(PSO)算法的多决策融合刀具磨损评估模型。首先对加工过程中的主轴电流信号和振动信号进行时域分析、频域分析和小波包分解提取有效特征,并利用主成分分析进行特征降维。之后在4种集成学习算法的基础上,构建PSO多决策融合模型,分别使用LDIWPSO和CFPSO两种PSO算法实现多集成学习算法的决策融合,进行刀具磨损状态评估。试验结果表明:PSO多决策融合模型相比于各种单一集成学习算法模型具有更好和更稳定的预测性能,且CFPSO决策融合的效果要优于LDIWPSO决策融合。

参数优化VMD-MPE和PSO-CS-Elman神经网络在滚动轴承故障诊断中的应用研究

针对滚动轴承振动信号的非线性、非平稳特征,提出了基于参数优化变分模态分解(Variational Mode Decomposition,VMD)、多尺度排列熵(Multi‑scale Permutation Entropy,MPE)和粒子群‑布谷鸟搜索融合算法优化Elman神经网络的故障诊断方法。针对VMD中模态分量个数和惩罚因子难以确定的问题,引入鲸鱼优化算法,令其自主搜寻最优解;利用获得最优参数的VMD对滚动轴承故障仿真信号进行分解,对最佳模态分量进行包络谱分析,对比仿真故障频率与实际值的吻合度,验证该方法的可行性。考虑到MPE具有可探究信号内动力突变的优点,将其与参数优化VMD相结合,求取滚动轴承振动信号各阶模态分量的MPE值,选择部分熵值构建特征向量,并将其投放在三维空间观察其差异性,判断其是否能够良好地表征不同故障类型。针对Elman神经网络识别精度低的问题,将粒子群优化(Particle Swarm Optimization,PSO)算法和布谷鸟搜索(Cuckoo Search,CS)算法相融合,以此联合优化Elman网络的权重和阈值,以提升网络的收敛精度和诊断精度。以实验采集和凯斯西储大学的滚动轴承振动信号为研究对象,应用所提方法进行分析。结果表明,所提方法不仅能够自适应地将信号分解,并提取出有效的故障特征,还能准确实现故障模式的分类,提高故障识别率。

基于密度峰值的依维度重置多种群粒子群算法

针对粒子群算法无法有效兼顾开采与勘探的问题,提出一种基于密度峰值的依维度重置多种群粒子群算法.首先采用密度峰值聚类中相对距离的思想并结合适应度值将种群分为两个子种群:顶层群和底层群.之后为顶层群设计专注于开采的学习策略而为底层群设计倾向于勘探的学习策略,以均衡种群的勘探与开采.最后依维度将陷入局部最优的粒子与全局最优粒子交叉重置,在有效避免早熟收敛的同时也显著减少了无效计算次数.将提出的算法与其他改进的优化算法在基础优化问题与CEC2017测试集上进行实验对比,实验结果均值的统计检验证明了提出算法的改进具有统计学显著性.