改进粒子群算法在LQR半主动悬架的应用

针对车辆半主动悬架LQR控制中Q矩阵和R矩阵往往由经验取值的问题,提出一种基于改进粒子群算法的LQR控制方法。该算法采用随机惯性权重代替了传统粒子群算法的固定惯性权重,提高了求解精度和效率,得到了更加具有适应性的LQR控制矩阵系数。为验证此方法的有效性,基于天棚阻尼模型建立1/4车被动悬架模型和半主动悬架模型,利用线性二次最优控制建立LQR控制器,并利用优化算法得到新的控制矩阵。通过仿真对比被动悬架、LQR控制的LQR半主动悬架、改进粒子群算法优化后的优化LQR悬架的各项性能参数,发现优化LQR悬架在悬架动挠度没有受到影响的前提下,使车辆的垂向加速度和轮胎动载荷得到有效降低,提高了车辆的行驶平顺性和操纵安全性。     

电动轮减振系统集成设计、参数匹配及其优化控制

电动轮驱动系统在简化车辆底盘结构,提高驱动效率的同时,增加了车辆非簧载质量,导致车辆行驶平顺性降低。传统悬架控制中常用的LQR最优控制算法受其权重系数的影响较为明显,其权重系数的选取方法主要是依靠经验设计,这不仅加大工作量,而且无法保证系统达到最优。文中提出一种针对外转子轮毂电机的电动轮减振系统设计方案,并基于粒子群优化算法对该减振系统进行参数匹配,使得该系统满足轮内被动减振的要求。然后,采用基于粒子群优化权重系数的LQR控制方法,设计LQR优化控制器对电动轮内减振系统和车辆悬架进行综合控制,进一步优化车辆平顺性和电动轮振动性能。最后,基于MATLAB/Simulink软件的仿真分析表明:所设计的轮内减振系统和车辆主悬架在基于粒子群的LQR控制下,能有效降低车身垂向加速度和电机冲击力,改善车辆和电动轮的垂向振动性能。     

粒子群优化算法中惯性权重的研究

惯性权重是粒子群优化算法中的关键参数,文章对惯性参数进行了系统的研究,在此基础上,分析了固定权重,典型的线性递减惯性权重,步长较小的线性递减惯性权重时收敛性能的影响.通过对4个测试函数的仿真实验,验证了它们各自的全局收敛性和收敛速度,说明了惯性权重在粒子群优化算法中有很大的自由度.     

增加算子扰动项的粒子群优化算法研究

为了提高粒子群算法的稳定性,改善陷入局部最优的弊端,提出了一种增加算子扰动且对惯性权重进行正弦调整的粒子群优化算法。该方法首先利用差分方程对粒子的速度与位置变化过程进行深入分析,然后找到粒子群算法收敛的约束条件,进而获得改进后的惯性权重。最后在粒子群算法的速度公式中引入算子扰动项,其对粒子施加扰动,能够有效的抑制算法陷入局部最优问题,使算法在迭代后期也拥有一定的搜索能力。利用4个典型测试函数对算法进行验证,实验结果表明改进的惯性权重及速度更新公式使得该算法具备了较快的收敛速度和较佳的全局收敛性能,与标准粒子群算法相比,改进后的粒子群算法收敛精度高、鲁棒性强。     

一种动态改变惯性权重的粒子群优化算法

针对粒子群优化算法的局限性，提出了一种动态改变惯性权重的粒子群算法，在优化迭代过程中，惯性权重值随粒子的位置和目标函数的性质而变化。函数测试表明，改进后的算法使收敛速度显著加快，而且不易陷入局部极值点。     

基于改进粒子群算法的齿轮传动优化设计研究

针对齿轮传动系统多目标优化设计问题,选取了齿轮传动系统的体积和重合度作为优化目标函数,建立了以可靠性约束、齿数约束、模数约束等作为约束条件的齿轮传动系统多目标优化数学模型。将收缩因子和线性递减惯性权重引入到基本粒子群算法中,得到了带收缩因子的线性递减惯性权重粒子群寻优算法;利用该算法具有收敛速度快和搜索能力强的特点,对二级斜齿圆柱齿轮传动系统的优化数学模型进行了求解,最终得到了齿轮的关键参数(齿数、模数、螺旋角)的最优解。研究结果表明:在齿轮传动优化设计中采用带收缩因子的线性递减惯性权重粒子群寻优算法,可以使二级斜齿圆柱齿轮传动系统的体积减少39.8%,重合度提高7.3%,降低成本,提高齿轮传动的稳定性;该结果可为齿轮传动系统的优化设计提供参考依据。     

基于改进粒子群算法的车间作业排序的优化设计

兼顾车间作业排序中的制造周期和机器利用率,建立了以最小化最大完工时间为主目标、以最大化机器利用率为从目标的优化模型。设计了引入自适应技术的惯性权重,使基本粒子群算法的学习因子可动态变化地改进粒子群算法,并用该改进后的算法对车间作业排序进行了优化设计。实例研究表明:改进后的粒子群算法在收敛速度和收敛可靠性上均优于未改进的粒子群算法,在求解车间作业排序问题的应用中具有更高的求解质量。     

基于改进粒子群算法的车间作业排序的优化设计

兼顾车间作业排序中的制造周期和机器利用率,建立了以最小化最大完工时间为主目标、以最大化机器利用率为从目标的优化模型。设计了引入自适应技术的惯性权重,使基本粒子群算法的学习因子可动态变化地改进粒子群算法,并用该改进后的算法对车间作业排序进行了优化设计。实例研究表明：改进后的粒子群算法在收敛速度和收敛可靠性上均优于未改进的粒子群算法,在求解车间作业排序问题的应用中具有更高的求解质量。     

基于粒子群算法的主动悬架混合控制策略研究

为了有效协调车辆乘坐舒适性、行驶平顺性及安全性,进行了基于粒子群算法的主动悬架混合控制策略研究。首先分析了天棚/地棚控制策略在提高悬架动力学性能方面的局限性;随后结合天棚和地棚控制策略,提出了混合控制策略,并采用粒子群算法进行了混合控制策略的控制参数寻优,确定了最优控制参数;最后,进行了混合控制策略下主动悬架和传统被动悬架在时域与频域内的对比仿真分析,仿真结果表明,混合控制策略下主动悬架的性能明显优于被动悬架,其车身加速度均方根值减小了13.96%,悬架动挠度均方根值减小了26.01%,车轮动载荷均方根值减小了8.59%,说明了混合控制策略在协调车辆动力学性能方面的有效性以及控制参数优化结果的正确性。     

加工参数优化中自适应协同粒子群算法研究

针对加工参数优化过程中粒子群优化算法的优化效果受参数影响较大的问题,提出了自适应协同粒子群优化算法。对粒子群优化算法的参数对优化结果的影响进行了详细而深入的分析,在此基础上,给出了优化过程中惯性权重、学习因子、最大速度等参数的变化规律,并通过仿真的方法确定了最优参数的取值。最后通过对基准函数的仿真实验,验证了本文算法的正确性和有效性。     

主动悬架控制策略研究与试验验证

为了有效协调车辆乘坐舒适性、行驶平顺性及安全性,进行了基于粒子群算法的主动悬架混合控制策略研究。首先分析了天棚/地棚控制策略在提高悬架动力学性能方面的局限性;然后结合天棚和地棚控制策略,提出了混合控制策略,并采用粒子群算法进行了混合控制策略的控制参数寻优,确定了最优控制参数;随后,进行了混合控制策略下主动悬架和传统被动悬架在时域与频域内的对比仿真分析,仿真结果表明,混合控制策略下主动悬架的性能明显优于被动悬架,其车身加速度均方根值减小了13.89%,悬架动挠度均方根值减小了22.22%,车轮动载荷均方根值减小了8.59%,说明了混合控制策略在协调车辆动力学性能方面的有效性以及控制参数优化结果的正确性;最后,进行了台架试验,试验结果与仿真结果基本一致,从而验证了仿真结果的正确性。     

7桥混连油气悬架车辆建模及多目标优化

为获得某7桥登高车油气悬架的最优性能,设计了同侧并连+对侧交连的油气悬架混合耦连方案,并建立了整车20自由度非线性动力学模型,联合仿真分析车辆的平顺性和稳定性。通过层次分析法和极差变换标准化处理,建立包含车辆平顺性和稳定性两评价指标的优化函数,首次采用改进蚁群算法进行油气悬架系统参数优化运算,并与遗传算法参数优化结果对比。仿真对比结果显示,改进蚁群算法优化结果能够更好地抑制车身垂向-侧向耦合振动,对车辆平顺性和稳定性的改善效果较遗传算法提高了约10%。平顺性试验结果表明：加权加速度均方根较优化前大幅降低,证明了改进蚁群算法对于油气悬架参数优化问题的可行性和有效性;试验值与仿真值最大误差仅12.35%,验证了理论模型的正确性。     

一种自适应粒子群算法的小波神经网络优化

针对传统粒子群算法易陷入局部最优解的问题,提出了一种变权重粒子群算法.该算法通过引入交叉权重因子和粒子个体状态最优权值,对传统粒子群算法进行了优化,使粒子在移动过程中利用更多的信息来调整各自的移动方向,扩大粒子在运动过程中的自我认知范围,提高了粒子群算法的收敛精度和收敛速度.最后,利用改进的变权重粒子群算法对小波神经网络控制器进行优化,有效地验证了变权重粒子群算法的精确性.     

基于线性递减权值PSO算法优化LQR控制的主动悬架性能研究

针对车辆主动悬架线性二次型调节器(Linear Quadratic Regulator, LQR)控制中权重系数的取值具有主观性,且适应度较低的问题,提出使用粒子群优化(PSO)算法优化LQR控制器,使LQR控制器的权重矩阵得到最优结果。为验证此方法的有效性,以汽车主动悬架作为被控对象,设计了PSO算法优化LQR控制器,利用PSO算法的全局搜索能力,以主动悬架的性能指标作为目标函数对权重矩阵进行优化设计,以提高LQR控制器的设计效率和性能。通过仿真对比了LQR控制的主动悬架、固定权值PSO算法优化后的LQR控制的主动悬架和基于线性递减权值PSO算法优化LQR控制主动悬架的各项性能参数,并且针对固定权值PSO算法收敛速度慢的特点,进行优化,确定使用线性递减权值PSO算法可以提高收敛速度。最终实验结果表明基于固定权值PSO算法优化后的LQR相较于单纯LQR控制的主动悬架,其车身垂向加速度、悬架动行程及轮胎动位移这3个性能指标得到降低;基于线性递减权值PSO算法优化后的LQR控制的主动悬架的各项性能指标在固定权值PSO算法优化的基础上,可再次优化车身垂向加速度、悬架动行程及轮胎动位移这3个性...     

改进的PSO及其在结晶器液位控制中的应用

针对粒子群算法存在的易于陷入局部极值和收敛速度慢等不足，提出了基于变惯性权重和多种群并行寻优策略的，通过多种群寻优策略来解决陷入局部极值的问题，利用变惯性权重的方法提高收敛速度。并将改进粒子群算法在连铸结晶器液位PID控制器参数自整定中进行了应用研究，仿真结果表明了此算法在PID参数的自整定过程中的有效性。     

基于混沌粒子群优化的神经网络在旋转机械故障诊断中的应用

基于混沌粒子群优化算法提出一种根据群体早熟收敛程度和个体适应值来调整惯性权重的自适应混沌粒子群优化算法,算法兼顾全局寻优和局部寻优,能够有效地避免早熟收敛.使用自适应混沌粒子群优化算法训练神经网络并建立旋转机械故障诊断模型,实验结果表明,与粒子群优化算法、遗传算法训练神经网络相比,基于自适应混沌粒子群优化算法的神经网络能够有效改善神经网络的训练效率,提高故障模式识别的准确率.     

车辆主动悬架自适应LQG控制策略研究

针对车辆主动悬架的结构原理,建立了其动力学模型。在分析车辆主动悬架状态方程具有时变性的基础上,提出了自适应LQG主动悬架控制策略,通过自适应控制模型能够实现对车辆悬架时变参数和扰动输入参数的辨识。结合LQG控制性能指标函数,在确立簧载质量垂直加速度、悬架动行程和轮胎动行程的加权系数后,通过采用扩展自回归滑动平均模型进行悬架时变参数辨识,实现了主动悬架的自适应LQG控制。仿真结果表明自适应LQG控制策略优于LQG控制,较好地改善了车辆的平顺性。     

重型牵引车驾驶室悬置与悬架参数的集成优化设计

针对汽车多变量集成优化平顺性和操纵稳定性的问题,以某重型车为研究对象,建立了带有驾驶室悬置和空气悬架的整车模型。以驾驶室悬置参数和悬架参数为变量,建立了多目标协同优化模型。利用理想参数修改法确定了6个最佳优化参数,运用响应面方法拟合出4个回归模型,并进行加权,得到优化目标的最优解和权重因子大小。与仅选择悬架参数进行优化设计的结果对比,集成优化后的驾驶室悬置与悬架参数更理想,平顺性和操纵稳定性改善较明显。     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。     

基于改进粒子群算法的车辆被动悬架优化与仿真研究

针对车辆行驶过程中容易受到地面白噪声影响问题,创建了四自由度四分之一车辆被动悬架模型,推导出车辆垂直方向动力学方程式。构造了混合目标函数,采用改进粒子群算法对四自由度四分之一车辆被动悬架模型约束参数进行优化。建立车辆被动悬架系统仿真模型,在不同行驶速度下,通过Matlab/Simulink软件进行动力学仿真,与优化前仿真结果进行对比。仿真结果显示,优化后车辆被动悬架驾驶员头部垂直方向加速度、簧载垂直方向行程及非簧载垂直方向位移的均方根最大值分别减少了51.0%、45.4%和40.7%,车辆垂直方向振动峰值明显降低。采用改进粒子群算法优化车辆被动悬架系统,可以提高车辆行驶的稳定性,改善驾驶员乘坐的舒适度。