基于粒子群优化SVM的刀具磨损量预测

针对SVM预测刀具磨损量存在的参数不易确定的问题,提出了新的基于粒子群优化SVM的智能预测方法。在介绍粒子群算法和SVM回归模型基本理论的基础上,提出用自适应粒子群优化算法优化SVM参数的策略,采用小波包方法对切削声信号进行分解处理,建立了基于粒子群优化SVM的刀具磨损量预测模型。试验分析的仿真结果表明,所建立的刀具磨损量智能预测模型具有较强的推广能力和较高的预测精度。     

基于粒子群算法的极限学习机短期电力负荷预测

为了优化极限学习机的参数,提高短期负荷预测的准确率,提出一种改进粒子群算法的极限学习机(CSPSO-ELM)预测模型。该模型利用粒子群算法(particleswarmoptimization,PSO)寻找极限学习机(ELM)网络中最优的输入权值和隐层偏差值,得到输出权值矩阵,以达到减少随机参数误差的目的。同时引入混沌自适应策略,增强粒子群算法的多样性,防止粒子群陷入局部收敛。在充分考虑天气、湿度、假日因素和当地工业产值对预测结果的影响下,提出一种基于该方法的极限学习机预测模型。最后,针对扬州市高新区用电总量预测问题,通过与其它模型的对比实验,证明了改进的粒子群算法优化了极限学习机的参数结构,提高了电力负荷预测的精准度。     

PSO-GA优化ELM的高炉铁水硅含量预测

针对高炉冶炼过程的复杂、多变以及非线性等因素，提出了一种基于粒子群算法（Particle swarm optimization,PSO）和遗传算法（Genetic algorithm,GA）相结合来优化极限学习机（Extreme learning machine,ELM）的高炉铁水硅含量预测模型。PSO-GA-ELM预测模型，主要是在PSO算法进行适应度值计算、粒子的速度更新和位置更新时将GA算法中的选择、交叉和变异等操作融入其中，使其输出最优的连接权值和阈值代入到ELM模型中。通过对4种不同的预测模型进行实验验证，结果表明，优化后的PSO-GA-ELM模型在进行铁水硅含量预测时的预测精度、学习能力和泛化性能均高于其他三种预测模型。     

基于改进郊狼算法与极限学习机的工业金刚石检测

为了提高工业金刚石的检测效率、保障产品质量，提出一种基于改进郊狼算法与极限学习机的工业金刚石检测方法。将工业金刚石视频图像按照一定时间序列分解为一组较为平稳的、形态单一的二维图像数据；利用深度卷积网络Inception-V3对多视角二维图像数据建立预测模型；在此基础上，以预测结果为输入构建极限学习机模型，并利用反向学习和莱维飞行改进的郊狼算法优化极限学习机输入权值和阈值，提高工业金刚石模型的检测精度。最后将该模型的检测结果与基本极限学习机、差分进化算法、粒子群优化算法和基本郊狼算法优化的极限学习机模型检测结果比较表明，该模型具有良好的检测精度和泛化能力，对于工业金刚石的质量检测具有指导意义。     

基于PSO-ELM的液压油性能衰退预测及分析

提出基于粒子群优化（Particle Swarm Optimization,PSO）的极限学习机（Extreme Learning Machine,ELM）的液压油性能衰退预测方法。以L-HM46抗磨液压油为研究对象,设计液压油性能衰退实验,检测油液的黏度、张角、水分含量、衰退度。基于提出的液压油性能衰退预测方法,利用遍历搜索和PSO算法分别对ELM的外部、内部参数进行优化选取,从而建立最优的性能衰退预测模型。将油液的黏度、张角、水分含量作为模型输入特征向量,衰退度作为模型输出,采用PSO-ELM性能衰退预测模型对液压油性能进行仿真分析。结果表明：PSO-ELM算法计算结果与实验数据吻合较好;PSO-ELM算法预测精度达到了98.47%,高于ELM算法的预测精度,表明PSO-ELM算法能更准确地预测液压油的衰退情况,为确定换油时机提供参考。     

基于粗糙集和ACO-LSSVM的Cr12MoV刀具磨损量预测

针对Cr12MoV刀具磨损量预测问题,提出了一种新的粗糙集和最小二乘支持向量机(LSSVM)相结合的预测方法。将声发射信号提取的能量值和切削要素作为预测模型的输入参数,为了降低运算的复杂性,提出采用粗糙集理论对多维输入参数进行降维处理的方法;为提高预测准确性和精度,利用蚁群算法对LSSVM的参数进行优化,建立基于粗糙集和ACO-LSSVM的Cr12MoV刀具磨损量预测模型。仿真结果表明,所建立的Cr12Mo V刀具磨损量预测模型合理有效,具有较强的推广能力和较高的预测精度。     

PSO优化灰色神经网络的珩磨油石磨损预测

为了预测油石的切削寿命,保证珩磨加工质量,引入灰色神经网络,通过将珩磨工艺加工参数作为模型输入来预测油石的磨损量,最终建立了珩磨油石磨损量预报模型。在油石磨损量预测过程中,针对神经网络存在收敛速度慢、容易陷入局部最优等缺陷,利用粒子群算法对灰色神经网络的参数进行优化。试验结果表明,基于粒子群算法改进的灰色神经网络具有更好的逼近能力和预测精度,便于合理更换油石。     

基于粒子群优化法的支持向量机回归对膛线加工切削力的预测

针对神经网络算法和支持向量机算法在膛线加工切削力预测过程存在的问题,基于粒子群优化法对支持向量机回归算法进行了改进.将实验得出的切削参数、切削力等数据输入到该算法模型中,训练得出最佳预测模型,进而用该模型进行切削力预测.经误差检验表明,该改进型算法的预测精度提升85％以上.     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

一种航空发动机性能衰退预测的优化算法

针对航空发动机性能衰退预测问题,采用基于过程神经网络的优化算法来对发动机的燃气温度裕度(EGTM)进行预测。为克服过程神经网络学习速度慢的缺点,提出一种基于Tent映射的混沌粒子群优化算法对网络进行训练,建立预测模型。采用某航空公司的EGTM监测数据进行验证,分析结果表明,基于Tent映射的混沌粒子群优化算法具有较高的收敛速度和预测精度,可为航空发动机视情维修决策提供支持。     

车辆前纵梁封板冲压的聚集度自适应粒子群优化

为了提高车辆前纵梁封板的冲压件质量,提出了基于聚集度自适应粒子群算法的冲压工艺优化方法。介绍了前纵梁封板的三维模型、坯料设计结果和冲压成形原理。基于成形极限曲线,以减小冲压件的减薄率、增厚率、回弹量为目标,建立了多目标优化模型。使用复合中心实验法设计了5因素5水平的32组实验,基于Autoform软件获得了实验数据。使用BP神经网络拟合了输入输出间的回归关系,并验证了回归模型的精度。在粒子群算法基础上,依据粒子相似度和种群聚集度,将Levy飞行融入到粒子群算法中,提高粒子多样性和算法优化能力,从而并提出了聚集度自适应粒子群算法。将改进粒子群算法应用于多优化模型求解,改进粒子群算法收敛速度早于传统算法,且改进粒子群算法搜索的目标函数值比传统算法减小了3.71%,说明了改进算法的优越性。经验证,优化后的试制件外观合格,减薄率、增厚率及回弹量均满足质量要求,可以进行批量生产。     

改进混沌粒子群优化的灰色系统模型在机床热误差建模中的应用

为减少热误差对数控机床加工精度的影响,提高灰色系统模型(Grey system Model,GM)的预测精度,尝试将改进混沌粒子群优化(Improvemen Chaotic Particle Swarm Optimization,ICPSO)算法引入到灰色系统模型中,提出一种基于改进混沌粒子群优化算法的灰色系统模型数控机床热误差建模方法。首先,建立粒子群优化(Particle Swarm Optimization,PSO)粒子与GM(1,N)系数的映射关系;其次,ICPSO中混沌理论的Logistic映射对粒子群的位置和速度进行初始化,通过优化搜索得到最优GM(1,N)系数和输入子集;最后,建立改进混沌粒子群优化的灰色系统模型(ICPSO-GM),对数控机床热误差进行预测。仿真实验表明,ICPSO-GM预测精度高于GM和人工神经网络(ANN)模型,证明了ICPSO-GM能有效地解决数控机床热误差预测问题。     

42CrMo钢精密切削的刀具磨损量预测研究

针对42CrMo钢精密切削刀具磨损量预测研究小样本、非线性的特点,将量子粒子群算法(QPSO)、卷积神经网络(CNN)及长短期神经网络(LSTM)相结合,构建了QPSO-CNN-LSTM组合预测模型。采用QPSO算法对CNN-LSTM模型的隐藏层单元数、学习率、卷积核等进行优化,结合CNN网络特征提取能力强、LSTM网络具备记忆能力的特点,对实际加工实验的刀具磨损量进行预测,并通过误差评价指标分析,与CNN、LSTM、BP等单一模型以及PSO-GRNN组合模型进行预测效果对比研究。研究结果表明,本文构建的组合预测模型相对于单一预测模型,其预测值与真实值吻合程度更高;相对于PSO-GRNN组合模型,三种误差评价指标的误差值至少降低了27%,其泛化性和稳定性较好,预测精度与非线性拟合能力更强。     

基于极限学习机的板形预测模型

高效地建立起板形模型有利于提高板带轧制过程中的板形精度和有效实现板形控制。提出了一种基于极限学习机(ELM)的板带轧制过程中板形预测模型,不但可以简化参数选择过程,在核函数选择上可以根据训练样本值自动选择无须手动选择,而且可以提高模型的训练速度。结合铝板带四连轧机组在线实测数据进行模型训练,实现对轧制过程板形的预测且得到实验验证。本算法与支持向量机(SVM)模型预测对比,在训练样本数量较少的情况下,模型预测精度都能达到期望精度值,且具有同样甚至更高的预测精度,还具有急速的特点和更强的泛化能力。     

基于改进相空间重构的压缩机运行状态预测

精确的状态预测对于压缩机的平稳运行至关重要,同时,振动信号能够表征绝大多数压缩机的运行状态。为提高预测精度,文中提出改进的相空间重构法和神经网络相结合的预测模型。首先利用相空间重构技术,将一维时间序列振动信号扩展到高维空间。针对传统的G-P算法中无标度区识别过于依赖人工经验的不足,提出了DBSCAN聚类与粒子群优化算法相结合的无标度区自动识别方法,并以相关性指标最大和残差平方和最小为目标建立无标度区识别优化模型,使用粒子群算法获得最优解,实现无标度区的自动识别。使用BP神经网络对重构后的振动信号进行预测。预测结果表明相空间重构后的信号预测效果更好。     

自适应粒子群优化支持向量回归的工程系统可靠性预测

针对可靠性预测精度低的问题提出了一种支持向量机回归预测模型。在可靠性预测过程中，开发了一种结合正弦映射和自适应策略来更新惯性权重的自适应粒子群优化算法，通过增强算法的局部挖掘能力与全局搜索能力，在一定程度上提高了粒子群算法的精度和收敛效率。基于8种测试基准函数将提出的算法与其他粒子群算法进行比较验证，结果表明，提出的自适应粒子群算法相比于其他算法具有更好的搜索能力。在此基础上，提出了一种新的自适应粒子群优化-支持向量机回归混合可靠性预测模型，对支持向量机回归的参数进行调整并预测涡轮增压器和工业机器人系统的可靠性，结果表明该混合模型在可靠性预测方面可达到实际工程精度要求。     

采用改进灰色神经网络的铣床热误差补偿研究

数控铣床在铣削零件过程中,主轴会受到温度变化影响而发生热变形,导致铣削零件误差较大,从而降低产品精度。对此,采用一阶线性微分方程推导GM(1,1)模型,创建灰色预测模型。将神经网络模型与灰色预测模型进行组合,建立灰色神经网络预测模型。引用粒子群算法,在粒子群算法中增加变异操作和修改惯性权重系数,给出改进粒子群算法优化灰色神经网络预测模型的具体操作步骤。采用实验测试铣床铣削过程中所产生的热误差,并与预测模型进行比较。结果显示:在铣床主轴X、Y、Z轴三个方向上,灰色神经网络预测模型对铣床主轴补偿后,得到的残差较大;而改进灰色神经网络预测模型对铣床主轴补偿后,得到的残差相对较小。采用改进粒子群算法优化灰色神经网络预测模型,能够提高铣床主轴铣削精度。     

面向无人机数据采集的 LoRa 扩频因子预测模型研究

针对在缺少移动网络覆盖的偏远地区实现大面积数据采集与环境监测,首先设计了无人机移动网关与地面节点的 LoRa 通信协议;在此基础上提出了一种基于改进极限学习机(PG-ELM)的扩频因子预测模型,以实现扩频因子的动态调整。 为 提高预测准确度与效率,该模型以信号强度、信噪比、距离、丢包率、温度和相对湿度作为输入,以粒子群算法(PSO)和灰狼算法 (GWO)联合算法对 ELM 模型进行改进。 通过无人机移动通信试验获取 LoRa 通信数据样本集,进行模型训练获得优化的 PG-ELM 模型。 试验结果表明,在 20 kB 数据大小的情况下,本方案的数据采集时间比单一 SF12、SF7 减少约 78% 和 26% ,平均 通信能耗比单一 SF12 降低 70% 以上,数据包投递率(PDR)高达 98% ,在能效性和预测实时性等方面优势明显。     

基于ICPSO优化的极限学习机在故障诊断中的应用

极限学习机(extreme learning machine,ELM)的分类性能受随机产生的输入权值和隐层阈值的影响,为此,提出一种改进的混沌粒子群算法(ICPSO),用以优化输入权值和阈值,得到基于ICPSO优化的ELM故障诊断模型。仿真和实验结果表明,ICPSO算法改善了ELM网络的学习效率和诊断精度,可有效应用于故障诊断。     

基于耦合算法的类人机器人模仿学习控制方法

为提高类人机器人模仿学习的准确性及效率,建立了一种改进的粒子群算法优化超限学习机的模仿学习模型。采用非线性动态系统对示教时的相关数据进行建模;以动态自适应策略改进粒子群算法的惯性权重,并利用改进后的粒子群算法对超限学习机的网络参数进行寻优;利用该耦合学习模型对模仿学习动态系统的参数进行学习,并重现了模仿学习动作。实验结果表明,该耦合算法应用在类人机器人模仿学习方面具有很好的拟合精度、自适应性及泛化能力,重现模仿学习动作时的平均误差为0.0172。