模糊Petri网在电梯故障诊断中的应用

介绍了基于模糊Petri网的知识描述方法及推理算法，并采用模糊Petri网作为电梯故障诊断专家系统中的知识表示方法和推理搜索策略，对故障信息的模糊性和不确定性进行表示和处理，实现了知识表示和推理模型的集成和统一，有效的解决了诊断推理过程中知识表示与推理等关键问题。     

模糊Petri网在液压同步提升系统故障诊断中的应用

研究了基于可信度的合成式模糊产生式规则的表示方法,在此基础上,将模糊Petri网与矩阵运算相结合,给出了模糊推理过程的形式化推理算法,将复杂的推理过程采用矩阵运算实现,充分利用了模糊Petri网的并行处理能力,利用此理论及方法可以大大减少诊断时间,提高了准确度．最后以液压同步提升系统故障诊断为例证明算法的可行性和准确性．     

多皮带机节能群控系统模糊Petri网建模

为解决多皮带运输机节能群控系统个体自治性强、个体间有冲突、约束条件复杂、程序编制困难等问题,在分析实际系统工艺流程的基础上,选择模糊Petri网作为系统建模工具,针对应用需求探讨了模糊Petri网的知识表示方法,构建了对给料量随机和可控都普遍适用的皮带机模糊Petri网模型,并结合变频节能和电动机转速自适应控制的系统特征选择相关控制逻辑对模型进行语法和语义解释,给出模糊逻辑表达式。研究方法对流程类似的柔性制造及其他工业控制系统具有普遍适用性和启发意义。     

基于Petri网和混合算法的作业车间优化

采用赋时变迁Petri网,建立了一种作业车间调度模型.通过为机器分配工序来消解因机器库所共享而引起的冲突,得到了表示调度方案的标志图,给出了一种生成可行调度标志图的方法.同时,提出了一种变迁激发序列编码的离散版粒子群算法,并将模拟退火算法嵌入到该粒子群算法中,以提高算法的优化性能.仿真结果验证了混合算法的可行性和有效性.     

基于微粒群优化算法的线性系统逼近

提出一种改进的微粒群优化算法,用于求解线性系统逼近问题。该算法的改进策略是通过动态调整标准微粒群优化算法的三个可调参数一惯性权重与加速度因子c1和c2。来克服算法进化初期多样性下降太快和进化后期收敛速度太慢的缺陷。将改进的PSO算法用于典型的稳定和非稳定线性系统的仿真算例中,实验结果表明,本文提出的MPSO算法能有效地逼近线性系统。     

混沌-微粒群算法及其在机械优化设计中的应用

针对机械优化设计中变量多、目标函数和约束条件复杂而难以求解的问题,建立了基于微粒群算法的机械优化设计的数学模型;并针对传统罚函数法处理约束条件而引起的病态问题,提出一种利用混沌变量来更新产生违约解个体的方式来改进微粒群算法,增加了个体的多样性、避免微粒群算法出现早熟,从而加快算法的收敛速度.实例计算表明该算法能较好地解决机械优化设计问题.     

基于线搜索的微粒群算法在机械设计中的应用

为了避免微粒群优化算法早熟,利用算法不需求导的特点,提出了基于线性搜索的改进微粒群算法及实现过程,并把该算法应用于机械优化问题.实例表明,该方法全局收敛性好,收敛速度快且精度高,是解决工程设计中复杂线性优化问题的可行方法.     

一种改进的微粒群算法--多步长微粒群算法

首先分析了标准微粒群算法及影响全局和局部搜索能力的主要因素。在此基础上,构造了一种改进的微粒群算法——多步长微粒群算法。实例计算表明,该算法比标准微粒群算法具有更好的性能。     

基于微粒群算法优化PID参数研究

提出一种利用微粒群算法优化PID控制器参数的方法.微粒群算法(P S O)是一种新的随机优化算法,具有搜索速度快、寻优能力强、算法简单等特点.介绍了将微粒群算法用于PID控制器参数优化的方法、算法实现流程,仿真实验证明了微粒群算法的有效性,其性能优于遗传算法和传统的经验方法.     

应用改进的粒子群优化模糊聚类实现点云数据的区域分割

为实现点云数据的区域划分,提出一种基于改进的粒子群优化与模糊C-均值聚类的混合算法(SPSO-FCM算法)。针对在点云聚类过程中易过早捕获局部极小值的问题,算法首先用改进的粒子群算法——社会粒子群优化算法,对种群进行初始化,通过为每一个粒子设置不同的跟随阈值,来维护种群中个体多样性,加深对种群全局搜索的程度,避免陷入局部极小值;随后,设置种群中每个粒子当前最优位置和初始种群的最优位置,更新自由粒子的位置和跟随粒子的速度和位置;最后,采用模糊C-均值聚类算法求解隶属度矩阵,确定适应值函数,更新所有粒子的最优位置,并判断粒子和种群的位置优越性,得到准确的聚类中心,实现对点云数据的区域划分。以曲面复杂度不一致的点云模型为例对算法进行验证,探讨SPSO-FCM聚类算法的可行性,并与FCM聚类算法、遗传FCM聚类算法进行比对。实验结果显示,SPSOFCM聚类算法较其它两种算法,收敛速度快,迭代次数少,聚类准确,边界区域分割清晰,特别是对型面复杂、点云数据较多的机械零部件点云数据进行分割时,能得到更好的分割结果。     

基于知识进化粒子群算法的模糊交货期流水车间调度问题

针对模糊交货期的流水车间调度问题的特点,提出采用知识进化算法和粒子群优化的混合算法来求解问题。该算法首先在多个群体空间内采用粒子群优化寻找局部最优解,然后利用知识进化算法的猜测操作和反驳操作建立以群体空间知识为基础的一个知识空间,最后通过知识空间的协同进化更新其中的社会知识,从而形成问题的最优解。通过采用所提算法对带模糊交货期的流水车间调度问题的实例进行测试,并比对遗传算法和粒子群优化算法,表明了混合算法的可行性和有效性。     

改进粒子群算法在治疗型关节炎护膝中的应用

为保证治疗型关节炎护膝中升压电路的优良性能，必须对其中的电路参数进行优化。本文采用一种改进的粒子群算法对升压电路中控制强度的参数进行优化，保证平稳的升压性能。同时为了保证粒子群在搜索过程中目标函数的可计算，采用神经网络对升压电路进行建模，通过实验数据对神经网络进行训练并测试。最后分别在粒子群优化后的参数与原有参数下，对升压电路性能进行比较，验证了该算法所确定的参数可以保证升压过程更平稳，电路具有更好的性能。     

求解车辆路径问题的改进微粒群优化算法

微粒群优化算法是求解连续函数极值的一个有效方法。研究了用该算法求解车辆路径的问题。设计了求解车辆路径问题的一种新的实数编码方案,将车辆路径问题转化成准连续优化问题,并采用罚函数法处理约束条件。应用该微粒群优化算法求解了多个车辆路径问题的算例,并与遗传算法和双种群遗传算法进行了比较。计算结果表明,该算法可以更有效地求得车辆路径问题的优化解,是解决车辆路径问题的有效方法。     

Optimum selection of mechanism type for heavy manipulators based on particle swarm optimization method

The mechanism type plays a decisive role in the mechanical performance of robotic manipulators. Feasible mechanism types can be obtained by applying appropriate type synthesis theory, but there is still a lack of effective and efficient methods for the optimum selection among different types of mechanism candidates. This paper presents a new strategy for the purpose of optimum mechanism type selection based on the modified particle swarm optimization method. The concept of sub-swarm is introduced to represent the different mechanisms generated by the type synthesis, and a competitive mechanism is employed between the sub-swarms to reassign their population size according to the relative performances of the mechanism candidates to implement the optimization. Combining with a modular modeling approach for fast calculation of the performance index of the potential candidates, the proposed method is applied to determine the optimum mechanism type among the potential candidates for the desired manipulator. The effectiveness and efficiency of the proposed method is demonstrated through a case study on the optimum selection of mechanism type of a heavy manipulator where six feasible candidates are considered with force capability as the specific performance index. The optimization result shows that the fitness of the optimum mechanism type for the considered heavy manipulator can be up to 0.578 5. This research provides the instruction in optimum selection of mechanism types for robotic manipulators.     

基于多元函数粒子群的齿轮箱检测优化方法

针对机车齿轮箱检测获取的多源信号具有数据量大、相关性低和可靠性差等问题,提出一种新型智能优化算法为多元函数粒子群优化算法。研究了粒子种群的异众比率和适应度对惯性权重的影响,在传统粒子群算法的基础上提高了算法的收敛速度及效率,以正则化模态差的适应度函数作为测点数量的评价指标,根据齿轮箱模态振型分析,实现了齿轮箱的多传感器检测优化。以齿轮断齿故障为试验对象,通过与传统检测方法比较分析,准确获取了齿轮箱输入轴转频39.5 Hz,第三级啮合频率90.5 Hz以及2～5倍频成分,快速识别了故障齿轮的位置。实验结果表明了该方法能够增强结构参数的识别率,有效提高了故障诊断的准确性,同时为机车故障预警和安全服役提供了关键技术基础。     

求解作业车间调度问题的广义粒子群优化算法

为克服传统粒子群优化算法在解决组合优化问题上的局限性,分析了其优化机理,并在此基础上提出了广义粒子群优化模型。按照此模型提出了一种求解作业车间调度问题的广义粒子群优化算法。在本算法中,利用遗传算法中的交叉操作作为粒子间的信息交换策略,利用遗传算法中的变异操作作为粒子的随机搜索策略,而粒子的局部搜索策略则采用禁忌搜索来实现。为了控制粒子的局部搜索以及向全局最优解的收敛,迭代过程中交叉概率以及禁忌搜索的最大步长都是动态变化的。实验结果表明,本算法可有效地求解作业车间调度问题,验证了广义粒子群优化模型的合理性。     

基于改进粒子群算法的生产批量计划问题研究

为求解基于成组单元有能力约束的生产批量计划问题,提出了一种基于二进制粒子群算法和免疫记忆机制相结合的方法,并阐明了该方法的具体实现过程。在该方法中,采用罚函数法处理约束条件,每个粒子都代表一组可用于描述具体批量计划方案的规则组合。通过对其他文献中一个仿真实例的计算和结果比较,表明该算法在寻优能力、求解速度和稳定性等方面都明显优于文献中的遗传算法。     

Multi-objective optimization for turning processes using neural network modeling and dynamic-neighborhood particle swarm optimization

In this paper, we introduce a procedure to formulate and solve optimization problems for multiple and conflicting objectives that may exist in turning processes. Advanced turning processes, such as hard turning, demand the use of advanced tools with specially prepared cutting edges. It is also evident from a large number of experimental works that the tool geometry and selected machining parameters have complex relations with the tool life and the roughness and integrity of the finished surfaces. The non-linear relations between the machining parameters including tool geometry and the performance measure of interest can be obtained by neural networks using experimental data. The neural network models can be used in defining objective functions. In this study, dynamic-neighborhood particle swarm optimization (DN-PSO) methodology is used to handle multi-objective optimization problems existing in turning process planning. The objective is to obtain a group of optimal process parameters for each of three different case studies presented in this paper. The case studies considered in this study are: minimizing surface roughness values and maximizing the productivity, maximizing tool life and material removal rate, and minimizing machining induced stresses on the surface and minimizing surface roughness. The optimum cutting conditions for each case study can be selected from calculated Pareto-optimal fronts by the user according to production planning requirements. The results indicate that the proposed methodology which makes use of dynamic-neighborhood particle swarm approach for solving the multi-objective optimization problems with conflicting objectives is both effective and efficient, and can be utilized in solving complex turning optimization problems and adds intelligence in production planning process.     

基于粒子群参数优化的 O-VMD 数据处理方法研究

针对电磁超声测厚换能器保护提离距过大导致回波信号微弱且信噪比低,难以在时域内直接准确提取渡越时间得到精 确厚度值的问题,提出频域内粒子群(PSO)优化变分模态分解(VMD)参数的 O-VMD 渡越时间提取方法。 分别对分解层数和 惩罚因子选取固定参数,及基于峭度与功率谱熵联合适应度函数的 PSO 算法获取 VMD 遍历优化参数,进行双次 VMD 处理,滤 除高频及低频噪声;选取能量最大模态进行信号重构,并应用希尔伯特变换获取回波信号时差。 在不同提离条件下,对不同厚 度铝板检测数据采用 O-VMD、经验模态分解(EMD)等方法进行信号对比处理,结果表明,提离距在 0 ~ 2. 1 mm,O-VMD 方法最 大误差为 0. 67% ,且误差与提离距成正比,为精确获取高提离距测厚数据提供依据。