基于小波包能量谱和改进FOA-GRNN的轴承寿命预测

为增强轴承退化特征信息,提高广义回归神经网络(Generalized Regression Neural Network, GRNN)的预测精度,提出了一种基于小波包能量谱和改进FOA-GRNN的轴承剩余使用寿命预测方法。首先,为提取和增强轴承退化特征,采取小波包能量谱对轴承振动信号进行分解,生成频带能量谱,以能量谱信息构建轴承退化特征;其次,为提高果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)的寻优能力和寻优效率,提出了一种多种群自适应果蝇优化算法,引入自适应惯性权重,并应用于广义回归神经网络参数优化;实验结果表明,基于文中退化特征相比时域、频域特征,提高了预测精度,改进FOA-GRNN与FOA-GRNN、MFOA-GRNN、IFOA-GRNN相比具有较高的寻优精度和寻优效率。     

基于IMFOA-SVR的轴承剩余使用寿命预测方法

为提高轴承剩余使用寿命预测精度,提出了一种基于IMFOA-SVR的轴承剩余使用寿命预测方法。首先,设计了一种三维自适应果蝇优化算法,提高了果蝇搜索空间维度与味道浓度判定值精度,搜索步长随进化信息自适应动态调整,能够有效克服局部最优,加快收敛效率;其次,将设计算法应用于支持向量回归参数优化,并利用该模型进行轴承剩余使用寿命预测;最后,仿真实验结果表明,文章提出方法与FOA-SVR、LGMS-FOA-SVR、MFOA-SVR、IFOA-SVR相比,具有较高的预测效率和预测精度。     

基于MPSO-BP对5A06铝合金薄壁件变形预测

为预测不同铣削参数下的5A06铝合金薄壁件的加工变形,文章基于BP神经网络和粒子群算法提出了一种新的方法,该方法对粒子群算法中的惯性权重和学习因子进行动态调整并提出了新的惯性权值自适应策略,之后对相关参数进行优化形成改进粒子群优化算法,最后用改进后的粒子群算法优化BP神经网络并将优化后的BP神经网络用于5A06铝合金薄壁件加工变形预测。仿真实验结果表明:MPSO-BP相对于PSO-BP和BP有较小的预测误差,现场加工实验结果进一步说明了MPSO-BP具有良好的预测精度。     

基于BAS-BP模型的轴承剩余使用寿命预测

为有效评估轴承退化趋势,提高设备健康管理的智能化,提出一种基于BAS-BP模型的轴承剩余使用寿命预测方法。提取轴承全生命周期振动信号的时域和频域特征,构建18维退化特征;为提高神经网络的预测精度,采用天牛须搜索算法对初始权重和阈值进行优化,建立BAS-BP预测模型;通过在公开数据集上验证该模型的有效性。结果表明：所提模型可对轴承剩余寿命进行有效预测且精度较高。     

改进PSO算法优化交流伺服系统PID参数研究

伺服系统PID控制参数的优化整定对系统可靠性和稳定性有着重要意义,而传统整定方式下参数优化整定时间较长、效果不佳、反应较慢.为了解决以上问题,提出一种优化交流伺服系统参数的控制方法.基于改进PSO算法实现惯性权重和学习因子随迭代次数的改变自适应调整,引入适应度函数快速优化整定PID控制器参数.利用MATLAB分别对基于...     

基于DA-BLSTM的轴承剩余使用寿命预测北大核心

基于轴承维修保障的实际需求,以精确预测轴承剩余使用寿命(RUL)为目标,提出了一种深度学习网络框架,即DA-BLSTM。首先,提取了与轴承性能退化密切相关的15种时域和频域特征;然后,引入注意力机制并与双向长短期记忆网络(BLSTM)深度融合,设计了DA-BLSTM,其中输入注意力机制能够自适应地选取相关时域和频域特征,方向注意力机制用于分配BLSTM不同时间方向(前向、后向)隐藏状态的权重,得到精确的RUL预测结果。在PRONOSTIA平台的滚动轴承数据上进行实验验证,比较实验结果表明基于DA-BLSTM的预测方法具有更高的精度。     

基于粒子群优化神经网络自适应控制算法的并联机器人仿真研究

针对传统控制算法对并联机器人轨迹跟踪精度控制效果不好的问题,提出了一种并联机器人的改进粒子群优化神经网络自适应控制算法,首先对粒子群优化算法进行惯性权重的优化和变异操作的改进,然后用改进的PSO算法优化神经网络的初始权值并进行在线调节PID参数。最后以六自由度并联机器人为研究对象,将传统PID控制与基于改进PSO优化的神经网络自适应控制算法分别进行了仿真实验。仿真结果表明,在快速性和稳定性能上,基于改进PSO优化的神经网络自适应控制算法比单纯的PID控制更加优越,在一定程度上减小了轨迹输出的误差并且提高了轨迹跟踪精度。     

基于PSO算法的离散制造车间物料供应路径优化

针对离散制造车间物料供应路径复杂多变,提出了一种基于经典旅行商问题的车间物料供应模型,并设计了一种基于交换子交换序的改进PSO算法,进行问题模型求解优化,设计算法采取非线性递减惯性权重系数,同时构建加速因子与惯性权重的函数关系,使加速因子基于惯性权重自行调整。通过仿真实验与基本及其他典型改进PSO算法进行对比验证得出,设计算法具有良好的全局搜索能力与收敛性,有效实现对车间物料供应路径的优化,实现仓库与各加工机床间送料路径最短。     

基于CSPA-Informer的滚动轴承剩余寿命预测北大核心

针对传统的滚动轴承剩余使用寿命预测精度低、计算效率低等问题,提出了一种基于改进Informer深度学习模型结构的滚动轴承剩余使用寿命预测方法。为解决现有Informer模型中的self-attention结构存在内存占用高、计算复杂度高等问题,提出CSPA结构对输入数据进行处理,大幅度减少内存占用,提升计算效率的同时提高计算精度。因此,将CSPA替换原Informer模型中的self-attention结构,提出了基于CSPA-Informer的滚动轴承剩余寿命预测方法。输入数据分为两个通道进行特征提取和线性投影,并通过解码器快速生成预测序列。将CSPA-Informer与其他预测模型在公开数据集上的预测结果进行对比,其MAE、MSE和RMSE分别提升了21%、32%和17%以上,验证了该方法在滚动轴承剩余寿命预测方面的有效性。     

基于特征融合与HPO-RVM的滚动轴承剩余寿命预测

为准确预测轴承的剩余使用寿命,提出基于特征融合与猎食者-猎物优化(HPO)算法优化相关向量机的轴承剩余寿命预测方法。提取时域、频域和时频域特征准确描述轴承的退化状态,利用综合评价指标对提取的特征进行筛选得到敏感特征集;采用核熵成分分析对敏感特征进行自适应融合,得到轴承的退化特征;构建混合核函数作为相关向量机的核函数以提高模型预测性能;最后,利用HPO算法得到混合核函数的参数,将寻优得到的参数用于寿命预测模型的训练。通过对轴承加速退化数据集进行实验,结果表明：所构建的寿命预测模型优于BP、ELM、SVM等模型,构造的混合核函数模型优于高斯核函数模型,采用的优化算法优于粒子群、遗传算法等。     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于改进粒子群算法的离散制造车间柔性调度优化

针对离散制造生产过程信息复杂、生产计划与作业计划难以均衡等问题,以提高产品质量,降低企业生产成本为目标,建立了面向柔性制造系统的车间调度模型,并设计了一种改进粒子群算法进行离散制造车间柔性调度优化。改进算法惯性权重能够余弦自适应调节,学习因子能够基于惯性权重动态变化。仿真实验结果表明,改进粒子群算法具有较快的收敛速度以及全局寻优能力。柔性车间调度对于缩短产品生产周期,提高生产线的生产效率,降低生产成本,提高企业的经济效益具有重要意义。     

基于改进BOA-ELM的热轧带钢宽度预测

针对传统粗轧宽度预测模型参数强耦合、非线性等特点,从数据驱动角度出发,提出一种基于改进蝴蝶算法优化极限学习机(IBOA-ELM)的粗轧宽度预测模型。首先,利用蝴蝶优化算法(BOA)对极限学习机(ELM)的随机权重和偏置进行参数寻优,以提高ELM模型的预测精度。然后,针对蝴蝶优化算法易陷入局部最优及收敛性差等问题,引入Fuch混沌映射、非线性惯性权重和折射反向学习等策略改进蝴蝶优化算法,进一步提高宽度预测模型的精度。最后,通过某钢厂热轧生产现场数据对该模型进行仿真测试。结果表明：基于数据驱动的IBOA-ELM模型在预测精度方面具有明显优势,预测粗轧宽度误差在±8 mm以内的命中率为93%,明显优于对照模型,可用于热轧带钢粗轧宽度预测且具有较强的适用性。     

基于时频特征和PSO-SVR模型的零部件剩余寿命分析

针对数据驱动的机械零部件剩余寿命预测问题,提出了基于信号数据时频特征向量和粒子群优化支持向量机回归模型(PSO-SVR)的预测方法.首先,对采集的全寿命周期信号数据进行时域分析和经验模态分解(EMD),根据皮尔逊相关系数,分别对时域特征向量和各IMF分量进行筛选,构造多变量时频特征向量;其次,基于PSO-SVR理论建立...     

基于EEMD-IGWO-SVM的电机轴承故障诊断

针对电机轴承易发生损坏、传统诊断方法耗时长且准确度低等问题,提出一种基于改进灰狼优化算法（IGWO）优化支持向量机（SVM）的电机轴承故障诊断方法。对电机振动数据进行集成经验模态分解（EEMD）,提取出IMF能量矩作为特征向量,并结合IGWO-SVM分类器,构造电机轴承故障检测模型。在模型引入改进Tent混沌映射、非线性收敛因子、动态权重策略,得到改进的分类算法,该算法可以快速精准地寻找SVM的最优惩罚参数C和核参数 γ。对电机轴承振动数据进行仿真实验,诊断结果表明该轴承故障方法平均准确率高达99.4%。最后通过实验验证提出的诊断方法具有良好的算法稳定性和抗噪性能,可有效提高故障诊断精度。     

基于特征选择与Transformer的涡扇发动机剩余使用寿命预测

针对传统剩余使用寿命预测模型难以解决长时依赖问题以及不同特征组合对模型预测精度影响大的问题,提出一种基于特征选择与Transformer的剩余使用寿命预测模型。首先利用以互信息为理论基础的最大相关最小冗余特征选择算法,捕获特征与标签、特征与特征的关系,得到最佳特征组合;然后以 Transformer的编码器为主体并加入门控卷积单元组成预测模型,使模型可以充分捕捉全局信息且提高运算效率的基础上也更加注重局部信息;通过网格搜索与粒子群算法确定模型超参数。最后将最优特征组合的变量数据输入模型实现涡扇发动机剩余使用寿命预测。利用此方法在C-MAPSS数据集进行验证,并进行对比实验,结果表明预测误差与模型效率均有一定改进。     

基于PSO-SVR的非均质涂层组织均匀性超声表征

针对非均质涂层组织均匀性超声衰减法表征中存在的非线性和不适定问题，提出一种基于多尺度超声衰减系数的粒子群优化-支持向量回归(PSO-SVR)表征方法。基于非均质材料中超声波散射的“多尺度效应”，利用连续小波变换获得涂层的多尺度超声衰减系数，使涂层在不同频带范围内的超声响应得到充分提取。以多尺度衰减系数作为输入向量，借助 SVR 在小样本条件下优异的数据挖掘和自动学习能力，实现多因素耦合约束下涂层组织均匀性信息的有效解耦，并引入粒子群优化和交互检验技术对 SVR 关键超参数进行全局优选。采用该模型对铝硅聚苯酯封严涂层的组织均匀性进行预测，结果表明， 涂层分布均匀性长度模型预测值与显微 CT 原位标定值间的决定系数 R²和均方误差 MSE 分别为 0.834 和 0.824，与反向传播算法(BP)、径向基神经网络(RBF)和广义回归神经网络(GRNN)等人工神经网络模型相比，PSO-SVR 模型在小样本条件下具有更好的泛化能力和更高的预测精度。研究结果为非均质材料组织均匀性的定量无损表征提供了新的研究思路。     

基于DPSO-BP神经网络的V形自由折弯成形角度和回弹预测北大核心CSCD

采用基于DPSO算法优化BP神经网络(DPSO-BP)的机器学习算法建模,提出一种考虑材料参数和几何参数的V形自由折弯成形角度和回弹的预测方法。该方法主要引入非线性惯性权重改进粒子群(PSO)算法,进一步优化神经网络的初始权值和阈值,构建神经网络预测模型。以不同批号的SUS304不锈钢板料为研究对象,通过设计正交试验得到45个训练样本数据,验证所建立的预测模型的准确性。结果表明:采用DPSO-BP神经网络模型预测的成形角和回弹角的平均误差分别为0.150°和0.120°,与未优化的PSO-BP神经网络模型相比,预测的成形角和回弹角的平均误差明显减小,且计算耗时由14.0 min大幅缩短至0.8 min,同时实现了高预测精度和高计算效率。     

滚动轴承自适应组合状态预测方法研究

滚动轴承的状态预测组合模型中配比权重多为固定权重,自适应动态调整权重的组合型状态预测方法较少。为解决此问题,提出一种基于ARIMA与Elman的轴承自适应组合状态预测方法;采用IMS提供的轴承加速性能退化数据集进行验证。结果表明：使用单一ARIMA模型的预测相对误差为3.95%,使用单一Elman模型的预测相对误差为5.62%,而使用文中提出的变权重Elman-ARIMA组合预测模型的平均相对误差为3.22%,低于2种单一预测模型,预测结果具有更高的可靠性,证明了组合预测方法的可行性。     

基于堆叠GRU的伺服电机滚动轴承剩余寿命预测

针对基于浅层学习的轴承寿命预测模型非线性学习能力差、预测精度低的问题,提出一种基于堆叠门控循环神经网络(SGRU)的伺服电机滚动轴承剩余寿命预测方法。首先对轴承振动信号进行时域和时频域特征提取,将常用的时域特征参数和经过集合经验模态分解得到的时频域特征参数作为原始特征集,然后采用相似度度量方法选取最能反映轴承退化性能的特征。之后通过堆叠两层GRU隐层来构建一种深层的寿命预测网络,并以训练集的退化特征参数为输入对网络进行训练,不断优化网络参数。最后在FEMTO数据集上与单层长短期记忆网络(LSTM)方法进行对比。结果表明,该方法相比于单层LSTM方法具有更高的预测精度。