基于改进PSO优化模糊神经网络的数控机床故障诊断技术研究

数控机床故障具有隐蔽性和复杂性的特点,为了快速准确地识别数控机床发生的故障,结合粒子群算法全局搜索能力强、寻优速度快及模糊神经网络容错能力强、自适应性强的特点,提出了将模糊逻辑、RBF神经网络及粒子群算法有机结合的数控机床故障诊断方法。为了改善粒子群算法局部搜索能力,在标准粒子群算法的基础上,改进粒子群的速度更新公式和惯性权重,以此优化模糊神经网络结构参数,从而建立起改进PSO优化模糊神经网络的数控机床主轴伺服系统故障诊断模型。实验和仿真结果表明:与RBF神经网络、标准PSO优化模糊神经网络相比,改进PSO优化模糊神经网络的故障辨识准确性更高、泛化能力更强。     

改进PSO优化模糊RBF神经网络的牵引变压器故障诊断研究

为了快速准确地识别出油浸式牵引变压器的常见故障,结合粒子群算法全局搜索能力强、寻优速度快及模糊神经网络容错能力强、自适应性强的特点,提出了将模糊逻辑、RBF神经网络及粒子群算法有机结合的油浸式牵引变压器故障诊断方法。针对粒子群算法局部搜索能力不足的缺点,改进粒子群的速度更新公式和惯性权重,以此优化模糊神经网络的结构参数,从而构建起基于油中气体分析技术的改进PSO优化模糊神经网络的牵引变压器故障诊断模型。实验及仿真结果表明,与BP神经网络、标准PSO优化模糊神经网络相比,改进PSO优化模糊神经网络的故障辨识准确性更高、泛化能力更强。     

基于优化RBF神经网络挤出机温度压力系统辨识

为了精确在线辨识橡胶复合挤出机控制过程中主要干扰变量与内部耦合关系,更好地实现对挤出机温度压力耦合系统的精准控制,采用RBF神经网络进行系统辨识研究,同时结合PSO算法引入GA算法中编码、杂交、交叉、变异等概念,设计了混合型PSO算法进一步优化RBF神经网络,完成对温度压力耦合系统的精准在线辨识。借助MATLAB软件进行神经网络训练,辨识系统耦合关系,同时与混合型PSO算法优化神经网络权值所辨识的效果进行对比。试验结果表明:采用混合型PSO算法优化RBF神经网络训练效果更佳,可以实现RBF神经网络高精度系统辨识;混合型PSO算法优化RBF神经网络应用于挤出机温度压力控制系统辨识,可以在一定程度上提升系统的辨识精度以及挤出机械的智能化水平。     

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。     

基于蚁群算法与神经网络的机械故障诊断方法

为解决柴油机故障诊断这一复杂问题,提出了一种基于智能互补融合的智能诊断方法.采用蚁群算法(ACA)对反映运行工况的特征参数进行属性约简,剔除不必要的属性.根据约简结果,建立了基于径向基函数(RBF)神经网络的故障诊断系统.网络的训练对比结果表明,基于蚁群算法的约简处理简化了输入神经网络的数据维数,提高了网络的训练效率和故障分类准确性.     

基于改进邻域粗糙集与S_Kohonen神经网络的滚动轴承故障诊断研究

针对现有滚动轴承故障诊断技术中,存在输入属性冗余过多、故障识别率不高等缺点,提出了基于改进邻域粗糙集与S_Kohonen神经网络的故障诊断方法。由于传感器采集的故障信息大多为数值型数据且数据维数较大,文中引入邻域粗糙集理论并对基于邻域粗糙集的经典前向贪心算法进行改进,利用改进算法约简故障数据,大大减小了算法复杂度;对Kohonen神经网络进行改进,在其原有结构基础上添加输出层构成S_Kohonen神经网络,使其输出类别满足给定分类要求;分别采用前向贪心算法、改进算法约简故障数据,将约简前、后的故障数据分别输入S_Kohonen神经网络、BP神经网络识别滚动轴承故障状态,试验结果证明邻域粗糙集可有效消除属性之间的重复信息,改进算法提取故障属性信息更能反映故障状态的本质,S_Kohonen神经网络具有良好的故障识别能力,两者配合使用,改进邻域粗糙集——S_Kohonen神经网络模型具有很好的故障诊断能力。     

基于混沌振荡PSO-BP算法的电阻率层析成像非线性反演

粒子群优化算法是一种启发式的全局优化算法,将其与 BP 神经网络结合,能够有效地改善 BP 神经网络在进行电阻率层析反演中的收敛速度和求解质量。提出一种基于混沌振荡的粒子群算法,使用混沌振荡曲线来自适应调整惯性权重w以提高PSO算法的全局寻优能力,并使用其训练和优化BP神经网络的权值和阈值。比较不同隐含层节点数目和惯性权重w值对反演结果的影响,并给出混沌振荡PSO-BP算法非线性反演的具体实现方案。对均匀半空间中异常体理论模型进行反演,实验结果表明：混沌振荡PSO-BP不依赖初始模型,在稳定性和准确性上优于BP反演和标准PSO-BP反演,成像质量优于最小二乘法反演的。     

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的塔式起重机模糊神经网络滑模防摆控制

针对塔式起重机运行中重物摆动造成的工作效率降低、存在安全隐患等问题,建立塔式起重机的动力学模型,设计基于PSO的模糊神经网络滑模控制器,用于塔式起重机的定位、防摆控制。用模糊神经网络辨识塔式起重机系统模型的不确定项,并用PSO算法优化滑模控制器的参数。该方法降低了滑模控制系统的抖振,提高了控制系统的性能。仿真结果表明该方法的有效性和可行性。     

基于粒子群优化径向基神经网络的烧结终点预测研究

针对烧结生产过程中多变量、强耦合的特点和RBF神经网络结构参数选取依据经验的问题,为提高烧结终点预报模型的精度,提出粒子群算法优化RBF神经网络的烧结终点预测方法。在标准PSO算法的基础上,优化RBF神经网络隐层节点中心和宽度2个结构参数,并建立烧结终点预测模型;在此基础上利用UCI数据库中的Computer Hardware和Concrete Slump Test标准数据,验证了方法的有效性,并以某钢厂265 m2烧结机的实际生产数据,建立烧结终点的预报模型。结果表明,与标准BP,RBF相比,基于PSO优化RBF的烧结终点预测模型精度高、泛化能力强。     

改进PSO-BP网络在故障诊断中的应用

针对油田抽油机井故障诊断方法较落后的问题,提出一种基于改进PSO-BP网络的故障诊断系统.神经网络权值的训练采用改进的PSO算法,克服了BP学习算法收敛速度慢、易陷入局部极值的缺点.将该网络用于抽油机井的故障诊断,并与传统BP模型的故障诊断结果进行比较.结果表明:基于改进PSO-BP的故障诊断方法正确率达96%以上,可以在更短的时间内、用更少的迭代次数达到精度要求,为设备检修提供了可靠的依据.     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。     

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EEMD与CPSO-ELM的车削机床刀具磨损故障检测与识别

鉴于数控车床刀具在机械加工系统中占有重要的地位,故数控车床刀具磨损故障的在线检测与识别具有重要意义。以华中数控车床为研究对象,提出了以平均经验模态分解(EEMD)、混沌粒子群(CPSO)以及核极限学习机(ELM)等方法对车床刀具磨损故障进行诊断。介绍了EEMD、CPSO以及ELM的基本原理和过程;对采集得到的刀具磨损信号进行前期预处理,经EEMD分解后得到IMF分量,以峭度、峰值、均方根值作为一种选取标准,选择包含较多故障信息的几个IMF进行信号重组并计算;将计算结果组成特征向量输入CPSO-ELM、SVM以及BP神经网络等分类器进行故障识别和对比。实验结果表明:对比传统的BP神经网络和SVM分类器,CPSO-ELM分类器具有快速、精确、有效的识别特性,能够有效检测和识别刀具磨损故障。     

基于改进遗传算法的数控机床加工铣削参数优化方法

对于数控机床加工铣削参数优化多采用常规的可信度近似模型,但该方法易受到材料失效应变系数的影响,导致优化后的加工效率较低,提出基于改进遗传算法的数控机床加工铣削参数优化方法。根据工件的本构模型,对切削刃进行采样抽取,确定最小铣削力波动位置;引入材料失效准则计算材料失效应变系数,基于此,以加工时间最短、加工成本最低和加工能耗消耗最小为目标建立铣削参数优化模型,并采用改进遗传算法求解模型,通过迭代适应度值,输出最佳铣削参数;最后,采用对比实验的形式对所提方法的优化性能进行测试。测试结果表明：应用所提方法对数控机床加工铣削参数进行优化后,能够有效缩短切削时间,提高加工效率。     

基于神经网络的铣削大理石表面粗糙度预测模型

目的利用粒子群优化BP神经网络建立大理石加工表面粗糙度精确预测模型。方法首先采用不同切削参数进行铣削大理石试验,测量加工表面粗糙度值,同时对粒子群算法进行改进,使惯性权重按指数形式递减,并增加速度扰动系数,利用改进粒子群算法优化BP神经网络,建立铣削大理石表面粗糙度神经网络预测模型。其次使用部分试验数据来训练预测模型,使得到的网络参数让网络可以精确预测表面粗糙度。最后利用其余试验数据验证神经网络预测模型的准确性与可靠性。结果经过计算得到粒子群优化BP网络算法的预测模型归一化均方差为0.0501,最大相对误差为10.78%,且误差变化较为均匀。经验公式模型归一化均方差为0.1069,最大相对误差为39.64%,误差变化幅度较大。结论将神经网络模型与经验公式相比较,结果表明,所建网络模型具有较高的预测精度与较强的鲁棒性,对合理选择切削用量以得到理想表面粗糙度有一定参考价值。     

电机泵复合系统的协调控制

建立电机泵复合控制功率电传作动系统非线性模型,采用粒子群优化算法,在保证允许的超调量的条件下,研究了电机、泵之间的权值最优分配,提高了战斗机的机动性能.并运用Matlab来求取非线性系统阶跃响应的调节时间.仿真结果表明,粒子群优化算法具有调节参数少、运行速度快等优点,能有效解决组合优化问题.协调控制器的研究对未来机载作动系统的控制具有指导意义.     

基于高质量和低振动的铣削参数优化方法研究

针对数控铣床在切削过程中产生的振动对工件表面质量的影响,提出以低振动和高表面质量为优化目标,对切削参数进行优化。以VDF-850A铣床为研究对象对45号钢进行铣削正交试验,通过建立振动采集系统,采集振动信号提取振动特征值并测量工件表面粗糙度值,应用最小二乘法拟合数据建立了振动和粗糙度数学模型。利用层次分析法确定两目标函数权重,使用平方和加权法对两目标函数加权拟合成综合目标评价函数,运用粒子群算法优化切削参数。试验结果表明:应用粒子群算法优化后的切削参数进行加工可有效的降低振动和提高表面质量。     

立式五轴数控机床机电优化方法研究

根据VMC立式五轴数控机床结构及其特点,从机械和电气方面对其进行优化。综合考虑工艺装备、装配工艺、电气控制、PLC逻辑及先进的五轴精度检测方法,提出一套适用于立式五轴数控机床的机电优化方法。通过对比优化前后的性能,证明了其有效性。该研究对国产高端数控机床产品升级具有理论和现实意义。     

基于BP神经网络数控机床切削能耗的研究

数控机床的能耗来源于工作时的电动机空载和切削过程中的负载消耗。分析切削过程中的切削速度、进给速度、切削深度等切削参数对数控机床能耗的影响;基于BP神经网络搭建数控机床能耗与切削参数的模型,简化了经验公式繁琐的计算过程;利用遗传算法对切削参数进行优化。对比试验表明:用优化后的参数进行加工,能明显地降低能耗,为加工过程能耗控制提供了一个良好的方案。