面向现代绿色制造的精车车削优化

考虑车削加工约束条件,建立切削能量最小与表面粗糙度最小的精车车削优化模型。通过实例运用非支配排序遗传算法(NSGA-II)与多目标粒子群算法(MOPSO)对精车优化切削模型进行仿真优化,结果表明NSGA-II算法与MOPSO算法切削能量和表面粗糙度的Pareto最优解集均可由同一的六次曲线方程拟合,且拟合相关指数为0.999 5、0.998 2。在表面粗糙度和切削能量的Pareto最优解集下,获得了精车优化切削模型相应的进给量、切削速度,为优化选择精车切削参数提供了参考。     

钛合金铣削参数多目标优化及神经网络预测模型建立

为有效降低钛合金TC4铣削过程中的刀具磨损及能耗的同时提升效率,以合力弯矩、加工能耗、加工效率为优化目标开展多目标优化研究。通过单因素试验分析切削参数影响规律,通过响应曲面试验建立径向基神经网络预测模型。最后将预测模型整体引入粒子群算法中进行帕累托前沿求解得到若干组合理的切削参数组合。试验结果表明：神经网络预测模型的预测精度达95%以上;多目标优化模型的优化结果可使钛合金铣削加工过程中的合力弯矩减小28.98%、加工效率提高25.93%、加工能耗减少13.08%,可为钛合金铣削加工切削参数的选择及多个生产目标之间的协调提供有力支持。     

基于混合粒子群算法的圆柱型电磁铁优化设计

为了解决当电磁铁外型相同如何使电磁力最大的问题,将现有电磁铁设计思路应用到圆柱型电磁铁设计中,并采用改进的混合粒子群方法优化电磁铁内部结构参数。运用等效磁路法推导出电磁铁数学模型,并通过Maxwell有限元仿真对比验证准确性,然后采用单目标优化方法,得到影响电磁力的参数,最后采用改进的粒子群算法进行多目标优化,得到优化后的参数值。得到的几组优化数据表明：多目标优化方法得到的有效工作区域电磁力更大,仿真结果表明优化后的电磁力综合提高20%,证明优化方法有效。     

柔性调度多目标优化的混合粒子群算法研究

研究多目标柔性调度问题,提出了一种基于多目标粒子群优化算法和局域搜索技术相结合的新算法.建立以最大完成时间、机器总负载和最大机器负载为目标函数的多目标数学调度模型.将粒子群算法运用到机器分配子问题;局域搜索技术运用到工序排列子问题,对粒子群算法得到的结果进行再调度.粒子群优化算法的全局搜索能力与局域搜索技术相结合,加快了算法的收敛速度.最后通过与其他算法进行测试比较,验证了该算法的可行性及有效性.     

基于刀具寿命等级的铣削加工参数自适应调整优化方法

为了解决铣削加工过程中传统优化参数无法随着刀具寿命的变化动态调整，导致刀具性能无法充分利用的问题，对铣削参数自适应优化方法进行研究，提出一种基于优化灰狼算法的铣削参数动态多目标优化方法。通过BP神经网络构建铣削过程中铣削参数与优化目标之间的非线性映射关系；提出刀具寿命等级的概念，通过粒子群优化灰狼算法进行寿命等级内铣削参数自适应优化。试验结果表明：该方法能够在整个刀具寿命周期内根据刀具的寿命衰变程度提供时段内最优的铣削参数方案，在提高刀具使用价值的同时降低碳排放量。     

切削参数对车削20CrMnTi表面粗糙度的影响及优化研究

20CrMnTi是一种广泛应用于齿轮制造的材料。为提高20CrMnTi精加工的表面质量、加工效率,以车削20CrMnTi钢的表面粗糙度为研究对象,设计正交试验,在数控车床GENOS L250E上进行硬质合金刀具车削试验,探究切削参数（切削速度、进给量、背吃刀量）对表面粗糙度的影响。并通过多元回归建立切削参数与表面粗糙度的关系模型,从而构建以加工效率、表面粗糙度为目标的多目标优化模型,通过粒子群算法对切削参数进行优化。试验结果表明：使用优化后的切削参数加工可以减小表面粗糙度、提高加工效率。     

SVR-PSO算法在慢走丝线切割参数优化中的应用

针对慢走丝线切割加工中难以同时获得较快加工速度和较优表面质量的问题,从其加工参数与加工指标之间的高非线性关系入手,选取水压、脉冲时间、脉冲宽度、峰值电流和进给速率作为优化参数,以表面粗糙度(Ra)、材料去除率(MRR)作为优化指标,设计正交实验;创新运用支持向量机(SVR)结合粒子群算法(PSO)建立其多目标预测优化模型,得到最优加工参数。结果表明:所建立的多目标预测优化模型优化效果十分显著,相同Ra下MRR平均提高32%;相同MRR下Ra同比下降25%。     

基于改进混合粒子群算法的机器人轨迹规划

针对机器人工作效率以及运行平稳性问题,提出一种基于改进混合粒子群算法的轨迹规划方法。建立新的模拟退火机制,并结合粒子群算法进行多目标优化;使用非线性惯性权重递减策略以及动态学习因子平衡局部和全局搜索能力。以某六自由度机器人(SFR-TA)为研究对象,使用5-7-5插值多项式构造轨迹曲线;利用权重系数法,将基于时间-脉动冲击的目标函数归一化处理以求得最优值。结果表明：相比于传统粒子群算法,该算法的运行时间更短,同时可有效减少机械臂脉动冲击,具有更好的稳定性。     

基于混沌粒子群算法的钛合金薄壁筋铣削变形优化

针对薄壁筋受铣削力影响易变形的问题,提出一种基于薄壳划分和周期性施加铣削负载的变形仿真方法,通过仿真和试验两方面对比研究,分析了薄壁筋的变形过程并得出其变形规律。为了解决标准粒子群算法在优化铣削参数时容易陷入局部最优解的问题,提出一种基于变异算子与自适应动态惯性权重的改进混沌粒子群算法,并以变形量为约束,铣削力最小为目标优化了铣削参数。结果表明:改进后的混沌粒子算法在全局搜索能力和计算速度方面相比粒子群算法显著提高,试验证明采用优化后的铣削参数组合可有效减小薄壁筋的变形。     

基于HPSO优化BP神经网络的刀具磨损状态识别

针对BP神经网络容易陷入局部极值导致识别精度低的问题,文章提出了一种基于混合粒子群算法(HPSO)的BP神经网络优化算法。在刀具磨损监测实验过程中,采集刀具切削的声发射(AE)信号,利用小波包分解算法对AE信号进行滤波,并进行特征提取。将频带能量特征和切削参数分别作为主特征和辅助特征,并对其对归一化处理。采用混合粒子群优化算法(HPSO)对BP神经网络预测模型进行优化,利用优化后的模型对测试样本进行模式识别,结果表明,优化后的HPSO-BP模型能够有效地降低神经网络陷入局部极值的情况,提高刀具磨损识别精度。     

Reliable multi-objective optimization of high-speed WEDM process based on Gaussian process regression

The paper discusses the development of reliable multi-objective optimization based on Gaussian process regression (GPR) to optimize the high-speed wire-cut electrical discharge machining (WEDM-HS) process, considering mean current, on-time and off-time as input features and material remove rate (MRR) and Surface Roughness (SR) as output responses. In order to achieve an accurate estimation for the nonlinear electrical discharging and thermal erosion process, the multiple GPR models due to its simplicity and flexibility identify WEDM-HS process with measurement noise. Objective functions of predictive reliability multi-objectives optimization are built by probabilistic variance of predictive response used as empirical reliability measurement and responses of GPR models. Finally, the cluster class centers of Pareto front are the optional solutions to be chosen. Experiments on WEDM-HS (DK7732C2) are conducted to evaluate the proposed intelligent approach in terms of optimization process accuracy and reliability. The experimental result shows that GPR models have the advantage over other regressive models in terms of model accuracy and feature scaling and probabilistic variance. Given the regulable coefficient parameters, the experimental optimization and optional solutions show the effectiveness of controlling optimization process to acquire more reliable optimum predictive solutions.     

基于改进LFQPSO优化MRVM的轴向柱塞泵故障诊断

针对传统粒子群优化算法以准确率或误判率作为适应度函数耗时长和轴向柱塞泵故障机制较为复杂的问题,提出一种基于改进适应度函数的Lévy飞行量子粒子群优化(QPSO)多分类相关向量机(MRVM)的轴向柱塞泵概率性智能软状态判别方法。为了克服人为设定核参数不精确、效率低等缺点,采用基于Lévy飞行的QPSO搜索MRVM的最优核参数;为了缩短寻优时间,将样本间余弦相似度作为寻优算法的适应度函数,并利用UCI机器学习标准数据集进行仿真来验证改进后优化方法的有效性及优越性;采集柱塞泵不同故障状态的数据,提取时频域和时域特征,输入到优化后的MRVM中,进行训练及测试。实验结果表明：所提方法可以有效提高故障诊断的准确率及诊断效率,同时能够实现软分类,即以概率形式输出诊断结果,能够为设备检修及维护提供可靠且符合实际的故障信息。     

基于PSO/GA的立体视觉测量系统优化布局

探讨一种基于PSO/GA（粒子群优化/遗传算法）混合算法的立体视觉测量系统优化布局方法。以空间点目标的三维重构不确定度最小为目标,构建了立体视觉测量系统优化布局的目标函数。通过实例阐述了使用PSO/GA混合算法求解系统最优布局参数的过程,并且在MATLAB环境下对该方法做了验证。仿真实验结果表明：与传统的粒子群优化算法和遗传算法相比,使用PSO/GA混合算法得到的最佳个体适应度曲线上升速度最快,而且求得的系统最优布局参数使空间点目标的三维重构不确定度最小。     

异类粒子群算法的机械臂轨迹多目标规划

为了减少机械臂工作过程中的耗时、耗能和冲击,提出了基于异类粒子群算法的机械臂轨迹多目标规划方法。建立了7自由冗余机械臂运动学模型和优化模型;以传统粒子群算法为基础,根据学习信息的不同来源,设计了4种粒子进化行为,根据粒子当前状态计算不同进化行为的当前价值和未来价值,根据当前价值和未来价值的综合价值计算不同进化行为的选择概率,从而完成了异类粒子群算法的构造。以耗时最少单目标优化为例,与传统粒子群算法相比,异类粒子群算法不仅收敛速度快,而且优化程度提高了27.48%;使用异类粒子群算法对机械臂轨迹进行多目标综合优化,给出了Pareto最优前沿面,可根据不同需求和优化重心从中选择优化结果。     

基于改进粒子群算法的机械臂振动抑制研究

SCARA机械臂在工作过程中和工作终止后都会出现振动问题,为了降低机械臂的残余振动,选取粒子群作为寻最优抑振轨迹的优化算法,针对粒子群算法在轨迹寻优时收敛性差以及出现停滞现象问题,提出采用非线性递减惯性权重和粒子种群跳跃的方法对粒子群算法进行改进。利用机械臂振动抑制实验平台,使用改进的粒子群算法进行抑振轨迹优化并进行实验研究,验证结果可行且有效,得到抑振指标最小的最优抑振轨迹。     

基于免疫粒子群的机器人自抗扰控制器参数整定方法

针对利用经验试凑法或其他优化算法整定机器人自抗扰控制器参数,存在整定过程复杂、整定结果不是全局最优等缺陷,提出一种基于免疫粒子群融合算法的机器人自抗扰控制器参数整定方法。该方法将免疫算法的免疫信息处理机制引入粒子群算法结构中,解决了免疫算法优化过程繁杂冗长以及粒子群算法过早陷入局部最优的问题,实现了自抗扰控制器参数整定,快速找到全局最优解。MATLAB仿真结果表明：该方法提高了自抗扰控制器的响应速度和稳定性,适用于机器人自抗扰控制器参数的整定。     

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。     

基于特征库和基因再造技术的带钢层流冷却系统多目标优化

针对热轧带钢层流冷却系统粗调区给定冷却路径和目标卷取温度的二维度多目标优化问题,提出了基于特征库和基因再造技术的多目标优化遗传算法,用来锁定粗调区集管的最佳开闭特征库。该算法通过历代Pareto前沿面的交集来建立特征库,从中挖掘出集管开闭的较优特征,将其嵌入至下一代种群,可有效抑制种群进化的漫游性和随机性;特征库采用动态竞争机制,使种群个体在全局寻优空间呈现更理想的并行搜索特性;特征库的随机舍取策略保证了历代Pareto前沿面在空间分布的均匀性,提高了系统对二维度多目标的均衡把控能力;最后,基于基因再造技术是驱动算法收敛于全局最优目标解群的强力引擎,是提高系统控制精度的有效措施。编写了基于MFC的仿真程序,仿真结果验证了该多目标优化策略的有效性和先进性。     

基于混合粒子群算法的注塑机电液伺服系统控制研究

注塑机电液伺服系统是一个时滞、非线性复杂系统,传统PID控制往往难以取得理想的控制效果。为了获取良好的控制效果,提出一种用混合粒子群算法优化PID控制器参数的方法,将模拟退火算法引入到粒子群算法中,能够更加快速、准确寻优出PID控制器最优参数。利用MATLAB仿真软件建立注塑机电液伺服系统控制模型,将混合粒子群算法与粒子群算法、遗传算法进行对比。仿真结果表明:利用混合粒子群算法优化的PID控制器收敛速度快、准确性高、鲁棒性强,明显提高了系统的控制性能。     

基于改进粒子群算法的六自由度机械臂时间最优轨迹规划

针对六自由度机械臂时间最优轨迹规划问题,提出一种基于改进粒子群算法的4-3-4混合多项式插值轨迹规划算法。算法采用自适应惯性权重,它能根据搜索过程的各个阶段采用相应大小的权重,有利于跳出局部最优陷阱,保持粒子群多样性;以非线性学习因子代替传统粒子群算法中固定的学习因子,有效提高算法的收敛速度和求解精度。通过MATLAB进行仿真验证,结果表明改进粒子群算法收敛速度提高46%,寻优精度提高38%,同时机械臂轨迹规划时间缩短了大约36%,充分地证明了该轨迹规划算法的可靠性和优越性。