基于膜计算的水电机组故障识别

本文对水电机组振动故障进行识别研究,提出了一种基于膜计算的粒子群模糊聚类方法;该方法利用粒子群算法对模糊均值聚类算法的聚类中心进行优化,并利用膜计算增加粒子群的种群多样性;最后将所给方法成功应用于水电机组振动故障识别;并与粒子群优化的FCM算法、FCM算法、K-means算法进行比较,说明所给方法的优越性。     

引入单纯形算子的粒子群优化算法在板形模式识别中的应用

将粒子群理论引入板形模糊模式识别系统，对识别后的板形进行优化，提高了板形识别的精度。粒子群算法作为一种全局优化算法，对于复杂优化问题，存在容易陷入局部极值的不足，因此，提出了粒子群和单纯形混合优化算法，将具有良好局部搜索能力的单纯形法与粒子群算法的全局搜索能力结合起来，有效地提高了板形模式识别优化的收敛速度，同时也提高了识别精度。     

基于实验数据的航空发动机稳态模型建模

针对基于部件级航空发动机稳态建模过程中完整、准确的航空发动机部件特性数据往往难以获取,建模时间长等现象,提出使用实验数据进行辨识建模的方法;为了建立航空发动机的稳态模型,通过对某轻型飞机实验台的飞行实验数据进行分析整理,提出使用BP神经网络对发动机重要参数进行建模,同时使用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络的权值和阈值进行优化。最后,使用改进粒子群优化算法(Improved particle swarm optimization algorithm,IPSO)对传统粒子群优化算法进行改进,仿真结果表明IPSO-BP网络建立的发动机模型精度更高,稳定性更好。     

基于k-中心点法的改进粒子群算法在旅行商问题中的应用

为将面向连续优化的粒子群优化算法应用于旅行商问题的求解,提出了旅行商问题的权重编码方案.该方案将属于组合优化的旅行商问题转化为连续优化问题,同时保留了粒子群算法的易操作性和高效性.针对粒子群算法易陷入局部最优的问题,提出了适合旅行商问题的基于k-中心点法的改进措施.该措施利用简单匹配系数构建粒子群的相异度矩阵,在此基础上采用k-中心点法对粒子群进行聚类分析,实现了粒子之间的信息交换,扩大了粒子的搜索空间,避免算法陷入局部最优.最后,用旅行商问题标准库的4个算例验证了权重编码方案和改进粒子群算法的有效性.     

基于试飞数据的航空发动机部件特性修正

研究了一种发动机部件特性修正方法,提出通过对相似发动机结构的通用稳态模型与试飞数据相匹配来获取专用发动机稳态模型。通过对发动机模型的分析,使用优化算法对各部件特性的流量、压比、效率等参数进行调整,经过修正后的仿真模型在设计点及非设计点的输出与试飞数据的相对误差小于2%,计算精度可满足工程需要。在参数优化方法上比较了粒子群算法(PSO)与进化粒子群算法(EPSO),结果表明,EPSO算法在收敛速度和精度上比PSO算法更为优秀,在处理多变量复杂问题时有较好的寻优能力。     

基于改进粒子群算法的结构测点优化方法研究

针对工字梁结构受力过程中测点数目过多及优化较困难的问题，提出一种基于模拟退火思想及遗传算法的改进粒子群算法，综合考虑受力状态识别误差与测点优化，进行了测点的筛选。首先将遗传算法的初始化、选择、交叉、变异融入粒子群算法中；其次在变异部分引入模拟退火的思想。改进后的粒子群算法改善了标准粒子群算法的“早熟”、局部寻优能力较差等问题。通过测试函数对比改进粒子群算法与标准粒子群算法的性能，改进的粒子群算法稳定性更好，抗“早熟”能力较强，精度明显提高。通过工字型梁选点及受力状态识别仿真与试验表明，改进粒子群算法在受力状态识别的测点选择过程中具有较高的效率，选择测点的受力状态识别误差均小于3%，在工程应用范围内，为受力状态识别提供了一种较好的方法。     

发动机电控系统故障模拟实验台设计

通过将发动机技术与单片机控制技术进行融合,设计了一种发动机电控系统故障模拟实验平台,为发动机电控系统的故障诊断提供了指导和依据。     

求解第Ⅰ类装配线平衡问题的离散粒子群优化算法

为求解具有NP难性质的第Ⅰ类装配线平衡问题,提出一类离散粒子群优化算法。该算法中所发展的排列数编码方法使得粒子解码后总满足装配作业间先后关系约束。针对排列数编码特点,提出一种基于位置交叉算子的粒子位置更新机制,确保了更新后粒子仍为排列数。为增强该算法的全局寻优能力,将简化变邻域搜索算法嵌入该算法中,对群体最佳粒子的邻域进行局部搜索,从而构建一种混合粒子群优化算法。通过将该算法和混合粒子群优化算法用于一系列测试算例并与遗传算法结果比较,验证了算法的有效性。计算结果对比表明,离散粒子群算法引入简化变邻域搜索可明显增强全局寻优能力,就综合解的质量和计算效率而言,混合粒子群优化算法优于现有遗传算法。     

汽车电控发动机系统故障诊断与维修技术

电子技术在汽车发动机中应用极为广泛,电控发动机系统已经成为主流趋势,但汽车电控发动机系统内部的电子元件数量较多、类型多元,一旦出现故障,就有可能会造成不良的后果。首先,概述了汽车电控发动机,其次,分析了汽车电控发动机系统故障特点及常见类型,再次,剖析了汽车电控发动机系统的主要故障诊断方式,同时,还深入探讨了汽车电控发动机系统诊断维修工作优化路径,最后,展望了汽车电控发动机系统故障诊断与维修技术的发展趋势。     

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。     

一种聚类优化融合故障诊断方法及其应用

针对单一聚类诊断方法难以准确、全面识别不同故障状态的问题,提出了一种聚类优化融合故障诊断方法。分别利用社团聚类、K均值聚类及粒子群聚类三种方法对故障进行识别,得出三种聚类方法对应的故障识别准确率,在此基础上构建初始权值矩阵,并通过遗传算法对初始判断矩阵与三种聚类方法进行优化,得到最优权值矩阵与优化的聚类模型,用于融合诊断。轴承故障诊断实例结果表明,该聚类融合诊断方法能够有效提高故障识别准确率。     

基于离散粒子群优化算法的汽车发动机故障特征选择

最优特征选择属于组合优化范畴,针对汽车发动机机械故障特征选择问题,分析了冗余特征的存在对于故障分类器分类性能的影响,选择最优特征组合可以提高故障分类的正确率,提出基于离散粒子群算法的特征优化组合算法,利用BP神经网络评价特征优化的性能,并将其应用到汽车发动机曲轴轴承磨损故障诊断中.实验结果表明,与遗传算法相比,基于离散粒子群算法的特征优化算法优化效率较高,分类正确率较高,优化后的特征集可以显著地提高故障分类器的分类性能.     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。     

基于PSO优化的RBF网络液压泵故障诊断研究

提出了以小包分解和粒子群优化的径向基神经网络(RBFNN)为基础的液压泵故障诊断方法。通过小波包分解对振动信号做降噪处理并提取相应的故障信号的特征能量值,将此特征能量值作为神经网络的输入,再采用粒子群算法对神经网络的数据中心和宽度、输出权值和阈值进行优化,并将其分别与基于传统神经网络和基于遗传算法优化的故障诊断方法进行对比分析。对比结果表明,该方法具有很好的诊断效果。     

基于粒子群算法的地震模拟振动台参数整定方法

在地震模拟振动台控制系统中,常用三参量控制实现加速度信号控制,但目前三参量参数理论整定方法存在效果不佳、智能化程度不高等问题.针对三参量控制参数整定问题,提出一种基于粒子群算法的三参量控制参数整定算法,利用粒子群算法的寻优能力完成三参量参数整定研究.仿真结果显示,与理论值相比,粒子群算法自整定值控制下地震模拟振动台波形...     

基于粒子群遗传优化算法的多机器人任务分配研究

在粒子群优化算法中,引入遗传算法中的克隆算子和变异算子,提出了粒子群遗传优化算法,并将多机器人系统的任务分配问题转换为在多维解空间内寻找最优解的问题,利用粒子群遗传优化算法在此空间寻找最优解,以实现对多机器人任务的协调分配.算例仿真表明,粒子群遗传优化算法不但具有粒子群优化算法所具有的易于工程实现、计算效率高等优点,还克服了粒子群优化算法易早熟、粒子群整体收敛性差等缺点,能够解决多机器人任务分配问题.     

基于Lévy飞行微粒群算法的液压系统可靠性优化

针对微粒群算法易于陷入局部最优解、早熟的缺点,将Lévy飞行引入微粒速度迭代公式中,并动态改变微粒群速度迭代公式中Lévy飞行的权重值,提出动态Lévy飞行微粒群算法。根据T-S故障树理论,建立液压支架液压系统的可靠性模型,进而得出可靠性费用目标函数。将提出的动态Lévy飞行微粒群算法应用于液压支架液压系统的可靠性优化中,并通过标准微粒群算法、布谷鸟搜索算法和基于Lévy飞行微粒群算法比较,验证所提出算法的优越性。     

基于张量Tucker分解的发动机故障诊断

传统的发动机故障诊断方法通常基于向量模式进行数据特征的提取,可能丢失数据之间的结构信息及破坏数据间相关性。针对此问题,提出了一种张量模式下提取发动机数据特征的方法,构建了“信号类别×曲轴转角×转速”的三阶张量形式的发动机状态样本,基于交替投影的思想,使用HOSVD-HOOI张量Tucker分解的联立求解算法,对数据特征进行提取。分别以不进行数据特征提取和基于张量Tucker分解进行数据特征提取两种情况,对发动机正常工作、单缸失火和轴系不对中三种状态下的实验数据进行处理,并分别采用网格参数优化法、遗传算法、粒子群算法对分类模型中的参数进行优化。以预测准确率和模型学习时间为评价指标进行对比分析,实验结果表明,基于张量Tucker分解的发动机数据特征提取及诊断方法预测准确率更高,分类模型学习时间更短。     

基于KPCA和PSOSVM的异步电机故障诊断

针对异步电机故障振动信号具有较强的非线性特征,而传统的线性分析方法易造成振动信号非线性成分的丢失这一情况,提出一种核主元分析和粒子群支持向量机相结合的异步电机故障诊断方法。利用核函数实现输入空间到高维特征空间的非线性映射以及对映射数据的主元分析,得到原始样本的非线性主元,实现特征提取和数据压缩,将获得的核主元特征通过支持向量机进行模式识别。采用距离比值法和粒子群算法分别对核主元分析和支持向量机的参数进行双重优化选择。实验结果表明,该方法能有效提取故障信号的非线性特征,具有较强的非线性模式识别能力,相比主元分析和支持向量机方法,分类效果更好,实时性更强,可快速有效实现异步电机故障诊断。