基于BP神经网络与遗传算法的高压共轨柴油机喷油器结构参数优化研究

利用AVL-FIRE软件对TBD234高压共轨柴油机燃烧过程进行数值模拟,采用L16(54)正交试验作为BP神经网络的训练样本,建立喷油器主要结构参数与柴油机的燃油消耗率、NOx排放、SOOT排放之间的非线性映射关系,以燃油消耗率为优化目标,同时保持较低的NOx和SOOT排放水平,结合遗传算法进行寻优计算,获得了喷孔直径、喷孔个数、喷射夹角和喷油提前角4个参数的最优组合。     

基于免疫SVM的机械产品寿命预测

传统机械产品寿命预测方法成本较高,精度较低,难以满足机械产品寿命预测要求.为了改变这种状况,提出基于人工免疫算法优化支持向量机(免疫SVM)回归器的机械产品寿命预测技术,采用人工免疫算法进行支持向量机回归器参数选取.人工免疫算法具有良好的全局搜索能力,能较好地选择合理的支持向量机回归器参数.采用普通SVM预测方法与免疫SVM预测模型进行比较,试验结果表明,相比于普通SVM,免疫SVM具有更高的机械产品预测性能.     

基于EMD和AR奇异值的柴油机故障诊断

针对柴油机振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、自回归(Auto Regression,AR)模型和支持向量机(Support Vector Machine,SVM)相结合的柴油机故障诊断方法.运用经验模态分解方法对柴油机失火及气阀机构不同工况下的缸盖振动信号进行分析,计算各个内禀模态函数(Intrinsic Mode Functions,IMF)的AR模型参数向量以此组成初始特征向量矩阵,再计算此初始特征向量矩阵的奇异值,并将其作为支持向量机的输入特征向量以判断柴油机的工作状态和故障类型.试验结果表明:该方法在小样本情况下也具有较高的精度和较强的泛化能力.     

喷油参数对共轨柴油机排放影响的试验研究

针对某款轻型车用柴油机的燃油系统,进行了油嘴伸出量和柴油机燃烧室的匹配选择。试验研究了在转速为1696r·min-1,转矩为146N·m的工况下,轨压、主喷正时、预喷射参数以及EGR对NOx、烟度及燃油消耗率的影响。结果表明:在1.4mm的喷油器垫片下的油嘴伸出量,烟度最好。在试验所研究的工况点下,增大轨压可有效改善燃油雾化特性,使得烟度和燃油消耗率降低,但NOx排放增多;推迟主喷正时可有效降低NOx的排放,这两个喷油参数可作为优化柴油机性能的重要指标。通过试验可知,柴油机存在一个最佳的主预喷间隔;随着预喷油量的增加,烟度和燃油消耗率逐渐增加,NOx呈现先减少后增加的趋势;EGR阀开度的增加使NOx明显减少,但EGR阀开度在30%之后,烟度开始明显恶化。     

给水管网故障智能诊断方法

针对传统的支持向量机(support vector machine,简称SVM)参数选择方法以人工试验为主,花费时间长且很难得到最优参数的问题,提出了一种基于遗传算法(genetic algoritlam,简称GA)的支持向量机参数自动寻优方法.利用GA的全局搜索能力对支持向量机的各项参数进行寻优预处理,找到最优的参数取值,建立基于遗传算法的支持向量机模型(GA-SVM).以某小型给水管网为研究对象,采用水力分析算法求得管网局部破坏状态下的各项数据,并用这些数据对预测模型进行故障诊断试验,结果表明,经遗传算法优化的支持向量机模型具有较高的预测精度,整体性能优于传统的BP神经网络模型.     

基于柴油机各缸EGR率差异的分缸仿真分析

利用发动机仿真模拟软件,对电控单体泵柴油机的燃烧过程进行数值模拟分析。通过研究电控单体泵柴油机各缸实际EGR(Exhaust Gas Recycling,废气循环)率不均匀的成因以及对柴油机燃烧排放的影响,提出柴油机各缸喷油参数分缸标定的优化方案。经过对喷油量和喷油提前角同时进行分缸标定仿真模拟研究,结果表明,分缸标定能有效地解决因柴油机各缸实际EGR率差异导致的柴油机各缸燃烧不均衡的问题,并能有效降低柴油机尾气中SOOT(碳烟)和NOx(氮氧化物)的排放。     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

基于SVM的电火花加工参数优化研究

分析了电火花加工中电参数与加工质量之间的关系,并运用支持向量机(SVM)对电火花加工中电参数进行了优化研究。仿真结果表明:电参数预测精度最高可达96.10%,最低89.20%,平均94.28%,说明SVM算法稳定性及泛化能力优秀。进一步经实验验证,预测精度最高达92.65%,最低81.50%,平均89.38%,同样较高。说明该方法所确定的最优电参数能够很好地保证预期的加工质量,从而可以方便操作者对加工条件的确定。     

可变下止点式VCR柴油机燃用生物柴油的性能研究

通过某柴油机试验数据建立三维数值燃烧模型,运用AVL-Fire模拟可变下止点式VCR柴油机的缸内燃烧。通过改变下止点来改变压缩比,当活塞行程(压缩比)增大或减小时,缸内空气总量相对应地增大或减小。结果表明：可变下止点式VCR柴油机可以显著提升缸内平均燃烧压力,降低缸内平均燃烧温度,降低NOx与SOOT的排放;在活塞行程为0.082m时燃用纯柴油与活塞行程为0.112m时燃用B20混合燃料相比,缸压峰值能够提升40.52%,NOx可降低41.40%,SOOT可降低81.80%。     

基于粒子群算法优化支持向量机的数控机床状态预测

数控机床状态预测对于及时发觉数控机床健康状况有着非常重要的作用.为了实现数控机床状态的准确预测,提出采用粒子群算法优化支持向量机(PSO-SVM)进行数控机床状态预测方法,其中粒子群算法用于确定支持向量机(SVM)中的训练参数,以得到优化的SVM 预测模型.试验结果表明,用PSO-SVM对数控机床状态进行预测,不仅所需样本少,而且具有很好的预测精度.     

喷油器流量对非道路用小型柴油机燃烧和排放影响

为了研究喷油器流量对小型非道路柴油机燃烧过程及排放的影响,以某1115柴油机为研究对象,利用Hydism软件研究不同流量喷油器的喷油特性并进行整机性能和排放试验。结果表明:标定工况下,随着喷油器流量的增加,喷油速率峰值有所增加,喷油持续期略有缩短,瞬时放热率峰值和整机NO_X排放增加,但增幅减缓,燃油消耗率和烟度先减后增;中小负荷工况下,喷油器流量对整机CO和HC排放的影响较明显。因此需依据非道路柴油机排放测试要求匹配柴油机的喷油器流量,试验用柴油机匹配优化后,CO、HC和PM分别下降35.7%、45.1%和23.1%,NO_X上升8.9%,但HC+NO_X仍下降5.7%。结果表明合理匹配喷油器流量对小型非道路柴油机排放有较大影响,对小型柴油机满足排放标准是非常有效的技术措施。     

基于小波支持向量机的陀螺随机漂移预测模型研究

通过小波变换抑制各种干扰噪声,预处理后的陀螺漂移数据采用支持向量机的方法建立陀螺漂移预测模型。试验得到的陀螺漂移数据对提出的模型进行验证。结果表明,相对于独立的支持向量机模型（SVM）和径向基神经网络模型（RBF）,提出模型得到的陀螺随机漂移预测精度更高。     

支持向量机刀具磨损预测模型及MATLAB仿真

针对刀具使用时加工参数多变的实际情况,提出使用最小二乘支持向量机（LS—SVM）建立模型并对刀具磨损进行预测：首先引入最小二乘支持向量机建立刀具磨损模型,然后针对具体实验数据,采用交叉验证的办法,选取优化的核参数。实验和仿真结果表明：该模型可以有效地学习刀具磨损中的非线性关系,刀具磨损的预测精度较高。因此该模型可以用作对实际加工中的刀具磨损进行有效预测,并为切削参数的实际选择提供依据。     

某型相继增压柴油机缸内燃烧数值模拟研究

利用FIRE软件建立了某型相继增压柴油机燃烧及排放仿真计算模型,研究了不同负荷对燃烧排放的影响以及相继增压切换点的燃烧与排放性能,分析了缸内压力、温度等参数随曲轴转角的变化以及SOOT、NO等的分布情况。结果表明:随着负荷的增加,燃烧滞燃期缩短,缸内温度、压力、放热率、SOOT以及NO排放均增加;相继增压柴油机在1TC工况时,混合气更加均匀,燃烧更加完全,因此做功能力高于2TC,燃烧温度和放热率均低于2TC,NO及SOOT排放性能均优于2TC工况。     

基于多种代理模型的光纤激光切割质量预测

为了提高光纤激光切割质量的预测精度,分别使用了多项式响应面法、克里金法和支持向量回归法三种代理模型方法,建立了激光功率、切割速率和辅助气体压力等加工参数与挂渣量之间的预测模型。使用拉丁超立方抽样法产生30组训练数据,利用正交试验法产生25组验证数据用以验证预测模型的精度。结果表明,利用克里金法和支持向量回归法建立的模型均成功地预测了挂渣质量,其中克里金法建立的模型预测精度最高,并利用该模型分析了激光切割加工参数对挂渣量的影响规律。     

基于优化支持向量机的轴承故障诊断方法研究

以滚动轴承在正常、内圈故障、外圈故障和滚动体故障四种工况下的振动信号为研究对象,采用小波包变换的方法提取信号的能量熵,构成振动信号的特征向量。在此基础上采用支持向量机进行故障模式识别,建立支持向量机模型需要选择适当的核函数及相关参数,使用径向基核函数,需要设置的参数为核函数的宽度和误差惩罚系数,分别结合传统的网格搜索,遗传算法,粒子群算法优化支持向量机参数以提升分类性能。试验结果表明,采用优化后的支持向量机进行故障诊断可以大大提高诊断精度。     

FOA-WPT降噪和PSO-SVM在滚动轴承故障诊断中的应用

在轴承故障诊断中,为了进一步提高诊断方法的自适应性和分类准确率,提出果蝇优化小波包降噪和粒子群支持向量机相结合的方法。利用果蝇算法对小波包降噪的阈值进行优化,结合粒子群算法在GCV算法下的错误率最低,得到SVM的最优惩罚参数和核函数参数,建立PSO-SVM分类模型,对4种工况下滚动轴承的10类故障进行分类。实验结果表明,使用FOA-WPT降噪后,信号有着更高的信噪比和更低的均方误差（MSE）;和粒子群支持向量机相结合的分类方法准确率达到89%,与未使用粒子群算法优化的SVM相比,提高了约8%,进一步证明了该方法可以实现滚动轴承的多分类故障诊断。     

风电齿轮箱故障诊断的SVM参数优化

针对风电齿轮箱易出现齿轮断齿、点蚀、磨损等故障问题,提取风电齿轮箱非平稳非线性振动信号的提升小波包能量熵,利用支持向量机(SVM)进行故障诊断。为提高算法的分类精度,利用遗传算法对参数进行优化处理,试验结果表明,优化后获得的最佳参数能够提高SVM测试样本的预测精度。     

铝热连轧弯辊力建模与仿真

弯辊力是调节板形的重要手段,准确的弯辊力模型能够为轧制获得良好的板形。为了准确的预测铝热连轧弯辊力,以某厂1+4铝热连轧实际生产数据为样本,提出了支持向量机(SVM)弯辊力模型。由于SVM的精度及泛化能力依赖于参数选择,故将自由搜索算法(FS)运用到模型参数寻优过程,并分别与BP神经网络和粒子群(PSO)优化的SVM模型进行比较。仿真实验表明建立的FS-SVM模型参数优化速度快、结构简单并且具有较高的预报精度。     

基于支持向量机和粒子群优化相结合的残余应力预测

准确地预测残余应力对激光冲击工艺过程中的参数优化有重要的意义。残余应力预测问题实际上是多输入单输出问题,文中利用粒子群优化方法优化支持向量机回归中的参数,建立了残余应力的预测模型。试验结果表明,经PSO算法优化的SVM回归模型具有较高的预测精度。