聚类和优化支持向量机的冷轧带钢表面缺陷分类

针对具有小样本、非线性、高维模式识别特点的冷轧带钢表面缺陷,且部分缺陷分布零散、不相连而导致后期识别数量增加、识别率低的情况,提出聚类与优化支持向量机相结合的改进分类算法。利用矩形框将缺陷进行标记,实现缺陷聚类合并,减少后期缺陷识别分类个数,便于后期正确识别判断;利用粒子群优化算法结合交叉验证自动选取最优参数,确定支持向量机结构,并结合实际生产线上出现频率较高的5类带钢缺陷进行分类研究。实验结果表明,相较于改进BP神经网络和网格优化的支持向量机,聚类与优化支持向量机相结合的改进分类算法不仅解决了位置接近的同种缺陷重复分类的问题,而且耗时短、缺陷正确识别率可达98%,符合实际生产线需求。     

不锈钢薄板激光焊焊缝缺陷检测与识别

不锈钢薄板激光焊焊缝成形尺寸细微,焊接速度快、节拍快,人工进行焊缝缺陷检测已不适合,因此焊缝缺陷检测的自动化是必然趋势。构建了一套激光焊焊缝数字成像(DR)检测系统,并在DR检测图像的基础上研究了焊缝缺陷的自动检测与识别算法。首先设计焊缝和焊接缺陷检测系统,可靠地将焊缝和焊接缺陷从工件背景中分割出来,基于此又设计了焊接缺陷特征提取算法和缺陷类型识别算法,通过二叉树和逻辑回归分类可以将激光焊焊缝中的常见缺陷识别出来,识别正确率达到了工程化水平。     

升船机轮毂焊缝未焊透缺陷超声波无损检测技术

为了有效提高焊缝未焊透缺陷检测结果的准确性,提出一种升船机轮毂焊缝未焊透缺陷超声波无损检测方法。利用改进的粒子群算法(PSO)搜索隶属函数的最优参数,对含有噪声的升船机轮毂焊缝图像展开模糊中值滤波处理,复原被噪声污染的像素点灰度值。经去噪处理后,采用一维局部二元模式算法(1-D LBP)提取升船机轮毂焊缝未焊透缺陷特征,对缺陷特征主成分分析和聚类处理,获取各个特征的权重和取值特点,将检测到的特征值和历史数据集比对,获取和不同缺陷特征的匹配结果,进而实现升船机轮毂焊缝未焊透缺陷超声波无损检测。试验结果表明,采用所提方法可以精准检测焊缝未焊透缺陷。     

基于PSO优化SVM数控机床主轴系统故障诊断的研究

通过分析主轴系统的故障特征和产生机理,提出了一种基于变分模态分解(VMD)与多尺度加权排列熵(MWPE)的故障特征提取方法和粒子群(PSO)优化支持向量机(SVM)的数控机床主轴系统故障分析诊断模型。首先,利用变分模态分解方法对所采集的主轴系统振动信号进行分解,得到若干有效本征模态分量(IMFs);其次,通过多尺度加权排列熵提取故障特征信息,利用SVM模型对故障特征信息进行分类与识别;为了提高模型的识别准确率,将引入粒子群优化算法(PSO)对SVM模型参数进行优化。实验验证表明,所提出的信号特征提取方法和状态识别模型在数控机床主轴系统的故障诊断方面取得了很好的成效,其故障识别准确率最高达99.56%。     

基于CMCPSO-SVM的轴承微弱故障诊断方法

针对旋转机械轴承微弱故障振动信号易被强噪声掩盖难以识别的问题,提出一种改进混沌粒子群优化支持向量机的故障诊断方法。将信号通过局部均值分解算法分解处理得到乘积函数(PF)分量,并进行能量归一化处理获得时频域特征集;通过迭代拉普拉斯得分降低时频域特征集的空间维度;以PF分量的排列熵作为混沌粒子群的适应度,并加入交叉和变异新策略,建立一种新的交叉变异混沌粒子群优化方法;利用改进的粒子群算法优化支持向量机的核函数和惩罚因子,并将优化后的分类模型应用于轴承故障诊断。结果表明：该故障分类模型的识别准确率高于其他分类模型。     

焊缝表面缺陷激光视觉传感HOG-SVM的检测方法

为了实现对焊缝表面缺陷的自动检测与分类,研究一种有效识别焊缝表面缺陷的激光视觉检测方法.通过激光视觉传感器采集焊缝图像并进行预处理,包括图像分割,灰度化,平滑去噪以及焊缝轮廓提取.采用方向梯度直方图(Histogram of Oriented Gradient, HOG)提取焊缝激光条纹轮廓图像的特征向量.其次,基于5折-交叉验证网格搜索方法进行模型参数寻优,最终建立了支持向量机(Support Vector Machine, SVM)智能模型识别与分类焊缝表面缺陷.通过调整焊缝轮廓提取算法、HOG特征维度得到不同特征数据并进行对比、分析焊缝缺陷的识别效果.在相同试验条件下,发现支持向量机比随机森林分类器、K最近邻分类器以及朴素贝叶斯分类器的识别率更高,达到97.86%.基于HOG-SVM的焊缝表面缺陷智能识别方法可有效提高焊缝缺陷(气孔、凹陷、咬边)及无缺陷的分类精度.     

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。     

基于SVM的搅拌摩擦焊表面缺陷分类

提出了一种基于支持向量机(SVM)的搅拌摩擦焊(FSW)表面缺陷分类方法.首先,使用高斯金字塔获取下采样后的低分辨率图像以减少FSW表面洋葱纹的影响,使用Sobel算子和Hough直线检测算法提取感兴趣区域并将结果映射回原始图像,得到FSW轴肩作用区图像;其次,对得到的无缺陷、飞边和沟槽缺陷图像使用小波变换、灰度共生矩...     

基于视觉传感的高转速搅拌摩擦焊图像处理及控制

针对高转速搅拌摩擦焊焊接过程中产生的飞边和隧道等缺陷,文中设计了一套基于视觉传感的搅拌摩擦焊焊缝成形闭环控制系统,实现了焊接过程中进行焊缝表面实时监测与参数调整。通过GigE相机获取ROI(有效区域),然后对图像进行预处理,包括滤波、图像增强、二值化和边缘检测等,进而通过二叉决策树的SVM分类方法对获取的图像进行识别和分类,系统通过获取分类的结果的作出相应的工艺参数调整。结果表明:当系统检测到飞边和沟槽缺陷时能够及时地调整焊接工艺参数,达到了预期的控制效果,且获得了良好的焊缝成形。     

基于参数优化VMD和峭度准则的齿轮故障诊断

针对盾构主减速机齿轮故障特征难以提取的问题，提出了一种基于参数优化变分模态分解(variational mode decomposition, VMD)和峭度准则的故障诊断方法。利用粒子群算法(particle swarm optimization, PSO),以最小平均包络熵为适应度函数来确定VMD算法的模态分量个数K及惩罚因子α的最佳组合；将原始振动信号利用[K,α]参数组合通过VMD分解成若干本征模态(intrinsic mode function, IMF)分量，根据峭度准则筛选出最佳和次最佳IMF分量进行重构，降低噪声干扰；最后，提取重构信号的时域和熵理论特征，利用粒子群优化支持向量机(PSO-SVM)和轻量级梯度提升机(LightGBM)进行故障识别分类。通过使用DDS试验台实测信号数据验证表明，该方法能够有效地提取齿轮故障特征，实现对齿轮故障类型的准确判定，验证了该方法的可行性和有效性。     

基于PSO-PNN的铸坯全长表面纵裂纹在线预测

表面纵裂纹是铸坯质量缺陷中一种最常见的表面质量缺陷。环境因素使得铸坯表面纵裂纹在线检测精度不高,各大钢厂铸坯质检仍要依赖人工,因此提出一种基于粒子群PSO优化概率神经网络PNN的铸坯全长表面纵裂纹预测方法。首先,建立铸坯生产过程跟踪及数据时空变换模型,构建铸坯生产系统将生产过程数据与铸坯长度方向进行匹配;再利用PNN的Bayes最小风险准则进行有监督特征学习,并利用寻优算法PSO优化PNN关键参数的选取,得到最终的模型PSO-PNN;最后,利用某钢厂连铸产线铸坯质量缺陷数据和生产过程数据进行试验验证。结果表明,该方法对铸坯整体的质量预测分类精度达到97.5%,铸坯全长的裂纹缺陷的预测精确率和召回率均在92%以上,能有效实现铸坯全长表面纵裂纹的预测,为现场质检人员提供参考。     

基于频域特征和支持向量机的汽车水泵轴承故障诊断研究

为了在线监测与识别汽车水泵轴承的故障类型,以WR3258152型汽车水泵轴承为研究对象,分析了其内部结构和常见故障。根据常见故障,预设了汽车水泵轴承的4类缺陷。在搭建的信号采集实验平台上,利用加速度传感器,分别采集了4类缺陷轴承在运转过程中的振动信号。利用Matlab软件对振动信号进行快速傅立叶变换和频域特征值计算,选用径向基核函数和粒子群参数优化方法建立支持向量机模型,并进行测试验证,结果表明:支持向量机分类方法能精确识别汽车水泵轴承常见的4类缺陷。为汽车水泵轴承的在线监测与故障诊断提供了参考。     

基于PSO-ELM的316L不锈钢细长管磁粒研磨内表面粗糙度预测模型

针对316L不锈钢细长管磁粒研磨加工过程中,最佳工艺参数难以选择,以及加工后对工件内表面粗糙度（Ra）的预测问题,将影响磁粒研磨316L不锈钢细长管内表面粗糙度的四个工艺参数作为输入值,内表面粗糙度作为输出值,构建粒子群（PSO）优化极限学习机（ELM）模型来预测316L不锈钢细长管内表面粗糙度,利用PSO对工艺参数进行全局寻优,获得最佳工艺参数组合,最后通过试验与预测结果进行对比。构建的PSO-ELM表面粗糙度预测模型拟合优度R2为0.984 8,绝对误差（MAE）为0.013 4,均方根误差（RMSE）为0.021 4。得到的最佳工艺参数组合为：主轴转速2 389.011r/min,进给速度3.167 mm/s,磨料粒径216.185μm,加工时间35.856 min,预测Ra为0.178μm。对工艺参数进行调整,试验得到的Ra为0.182μm,与预测值相比误差为2.24%。基于PSO-ELM方法构建316L不锈钢细长管内表面粗糙度预测模型,实现对工件内表面粗糙度的精确预测,应用粒子群方法得到最佳工艺参数组合,提高了磁粒研磨316L不锈钢细长管的加工效率。     

含颗粒缺陷涂层材料线接触力学性能数值分析

目的建立线载荷作用下含颗粒缺陷涂层材料的数值分析模型,探究颗粒缺陷对涂层材料接触力学性能的影响,以期为工程实际中机械传动部件表面的涂层工艺优化设计提供理论指导。方法利用半解析法,构建考虑颗粒缺陷的含涂层非均质材料线接触模型,所得计算结果与有限元法结果吻合良好。基于该模型,研究了摩擦系数、颗粒缺陷的位置及分布对含颗粒缺陷涂层材料最大von Mises应力及其深度位置的影响。结果随着摩擦系数的增大,最大von Mises应力值逐渐增大,其深度位置从涂层内部阶跃至近表面。随着颗粒缺陷中心x坐标从左到右变化,最大von Mises应力值先增大后减小,其深度位置位于涂层与基体界面附近或颗粒缺陷近表面端的上端。随着颗粒缺陷与涂层表面距离的增大,最大von Mises应力值先增大,后减小,并逐渐趋于稳定,其深度位置先逐渐远离涂层表面,随后稳定在涂层内部或涂层与基体界面区域。分布颗粒缺陷对最大von Mises应力的影响较为复杂,其深度则位于涂层与基体的界面或颗粒缺陷与基体的界面附近。结论摩擦系数与颗粒缺陷的位置及分布对涂层材料线接触力学性能均能产生较大影响。     

基于PSO-LSSVM算法的表面粗糙度预测模型与应用

为便于选取合适的切削参数,以满足期望的加工表面质量要求,提出一种最小二乘支持向量机(LSSVM)和粒子群优化(PSO)相结合的表面粗糙度预测模型。以预测精度和收敛速度为指标,对比PSO-LSSVM模型与支持向量机、人工神经网络和遗传算法优化BP神经网络模型的优劣。结果表明:PSO-LSSVM模型具有较高的预测精度和较快的收敛速度。基于MATLAB GUI搭建了表面粗糙度预测与参数优化应用系统。该系统具有较好的实用性,可实现简单、快速预测表面粗糙度,帮助决策人员灵活选取切削参数。     

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。     

Springback prediction for incremental sheet forming based on FEM-PSONN technology

In the incremental sheet forming (ISF) process, springback is a very important factor that affects the quality of parts. Predicting and controlling springback accurately is essential for the design of the toolpath for ISF. A three-dimensional elasto-plastic finite element model (FEM) was developed to simulate the process and the simulated results were compared with those from the experiment. The springback angle was found to be in accordance with the experimental result, proving the FEM to be effective. A coupled artificial neural networks (ANN) and finite element method technique was developed to simulate and predict springback responses to changes in the processing parameters. A particle swarm optimization (PSO) algorithm was used to optimize the weights and thresholds of the neural network model. The neural network was trained using available FEM simulation data. The results showed that a more accurate prediction of springback can be acquired using the FEM-PSONN model.     

基于混沌PSONN-PID神经网络的热连轧活套系统自适应解耦控制

为改善粒子群优化算法的寻优性能,提出了一种新的算法———混沌粒子群算法。该算法将混沌搜索机制引入到粒子群算法中来增加粒子的多样性,同时采用增加粒子交互性策略及先增后减的惯性权重因子模型来设置惯性权重因子,改善了递减策略中存在的缺陷。将改进后的算法与PID型单神经元相结合,并将其用于热连轧活套解耦控制系统。仿真试验表明：该算法较好地克服了粒子群算法易早熟和陷入局部最优的缺点,为解决活套系统高度张力耦合问题提供了一种新的有效途径。     

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。