基于PSO-LSSVM模型的扩散硅压力传感器的温度补偿

针对扩散硅压力传感器温度漂移的问题,文中提出了一种基于粒子群算法优化最小二乘支持向量机(PSO-LSSVM)的温度补偿模型。通过对扩散硅压力传感器做二维标定实验,利用AD590集成温度传感器监测实验环境温度,建立PSO-LSSVM模型。最小二乘支持向量机的惩罚因子和核函数的选取会直接影响到模型的预测精度,PSO-LSSVM模型利用粒子群算法优化最小二乘支持向量机模型的惩罚因子和核函数的参数,改善了传统的最小二乘支持向量机模型对参数选取耗时耗力且未必找到全局最优解的缺陷。实验结果表明,经该模型补偿后的零点温度系数和灵敏度温度系数都减小了一个数量级,且预测值与标定值的均方误差的数量级达到10~(-6),实现了温度补偿并改善了预测精度。     

基于萤火虫优化BP神经网络方法的传感器温度补偿策略

为了解决硅压阻式压力传感器温度漂移现象影响工程测量精度的问题,提出一种基于萤火虫优化的BP神经网络温度补偿策略。对一般型BP神经网络利用萤火虫算法进行权值和阈值的优化,进而提高神经网络的泛化性能和搜索速度,并利用优化后的BP神经网络进行压力传感器温度补偿实验。将优化后的BP神经网络温度补偿性能与一般的神经网络和粒子群优化的神经网络进行对比分析,结果表明:萤火虫优化后的BP神经网络补偿效果显著,相比于一般的神经网络补偿误差减少了52%,相比于粒子群优化的BP神经网络补偿误差减少了23%;考虑补偿耗时,萤火虫优化的BP神经网络综合特性表现良好,补偿后的传感器数据满足课题实验需求,补偿算法可行。     

基于粒子群优化灰色神经网络的机床主轴热误差建模

主轴热误差是影响机床精度的主要因素,建立准确的主轴热误差模型是进行机床误差补偿的关键。研究了温度测点优化和神经网络建模的方法,给出了粒子群优化灰色神经网络建模的流程。开展了主轴热误差热特性试验,得到了主轴热变形随主轴转速的变化规律。基于粒子群优化灰色神经网络建立了主轴轴向伸长和俯仰角热误差模型,并与灰色神经网络和BP网络的预测性能进行了对比,结果表明该模型可有效提高网络模型的收敛性和预测精度。     

基于PSO-BP神经网络的光纤压力传感器温度补偿研究

针对光纤压力传感器受温度漂移影响较大的问题,提出了一种基于粒子群优化BP神经网络算法(PSO-BP)的温度补偿修正模型。通过对光纤压力传感器做标定实验,并且利用LM35温度传感器监测其工作温度,建立PSO-BP神经网络模型。该模型用粒子群智能算法对传统的BP神经网络的权、阈值进行全局的优化,改善了BP网络收敛的速度较慢的问题,克服了容易陷入局部极值的缺陷。与传统BP神经网络补偿结果进行比较,PSO-BP得到的预测误差相对较小且平稳些。研究结果表明,补偿后灵敏度温度系数改善了1个数量级,相对误差提高了2个数量级,从而实现温度补偿的目的。     

基于阻尼粒子群优化的地磁场测量误差补偿

针对三轴磁力仪在磁场测量过程中的磁干扰问题,提出了基于阻尼粒子群优化算法的磁测误差补偿方法。建立了磁力仪误差和载体磁干扰的一体化误差补偿模型,分别采用阻尼粒子群算法和Two-step方法对非线性观测模型进行参数估计。以质子磁力仪数据作为真值,借助无磁转台充分连续采样,实验结果显示,阻尼粒子群算法对于磁场测量误差具有良好的抑制作用。补偿后,由阻尼粒子群算法和Two-step方法得到的均方根误差分别由1 025.7降至60.304 4、581 n T。结果表明,阻尼粒子群算法取得了更好的补偿效果,补偿精度提高了至少一个数量级,为磁场测量误差提供了一种非常有效的补偿方法。     

精密数控车床主轴热误差建模

开展了精密数控车床主轴系统热误差补偿的实验与建模方法的研究。建立了精密数控车床主轴系统轴向与径向偏转热误差补偿模型以增强其误差补偿能力,并提高机床加工精度。构建了主轴系统热误差测试平台,应用五点法测试主轴系统热误差,使用热电偶与红外热像仪测量主轴系统温升关键点温度变化数据,应用灰色综合关联分析法实现温度敏感测点辨识。构建了基于粒子滤波重采样粒子群算法的热误差预测模型,对模型预测效果进行评价。结果表明:基于粒子滤波重采样粒子群热误差补偿模型得到的轴向热误差预测残差为-1.29μm~1.55μm,建模精度为95.04%;y向热偏转误差预测残差为-4.68×10~(-6°)~9.66×10~(-6°),建模精度为91.26%;z向热偏转误差预测残差为-5.83×10~(-6°)~8.59×10~(-6°),建模精度为93.24%。实验结果证明该热误差补偿模型具有较高的预测精度,具有较强的工程应用价值。     

基于ACPSO优化SVR的棒材连轧轧制力预测研究

针对钛合金棒材热连轧轧制力的精确预测问题,提出了一种基于加速收敛的粒子群(accelerate convergence particle swarm optimization,ACPSO)优化支持向量回归(support vector regression,SVR)的预测算法.该算法首先通过使粒子在每次速度迭代过程中偏离速度迭代一个小角度,在位置迭代过程中偏离迭代位置一小步,改善了粒子群算法的收敛性及收敛速度,再通过ACPSO算法实现对支持向量回归机的参数ε、c、γ的同时寻优,从而使ACPSO-SVR模型具有较高的预测精度和泛化能力.通过仿真实验和实际数据的比对,验证了方法的有效性.实验结果表明,ACPSO-SVR算法能够有效、快速地实现轧制力的精确预测,在预测速度和适应性方面,优于基于PSO-SVR(particle swarm optimization-support vector regression)的预测算法;在预测精度等方面,该算法优于BPNN(back propagation neural network)、SVR、PSO-SVR等算法,平均误差率从BP神经网络的±9％降到±4％以内.     

涡轴发动机弹性支撑外挤压油膜涡动特征频率

为实现环境激励下复杂钢结构的损伤预警,提出一种基于粒子群优化（particle swarm optimization, 简称PSO）的支持向量回归（support vector regression, 简称SVR）-时间序列（auto-regressive and moving average model, 简称ARMA）组合模型用于频率预测,并结合均值控制图法将其用于复杂钢结构的损伤预警中。所提出频率预测模型的准确性和有效性采用潍坊市白浪河摩天轮钢结构实测数据进行验证。验证结果表明：与基本SVR模型、SVR-ARMA模型和PSO-SVR模型相比,所提模型具有更高的泛化能力和预测精度;在白浪河摩天轮钢结构的损伤预警中,基于粒子群优化的SVR-ARMA组合模型可检出由损伤造成模态频率轻微的异常变化,具有较强的损伤敏感性。研究成果可为环境激励下复杂钢结构的损伤预警提供参考。     

基于粒子群优化SVR-ARMA组合模型频率预测

为实现环境激励下复杂钢结构的损伤预警,提出一种基于粒子群优化(particle swarm optimization,简称PSO)的支持向量回归(support vector regression,简称SVR)-时间序列(auto-regressive and moving average model,简称ARMA)组合模型用于频率预测,并结合均值控制图法将其用于复杂钢结构的损伤预警中。所提出频率预测模型的准确性和有效性采用潍坊市白浪河摩天轮钢结构实测数据进行验证。验证结果表明:与基本SVR模型、SVR-ARMA模型和PSO-SVR模型相比,所提模型具有更高的泛化能力和预测精度;在白浪河摩天轮钢结构的损伤预警中,基于粒子群优化的SVR-ARMA组合模型可检出由损伤造成模态频率轻微的异常变化,具有较强的损伤敏感性。研究成果可为环境激励下复杂钢结构的损伤预警提供参考。     

锂离子电池外部短路电压行为预测模型评价

锂离子电池外部短路瞬间产生大电流引发安全事故频繁发生,精确的模型是风险预警的基础。围绕外部短路故障,从不同初始荷电状态(State of charge,SOC)、不同温度两方面开展了Thevenin等效电路模型与单粒子电化学模型的电压预测精度评价与复杂性对比。结果表明,Thevenin模型精度随初始SOC降低而下降,随环境温度升高上升;单粒子模型精度受初始SOC影响较小,随温度升高先上升后下降。针对Thevenin模型短路中精度下降等问题,提出了应用电感元件的模型优化方法。模型方均根误差小于60 mV,精度提升了76%;针对单粒子模型在外部短路大电流中精度变差的问题,提出了使用双电层放电和锂离子扩散限制进行建模的模型优化方法。模型方均根误差小于40 mV,精度提升了64%。优化后的模型分析结果表明：Thevenin模型实时性高,单粒子模型弥补了电池漏液时Thevenin模型的失效,但计算复杂;前者可用在外部短路的前期诊断和预警中,后者可用在外部短路发生后的热管理或热安全研究中。     

基于粒子群优化神经网络的机器人精度补偿方法研究


针对工业机器人应用于飞机柔性化自动装配时绝对定位精度不能满足装配精度的问题,在机器人空间网格精度补偿方法的基础上,综合考虑环境温度的变化对机器人的绝对定位精度的影响,提出了基于神经网络的机器人综合精度补偿方法。为了防止神经网络在训练中陷入局部极值,采用粒子群优化方法对它的初始权值和阈值进行了优化。实验结果表明,当温度在20~30℃范围内变化时,机器人的绝对定位误差由补偿前的1~3mm,提高到补偿后的绝对定位误差最大值为0.32mm,平均值为0.194mm,精度较未补偿前有了大幅提高,可以满足飞机自动化装配的高精度的要求。

     

采用改进灰色神经网络的铣床热误差补偿研究

数控铣床在铣削零件过程中,主轴会受到温度变化影响而发生热变形,导致铣削零件误差较大,从而降低产品精度。对此,采用一阶线性微分方程推导GM(1,1)模型,创建灰色预测模型。将神经网络模型与灰色预测模型进行组合,建立灰色神经网络预测模型。引用粒子群算法,在粒子群算法中增加变异操作和修改惯性权重系数,给出改进粒子群算法优化灰色神经网络预测模型的具体操作步骤。采用实验测试铣床铣削过程中所产生的热误差,并与预测模型进行比较。结果显示:在铣床主轴X、Y、Z轴三个方向上,灰色神经网络预测模型对铣床主轴补偿后,得到的残差较大;而改进灰色神经网络预测模型对铣床主轴补偿后,得到的残差相对较小。采用改进粒子群算法优化灰色神经网络预测模型,能够提高铣床主轴铣削精度。     

基于GA-BP神经网络的光纤陀螺温度补偿

标度因数和零偏的温度特性是影响光纤陀螺工作性能的主要因素,为提高光纤陀螺仪的输出精度,分别建立了基于BP神经网络的标度因数和零偏的温度补偿模型。在此基础上提出了利用遗传算法优化网络参数来弥补BP神经网络算法所存在的不足,最终建立了GA-BP神经网络温度补偿模型。使用在不同温度下的标度因数和零偏测试数据对改进后的神经网络补偿模型进行验证并与原网络模型进行对比分析,实验结果表明,优化过的模型其补偿效果具有很大的提高,其补偿的误差精度提高了一个级别。     

基于PSO-SVR的15-5PH合金粉末激光熔覆层稀释率预测方法

为了预测15-5PH合金粉末激光熔覆层稀释率进而改善熔覆层性能,提出一种基于粒子群算法(PSO)优化支持向量回归(SVR)的15-5PH激光熔覆层稀释率预测方法。以15-5PH为熔覆材料,45钢为基体进行激光熔覆实验;基于实验结果建立了工艺参数与15-5PH熔覆层稀释率间的SVR模型;优选SVR模型的核函数并运用PSO优化SVR模型的参数。结果表明：PSO-SVR模型选择高斯核函数时预测性能最好;与SVR模型和BP神经网络模型的预测结果相比,PSO-SVR模型对15-5PH熔覆层稀释率的预测结果更准确,模型的决定系数为0.964 7,均方误差为0.000 3,平均相对误差为3.6%。     

改进PSO优化的小波神经网络在压力传感器温度补偿中的研究

针对电阻应变式压力传感器在实际工作环境使用中出现温度漂移,进而影响测量精度的问题,提出了基于粒子群算法(PSO)优化小波神经网络的温度补偿方法,通过PSO算法优化小波神经网络的参数,克服基本人工神经网络收敛速度慢,容易陷入局部极值的缺陷。研究结果表明：该方法能有效地消除环境温度对电阻应变式压力传感器输出的影响,经过温度补偿后其压力传感器的全温区准确度提高到了0.136 4%,温度漂移明显得到改善,提高了压力传感器的稳定性和准确性。     

金属壳谐振陀螺温度误差补偿方法

针对温度变化导致陀螺精度降低的问题,提出金属壳谐振陀螺温度误差补偿方法。分别建立金属壳谐振陀螺的温度误差线性模型和玻尔兹曼模型,基于两种模型对陀螺输出进行补偿。实验数据表明,基于玻尔兹曼模型的补偿效果优于线性模型,补偿后漂移标准差降低了80%以上,可大幅降低温度变化对金属壳谐振陀螺精度的影响。     

基于FOA优化SOM-RBF的压力传感器温度补偿研究

硅压阻式差压传感器受硅片和封装介质温度特性的影响,温变时,传感器输出呈现明显的非线性。文中提出一种全新温度补偿方法,采用基本RBF网络确定网络隐含层节点数,建立自适应SOM网络得到RBF网络中心值,采用FOA对RBF网络扩展参数进行寻优得到最终优化RBF网络,最后将测试数据输入网络得到补偿输出。结果表明:补偿精度随着RBF网络的优化逐步提升,补偿后平均最大相对误差精度为9.642 7×10-4,相对均方误差精度为2.476 2×10-7。模型输出结果验证了算法用于硅压力传感器温度补偿的有效性,抑制了温度对传感器输出的影响。     

基于粒子群算法的6-DOF并联坐标测量机测量建模

为了求解6-DOF并联坐标测量机的位置正解（测量模型）,克服数值解法求解并联机构位置正解时解的精度易受初值的影响,建立了无约束的优化模型,并使用粒子群算法对此模型进行优化。依据并联机构的位置反解模型,给出求解6-DOF并联坐标测量机位置正解的无约束优化模型,并应用粒子群算法对该优化问题进行求解,由此可将复杂的并联坐标测量机测量建模问题转换为优化问题,从而求得位置正解。仿真结果表明：80个粒子大约经过55次的迭代运算后,收敛精度可达到0.5μm,平均运行时间约为3s。粒子群算法应用于并联坐标测量机测量建模与求解,可获得较高的计算速度和计算精度。     

基于逐步回归的机床温度测点优化及热误差建模技术

通过对机床温度测点进行优化,建立其与机床热误差之间的数学模型,对机床热误差进行实时预测与补偿控制,是提高数控机床加工精度的重要途径。为解决现有机床热误差模型预测精度低、鲁棒性差的问题,提出一种基于逐步回归的数控机床温度测点优化方法。通过偏F统计量的检验,在初步建立的回归模型中逐个引入新变量,剔除不显著的老变量,实现温度测点的优化布置,获得数控机床热误差的最优回归模型。将该方法应用于某数控机床,结果表明,基于逐步回归的机床热误差模型,所用温度变量最少,且预测精度最高。     

基于改进PSO-SVR的连杆机构可靠度敏感性研究

为提高连杆机构的运动精度可靠性,提出一种利用多体动力学和支持向量回归(Support Vector Regression,SVR)算法构建机构的运动模型并对其进行可靠度敏感性分析的方法。通过引入粒子群优化(Particle Swarm Optimization,PSO)算法对SVR的惩罚参数和核函数参数进行寻优,提高SVR的回归预测精度。为克服PSO容易早熟和搜索精度低等缺点,对惯性权重系数和学习因子进行改进,应用改进算法与标准PSO-SVR算法并结合蒙特卡洛模拟对四杆机构的可靠度敏感性进行分析研究。通过实验对比表明,改进的算法收敛速度更快、回归预测精度更加接近于蒙特卡洛模拟,且计算速度优于蒙特卡洛模拟。