基于模拟退火粒子群算法的不可靠测试点优化

针对实际复杂系统测试与诊断时存在虚警和漏检的情况问题,提出在不可靠测试条件下,基于模拟退火粒子群(SA-PSO)算法的测试点优化方法。首先综合考虑不可靠测试条件下测试点的故障检测能力、故障隔离能力及结果信任度设计了评价测试点性能的启发函数;然后,将该启发函数与测试费用最小原则相结合,并根据测试性指标的要求,构建确保测试点最优的适应度函数;最后,设计基于模拟退火粒子群算法的不可靠测试点优化步骤,并用阿波罗发射系统实例验证了该算法的优越性。结果表明SA-PSO算法能够在满足测试性指标的要求下获得最小测试费用的测试点集,其故障检测率、隔离率都优于贪婪算法及遗传算法。     

改进的基于霍夫曼编码的故障诊断策略

针对电子系统的可测试性设计和故障诊断中测试排序问题,提出了一种改进的优选测试点和故障诊断树生成算法。在相关性矩阵模型的基础上,以平均测试代价最小和平均测试步骤最少为设计目标,采用基于霍夫曼编码的启发式函数优选测试点,提出了一步回溯的与或树启发式搜索算法生成诊断树,并给出了诊断策略优化方法的具体实现步骤。实例表明该方法可行,能以较小的平均测试代价和较少的平均测试步骤隔离系统的故障状态。     

基于相关矩阵的动力传动系统故障诊断多类传感器优化布置方法研究

针对动力传动系统故障诊断研究中缺乏多类传感器优化布置方法的问题,在对测试性工程诊断设计阶段传感器优化布置方法进行深入研究的基础上,根据故障机理分析和故障树分析结果,提出基于故障-传感器相关矩阵的传感器布置备选方案获取方法及优化目标;在分析遗传算法和粒子群优化算法的基础上,提出遗传粒子群优化算法,在实例应用中获得了较好的结果;最后通过实例,验证了该方法的有效性。     

DPSO算法在故障诊断测试集优化中的应用

针对复杂系统的实时故障诊断问题,引入一种多目标离散粒子群优化(DPSO)算法对测试集进行优化,以实现有效的故障监测与隔离.在建立系统相关性模型的基础上,针对系统实时监视和实时诊断中故障检测数、故障隔离数、测试个数和测试成本等指标,分别设计了优化故障检测测试集和故障诊断测试集的多目标适应度函数.应用实例表明,该算法能快速地对测试集进行优化,提高实时诊断的效率,并可作为改进系统测试性设计中的一种测试综合评估方法.     

基于优化神经网络的变压器故障诊断方法研究

传统基于反向传播（BackPropagation,BP）神经网络的电力变压器故障诊断方法正判率较低,本文利用粒子群算法优化神经网络算法进而对变压器故障诊断展开研究。具体做法是在电力变压器油的气体分析过程中采用优化后的神经网络方法进行故障诊断,其中优化算法为邻域粒子群算法,将经过采集、归类、预处理后的变压器油气体相关数据输入优化后的BP神经网络,利用网络进行充分优化与训练,完成电力变压器的故障类别诊断。案例分析结果显示本文基于神经网络的变压器故障诊断方法提高了故障类别诊断的正确率。     

基于模拟退火离散粒子群算法的测试点优化

针对复杂系统的测试点优化问题,提出一种基于模拟退火离散粒子群（SA-BPSO）算法的测试点优化算法。该算法利用模拟退火算法的概率突跳能力,克服了基本粒子群算法易陷入局部最优解的缺陷。阐述了该算法在系统测试点优化应用中的流程及关键步骤,并且理论分析了该算法的复杂度。仿真结果表明,该算法在计算时间和测试费用方面都优于遗传算法,能够应用于复杂系统的测试点优化。     

基于遗传粒子群混合算法的测试节点优选方法研究

随着电子技术的大规模发展,电路可靠性要求逐步提高,电路板测试诊断的重要性日益凸显;如何寻求最佳的测试节点或测试矢量集是电路的故障诊断中的重要问题,提出一种基于遗传粒子群优化算法对测试节点进行优化选择.该方法通过建立电路测试节点的"故障-测试"矩阵,用遗传算法对数学模型的进行优化,并采用粒子群算法搜索实现了快速求解;与传统方法相比较,该方法搜索速度快,优化效果明显,已在工程实践中得到应用.     

CPSO-NP优化算法及其在TE过程中应用

为有效平衡粒子群算法的探索和开发能力,解决粒子群局部最优、收敛速度慢等问题,提出了基于捕食搜索和自然选择的混沌粒子群算法.该算法借鉴自然选择中适者生存的进化机制以提高算法的收敛速度;且捕食搜索策略调节限制级别平衡全局搜索和局部搜索,优化搜索性能;通过函数测试和化工TE的故障诊断,结果表明:所提算法计算精度高、收敛速度快,能准确地对SVM的参数进行寻优,提高了故障诊断的准确性.     

基于粒子群优化算法电机转子故障诊断研究

提出一种基于反向粒子群优化算法感应电机转子故障诊断方法。将转子磁链误差作为粒子群的适应度函数,通过反向粒子群优化算法自适应调整转子磁链电流模型的参数,辨识故障状态下感应电机的转子电阻。仿真结果表明,该方法对电源电压、负载波动具有较强的抗干扰能力,运算效率高,收敛速度快,具有良好的辨识效果。     

基于软计算的汽车线控转向系统故障诊断

针对线控转向汽车的可靠性和安全性以及故障诊断方法的不足,提出了一种基于软计算的汽车线控转向故障诊断方法,该方法利用软计算中的粗糙集和粒子群优化的径向基神经网络进行结合。将粗糙集作为径向基神经网络的输入处理,对样本数据进行属性约简,约简后的属性集作为径向基神经网络的输入以达到缩短网络训练时间的目的。采用粒子群算法对径向基神经网络的基函数中心值和宽度进行编码和寻优,并使用得到的最优中心值和宽度组建径向基神经网络,使得径向基神经网络的样本训练误差相比未优化之前有一定程度的降低。然后使用训练好的神经网络对故障样本进行测试,测试结果表明,该方法加快了神经网络的训练速度,提高了神经网络的诊断准确度。     

混沌自适应粒子群算法在故障检测中的应用

针对舰员对装备维修能力不足的情况,论文提出了一种能够应用于便携式故障诊断仪中的故障树诊断算法.首先通过对混沌自适应粒子群算法的参数选择进行优化,使粒子能够在全局范围内进行搜索,克服了其易陷入局部最优的缺点,其次将其应用于故障树诊断算法中,并通过仿真试验证明了该方法的有效性.     

基于PSO和SVM的牵引变压器绝缘故障诊断

为提高牵引变压器绝缘故障诊断的正确性,在分析其负荷特征和特征气体产生机理的基础上,针对其故障特点提出基于粒子群优化（Particle Swarm Optimization,PSO）算法和支持向量机（Support Vector Machine,SVM）的牵引变压器绝缘故障诊断方法.根据罗杰斯比值法将变压器状态分为12种故障模式;用PSO算法优化SVM参数,充分发挥SVM具有较高泛化能力的优势.试验表明该方法能快速、准确地找到相应的优化参数,有效进行牵引变压器绝缘的故障诊断.     

基于粒子群神经网络的气阀机构故障诊断

提出应用粒子群神经网络和小波包能量特征的柴油机气阀机构故障诊断方法.为了克服BP算法的缺陷,将粒子群优化(PSO)算法应用于神经网络的学习算法中;为了避免PSO算法在全局最优值附近搜索变慢,采用了一种从PSO搜索到BP搜索的启发式算法;然后,通过模拟柴油机气阀机构的两种常见的主要故障:气阀漏气和气门间隙异常,采集气缸盖...     

基于PSO神经网络的故障诊断方法研究

将粒子群优化算法和BP算法相结合,提出了一种基于粒子群神经网络的故障诊断方法.该方法分阶段实施神经网络的训练,有效地加强了算法的全局搜索能力,采用PSO优化了传播中的权值、阈值以及网络结构.这不仅弥补了BP算法的不足,而且删除了冗余连接,提高了故障模式识别的能力.仿真结果表明该方法加快了神经网络的学习收敛速度,提高了故障模式的识别正确率,可以有效地应用于设备的故障诊断.     

LF-PSO优化神经网络的高压断路器机械故障诊断

目前对高压断路器的故障诊断方法较多,其中采用神经网络方法居多。提出一种基于莱维飞行粒子群算法（LF-PSO）优化PNN神经网络的故障诊断技术。PNN结构简单,收敛速度快,但其中平滑因子σ对网络输出结果正确性影响较大,采用改进的粒子群算法对σ进行寻优。在标准粒子群基础上加入LF 能有效地使粒子通过随机游走产生新的解,经历新的搜索路径和领域,从而增加了种群的多样性,提高发现更优解的概率,不易陷入局部极值,提高了搜索的速度。通过实验数据验证,LF-PSO优化的PNN算法加快了搜索的速度,提高了诊断的精度,减小了误差,分类效果明显,是一种有效的故障诊断方法。     

基于改进的粒子群优化的神经网络故障诊断方法研究

针对BP(Back Propagation)神经网络易陷入局部极值的缺点,提出了一种粒子群PSO(Particle Swarm Optimization)神经网络,同时为避免PSO算法早熟,对部分粒子采用变异操作。应用于故障诊断系统的仿真结果表明,该算法能够大大提高故障诊断的精度。     

基于PSO-RBF神经网络的模拟电路诊断*

为了提高径向基神经网络(radial basis funtion neural network,RBFNN)进行模拟电路故障诊断的速度与准确性,提出了一种基于粒子群算法(particle swarm optimization,PSO)优化RBFNN的故障诊断方法。该方法利用PSO优化RBFNN的结构参数,克服了神经网络中模型结构和参数难以设置的缺点,避免了参数选择的盲目性;同时对模拟电路的响应信号采用小波包分解,提取有效故障特征。仿真结果表明,方法具有更高的诊断精度和更快的收敛速度,能有效地实施模拟电路的故障定位。     

粗糙集及PSO优化BP网络的故障诊断研究

针对PP神经网络故障诊断存在网络结构复杂、训练时间长、精度不高的问题,将粗糙集、微粒群算法、遗传算法引入到柴油机故障诊断中,提出了基于粗糙集理论与改进PP神经网络相结合的柴油机故障诊断算法。算法采用自组织映射方法对连续属性离散化,利用粗糙集理论对特征参数进行属性约简,使用微粒群算法优化PP网络结构,从而缩短训练时间,有效提高故障诊断的准确度。最后用柴油机的实际诊断结果验证了该算法的可行性、快速性和准确性。     

基于PSO-SVM的电机故障检测

传统智能故障检测模型中算法初始参数复杂,选取难度较大,缺乏自学习、自组织能力、泛化能力弱,极易陷入局部极小值、算法单一等缺点.组合应用智能检测算法可整合不同算法优势,避免单一算法缺点,为此,文中提出支持向量机算法与改进粒子群算法相结合的电机故障检测模型:以电机故障特征频率特征数据为基础,首先使用改进全局求解性能的粒子群算法求解影响支持向量机分类检测性能的最佳参数,然后把最佳参数应用于的擅长模式识别的支持向量机算法,进行样本数据的训练,构建故障检测模型;最后,使用故障检测模型对电机的状态进行预测.实验结果表明,采用该方法进行故障检测的准确率,比传统的神经网络方法提高17%,比纯支持向量机算法提高3.33%.     

依概率收敛的改进粒子群优化算法

粒子群优化算法是一种随机优化算法,但它不依概率1收敛到全局最优解。因此提出一种新的依概率收敛的粒子群优化算法。在该算法中,首先引入了具有探索和开发能力的两个变异算子,并依一定概率对粒子当前最好位置应用这两个算子,然后证明了该算法是依概率1收敛到ε-最优解。最后,把该算法应用到13个典型的测试函数中,并与其他粒子群优化算法比较,数值结果表明所给出的算法能够提高求解精度和收敛速度。