基于性能衰退的航空发动机剩余寿命组合预测方法

以民用航空发动机为研究对象,运用性能退化可靠性理论和贝叶斯更新方法,对发动机的剩余寿命进行了研究.首先通过分析发动机性能退化过程,利用贝叶斯更新方法得到了基于性能衰退信息的航空发动机剩余寿命分布;然后利用免疫粒子群优化算法建立了航空发动机剩余寿命组合预测模型.实例证明:该方法预测精度明显高于各个参与组合的预测模型,可操...     

基于粒子群优化的神经网络训练算法在产品种类预测中的应用

市场环境的变化导致产品更新换代加快，产品种类预测成为新的难题。传统的线性预测方法只能对产品需求的数量或价格等数值进行预测，而无法对产品的发展趋势和未来种类做出正确预测。通过对产品种类预测、数据挖掘和粒子群优化算法的研究，建立种类预测模型，利用基于粒子群优化的神经网络训练算法进行产品种类预测，并以手机为例进行预测，结果证明该方法是有效的。     

基于PSO-ELM的液压油性能衰退预测及分析

提出基于粒子群优化（Particle Swarm Optimization,PSO）的极限学习机（Extreme Learning Machine,ELM）的液压油性能衰退预测方法。以L-HM46抗磨液压油为研究对象,设计液压油性能衰退实验,检测油液的黏度、张角、水分含量、衰退度。基于提出的液压油性能衰退预测方法,利用遍历搜索和PSO算法分别对ELM的外部、内部参数进行优化选取,从而建立最优的性能衰退预测模型。将油液的黏度、张角、水分含量作为模型输入特征向量,衰退度作为模型输出,采用PSO-ELM性能衰退预测模型对液压油性能进行仿真分析。结果表明：PSO-ELM算法计算结果与实验数据吻合较好;PSO-ELM算法预测精度达到了98.47%,高于ELM算法的预测精度,表明PSO-ELM算法能更准确地预测液压油的衰退情况,为确定换油时机提供参考。     

基于神经网络与PSO算法的发动机装配工艺参数优化

针对汽车发动机装配过程中缸体泄漏问题,结合Back Propagation(BP)神经网络及粒子群优化(Particle Swarm Optimization, PSO)算法,提出了一种发动机装配工艺参数优化方法。首先,使用BP神经网络建立了生产工艺参数与质量指标之间的非线性映射关系,并以此作为泄漏率预测模型。其次,根据实际生产需求,应用皮尔逊相关性分析法求解得到相关性最强的部分工位工艺参数,并以其作为后续优化对象。最后,以BP神经网络预测模型作为适应度函数,使用粒子群优化算法求解得到工艺参数的最优值。使用400台发动机的实际生产数据进行试验。试验结果显示,BP神经网络具有较准确的预测效果,结合粒子群优化算法得到了优化后的工艺参数值,显著降低了发动机的泄漏率,具有一定的指导意义。     

改进粒子群优化-Elman算法在发动机曲轴脉宽预测中的应用

针对发动机曲轴脉宽难以预测的问题,提出了改进粒子群(PSO)优化Elman神经网络预测的方法。采用Elman神经网络建立脉宽预测模型,根据网络陷入局部最优的代数与迭代次数动态更新网络惯性权重使PSO算法得到改进,利用改进的PSO算法对Elman神经网络的权值和阈值进行优化。对YC6G270-30型增压中冷柴油机曲轴信号脉宽的预测结果表明,改进的PSO-Elman算法比最小二乘、Elman、PSO-Elman算法具有更高的预测精度,收敛速度更快,验证了所提出方法的有效性与实用性。     

航空发动机振动趋势预测的过程神经网络法

提出一种基于过程神经网络思想的航空发动机振动趋势预测方法.利用过程神经网络具有输出函数对输入函数在时间上的聚合效应和非线性映射能力,预测方法的网络结构选择为9个输入节点,第2层和第3层各有9个隐层节点,1个输出节点,参数外推预测,将选取的振动历史数据分为学习样本和检测样本两组,学习样本用于网络训练,检测样本用于检验预测模型的精度.在相同条件下,与传统人工神经网络进行趋势预测比较,提高了网络训练速度,降低了预测误差.将所提出的预测方法应用到某型航空发动机的振动趋势预测中,预测结果与实际值的误差符合要求.     

一种动态改变惯性权重的粒子群优化算法

针对粒子群优化算法的局限性，提出了一种动态改变惯性权重的粒子群算法，在优化迭代过程中，惯性权重值随粒子的位置和目标函数的性质而变化。函数测试表明，改进后的算法使收敛速度显著加快，而且不易陷入局部极值点。     

一种自适应粒子群算法的小波神经网络优化

针对传统粒子群算法易陷入局部最优解的问题,提出了一种变权重粒子群算法.该算法通过引入交叉权重因子和粒子个体状态最优权值,对传统粒子群算法进行了优化,使粒子在移动过程中利用更多的信息来调整各自的移动方向,扩大粒子在运动过程中的自我认知范围,提高了粒子群算法的收敛精度和收敛速度.最后,利用改进的变权重粒子群算法对小波神经网络控制器进行优化,有效地验证了变权重粒子群算法的精确性.     

基于改进PSO算法的液压调高系统神经网络预测控制

针对采煤机液压调高控制问题,提出一种基于模拟退火粒子群算法的RBF预测控制方法。综合模拟退火算法和粒子群算法的优点,用模拟退火思想来解决粒子群算法易陷于局部最优的问题。用模拟退火粒子群算法优化RBF神经网络,增强学习能力和算法稳定性。利用改进的RBF神经网络对采煤机液压调高系统进行预测控制,仿真结果表明,改进后的方法比传统控制方法辨识精度提高,响应速度更快,证明了该方法的改进效果较好。     

应用混沌粒子群算法求解工程优化问题

针对工程优化设计问题,提出了基于混沌粒子群算法的工程约束优化问题求解方法.CPSO算法利用混沌搜索的全局遍历性、随机性和规律性等特点,引导粒子在全局范围内搜索,从而克服了传统粒子群算法早熟收敛的缺点.该算法以种群适应度方差作为粒子群优化算法早熟收敛的判据,并用惩罚函数法处理违法约束的粒子,当基本粒子群算法陷入早熟时,随机选择粒子群中的部分粒子实施混沌搜索,直至满足迭代收敛条件为止.CPSO算法能提高种群的多样性和粒子搜索的遍历性,从而有效提高了PSO算法的收敛速度和精度.两个工程约束优化实例的求解结果表明,该算法的优化结果最好,收敛速度也比较快.     

基于改进QPSO-SVR的航空发动机排气温度预测

为了减少航空发动机排气温度的随机性对飞机安全飞行的影响,提出了改进量子粒子群优化支持向量回归机(improved quantum behaved particle swarm optimization support vector regression,简称IQPSO-SVR)的航空发动机排气温度预测模型,以A319飞机的V2500发动机为例,选取状态监控所监测的性能参数数据作为训练样本和测试样本,其中航空发动机的高压转子转速、低压转子转速、燃油流量、高压压气机出口温度以及时间t作为模型的输入,以航空发动机排气温度作为模型的输出,在不同组训练样本的条件下,对改进量子粒子群优化过的支持向量回归基模型进行测试,并与量子粒子群优化支持向量回归机(quantum behaved particle swarm optimization support vector regression,简称QPSO-SVR)、支持回归机(support vector regression,简称SVR)进行对比。研究结果表明,改进量子粒子群优化支持向量回归机在航空发动机排气温度预测中相较其他两方法准确性更高,同时,在添加噪声的情况下,IQPSO-SVR也具有较好的预测能力。     

航空发动机滑油金属含量预测及其控制研究

针对航空发动机滑油金属含量受许多复杂因素影响,难以预测其变化趋势,提出了一种基于E lman过程神经网络的航空发动机滑油金属含量预测方法,给出了相应的学习算法,并取得了满意的结果。根据预测结果,分析滑油金属含量超标的原因,并给出相应的控制措施以保证飞行安全和降低维修成本。     

基于粒子群优化神经网络的水下链式机器人直航阻力预报

多单体水下机器人串联组成的水下链式机器人具有航行效率高、稳定性能好、搭载能力强等优势,对其直航阻力的精确预报可实现更有效的运动控制和更合理的动力编组。针对由于水下链式机器人各单体间耦合关系复杂及使用计算流体力学分析阻力耗时较长导致无法快速准确进行阻力预报问题,开展了水下链式机器人直航阻力预报研究。利用计算流体力学分析获得大量输入量（单体数量、航速和单体间间距）与输出量（直航阻力）样本数据,使用BP神经网络建立输入量与输出量模型关系,并通过粒子群算法优化神经网络的初始权值和偏差以改善BP神经网络易陷入局部极值点和过拟合等问题。由大量测试样本的预报结果可知：基于粒子群优化的BP神经网络算法比传统BP神经网络算法预报结果更准确,在给定不同速度和间距测试中均方误差分别降低了2.04×10^-5和7.40×10^-6;在5单体水下链式机器人以0.25 m/s²的加速度做匀加速运动过程中,基于粒子群优化的BP神经网络模型预报结果的平均相对误差为0.42%,精度较高。试验结果说明所提方法是可行且有效的。     

带收缩因子的PSO算法在齿轮箱故障诊断中的应用

应用带收缩因子的粒子群优化算法训练神经网络的权值矩阵，使神经网络的收敛速度大大提高，避免了其陷入局部最优解的缺陷；根据振动实验室齿轮箱实验数据，分析研究故障信号的特点，提取相应的特征参数，应用训练后的神经网络诊断齿轮箱的故障，实验表明故障诊断率较高。     

微粒群优化倒立摆神经网络控制器设计研究

将微粒群算法和多层前馈神经网络相结合,提出了一种利用微粒群算法代替BP算法训练多层前馈神经网络权值,以实现神经网络控制的方法,并对非线性模型的辨识问题和一级直线倒立摆的控制问题进行了仿真研究。仿真实验表明：微粒群算法在神经网络控制及非线性模型辨识方面效果良好,具有良好的应用前景。     

PSO优化灰色神经网络的珩磨油石磨损预测

为了预测油石的切削寿命,保证珩磨加工质量,引入灰色神经网络,通过将珩磨工艺加工参数作为模型输入来预测油石的磨损量,最终建立了珩磨油石磨损量预报模型。在油石磨损量预测过程中,针对神经网络存在收敛速度慢、容易陷入局部最优等缺陷,利用粒子群算法对灰色神经网络的参数进行优化。试验结果表明,基于粒子群算法改进的灰色神经网络具有更好的逼近能力和预测精度,便于合理更换油石。     

基于改进粒子群算法的神经网络PID控制研究

BP神经网络PID控制是利用BP神经网络的自学习和逼近任意非线性函数功能,对PID控制器的三个参数进行在线整定,但网络初始权值的选取困难.采用改进的PSO算法优化BP神经网络的初始权值,并对基于PAO算法的BP神经网络PID控制进行仿真实验.仿真结果表明,PSO算法使得网络初始权值的选取比较快速,系统的性能有所提高.     

改进粒子群算法在治疗型关节炎护膝中的应用

为保证治疗型关节炎护膝中升压电路的优良性能，必须对其中的电路参数进行优化。本文采用一种改进的粒子群算法对升压电路中控制强度的参数进行优化，保证平稳的升压性能。同时为了保证粒子群在搜索过程中目标函数的可计算，采用神经网络对升压电路进行建模，通过实验数据对神经网络进行训练并测试。最后分别在粒子群优化后的参数与原有参数下，对升压电路性能进行比较，验证了该算法所确定的参数可以保证升压过程更平稳，电路具有更好的性能。