轧机垂直系统动力学参数辨识

 针对轧机垂直系统动力学参数可信度不足等问题，提出一种基于实测数据的改进粒子群算法辨识轧机垂直系统动力学参数的方法。首先,将轧机垂直系统刚度和阻尼考虑成达芬振子和范德波尔振子，构建轧机垂直系统非线性动力学模型，并对粒子群算法进行改进；然后，通过数值仿真算例辨识得到系统在感染噪声和不含噪声时的动力学参数，验证了该算法的有效性；最后，以现场某轧机垂直系统为研究对象，基于现场实测数据，应用该算法进行辨识，得到了轧机垂直系统动力学参数估计，通过实测位移、速度和加速度信号分别与辨识后的位移、速度和加速度信号进行对比，证明该方法辨识轧机垂直系统动力学参数结果可靠，具有一定的工程应用价值。     

改进人工鱼群算法及其在时滞系统辨识中的应用

针对人工鱼群算法(AFSA)存在收敛速度慢和寻优精度低等问题,本文提出了一种改进人工鱼群算法(IAFSA).该算法中的人工鱼能够根据鱼群当前状态调整自身的视野和步长来平衡局部搜索和全局搜索.此外,算法中还加入了引导行为,即人工鱼在觅食行为未发现更优的位置时,当前人工鱼向最优人工鱼移动一步.仿真结果表明,改进人工鱼群算法在收敛速度、寻优精度和克服局部极值等方面有很大优势.本文将改进鱼群算法应用时滞系统的辨识中,辨识结果表明改进算法能获取被控对象的精准数学模型,并具有较强的抗干扰能力.      

基于SVM污水处理过程BOD的智能预测

支持向量机是近年发展起来的新兴人工智能技术,在分析最小二乘支持向量机（SVM）理论基础上,以某污水处理厂的氧化沟系统为对象,采用一种改进的粒子群优化算法优化支持向量机的参数．建立了基于竞争机制粒子群算法ICPSO的LSSVM的氧化沟出水水质BOD智能预测模型．并与PSO—LSSVM模型和LSSVM模型比较,研究表明,ICPSO—LSSVM模型预测准确．泛化性能好．且该模型预测结果中相对误差〈10％的样本达到90％,最大相对误差仅为10．3％,均方差MSE为0．0026,模型具有较高的精度,基本可以实现出水BOD值的在线预估。     

多目标粒子群优化算法研究综述

针对多目标粒子群优化算法的研究进展进行综述。首先,回顾了多目标优化和粒子群算法等基本理论;其次,分析了多目标优化所涉及的难点问题;再次,从最优粒子选择策略,多样性保持机制,收敛性提高手段,多样性与收敛性平衡方法,迭代公式、参数、拓扑结构的改进方案5个方面综述了近年来的最新成果;最后,指出多目标粒子群算法有待进一步解决的问题及未来的研究方向。      

基于粒子群算法的拉矫机工艺参数优化设计

 为了研究带材在拉弯矫直过程中拉矫机工艺参数对伸长率的影响,基于弹塑性力学理论,分析了带材拉弯矫直工艺变形过程,建立了带材伸长率的数学模型,采用多目标粒子群优化算法对伸长率数学模型进行优化计算,根据拉矫机装备特征,确定参数优化约束范围,基于Python语言开发了拉矫机工艺参数优化计算程序,实现了拉矫机工艺参数设定值优化。为验证参数优化结果的正确性,以带材伸长率为验证目标,展开拉矫机工业试验研究,将优化程序算得预测值与现场测试值进行统计比较,并通过均方误差(MSE)与均值绝对百分比误差(MAPE)指标来评判预测模型的精度。试验结果表明,经拉矫机工艺参数优化模型优化后的工艺参数能显著提升拉矫机生产功效,对生产现场具有指导作用,且该技术具有可观的市场推广前景。     

基于粒子群优化算法的钢铁企业铁路车辆调度

给出了求解铁路车辆调度问题的粒子群算法流程;分析了求解不同调度问题的3种粒子表示法,即基于粒子位置次序(Particle Position Sequence,PPS)的粒子表示法、基于粒子位置取整操作(Particle Position Rounding off,PPR)的粒子表示法和基于PPS PPR的混合粒子表示法;讨论了PPS PPR混合粒子表示法与调度解空间的映射关系和解码方法。将第3种方法应用于实际车辆调度系统中,求解出机车送货作业行驶的最短路径,建立了基于粒子群优化算法的企业铁路优化调度模型。     

基于粒子群优化算法的钢铁企业铁路车辆调度

给出了求解铁路车辆调度问题的粒子群算法流程;分析了求解不同调度问题的3种粒子表示法,即基于粒子位置次序(Particle Position Sequence,PPS)的粒子表示法、基于粒子位置取整操作(Particle Position Rounding off,PPR)的粒子表示法和基于PPS PPR的混合粒子表示法;讨论了PPS PPR混合粒子表示法与调度解空间的映射关系和解码方法。将第3种方法应用于实际车辆调度系统中,求解出机车送货作业行驶的最短路径,建立了基于粒子群优化算法的企业铁路优化调度模型。     

基于PSO-RBF神经网络的轧辊偏心在线辨识

在实际生产中,轧辊偏心往往会导致带材厚度的波动,降低带材的质量。离线辨识轧辊偏心的控制方法在实际生产中效果不明显甚至会其反作用。为了使轧辊偏心能够在线自适应辨识,提出了一种基于改进粒子群算法优化的RBF神经网络的在线辨识方式,建立在线训练模型,对轧辊偏心信号进行在线辨识研究并与未采用该算法的在线辨识方式进行对比。结果表明,基于改进粒子群算法优化的辨识方式速度更快、精度更高,能迅速地辨识出生产过程中的轧辊偏心信号的变化,达到了期望的结果。     

无数学模型的非线性约束单目标系统优化方法改进

为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径.      

基于GA-PSO-BP神经网络的LF终点温度预测

针对LF冶炼特点和现有钢水温度预报方法存在的不足,提出了一种新的预测LF终点温度的BP神经网络模型。用遗传算法(GA)和粒子群算法(PSO)混合优化BP神经网络的权值和阈值,提高BP神经网络的预测精度。混合模型既克服了传统机理模型难以准确实现的困难,也弥补了传统BP算法的不足,结合了2种算法的优点,改善了预测模型的收敛性能。开发了基于Java语言的现场应用软件。仿真结果表明,该算法可以提高预测精度和速度,预测误差在5℃以内的炉次达到了88%。     

基于群体智能优化的MKL-SVM算法及肺结节识别

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题,提出了一种基于群体智能优化的多核学习支持向量机算法。首先,研究了五种单核函数对支持向量机分类性能的影响,进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法;其次,为增加粒子多样性及快速寻优,将粒子群优化算法引入了遗传算法中的杂交操作,并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后,分别采用深度特征与手工特征作为识别算法的输入,研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入,以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试,进一步为了验证所提算法的泛化能力,选取公开数据集LUNA16进行测试。实验结果表明,本文算法易于跳出局部最优解,提升了算法的学习能力与泛化能力,具有较优的分类性能。      

基于变邻域粒子群算法的铁水硅含量稳定性分析

影响高炉铁水硅含量的因素往往复杂多变,影响程度不一。采用鱼骨分析法收集所有可能对硅含量产生影响的因素,经过相关分析和特征选择,最终选取6个参数作为模型的输入参数。采用改进的粒子群优化算法对支持向量机(SVM)中的参数进行优化,提出基于变邻域粒子群(VNPSO)优化SVM的铁水硅含量预测模型。通过钢厂的实际生产数据进行验证,平均相对误差达到0.69%,平均绝对误差达到3.4×10~(-3),模型具有很高的预测精度。同时,绘制铁水中硅含量控制图,分析硅含量波动情况,并依此模型给出硅含量稳定性控制措施。     

变异PSO算法协同神经元网络在轧制力预报中的应用

 为了避免BP神经元网络易陷入局部极值和基本粒子群(PSO) 神经元网络早熟收敛问题，采用一种自适应变异的粒子群优化算法训练神经元网络，根据轧制力的实测值和神经元网络的预报值确定粒子群算法的适应度函数，按照权重梯度方向进行变异操作，并首次将该方法应用到热连轧机组轧制力预报中。通过攀钢热轧板厂现场数据运算表明，该方法的预报误差平均值比传统数学模型低165%，比BP神经元网络低055%，收敛速度比BP神经元网络提高了约1/4，为进一步提高精轧机组轧制力预报精度提供了一种新的有效方法。     

基于EtherCAT总线的七自由度机械臂的隐蔽攻击技术

针对七自由度机械臂控制系统提出了一种七自由度机械臂隐蔽攻击模型。首先基于推导的机械臂逆运动学方程,对基于EtherCAT总线的七自由度机械臂进行运动规划与建模;其次,根据粒子群算法的研究与分析,提出了基于混沌理论的多种群粒子群优化的七自由度机械臂系统PID参数辨识算法;最后搭建了七自由度机械臂的攻击实验平台并使用辨识的参数结合隐蔽攻击原理开展了机械臂系统的攻击实验,并且将所提出的隐蔽攻击技术与其他传统攻击技术进行了比较。结果表明,所提出的七自由度机械臂隐蔽攻击方法可以破坏机械臂系统的数据完整性和准确性,并且具有很好的隐蔽性,验证了所建立的攻击模型的有效性和可行性。      

基于自适应搜索的免疫粒子群算法

经典粒子群算法由于多样性差而陷入局部最优,从而造成早熟停滞现象.为克服上述缺点,本文结合人工免疫算法,提出一种基于自适应搜索的免疫粒子群算法.首先,该算法改善了浓度机制;然后由粒子最大浓度值来控制子种群数目以充分利用粒子种群资源;最后对劣质子种群进行疫苗接种,利用粒子最大浓度值调节接种疫苗的搜索范围,不仅避免了种群退化现象,而且提高了算法的收敛精度和全局搜索能力.仿真结果表明该算法求解复杂函数优化问题的有效性和优越性.      

函数型数据分析与优化极限学习机结合的弹药传输机械臂参数辨识

为实现弹药传输机械臂中不可测参数的辨识,建立了机械臂的虚拟样机,并将其作为样本数据的来源;考虑到样本数据的连续性和平滑特性,使用函数型数据分析和函数型主成分分析对样本数据进行了特征提取,并利用提取的特征参数和待辨识参数作为训练样本对极限学习机(ELM)进行了训练.为提高极限学习机的辨识精度和泛化能力,利用粒子群算法对极限学习机的输入层与隐含层的连接权值和隐含层节点的阈值进行了优化.最后,分别利用仿真数据与测试数据对此方法进行了验证,仿真数据的辨识结果表明,优化后的极限学习机具有更高的辨识精度和泛化能力;同时,通过对比将测试数据的辨识结果代入模型中进行仿真得到的支臂角速度与测试角速度,验证了此方法的可行性和有效性.      

基于粒子群算法优化BP神经网络的溶浸开采浸出率预测

为了研究溶浸开采过程中浸出率的预测问题,以含锑硫化矿的浸出过程为例,采用经粒子群算法优化的BP神经网络模型预测浸出率。首先分析得出影响矿物浸出率的主要因素,并将已有样本数据进行变量训练,建立BP神经网络预测模型;其次利用粒子群算法优化该模型;最后分别利用BP神经网络模型和PSO-BP神经网络模型预测浸出率,并对比2种模型预测值与实际值的误差精度。研究结果表明:影响含锑硫化矿浸出率的主要因素有温度、时间、液固比、搅拌速度和HCl浓度,且这些因素相互影响,其与浸出率呈现高度非线性关系,采用粒子群算法优化的BP神经网络模型训练精度较高,对浸出率的预测更精确,相比BP神经网络,该模型得出的预测结果与实际值的相对误差以及方差都有明显下降。由此可见,该预测模型对当前矿区溶浸开采的浸出率优化有一定的参考价值。     

板形控制液压弯辊系统的仿真

 针对板形控制液压弯辊系统，建立了电液伺服压力(油压)控制系统的数学模型，提出了适用于实际的伺服阀流量方程，考虑了一些非线性特性对系统的影响。运用软件Matlab的工具箱SIMULINK建立动态结构图很好地实现了数学模型，得出液压弯辊系统一些控制量的仿真曲线。通过改变仿真参数，得出一些参数对系统特性影响的特点。     

Short-term Scheduling of Steam Power System in Iron and Steel Industry under Time-of-use Power Price

A generalized formulation for short-term scheduling of steam power system in iron and steel industry under the time-of-use(TOU)power price was presented,with minimization of total operational cost including fuel cost,equipment maintenance cost and the charge of exchange power with main grid.The model took into account the varying nature of surplus byproduct gas flows,several practical technical constraints and the impact of TOU power price.All major types of utility equipments,involving boilers,steam turbines,combined heat and power(CHP)units,and waste heat and energy recovery generators(WHERG),were separately modeled using thermodynamic balance equations and regression method.In order to solve this complex nonlinear optimization model,a new improved particle swarm optimization(IPSO)algorithm was proposed by incorporating time-variant parameters,a selfadaptive mutation scheme and efficient constraint handling strategies.Finally,a case study for a real industrial example was used for illustrating the model and validating the effectiveness of the proposed approach.     

Reliability-Based Optimal Design of Truss Structures Using Particle Swarm Optimization

In this work, the particle swarm optimization method is employed for the reliability-based optimal design of statically determinate truss structures. Particle swarm optimization is inspired by the social behavior of flocks (swarms) of birds and insects (particles). Every particle’s position represents a specific design. The algorithm searches the design space by adjusting the trajectories of the particles that comprise the swarm. These particles are attracted toward the positions of both their personal best solution and the best solution of the swarm in a stochastic manner. In typical structural optimization problems, safety is dealt with in a yes/no manner fulfilling the set of requirements imposed by codes of practice. Considering uncertainty for the problem parameters offers a measure to quantify safety. This measure provides a rational basis for the estimation of the reliability of the components and of the entire system. Incorporating the reliability into the structural optimization framework one can seek a reliability-based optimal design. For the problems examined herein, the reliability indexes of the structural elements are obtained from analytical expressions. The structure is subsequently analyzed as a series system of correlated elements and the Ditlevsen bounds are used for the calculation of its reliability index. The uncertain-random parameters considered in this work are the load, the yield-critical stress; and the cross sections of the elements. The considered design variables of the optimization problem are the cross-sectional areas of the groups, which control the size of the truss, and the heights and lengths that control the shape of the truss. The results of the optimization are presented for a 25-bar truss and a 30-bar arch and the robustness of the optimization scheme is discussed.