基于粒子群优化神经网络的传动箱故障诊断方法研究

在研究粒子群优化神经网络训练算法的基础上,训练BP神经网络使网络的收敛速度大大提高,避免陷入局部最优解;根据振动实验室两级传动箱实测数据,分析研究信号以及提取信号特征值,应用训练后的BP神经网络诊断传动箱的故障,实验表明效果良好。     

基于粒子群优化神经网络的传动箱故障诊断方法研究

在研究粒子群优化神经网络训练算法的基础上,训练BP神经网络使网络的收敛速度大大提高,避免陷入局部最优解;根据振动实验室两级传动箱实测数据,分析研究信号以及提取信号特征值,应用训练后的BP神经网络诊断传动箱的故障,实验表明效果良好.     

大量程柔性铰六维力传感器静态解耦的研究

为提高大量程六维力传感器的测量精度,提出了一种新型的六维力传感器非线性静态解耦方法,该方法结合混合递阶遗传算法和小波神经网络的优点,采用递阶遗传算法与最小二乘法分别对小波神经网络隐层结构参数以及输出层权值进行优化,再将优化后的小波神经网络模型用于六维力传感器非线性解耦.建立了基于混合递阶遗传算法和优化小波神经网络的六维力传感器非线性解耦模型,设计了基于混合递阶遗传算法的小波神经网络结构及参数优化算法,给出了六维力传感器非线性解耦的具体实现流程.以最新研制的6-UPUR大量程柔性铰六维力传感器为对象进行实验,结果表明,采用该方法六维力传感器的Ⅰ类误差和Ⅱ类误差分别为1.25％和2.59％,比采用BP和RBF神经网络方法的测量精度高.     

基于搜寻者优化算法的PID神经网络解耦控制

传统的PID神经网络,由于初始权值随机选择,权值学习采用BP算法,所以容易陷入局部极值,进而导致该方法无法得到高精度的控制结果。该文提出采用搜寻者优化算法优化PID神经网络初始权值,再把最优初始权值带入PID神经网络,实现解耦控制。对一个耦合系统进行仿真实验,结果表明,与目前控制效果较好的粒子群算法优化PID神经网络相比,该算法收敛速度更快、稳态误差更小,同时也具有良好的自适应和抗干扰能力,能够实现快速、高精度、稳定的解耦控制。     

基于径向基函数神经网络的压电式六维力传感器解耦算法

针对四点支撑结构的压电式六维力传感器线性度差,维间耦合严重的问题,提出了基于径向基函数(RBF)神经网络的解耦算法。分析了耦合产生的主要原因,建立了RBF神经网络模型。通过对六维力传感器进行标定实验获取解耦所需的实验数据,并对实验数据进行处理。然后采用RBF神经网络优化传感器输出系统的多维非线性解耦算法,解耦出传感器的输入输出映射关系,得到解耦后的传感器输出数据。对传感器解耦后的数据分析表明:采用RBF神经网络的解耦算法得到的最大Ⅰ类误差和Ⅱ类误差分别为1.29%、1.56%。结果显示:采用RBF神经网络的解耦算法,能够更加有效地减小传感器的Ⅰ类误差和Ⅱ类误差,满足了传感器两类误差指标均低于2%的要求。该算法有效地提高了传感器的测量精度,基本解决了传感器解耦困难的难题,     

基于鱼群BP神经网络的板料成形分块压边力优化

采用人工鱼群算法与BP神经网络相结合的方法建立了分块压边力与成形质量的映射关系。首先以分块压边力为设计变量,通过基于最大最小原则的拉丁超立方取样设计方法抽取了BP神经网络的训练样本,并将通过仿真软件获得的成形质量指标作为BP神经网络的训练输出;其次通过人工鱼群算法优化的BP神经网络建立了分块压边力与成形质量的映射关系;然后采用粒子群算法对该映射函数关系式进行优化,得到最优分块压边力;最后将该最优分块压边力成形效果与整体压边力成形效果进行对比,结果表明成形效果大大改善。研究表明,采用该方法可以快速计算最优分块压边力,克服了分块压边力计算困难的缺点。     

基于PSO-LM-BP神经网络的压力传感器温度补偿方法

为了提高高速列车表面压力测试的准确性,补偿温度对压阻式压力传感器的影响,克服BP神经网络收敛速度慢、易陷入局部极小值、稳定性差的缺陷,提出PSO-LM-BP神经网络补偿传感器温度误差的方法。首先,使用粒子群优化(PSO)算法,筛选BP网络的权值和阈值;然后使用LM算法作为BP网络的训练算法进行训练;最后,综合对比BP网络、LM-BP网络、PSO-BP网络和PSO-LM-BP网络的性能。结果表明,PSO-LM-BP网络收敛速度快、精度高、稳定性好,兼具3种算法的优点,有效抑制了温度对传感器的影响。     

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.     

粒子群优化的神经网络在故障诊断中的应用

为提高齿轮箱故障诊断性能，建立了以齿轮箱振动信号的时频域特征为输入，以齿轮箱的主要故障形式为输出的神经网络。采用粒子群优化算法代替反向传播算法来训练神经网络的权重和阈值，利用训练后的神经网络对齿轮箱进行了故障诊断，并比较了基于粒子群优化算法与BP算法的诊断结果。结论是基于粒子群优化算法神经网络具有较好训练性能，收敛速度快，迭代步数少，诊断精度高，具有良好的故障识别率。     

基于BP神经网络的三维力传感器静态标定方法研究

三维力传感器作为测力平台的核心元件,其测量精度直接影响测力平台的使用效果,而维间耦合问题是影响精度的主要方面。文章首先讨论了三维力传感器传统的静态标定方法在消除耦合误差方面的应用,并在方法缺陷分析的基础上,提出了新的三维力解耦方法——基于BP神经网络的解耦方法,继而对两种方法进行误差分析,验证了神经网络方法在多维力传感器解耦中的可行性和优越性。     

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。     

改进粒子群优化BP神经网络短期负荷预测研究

为了提高短期电力负荷预测的准确性,提出了一种改进型粒子群优化BP神经网络预测模型。在改进的粒子群每次迭代过程中求出种群平均适应度值,并将每一粒子适应度值与种群平均适应度值比较,当粒子适应度值劣于种群平均适应度值时,对其空间位置初始化处理,随机生成新的位置,当粒子适应度值优于或等于种群平均适应度时,保持位置不变,通过此种方式,保留了种群中优良粒子,在搜索空间不断缩小的后期拓展了搜索空间,保持了种群多样性,利用改进的粒子群算法优化BP神经网络的初始参数,再将训练样本训练BP神经网络求得最优参数。将此模型应用到河南省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

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。     

电动助力转向系统主动回正控制策略研究

针对目前电动助力转(EPS)系统存在低速行驶回正不足和高速行驶回正超调问题,提出了基于粒子群优化BP神经网络PID参数自适应调整的EPS主动回正控制算法,建立了EPS回正控制系统动力学模型和主动回正控制决策.利用粒子群算法的全局最优和收敛速度快的特点优化BP神经网络的最优权值和阈值,并通过Simulink仿真和硬件在环...     

基于CPSO-BP算法的水下机器人神经网络辨识

针对水下机器人传统运动辨识模型中使用的误差反传(BP)算法,容易在迭代寻优过程中陷入局部极小点的缺点,将合作粒子群(CPSO)算法与BP算法相结合,形成一种CPSO-BP混合算法,再通过CPSO-BP算法对BP神经网络进行权值修改,建立了CPSO-BP神经网络模型,并将模型应用到水下机器人运动辨识。通过对比3种算法的BP神经网络模型的实验结果,证明基于CPSO-BP神经网络的模型辨识效果更好。     

采用APSO-LM-BP神经网络的挖掘机器人运动学逆解研究

针对挖掘机器人执行机构的运动学逆解求解难、速度慢的问题,提出一种基于APSO-LM-BP神经网络的逆运动学求解方法。利用自适应粒子群(APSO)算法对BP神经网络中的连接权值以及阈值进行优化,再把BP神经网络训练过程中的梯度下降法用LM算法代替,以克服传统BP神经网络的输出误差大,陷入局部极优解的缺陷。仿真结果表明,与传统BP神经网络相比,APSO-LM-BP神经网络输出误差大大降低,训练时间更短,改善了算法的收敛精度和收敛速度,且满足挖掘机器人运动学逆解要求。该方法可以推广至任意自由度串联机器人的逆运动学求解,具有较强的实用性。     

基于神经网络的多维力传感器静态解耦的研究

提出了基于人工神经网络进行多维力传感器静态解耦的方法。维间耦合是制约多维力传感器测量精度的主要因素，为克服传统线性解耦方法的局限性，利用BP神经网络的强非线性逼近能力研究了多维力传感器的非线性静态解耦。以研制的微型5维指尖力／力矩传感器为对象进行了解耦实验，结果表明，与基于最小二乘的线性解耦方法相比，提高了解耦精度。     

一种萤火虫神经网络及在轴承故障诊断中的应用

萤火虫算法作为一种群体智能算法,具有良好的全局寻优特性,可用于解决神经网络在反向传播(Back propagation,BP)算法下易陷入局部极值点、收敛速度慢的问题。但在应用于神经网络时其参数选取缺乏有效依据或经验公式,参数取值不当时,萤火虫神经网络的训练误差无法有效收敛、种群个体之间协同寻优功能易失效。因此,提出一种双层萤火虫改进算法对其参数进行选取。用UCI数据及轴承故障试验对算法进行验证,结果表明,应用所提方法后萤火虫神经网络的训练误差收敛值显著减小,并且在训练效率、故障识别率方面均优于BP神经网络、遗传神经网络、粒子群神经网络。     

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。