支持少样本的高速滚齿工艺参数优化

针对少量历史加工案例支撑下的工艺参数优化问题,提出一种融合支持向量回归和多目标蜻蜓算法的高速滚齿工艺参数优化方法。建立高速滚齿加工效果评价模型,设定ε-支持向量回归参数:核函数类型、惩罚因子和松弛变量,利用多目标蜻蜓算法生成支持向量回归参数组,利用支持向量回归生成包括主轴转速、进给量在内的工艺参数组,计算包括加工质量、加工时间、加工成本、环境影响在内的目标值,运用多目标蜻蜓算法中的Pareto最优方法寻找非支配解,循环上述过程,满足终止条件得到支持向量回归参数和工艺参数非支配解集,即优化支持向量回归参数组和工艺参数组。通过与实际滚齿加工比较验证了所提方法的可行性,并通过与单独支持向量回归等算法的对比说明了该方法在少样本的情况下具备一定优势。     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

车辆前纵梁封板冲压的聚集度自适应粒子群优化

为了提高车辆前纵梁封板的冲压件质量,提出了基于聚集度自适应粒子群算法的冲压工艺优化方法。介绍了前纵梁封板的三维模型、坯料设计结果和冲压成形原理。基于成形极限曲线,以减小冲压件的减薄率、增厚率、回弹量为目标,建立了多目标优化模型。使用复合中心实验法设计了5因素5水平的32组实验,基于Autoform软件获得了实验数据。使用BP神经网络拟合了输入输出间的回归关系,并验证了回归模型的精度。在粒子群算法基础上,依据粒子相似度和种群聚集度,将Levy飞行融入到粒子群算法中,提高粒子多样性和算法优化能力,从而并提出了聚集度自适应粒子群算法。将改进粒子群算法应用于多优化模型求解,改进粒子群算法收敛速度早于传统算法,且改进粒子群算法搜索的目标函数值比传统算法减小了3.71%,说明了改进算法的优越性。经验证,优化后的试制件外观合格,减薄率、增厚率及回弹量均满足质量要求,可以进行批量生产。     

基于PSO-SVR的选择性激光烧结制件收缩研究

建立了聚苯乙烯(PS)选择性激光烧结(SLS)工艺参数与制件收缩率之间复杂的非线性支持向量回归(SVR)模型。采用正交试验设计支持向量回归的训练数据,并采用均匀设计初始化的粒子群优化(PSO)算法,优化选择向量回归参数。结果表明,均匀设计显著提高了粒子群全局寻优速度与精度,基于正交试验选择的小样本训练模型,较为准确地反映了工艺参数与收缩率间的关系,预测平均误差控制在4%,优于BP神经网络10%的平均预测误差。采用选择的模型,建立了工艺参数与收缩率之间的关系,并结合烧结理论进行了影响规律的分析,该方法为选择性激光烧结工艺的研究提供了一种行之有效的新思路。     

基于自适应粒子群算法的制造单元集成构建方法

为避免制造单元构建过程中各个环节分开孤立研究导致的问题解空间损失和工件选择单一工艺路径而引起的制造单元忙闲不均现象,利用并行工程的思想对三个环节进行了集成优化方法的研究,建立了多目标集成优化模型,并设计了基于结构化编码的自适应粒子群算法.通过仿真实验,验证了模型和算法的可行性和有效性.     

应用多目标粒子群算法的车辆传动系参数优化仿真研究

利用多目标粒子群算法研究了车辆传动系参数优化问题。首先根据目标车辆的结构搭建了整车模型,通过台架试验对整车模型进行验证;其次以车辆传动系参数作为设计变量,以车辆动力性和经济性作为优化目标,建立多目标优化模型;然后运用多目标粒子群算法对传动系参数进行优化计算,得到Pareto最优解集;最后运用基于信息熵的多属性决策方法,确定了最优传动系参数。研究结果表明:优化后的整车的动力性能和燃油经济性均得到提升,其中燃油经济性提高了4.83%,全负荷0~100 km/h加速性能提升了2.03%。     

基于模糊关联熵的高维多目标流水车间调度优化

针对现有优化方法在求解高维多目标问题上的弊端,将多目标解映射为模糊集,提出利用表征模糊集间关联相似程度的模糊关联熵方法解决多目标优化问题。建立基于模糊关联熵的多目标优化方法,以模糊关联熵系数的大小衡量Pareto解模糊集与理想解模糊集的相似程度,并以该系数作为粒子群优化算法适应度值引导算法进化,建立基于模糊关联熵的多目标粒子群优化算法。实验表明,基于模糊关联熵的粒子群优化算法可以有效解决高维多目标Flow Shop调度问题,算法在优化解和各性能指标上皆优于基于随机权重的粒子群优化算法,特别在求解较大规模问题时,基于此法的粒子群优化算法表现更佳。     

碳排放约束下基于特征的刀具选配与切削参数集成优化

针对传统选择刀具与切削参数采用的分阶段串行决策方法,因忽略其内在关联导致选择出的刀具和切削参数优化程度不高的问题,以加工碳排放和加工成本为综合优化目标,引入刀具磨损对切削参数和碳排放的影响,提出一种基于加工特征的刀具选配与切削参数集成优化模型。为有效解算该模型,设计了基于K近邻和多目标粒子群混合优化算法,得到了优化的切削刀具与切削参数。采用企业实际加工案例验证了所提模型与算法的正确性和有效性。所提集成优化方法可为低碳制造环境下合理选择零部件加工的切削刀具和切削参数提供理论和方法支持。     

基于改进离散粒子群算法的炼钢连铸最优炉次计划

提出了炉次数未知的炼钢连铸一体化生产的组炉模型.对该模型直接求解存在大量不可行解的困难进行分析,提出将该模型转化为伪旅行商问题的方法,并提出采用离散粒子群优化算法求解该问题.针对离散粒子群优化收敛速度和精度低的缺点,提出了一种基于序列倒置的改进离散粒子群优化算法.引入学习选择概率来选择学习粒子,利用运行代数阈值常数确定当前粒子何时向全局最优粒子学习,并通过局部最优子粒子群比决定局部最优子群的规模.讨论了这些参数的选择原则,并给出了相应参考选择范围.实验研究表明,所提模型是合适的,所提改进算法是有效的.     

粒子群优化算法在改善传感器稳定性中的应用

针对最小二乘支持向量机在建立传感器回归模型时,其惩罚因子及核函数参数难以确定的问题,提出了利用粒子群算法对模型参数进行优化选取的方法,以提高模型的预测准确度及建模效率,并与遍历优化方法进行比较。实验结果表明,采用粒子群算法进行参数优化所用时间约为1621s,得到的模型预测结果均方误差为1.24×10-6;而采用遍历优化所用时间约为21599s,所得模型预测结果均方误差为2.74×10-5。采用粒子群算法进行参数优化使得建模效率和建立的模型预测准确度提高了一个数量级。测试样本计算表明,经过粒子群算法优化之后建立的传感器回归模型使得传感器的温度灵敏度系数及电流灵敏度系数比建模前降低了大约97%,比采用遍历优化方法降低了约85%,传感器的稳定性得到了大幅度改善。该方法切实有效,具有一定的发掘空间和实际应用价值。