基于BP神经网络及PSO算法的食品输送齿轮注塑工艺参数优化研究

以食品输送系统的塑料齿轮为研究对象,首先利用正交试验法进行翘曲分析,得到最小翘曲量为1.952 mm。然后利用正交试验中的工艺参数和翘曲量分别作为输入层和输出层来构建一个三层的BP神经网络,经过训练和测试,得到一个性能较好的神经网络模型。最后利用这个模型计算粒子群优化(PSO)算法各粒子的初始适应度值,并以翘曲量为目标对工艺参数进行优化。优化得到的塑料齿轮最小翘曲量为1.853 mm,经过翘曲分析验证后得到翘曲量值为1.830 mm,误差1.2%,相比于正交试验法优化效果更好。     

基于EEMD能量熵和混合算法的电机轴承故障诊断

针对提升机电机轴承振动信号的非平稳特性和单一粒子群算法(PSO) 优化径向基函数（RBF）神经网络时存在网络收敛速度慢和适应度值易陷入局部最小的缺点，提出基于集合经验模态分解（EEMD）能量熵和模拟退火粒子群混合算法（SAPSO）优化RBF神经网络的提升机电机轴承故障诊断方法。基于EEMD求取振动信号各固有模态函数分量的能量熵，并使用相关性分析方法剔除虚假的分量，把筛选后的有效数据作为故障识别的特征向量；利用模拟退火（SA）算法具有局部概率突跳的特性，将SA算法和PSO算法相结合，在优化RBF诊断模型隐含层参数时以实现不同算法间的优劣互补。仿真结果表明，使用SAPSO算法优化后的RBF神经网络模型在提升机电机轴承故障诊断中能够加快网络收敛速度和提升故障识别精度。     

基于PSO优化K-Means算法的边坡安全等级评价研究

由于较多因素影响边坡的稳定,且各因素之间关系复杂相互影响,为了更加准确地评价边坡情况,采用了粒子群优化K-Means聚类算法,有效地摆脱了常规K-Means算法因局部最优而陷入极值的缺点,增加了粒子群群体的多样性,提高了评价结果的全局最优性。对三峡库区的36个边坡工程分析,结果表明该优化算法优于常规K-Means聚类算法。     

近距离突出煤层群首采面瓦斯综合治理技术应用

针对依兰三矿极复杂地质条件下近距离突出煤层群开采时面临的瓦斯突出和回采工作面瓦斯超限、自然发火等问题,从保护层开采影响范围、开采后的残余瓦斯压力、回采面瓦斯涌出量、煤层自然发火角度分析了各煤层开采顺序,确定了首采面布置在上1煤层,从上至下依次开采较为合理。回采前确定采用千米定向钻机预抽中煤层巷道区域瓦斯+中煤层穿层钻孔预抽上1煤层条带瓦斯的区域消突方法;回采期间工作面采用高位钻孔+顺层钻孔的瓦斯治理方法,从而实现卸压抽采、条带消突预抽、实施防灭火工程等。采用以上瓦斯治理方法能够有效解决工作面瓦斯超限,达到了区域消突的目的,千米钻机长钻孔钻孔抽放浓度维持在80%以上,回风流瓦斯体积分数基本稳定在0.4%以下。     

基于优化粒子数和分段权值的粒子群直线电机PID整定

以工程中直线电机伺服系统为研究对象,提出一种优化粒子数量加分段式惯性权重递减的粒子群PID控制器参数优化算法。优化粒子数量的方法可降低函数调用次数,通过对近两代的全局最优值进行比较,得到的误差值如果大于设定值,认为是在初始寻优阶段,保持粒子数量,否则在最终优化阶段,减少粒子数量,所减少的粒子特征是最接近最佳粒子的粒子,以保证在欧氏距离内实现粒子的分散性。最后再结合指数衰减曲线加线性递减曲线构成的分段式惯性权重递减策略提升算法的全局寻优和局部寻优能力。经数值验证分析,该优化算法在保证遍历性的同时,在一定程度上提高了算法的运行速度和寻优精度。实验仿真结果表明,该算法对PID控制器进行参数优化,直线电机系统响应速度快,超调量小,调节时间短。     

基于深度脊波神经网络的电力系统短期负荷预测模型

针对电力系统负荷的非线性预测问题,本文构造了一种基于深度脊波神经网络的电力系统短期负荷预测模型。该模型的隐含层采用脊波神经元,神经元的激励函数采用脊波变换函数。对该预测模型采用受限的玻尔兹曼机学习原理进行预训练,最后利用粒子群优化算法对其进行深度优化精调。通过对某地区实际电网负荷系统进行仿真预测,结果表明,与传统的BP神经网络、脊波神经网络和常规深度神经网络模型相对比,深度脊波神经网络预测模型的日平均绝对误差百分比分别降低了1.96%、1.12%和0.3%,日最大绝对误差分别降低了3.91%、2.19%和1.78%,验证了深度脊波神经网络预测模型具有较好的预测准确度和稳定性。     

基于混合特征LLE融合与SVM的质量异常模式识别

针对生产过程中存在的异常模式识别的问题,提出基于LLE融合与支持向量机的质量异常模式识别方法。首先从动态数据流中提取其原始特征、统计特征、几何特征并将其进行混合,形成动态数据流的混合特征,然后利用LLE算法对混合特征进行降维,将降维后的特征集作为MSVM分类器的输入进行训练,同时采用粒子群算法对MSVM分类器进行参数寻优。最后用训练好的模型对动态数据流进行异常模式的识别。并将所提方法与单一类型特征方法、混合特征方法的识别模型进行比较,仿真结果和应用实例表明,所提方法的识别精度较高,可用于生产过程的质量异常模式识别中。