涡轴发动机弹性支撑外挤压油膜涡动特征频率

为实现环境激励下复杂钢结构的损伤预警,提出一种基于粒子群优化（particle swarm optimization, 简称PSO）的支持向量回归（support vector regression, 简称SVR）-时间序列（auto-regressive and moving average model, 简称ARMA）组合模型用于频率预测,并结合均值控制图法将其用于复杂钢结构的损伤预警中。所提出频率预测模型的准确性和有效性采用潍坊市白浪河摩天轮钢结构实测数据进行验证。验证结果表明：与基本SVR模型、SVR-ARMA模型和PSO-SVR模型相比,所提模型具有更高的泛化能力和预测精度;在白浪河摩天轮钢结构的损伤预警中,基于粒子群优化的SVR-ARMA组合模型可检出由损伤造成模态频率轻微的异常变化,具有较强的损伤敏感性。研究成果可为环境激励下复杂钢结构的损伤预警提供参考。     

基于PSO-SVR的15-5PH合金粉末激光熔覆层稀释率预测方法

为了预测15-5PH合金粉末激光熔覆层稀释率进而改善熔覆层性能,提出一种基于粒子群算法(PSO)优化支持向量回归(SVR)的15-5PH激光熔覆层稀释率预测方法。以15-5PH为熔覆材料,45钢为基体进行激光熔覆实验;基于实验结果建立了工艺参数与15-5PH熔覆层稀释率间的SVR模型;优选SVR模型的核函数并运用PSO优化SVR模型的参数。结果表明：PSO-SVR模型选择高斯核函数时预测性能最好;与SVR模型和BP神经网络模型的预测结果相比,PSO-SVR模型对15-5PH熔覆层稀释率的预测结果更准确,模型的决定系数为0.964 7,均方误差为0.000 3,平均相对误差为3.6%。     

基于粒子群优化LSTM模型的管道应力预测方法

为了解决传统BP神经网络预测精度不高的问题,提出了一种基于粒子群优化(PSO)长短期记忆网络(LSTM)模型的管道应力趋势预测方法。在分析管道应力监测数据的基础上,利用LSTM模型对未来的应力发展趋势进行预测,进一步采用粒子群算法优化LSTM模型参数来提高预测精度,并基于均方根误差验证了PSO-LSTM模型的有效性,可为长期监测数据的趋势分析提供方法借鉴。     

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。     

基于ACPSO优化SVR的棒材连轧轧制力预测研究

针对钛合金棒材热连轧轧制力的精确预测问题,提出了一种基于加速收敛的粒子群(accelerate convergence particle swarm optimization,ACPSO)优化支持向量回归(support vector regression,SVR)的预测算法.该算法首先通过使粒子在每次速度迭代过程中偏离速度迭代一个小角度,在位置迭代过程中偏离迭代位置一小步,改善了粒子群算法的收敛性及收敛速度,再通过ACPSO算法实现对支持向量回归机的参数ε、c、γ的同时寻优,从而使ACPSO-SVR模型具有较高的预测精度和泛化能力.通过仿真实验和实际数据的比对,验证了方法的有效性.实验结果表明,ACPSO-SVR算法能够有效、快速地实现轧制力的精确预测,在预测速度和适应性方面,优于基于PSO-SVR(particle swarm optimization-support vector regression)的预测算法;在预测精度等方面,该算法优于BPNN(back propagation neural network)、SVR、PSO-SVR等算法,平均误差率从BP神经网络的±9％降到±4％以内.     

基于NARMAX模型的阀控非对称缸神经网络预测控制

针对非对称缸位置跟踪控制精度较差,提出了一种基于非线性自回归平均滑动离散模型(NARMAX)和量子粒子群算法的神经网络预测控制策略(QPSO-NNMPC)。利用NARMAX模型表示阀控非对称缸的动态模型,使用粒子群算法优化BP神经网络(PSO-BP)对阀控非对称缸系统在线预测,使用量子粒子群算法(QPSO)对目标函数非线性优化。仿真结果表明,在不同频率期望信号与变干扰力情况下,该控制策略具有良好的跟踪效果和鲁棒性。     

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。     

航空发动机油样光谱分析的PSO-LSSVM组合预测方法

油样光谱分析是航空发动机磨损状态监测与故障诊断的重要技术,基于光谱数据的航空发动机状态预测有利于发现航空发动机的早期磨损故障。根据光谱数据特征,选取AR模型、BP神经网络模型以及GM(1,1)预测模型作为基础模型,建立了基于最小二乘支持向量机的组合预测模型,同时,用粒子群算法对LSSVM的正则化参数以及核函数参数进行了优化。最后利用两组实际的航空发动机光谱分析数据对模型进行了验证,与基础模型的对比结果充分表明,提出的带粒子群优化的最小二乘支持向量机(the Least Squares Support Vector Machines with Particle SwarmOptimization-PSO-LSSVM)的非线性变权重组合预测模型具有更好的预测精度。     

散热器自动穿管机构定位误差预测

针对传统方法在散热器自动穿管设备中难以预测穿管机构定位误差的难点,分析了影响穿管机构定位误差的因素:气缸位移误差,丝杠热变形,建立了支持向量回归机(SVR)与定位误差影响因素的映射模型,并运用粒子群算法优化SVR的惩罚因子C和核函数参数σ,提高SVR的预测能力,运用优化后的SVR与定位误差映射模型对散热器自动穿管机构中的穿管导向升降部件与散热片夹紧工作台的定位误差进行预测.试验结果表明,PSO-SVR预测准确度得到提高,预测结果到达要求.     

基于APDL及粒子群优化算法的摩天轮优化设计

为降低摩天轮建造成本,提高摩天轮经济性,优化设计摩天轮,基于Visual Basic.NET、ANSYS APDL及Matlab平台,设计摩天轮参数化设计系统。通过系统对摩天轮进行参数化建模,基于粒子群算法进行优化。针对基本粒子群算法易陷入早熟收敛问题,通过多项措施改进算法,有效地提高算法的稳定性。以摩天轮总质量为优化目标,以摩天轮大立架、转轮内环和转轮外环的杆件截面为优化变量,以材料应力安全系数和变形安全系数为约束条件进行优化。优化结果表明：优化后的摩天轮在满足刚度和强度要求下,可达到摩天轮优化设计要求,对摩天轮设计具有指导意义。     

基于整群抽样和支持向量回归模型的高功率半导体激光器剩余使用寿命预测

剩余使用寿命（RUL）预测是高功率半导体激光器在各种环境应力作用下可靠性评估的核心问题。在实际应用中,现有支持向量回归（SVR）方法均侧重于保证所训练模型的回归曲线的整体误差最小,以追求方法的泛化性,这往往造成关键预警阶段特别是临近故障失效前的预测结果不理想,不能可靠地支持维护决策。提出了一种基于整群抽样的SVR模型训练方法,对测试样本后期观测数据进行多次整群抽样后用于SVR模型测试,SVR模型中的参数使得SVR模型对训练样本的后期数据拟合得更好。实例分析验证了该方法的有效性和稳健性,研究结果表明,所提方法的预测性能和实用价值优于现有几种代表性的小样本分析方法。     

基于激励点优化和信号能量的结构损伤识别

为了有效激发结构的局部振动模态,分析响应信息并进行损伤识别,构建了一种基于激励点优化和不同损伤状态下信号能量的结构损伤识别方法.首先建立结构动力学模型,计算模态振型;再以MAC矩阵非对角元素最小值作为适应度函数,采用改进粒子群算法(MPSO)优化激励点数量和位置,以MAC非对角元平均值和均方根(RMS)准则评价不同激励点布置方案;然后激励桁架试验模型对应的位置,再计算损伤前后测点处时域信号的能量,从而根据其相对变化识别结构的损伤位置和损伤程度.另外对不同损伤的信号加入信噪比为10 dB的高斯白噪声后,该方法仍能够识别结构的损伤位置和程度,试验结果验证了此方法的可行性.     

多尺度变异粒子群优化MK-LSSVM的轴承寿命预测

提出一种基于多尺度变异粒子群优化(MSPSO)算法和多核最小二乘支持向量机(MK-LSSVM)的预测新方法用于滚动轴承寿命预测。提取小波包相对能量特征对轴承性能衰退予以描述,提出MSPSO算法对MK-LSSVM模型参数进行优化选取,构造融合多核函数的LSSVM模型实现轴承寿命估计。MK-LSSVM中多核函数的引入克服了单核LSSVM对核函数类型强依赖性的弱点,MSPSO算法中种群全局大尺度均匀变异与个体局部邻域小尺度变异搜索联合策略的提出在增强种群多样性的同时保证了粒子群局部精确搜索的能力。利用实测滚动轴承振动数据分析,验证了所提MSPSO算法在模型参数优化及优化MKLSSVM模型在滚动轴承寿命预测应用中的有效性。     

基于优化多核支持向量回归的制造过程均值偏移幅度估计

为更加准确地估计制造过程均值偏移幅度,提出了一种基于多核函数支持向量回归（SVR）的估计方法。多核函数由线性核、多项式核和径向基核3种基本核函数凸组合而成,并通过粒子群优化算法（PSO）对核参数、组合权重系数以及SVR的惩罚系数C进行联合优化,以五折交叉验证求得训练样本的决定系数均值作为粒子适应度值,使生成的多核SVR获得良好的泛化能力。将该多核SVR与累积和（CUSUM）控制图集成构建了过程均值偏移监测模型,仿真实验结果表明,该方法相对人工神经网络（ANN）方法估计精度明显提高,比采用单一径向基核函数的SVR更为优越;在实际齿轮加工过程中进行应用验证,进一步证实了该方法的有效性和实用性。     

改进混沌粒子群优化的灰色系统模型在机床热误差建模中的应用

为减少热误差对数控机床加工精度的影响,提高灰色系统模型(Grey system Model,GM)的预测精度,尝试将改进混沌粒子群优化(Improvemen Chaotic Particle Swarm Optimization,ICPSO)算法引入到灰色系统模型中,提出一种基于改进混沌粒子群优化算法的灰色系统模型数控机床热误差建模方法。首先,建立粒子群优化(Particle Swarm Optimization,PSO)粒子与GM(1,N)系数的映射关系;其次,ICPSO中混沌理论的Logistic映射对粒子群的位置和速度进行初始化,通过优化搜索得到最优GM(1,N)系数和输入子集;最后,建立改进混沌粒子群优化的灰色系统模型(ICPSO-GM),对数控机床热误差进行预测。仿真实验表明,ICPSO-GM预测精度高于GM和人工神经网络(ANN)模型,证明了ICPSO-GM能有效地解决数控机床热误差预测问题。     

基于多参数融合的风电机组齿轮箱油温预警方法

针对风电机组齿轮箱状态监测问题，提出一种基于多参数融合的齿轮箱油温预警方法。首先，通过相关性分析法提取与齿轮箱油温相关性高的参数作为模型的输入。采用改进的粒子群优化BP神经网络(imPSOBP)，建立齿轮箱油温预测模型。然后，通过计算齿轮箱油温预测值与实际值的残差绝对值，并结合加权移动平均法、核密度估计法建立齿轮箱油温故障预警模型。基于某风场的数据进行了实验验证，对比分析了imPSO-BP模型和PSO-BP模型的预警效果。结果表明：提出的方法预测精度高，可提前齿轮箱油温异常预警时间，预警时间提前约27小时。     

基于IPSO-SVR的航空发动机磨损预测研究

为提高支持向量回归(Support Vector Regression,SVR)预测模型对航空发动机磨损预测的准确性,提出利用改进的自适应粒子群优化(Improved Particle Swarm Optimization,IPSO)算法对SVR的结构参数和训练样本向量维数进行优化。IPSO算法采用非线性惯性权重和自适应探测响应机制,克服传统粒子群随机初始位置影响寻优结果的不足,提高预测结果的准确性和一致性。利用某型发动机光谱分析数据进行磨损预测研究。结果表明:与传统PSO-SVR和常用BP神经网络预测模型相比,IPSO-SVR预测结果具有更高的准确性,且预测结果保持良好的一致性。     

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。     

风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比(envelope harmonic-to-noise ratio,简称EHNR)和无迹粒子滤波(unscented particle filter,简称UPF)相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型(support vector regression,简称SVR)、反向传播神经网络(back propagation neural network,简称BPNN)的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

车削表面粗糙度解析模型与DDQN-SVR预测模型研究

在车削加工中,零件质量是生产者需要密切关注的问题.表面粗糙度作为评价零件质量的一项重要指标,选择满意的切削参数来提高表面粗糙度可有效提高零件质量.为提高表面粗糙度的预测精度,在现有研究基础之上提出一种分段的表面粗糙度理论解析模型对表面粗糙度进行预测.同时尝试采用双深度Q网络(DDQN)优化支持向量回归(SVR)提高数据驱动模型的预测性能,探寻DDQN优化SVR内部参数的环境设计,并且与其他算法对比了其优化效果与稳定性.基于45钢的车削试验,验证分段的表面粗糙度理论模型和DDQN-SVR预测模型的有效性,为基于表面粗糙度的切削参数选择提供了较好的技术支持.