一种磨损预测的优化算法研究

根据机械部件磨损机理复杂、磨损量预测难精确的特点,提出基于免疫粒子群参数优化的最小二乘支持向量机方法预测磨损量.该算法采用免疫粒子群优化最小二乘支持向量机建模参数,避免了算法陷入局部最优解,实现了精确度高、泛化能力强的磨损量预测模型.对轴承钢试件磨损进行了试验研究,试验数据分析结果表明,基于免疫粒子群的最小二乘支持向量机预测方法优于前向反馈神经网络算法、遗传算法及蚁群算法,预测误差较小,具有很好的预测能力.     

两种电机滚动轴承故障诊断方法对比研究

分别将集成经验模态分解(Ensemble Empirical Mode De-composition,EEMD)、经验小波变换(EmpiricalWaveletTransform,EWT)、排列熵(PermutationEntropy,PE)、支持向量机(Support Vector Machine,SVM)方法进行结合,形成了基于EEMD、PE、SVM的EEMDPS和基于EWT、PE、SVM的EWTPS这两种电机滚动轴承故障诊断方法。异步电机轴承的故障诊断实验表明:在相同实验条件下,两种方法对电机轴承的内圈单点故障、外圈单点故障和内外圈复合故障均可实现100%诊断,但EWTPS方法诊断时间更短;在电机轴承的滚动体-保持架复合故障和正常状态的诊断方面,EWTPS诊断方法具有更好的诊断效果。     

基于改进粒子群算法的翼型多目标优化研究

在多目标优化研究中,为改善多目标粒子群算法的局部搜索能力,以标准粒子群算法为基础,引入单点模拟退火算法,局部进化最优个体,采用基于目标向量的共享函数法评价适应值.标准测试函数优化实例表明:本文算法比标准粒子群算法具有更好的收敛稳定性和收敛速度,收敛速度提高了近50%;针对某翼型的气动优化设计结果表明:改进算法有效缩短了优化时间,迭代代数由61减为49,调用CFD由4880减为4250次;阻力系数、升力系数、低头力矩系数分别改进了9.23%、0.42%、16.4%,取得了较好的优化效果.     

基于支持向量机的结构损伤分步识别研究

支持向量机是一种基于统计学习理论的机器学习算法,能够较好地解决小样本的学习问题。本文介绍了支持向量机分类和回归算法,提出了基于支持向量机的结构损伤分步识别方法:以模态频率作为损伤特征,首先根据支持向量机分类算法的概率估计确定可能的损伤位置,重新构造训练样本,然后利用支持向量机回归算法计算损伤位置;最后估计损伤程度。以梁的损伤识别为例进行了验证,结果表明该方法可以提高损伤识别的精度。     

基于支持向量机替代模型的可靠性分析

建立了基于支持向量机回归算法和分类算法的替代模型可靠性分析方法,与蒙特卡罗法结合,采用拉丁超立方抽样技术,进行隐式极限状态函数的可靠度计算。讨论了相关参数对支持向量机模型性能的影响,并通过遗传算法进行参数优化,为支持向量机模型的参数选择提供了依据。研究了不同训练样本数量对支持向量机模型预测值精度的影响,进一步证实了支持...     

由定子电流信号分析陀螺电机滚珠轴承故障诊断与分类（英文）

在陀螺电机中,轴承故障是最普遍的失效形式。针对陀螺电机球轴承中各组成部分出现故障难以区分,而更换整套轴承又造成巨大浪费的问题,提出了一种基于电流信号分析的陀螺电机轴承故障分类方法。该方法通过采集定子电流信号,并应用数学分析工具,提取出定子电流的特征信号。通过使用顺序递推法排除了冗余和无效特征,然后用最佳的特征信号建立特征空间。通过使用隐马尔科夫模型,对轴承的典型故障(外环故障、内环故障、球故障和保持架故障)进行了准确的分类。该方法的有效性在一台具有不同轴承故障的直流无刷陀螺电机上得到验证,实验结果显示分类的正确率达到97.1%。     

GA-BPSO混合优化中红外光谱特征波段筛选的润滑油添加剂种类识别技术

针对各种设备润滑油中微量多品种添加剂种类识别问题,提出二进制粒子群算法结合遗传算法(GA-BPSO)混合优化中红外光谱特征波段筛选方法. 首先建立K近邻算法(KNN)和随机森林算法(RF)的润滑油添加剂种类识别基础分类模型;然后通过GA-BPSO混合优化算法在光谱全波段范围内筛选特征波段区域,消除干扰及无效信息,压缩庞大光谱数据集,降低搜索空间维度;再以模型识别准确率作为评价标准,用优选出的特征波段在基础分类模型上构建高性能增强分类模型. 选取硫化异丁烯(T321)、烷基二苯胺(T534)和硫化磷酸胺盐(T307) 三种润滑油添加剂作为测试对象,以不同配比混合在基础油中,采集配制样品的中红外光谱数据,并划分为训练集与测试集,分别导入基础分类模型与增强分类模型进行训练及测试. 结果显示,GA-BPSO优化筛选特征波段,使KNN的有效波段长度削减至原来的16.4%,识别准确率从70%提高到89.58%;RF的有效波段长度削减至原来的15.8%,识别准确率从85%提升至97.5%. 对比研究发现,GA-BPSO混合特征波段优选方法明显优于GA和BPSO单独使用时的筛选结果,在极大地减轻运行负担的同时,有效提高了模型多种类同步识别的准确率和稳定性.      

基于C-SVM的组合导航系统故障诊断算法

为了提高捷联惯性组合导航系统的可靠性,将聚类支持向量机(C-SVM)应用于故障诊断技术,基于SINS/DVL/MCP/TAN组合导航系统建立了C-SVM故障诊断模型,将SINS/MCP、SINS/TAN和SINS/DVL三个子滤波器的相关特征量(残差值和状态检测函数)作为样本对C-SVM进行训练,并应用交叉验证法选择参数组.根据训练好的C-SVM模型分别对三个传感器进行故障诊断,若发生故障则屏蔽相应传感器的输出信息,利用其余的传感器进行重构.仿真结果表明,C-SVM的故障诊断正确率较高,特别是当训练样本数有限的情况下也能够达到较好的性能,克服了传统的神经网络在训练样本数较少时推广性能不足的问题,因此是一种理想的故障诊断技术.     

基于萤火虫群优化的空间非合作目标相对导航粒子滤波算法

研究了空间非合作目标相对导航算法,针对标准粒子滤波的重采样过程导致的粒子贫化现象及其造成的相对导航精度下降问题,分析了萤火虫优化算法的运行机制,提出一种基于萤火虫智能优化算法的改进粒子滤波算法。改进算法通过优化粒子滤波的重采样过程,使粒子群智能的向高似然区域移动,同时在低似然区域也合理保留了部分粒子,保证了粒子的多样性,提高了样本的整体质量。仿真结果表明,改进算法导航精度较标准算法提高了39.35%,达到稳定精度所需粒子数较少,有效抑制了粒子贫化问题。     

基于粒子群优化的UKF在SINS/GPS组合导航中的应用

针对组合导航中使用传统Kalman滤波方法时噪声协方差矩阵参数需要耗时耗力反复试验得到的问题,提出利用粒子群优化算法对卡尔曼滤波器的滤波参数Q和R进行寻优后用于组合导航的方法。将滤波参数Q和R作为粒子进行寻优,将粒子群算法优化得到的滤波参数值作为卡尔曼滤波器输入参数,用于SINS/GPS组合导航系统。仿真实验结果表明,12次实验中粒子群算法搜索出的参数均值分别为0.0208(°)/h、94.7827?g,接近所设置的噪声参数值与标准参数值0.02(°)/h、100?g。半物理实验结果表明,在实际系统中,与经验参数值用于卡尔曼滤波器相比,粒子群算法优化得到的滤波参数值位置估计精度提高了15%~30%,从而提高了组合导航性能。     

块体理论赤平解析法在锦屏二级水电站皮带机隧洞稳定分析中的应用

在小子样结构响应试验数据样本的基础上,利用支持向量机回归的方法模拟了圆柱壳体动态 极限应变峰值同壳体几何尺寸和外加脉冲载荷大小的非线性函数关系,同时通过改进的模拟 退火单纯形混合算法优化了支持向量机的性能参数,并将支持向量机回归分析的预测性能同 BP人工神经网络方法做了比较,验证了具有优化性能参数组合的支持向量机在小样本条件下 更好的预测和推广能力. 最后,从支持向量机回归模型导出了大尺寸圆柱壳体抗脉冲载荷的 强度极限同自身几何尺寸的多元函数关系,从而为该类型壳体设备抗脉冲载荷的强度分析提 供了一个可借鉴的预估模型. 研究结果表明了支持向量机在机械结构的强度预估和可靠性分 析等力学领域具有广泛的应用前景.     

基于SVM回归的圆柱壳体抗脉冲强度预估模型

在小子样结构响应试验数据样本的基础上,利用支持向量机回归的方法模拟了圆柱壳体动态极限应变峰值同壳体几何尺寸和外加脉冲载荷大小的非线性函数关系,同时通过改进的模拟退火单纯形混合算法优化了支持向量机的性能参数,并将支持向量机回归分析的预测性能同BP人工神经网络方法做了比较,验证了具有优化性能参数组合的支持向量机在小样本条件下更好的预测和推广能力. 最后,从支持向量机回归模型导出了大尺寸圆柱壳体抗脉冲载荷的强度极限同自身几何尺寸的多元函数关系,从而为该类型壳体设备抗脉冲载荷的强度分析提供了一个可借鉴的预估模型. 研究结果表明了支持向量机在机械结构的强度预估和可靠性分析等力学领域具有广泛的应用前景.      

基于改进粒子群优化的水下地形辅助导航方法

为了提高传统地形匹配算法的定位精度,提出一种基于改进粒子群优化的水下地形辅助导航定位算法。该算法以SINS的指示位置为中心构造搜索区域,对二维粒子群进行初始化,利用实时水深测量序列与待匹配序列之间的平均Hausdorff距离作为适应度函数,在线性递减权重的基础上引入收敛因子对粒子的速度和位置进行约束更新,改善粒子"早熟"问题。在某海图内进行了水下地形匹配仿真实验,结果表明:初始位置误差大小不影响改进PSO算法的定位精度和匹配速度;当水下航行器初始位置误差较大时,与TERCOM算法相比,改进PSO算法的匹配精度提高了近5倍,匹配耗时缩减了近10倍。     

基于PSVR的微机械陀螺温度漂移预测

针对中低精度微机械陀螺静态零位输出随温度漂移严重的问题,将应用于分类的近似支持向量机(PSVM)扩展到回归分析中,提出了使用近似支持向量回归机(PSVR)进行建模和预测的方法.该方法的原始优化问题基于等式约束,可采用直接法求取最优解,利用核函数可以方便地实现线性算法的非线性化,并具有良好的泛化能力.分段和连续温度测试结果表明,与常用的最小二乘支持向量回归机(LSSVR)相比,PSVR算法简单,训练速度快,尤其在大规模数据集处理上更具优势.     

基于支持向量回归机的陀螺漂移预测模型

为了预测某导弹陀螺漂移趋势,以该陀螺漂移角速度时间序列为对象,建立了基于支持向量回归机的预测模型。针对该预测模型的特点,提出了支持向量预选取的模型优化方法。基于ε不敏感损失函数的支持向量回归机具有稀疏性,其结构由支持向量决定。因此从训练样本集中预选出有可能成为支持向量的样本,精简样本规模是提高该类支持向量回归机训练和预测效率的有效方法。针对该类支持向量回归机从分类和回归两个角度分析了支持向量的几何特征,提出了核函数空间免疫聚类的支持向量预选取方法并用于某导弹陀螺漂移预测模型的数据预处理。仿真结果表明优化后的预测模型运算量小、建模速度快,精度高。     

基于SALDE-UKF-SVM算法的WLAN室内定位方法

针对室内复杂环境,WLAN信号强度信息高维时变特性,提出一种引入监督能力的自适应局部线性判别嵌入算法(SALDE)和改进支持向量机(SVM)的室内无线定位算法。首先,该算法利用SALDE对所采集的WLAN信号进行特征提取,达到降低维度和增大类别间判别信息的双重作用。然后,在低维流形空间中,利用SVM对数据进行特征分类判别,缩小定位区域,同时建立位置坐标与信息强度的非线性映射模型;最终利用无迹卡尔曼滤波算法(UKF)对估算位置进行滤波处理,提高定位精度与稳定性。仿真结果表明,该算法在定位误差2 m范围内精度达到72.4%,在4 m范围内精度已经高达95.8%,相比于传统SVM算法2 m内精度提高18.2%,在4 m内的精度提高17.7%,定位精度得到明显提升,可以较好地满足室内定位的需求。     

基于SVM步态分类的柔性外骨骼自主定位优化方法

针对复杂步态下柔性外骨骼虚拟惯性测量组件(VIMU)性能稳定性下降的问题,研究了一种基于支持向量机(SVM)步态分类的自主定位优化方法。采用SVM算法模型对柔性外骨骼的多种常规步态类型进行识别,根据不同的步态类型构建不同的卷积-长短期记忆(VGG-LSTM)混合神经网络模型,并通过判断实际惯性测量组件(IMU)的故障,利用VIMU构成具备系统重构能力的强鲁棒性自主定位方法。研究结果表明,复杂步态下基于SVM的步态分类方法可在保证VIMU精度的同时,降低VGG-LSTM神经网络模型的复杂性;机器人肢节末端IMU在常规步态下出现故障时,系统重构后的自主定位性能与无故障情况下基本保持一致,重构导航系统的定位误差在行进距离的2.5%以内。     

一种基于多尺度和改进支持向量机的光纤陀螺温度漂移建模与补偿方法

为了提升光纤陀螺温度漂移模型建模的准确性及补偿的效果,提出了一种基于改进支持向量机的多尺度建模和回归方法。首先分析了造成光纤陀螺温度漂移的关键因素,给出了建模的属性参数和温度试验。然后根据经验模态分解得到的本征模态函数排列熵的变化趋势,得出了回归精度和熵之间的变化关系,进而提出了基于信号分解的多尺度回归方法。为了提高上述多尺度回归算法的适应性,在传统支持向量机的基础上,提出了基于组合核函数的支持向量机回归算法,以适应不同特性的回归数据集。为了进一步提高回归精度,基于降低回归数据复杂度的分段回归思想,在上述多尺度回归的基础上提出了双-多尺度回归,并验证了方法的有效性。最后,将提出的算法以实际的光纤陀螺温度漂移数据进行验证,结果表明,相比于传统的支持向量机和反向传播神经网络具有更好的回归精度,温度漂移模型也更加精确,以均方误差指标为例,回归精度提升了两个数量级。     

基于卷积特征的光纤缺陷检测方法

针对人工难以实现熊猫型保偏光纤的缺陷检测问题,提出了一种小样本下基于卷积特征的图像检测方法。首先针对光纤缺陷特征将Inception V3模型微调,使用微调后模型提取光纤的2048维卷积特征;其次使用主元分析法将2048维特征降为74维;最后使用降维后的特征训练支持向量机分类器,同时使用粒子群算法对分类器参数寻优,实现对光纤缺陷的识别与分类。经实验证明,该方法对光纤涂覆层微小缺陷的识别率达到97%,涂覆层局部损伤和严重破损的识别率达到100%,对降低光纤环绕制中原纤损失、提升光纤环的精密性、研究光纤缺陷对光纤陀螺精度的影响有一定意义。     

基于PSO-HJ算法的多无人机协同航迹规划方法

针对多无人机协同航迹求解计算量大、难以收敛等问题,提出了一种基于粒子群优化和Hook-Jeeves (PSO-HJ)搜索算法相融合的多无人机时间协同三维航迹规划方法。首先,建立了单无人机航迹规划求解模型。然后,通过对适应度评价函数值低的粒子引入Hooke-Jeeves搜索算法,提高了粒子多样性,改善了航迹规划算法收敛性;对不满足约束的粒子引入约束违反度函数,基于比较准则提出了一种新的粒子评价机制,促进粒子搜索位于约束边界的最优解,加快了航迹规划算法的计算效率。最后,设计了一种多无人机时间协同航迹规划求解算法,利用PSO-HJ算法先分别求解单无人机航迹信息,通过多无人机集中航迹规划层协调到达时间实现协同航迹规划。仿真结果表明,PSO-HJ算法的精度比量子粒子群(QPSO)算法精度提高了20.85%,比PSO算法精度提高了58.14%,更适用解决实际复杂的多机协同规划问题。