基于ABC-BP神经网络的航空发动机故障诊断方法

为有效诊断发动机机械磨损故障,根据滑油金属磨屑建立基于ABC-BP神经网络故障诊断模型。模型针对BP神经网络的缺陷,利用人工蜂群优化BP神经网络,在初始化参数时将BP神经网络的误差函数作为人工蜂群的适应度,选择适应度最优的一组参数作为神经网络的权值和阈值。最后应用航空实际数据进行仿真研究,结果表明模型有较好的故障诊断效果,为实现故障预测和健康管理奠定基础。     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成BP网络权值和阈值的优化,最后建立用于短期负荷预测的优化模型,并通过实例进行仿真验证.结果 表明:该改进预测模型与传统BP算法相比预测精度及收敛速度均有大幅提高,具备工程实用价值.     

基于ABC-BP神经网络的光纤传感器光强补偿北大核心CSCD

为了减少光纤传感器测量过程中接收光强受到非线性因素的影响,提出利用人工蜂群算法(artificial bee colony, ABC)优化反向传播神经网络(BPNN)进行光强补偿的方法。通过人工蜂群算法局部搜索最优的能力优化传统反向传播神经网络的权值与阈值,达到减少局部样本陷入极值的目的。将内圈与外圈2组接收光功率以及位移作为训练数据,优化神经网络各参数值,从而建立最优ABC-BP神经网络补偿模型。结果表明人工蜂群算法优化后平均绝对误差减少了0.001 114,均方根误差减少了0.001 182,参数值均小于传统反向传播神经网络和支持向量机补偿模型。对比实验证明该混合算法预测误差更小,能够更高精度完成光强补偿过程。     

基于理想压力的机车座椅优化设计与舒适度试验研究

为了提高某出口型电力机车司机座椅舒适性,结合人机工程仿真软件JACK、主观感知舒适度量表及压力坐垫对司机座椅人机系统进行分析,进而基于人体工程学的座椅靠背设计方法对座椅靠背形态进行优化,对优化后座椅靠背的人机匹配度进行了仿真分析和主客观试验验证,结果表明优化后的靠背设计方案比靠背原型的人机交互匹配度更高,且能对司机背部形成良好的支撑。最后利用MatlabLIBSVM工具箱建立舒适度预测模型对座椅舒适度进行预测分析,得到均方误差MSE=0.003 753 4、相关系数R=93.063 1%,该模型预测精度高,可大幅简化主观评价流程。该座椅靠背设计方法可为轨道交通装备司机座椅的舒适性设计提供理论参考和试验依据。     

直升机齿轮箱故障诊断方法

为有效诊断直升机齿轮箱故障,研究建立了基于直升机齿轮箱振动信号的小波包熵ABC-BP神经网络故障诊断模型。模型以小波波包分析与信息熵分析方法为基础,提取齿轮箱振动信号的小波包熵作为神经网络的特征输入向量,引入人工蜂群优化BP神经网络,将BP神经网络的误差函数作为人工蜂群的适应度,选择适应度最优的个体参数作为神经网络的权值和阈值,不仅降低模型输入维度,还提高了诊断精度。最后基于实验数据进行了验证,结果表明该诊断模型具有较好的故障诊断效果。     

基于改进PSO算法的Volterra模型在磨损预测中的应用

为准确预测机械设备的磨损问题,提出基于改进PSO算法的Volterra级数预测模型。该预测方法首先根据Volterra级数的性质,建立Volterra级数模型;然后利用改进的PSO算法对模型参数进行优化,得到Volterra级数的预测模型。利用轴承钢试件的磨损实验数据,采用建立的预测模型对数据进行建模和磨损预测。仿真结果表明,与基于PSO算法的Volterra模型、多项式模型、AR模型、RBF神经网络模型及BP神经网络模型相比,基于改进PSO算法的Volterra预测模型结构简单、预测精度高,具有一定的实用性。     

汽车座椅座垫非线性模型参数辨识研究

基于遗忘因子递推最小二乘法对汽车座椅座垫非线性模型参数辨识展开研究。首先根据汽车座椅座垫非线性特性,建立驾驶员处的人体-座椅单自由度非线性动力学模型;然后,在沥青路面上对某款轿车进行随机输入下的汽车平顺性试验,测量得到驾驶员座椅和座椅底部地板垂向加速度时间历程;最后基于遗忘因子递推最小二乘法,利用试验实测数据对座椅座垫非线性模型参数进行辨识与分析,分析结果将为座椅乘坐舒适性改善、汽车平顺性优化及控制研究等提供技术支持。     

基于改进BP神经网络的机床基础部件可再制造性评价模型

为了利用样本数据准确完成机床基础部件可再制造性评价,提高机床基础部件可再制造性评价预测精度,提出一种采用模拟退火遗传算法优化BP神经网络的机床基础部件可再制造性评价模型。该评价模型以机床基础部件可再制造性经典评价模型评价结果为样本数据,建立机床基础部件可再制造性评价BP神经网络预测模型,采用模拟退火遗传算法优化BP神经网络模型,寻找更优初始网络权值、阈值,以提高收敛速度和避免局部收敛。以一台机床基础部件可再制造性评价为例,验证了基于模拟退火遗传算法优化的BP神经网络评价模型具有更好的预测精度。     

15CrMoG钢管弯曲回弹的改进PSO-BP评估

为精确预测管材弯曲回弹并设计合理的补偿方案，选择经过优化处理的BP机器学习算法建立预测模型，之后对其开展了控制性能评价。大幅提升了泛化性能并获得更高的预测精度，促进算法更快完成收敛过程。并对模型开展了验证分析。研究结果表明：当以PSO算法优化BP建立预测模型进行预测时跟目标结果间形成了15.7%的平均误差，相对于BP预测模型，大幅提升了预测精度，但会导致计算效率明显下降，所需计算时间接近1.5h。以改进粒子群算法对BP进行优化后，可以有效提升神经网络泛化性能，跟目标值相比平均误差只有6.2%。先对基本PSO算法实施优化处理，再利用优化后的PSO算法调整BP，由此建立得到机器学习预测模型。此模型可以达到高预测精度以及高效率的要求，可以有效满足管材数控弯曲回弹以及补偿的计算需求。     

基于IA-PSO-BP模型的电主轴热误差预测方法

针对电主轴在运作时因为温升而产生热误差的问题,提出一种基于免疫粒子群优化BP神经网络（IA-PSO-BP）的电主轴热误差预测模型。通过测量电主轴在工作过程中的温升以及热位移,获取建立预测模型所需的数据,使用IA-PSO-BP模型在MATLAB中建立热误差预测模型,并与未经过优化的BP神经网络所建立的模型进行测试对比。结果显示,经过优化的BP神经网络对热误差的补偿能力高达98.4%,和当前工程常用的BP神经网络相比,平均预测误差下降了62.6%,预测误差的均方差下降了66.4%,可见其预测精度得到了显著提升。