VP型宽频带倾斜仪故障信号的BBA-SOM智能诊断

针对现有VP型倾斜仪故障诊断主要依靠人工经验和诊断流程较为复杂的问题,提出以互补集合经验模态分解(complete ensemble empirical mode decomposition, CEEMD)多尺度近似熵和二进制蝙蝠算法(binary bat algorithm, BBA)优化SOM神经网络参数的VP型倾斜仪故障诊断新方。首先,将归一化后的仪器故障信号进行CEEMD分解,对6阶本征模态函数(intrinsic mode function, IMF)求取多尺度近似熵值;然后将网络输入法按比例分为训练集和测试集,以训练集的识别率为适应度函数,应用二进制蝙蝠算法(binary bat algorithm, BBA)优化SOM神经网络的竞争层维数和网络训练次数;最后应用上述得到的BBA-SOM网络模型对倾斜仪故障特征数据进行辨识。实验表明：CEEMD多尺度近似熵判据对倾斜仪故障特征的区分效果符合预期;相对于朴素贝叶斯、AdaBoost集成学习与LDA等学习模型,BBA-SOM模型可以准确进行故障诊断;该方法对实现VP型倾斜仪故障的自动诊断有重要现实意义。     

高温蒸汽热泵的多目标参数设计优化

为了进一步节能减排,并根据用户负荷需求,设计出合适的高温蒸汽热泵系统,提出了一种基于多目标优化的高温蒸汽热泵设计优化方法。首先根据选取的高温蒸汽热泵结构,说明系统各子系统的选型并研究高温蒸汽热泵的系统机理,建立系统的静态模型,提出了高温整齐热泵的■效率计算方法;然后确定了系统结构参数优化问题的优化参数,以■效率和总成本作为优化目标,基于多目标人工蜂群算法(multi-objective artificial bee colony algorithm, MOABC),建立高温蒸汽热泵的多目标优化模型;最后对不同工况下的系统■损失以及循环性能系数(coefficient of performance, COP)分别进行了MOABC的优化。结果表明,使用■效率作为能效指标可以提升高温蒸汽热泵系统的能源品质;而使用COP作为能效指标则降低了系统的能耗。     

建筑工程施工现场疏散路径优化模型

针对多工种交叉作业频繁、环境时常变化、场地狭窄、明火作业多的建筑工程施工现场,本研究以疏散时间为目标函数建立其人员疏散时间模型,基于疏散时间模型以疏散时间最短为目的提出疏散路径优化模型,并利用修正的 迪杰斯特拉（Dijkstra）算法求解模型,同时结合BIM(building information model)4D模型和Anylogic软件以及某在建楼房案例对模型进行仿真模拟验证分析。由仿真模拟结果可知,疏散时间模型计算出的疏散时长与模拟疏散时长吻合度较高,使用经优化后的疏散路径疏散,能够在一定程度上较大幅度节约紧急情况下建筑工程施工现场劳务人员的疏散时间,提高施工阶段的安全管理效率,且在一定疏散人数范围内,优化程度随疏散人数增加而增长。     

基于改进麻雀搜索算法的最大指数熵分割方法

为了解决基本麻雀搜索算法(sparrow search algorithm,SSA) 依赖初始种群和求解精度不高的问题,提出一种基于Circle混沌映射和随机游走的改进的麻雀优化算法(improved sparrow optimization algorithm,CRSSA) 。该算法为了增强麻雀种群的多样性,在麻雀初始阶段引入混沌Circle 映射; 采用随机游走对最优麻雀进行扰动,使其在麻雀寻优后期,增强算法全局搜索能力,跳出局部最优。同时选取15个测试函数对其算法进行性能测试。结果表明：与原始的SSA 、蜉蝣算法(mayfly algorithm,MA) 、粒子群优化算法(particle swarm optimization algorithm,PSO) 、鲸鱼优化算法(whale optimization algorithm,WOA) 和灰狼优化算法(gray wolf optimization algorithm,GWO) 相比,改进的麻雀搜索算法具有寻优速度快、求解准确度高和鲁棒性强等优点。将该方法应用在多阈值图像分割中,通过对比不同算法的峰值信噪比(peak-to-signal ratio,PSNR)、结构相似性(structural similarity index,SSIM)、适应度函数值和运行时间性能指标,可有效解决多阈值分割问题,具有一定的工程应用价值。     

基于光伏发电量预测的含氢储能微网分段优化调度

针对多储能微网如何高效、经济运行,搭建了基于光伏发电的含氢储能、蓄电池储能的微网系统,采用一种日前预测调度与日内实时调度相结合的分段调度策略。在日前预测调度阶段,采用基于麻雀搜索算法优化支持向量机模型提高对日前的光伏发电量和负荷预测的精度,以微网最小使用成本为目标,考虑系统运行的可靠性,采用改进粒子群算法制定微网的日前最优调度策略。在日内调度阶段,考虑氢储能系统的响应延迟特性,以蓄电池为灵活补充元件,制定实时调整微网运行策略,消除预测误差带来的影响。最后,结合实际算例分析,验证了分段优化调度的可行性。结果表明,提出的方法能够有效预测数据,减少微网调度的响应时间,提高系统运行的经济性和稳定性。     

双边永磁同步直线电机随机模型系统辨识

为解决双边永磁同步直线电机离散传递函数模型参数动态变化、传统方法辨识精度低的问题,提出一种基于随机模型的系统辨识方法,分析运动过程中的系统特性,结合具有随机扰动项的Box-Jenkins模型,辨识动态系统传递函数模型参数。通过注入不同频率逆M序列电流信号,充分激发系统响应,比较分析不同实验条件下的系统辨识结果。选择预报误差法定义平方差代价函数,运用Levenberg Marquardt算法不断迭代优化以获得传递函数模型最优参数。通过对不同采样频率、不同注入电流幅值和不同电机运动速度条件下的系统辨识对比分析,获得最佳辨识模型。结果表明,当采样频率为1000 Hz,注入电流幅值为2.0 A和电机运动速度为50 mm?s-1时,获得最优辨识仿真输出匹配度为94.81%,平方差为7.84×10-4。     

基于K近邻算法的钢筋混凝土柱地震破坏模式判别方法

钢筋混凝土（RC）柱在地震力的作用下会发生不同的破坏模式,不同的破坏模式会有不同的损伤特点。所以,有必要针对不同地震破坏模式提出有效的判别方法。首先基于SMOTE算法使数据样本达到均衡,其次根据ENN算法,筛选了判别弯曲破坏和非弯曲破坏、弯剪破坏和剪切破坏的最佳参数;再次通过TomekLinks算法合理剔除噪音样本重构均衡数据,最后基于kNN算法建立了两阶段kNN模型,达到了准确判别RC柱地震破坏模式的目的,并通过与传统kNN模型、传统经验方法进行对比分析,验证了模型的优异性。研究结果表明：该方法通过选取筛选最佳参数,在提高判别准确率的同时简化了传统机器学习判别模型;本模型提出的两阶段kNN模型对三种破坏模式的判别准确率均可达90%以上,比传统kNN模型高10%左右,比传统经验判别方法高20%左右。     

基于深度强化学习的无人机自组网路由算法

针对无人机自组网节点密度大、拓扑变换频繁,导致移动自组网复杂的问题,提出了一种基于深度强化学习(deep-reinforcement learning, DRL)的分布式无人机自组网路由算法。利用DRL感知学习无人机特征,使节点不断与环境交互、探索学习最优行动(路由)策略;通过存储经验知识,维护端到端路由,赋予无人机网络智能化重构和快速修复的能力,从而提高路径的稳定性,降低路由建立和维护开销,增强网络的鲁棒性能。仿真结果表明,提出的算法具有较好的收敛性能;在路由修复时间、端到端时延,以及网络适应性、扩展性方面都优于传统的路由算法。     

Sylvester矩阵方程的改进IO迭代算法

通过对Sylvester矩阵方程的理论分析,可知IO迭代算法中迭代矩阵的谱半径随内迭代次数的增大而减小,更新了IO迭代算法中内迭代次数的选择方法,并证明了该算法收敛性与初始矩阵无关。Sylvester矩阵在满足一些特定条件下,为了进一步提高收敛速度,可通过选择适当的相关参数,使得IO迭代算法有较好的收敛速度且比Smith算法的迭代次数明显减少。     

PRM蚁群融合算法的AGV路径规划研究

针对AGV运货时需一次性取多件货物的路径规划问题,提出一种PRM算法与蚁群算法相结合的融合算法,将问题拆分为路径的选择与TSP问题分布解决,即先利用PRM算法进行AGV路径规划,再利用蚁群算法决策出取货顺序,生成总的路径。最后采用matlab进行仿真实验,并与A*算法进行对比,结果证明了PRM蚁群融合算法比A*算法得出的路径更短、效率更高。