基于一维CNN参数优化的压缩振动信号故障诊断

针对一维卷积神经网络(convolutional neural network, CNN)参数多的特点,提出一种正交试验和粒子群优化算法相结合的参数优化方法,并将其应用于压缩振动信号故障诊断。压缩感知理论突破了奈奎斯特采样定理的限制,为大量振动信号的采集与传输提供一种有效途径。首先利用CNN“端-端”特性,建立了基于压缩信号的CNN故障诊断模型。利用正交试验进行参数范围的粗略评价,选择出最优方案。对最优方案中每个参数,利用多目标粒子群优化算法进行细化,得出精确的参数最优取值。选择齿轮箱实测信号和西储大学轴承信号作为研究对象。实验结果表明,经过优化后非劣粒子的输出特征分类明显, CNN诊断率有明显提高,也证明了对压缩信号直接进行故障诊断的可行性。     

一种极坐标下的改进多目标粒子群优化

对现有多目标粒子群优化算法的全局最优解选择机制进行分析,指出其不足。在此基础上设计一种全新的极坐标下的选择机制:利用极坐标下解和粒子的角度信息计算适应度角度,选择适应度角度最大的解作为粒子的全局最优解。并针对多目标粒子群优化算法在迭代后期收敛变慢的问题改进位置更新公式:将位置更新过程产生的中间点也作为粒子新位置的候选解,有效提高算法收敛速度。对测试函数的仿真试验表明,所提出的改进算法在解集的分布性和收敛性上较其它典型算法有明显提高。     

基于频谱聚类分割的粒子群最优模态分解仿真研究

在两种有力措施的基础上提出了粒子群最优模态参数识别算法.一是提出了一种性能稳定的模态参数初始值估计算法,引入模态聚类的思路来估计出各个模态参数的上下限范围.该算法把幅谱曲线看成是局部波峰的集合,按聚类分割思路来构造聚类距离函数,使用k-means算法把振动信号频谱自动聚类成多个单模态类,然后运用单模态分解算法估计出每个模态类的模态参数的上下限范围,给出粒子属性值的上下界,极大地减少粒子群算法的搜索空间,减少最优搜索时间提高搜索结果的稳定性.二是采用了混合变异粒子群算法来提高最优化搜索的效率,有效避免陷入局部最优,提高模态参数的准确性.从仿真信号的大量实验研究结果看,与经典的正交多项式拟合算法相比,该算法的噪声抵抗能力更强、更稳定.     

基于粒子群算法的抽油机故障诊断研究

提出了一种动态改变学习因子的粒子群算法,用以保证在粒子群优化算法的初始阶段,使粒子在进化初期仔细地在自身的邻域内搜索,防止粒子快速向局部最优解汇聚而错过自身邻域内可能存在的全局最优解,而在进化后期,使粒子快速、准确地收敛于全局最优解,提高算法收敛速度和精度。利用改进后的粒子群算法优化神经网络的权值和阈值,并把优化后的神经网络应用到抽油机故障检测中,结果表明用改进后粒子群算法优化的神经网络对抽油机进行故障诊断较传统BP算法更具准确性与快速性。     

基于改进PSO算法的实时故障监测诊断测试集优化

针对基于相关性模型的复杂系统实时故障诊断问题,引入一种改进的多目标离散粒子群优化算法对测试集进行优化选择,以提高诊断系统效率,降低测试成本。基于现有粒子群优化算法,将粒子速度更新和位置更新的意义与测试选择相联系,提出了新的速度和位置更新公式;针对测试集故障检测数、故障隔离数、测试个数及成本等多个指标,分别设计了故障监测测试集和诊断测试集的多目标适应度函数,并给出最优解的多目标更新方法。仿真结果表明：改进算法收敛速度快,计算精度高,可为实时监测诊断系统测试集优化选择提供有效指导。     

基于优化SVM的反渗透脱盐水故障诊断

针对反渗透脱盐水系统中的反渗透膜故障问题,提出了一种基于支持向量机(SVM)的故障诊断方法.为了解决SVM的参数优化问题,采用一种基于改进的混沌粒子群优化算法的支持向量机参数选择方法.将混沌理论引入粒子群优化算法中,提高种群的多样性和粒子搜索的遍历性,有效地提高了粒子群算法的收敛速度和精度,得到了优化的SVM模型.并将此模型应用于反渗透脱盐水系统的故障诊断中.仿真结果表明,改进的SVM分类器能有效地诊断出反渗透膜故障,并且取得了较高的准确率和诊断效率.     

基于改进粒子群优化算法的虚拟企业伙伴选择

在分析基本粒子群优化算法和建立虚拟企业伙伴选择多目标决策模型的基础上,提出了一种求解供应链联盟伙伴选择的优化问题的改进粒子群算法.在优化过程中,该算法以优良适应值粒子取代部分不良适应值粒子,使算法具有过滤能力,加快了搜索速度,并保证了收敛于全局最优解.实验结果用基本粒子群算法进行了验证和比较,表明该改进粒子群算法具有较好的性能和简单快速准确等特点.     

基于PSO-DBSCAN和SCGAN的未知雷达信号处理方法

针对雷达实际侦察过程中会侦收到大量样本库中所没有的未知雷达信号,设计了一种基于粒子群优化的具有噪声的密度聚类算法和半监督条件生成对抗网络的单脉冲未知雷达信号处理方法.通过粒子群优化算法得到具有噪声的密度聚类算法的最优输入参数后,对未知雷达信号进行聚类,在聚类算法输出的簇中采用距离筛选算法筛选出更为可信的样本将其扩展到雷...     

一种铜电解生产过程的多目标量子粒子群优化

为解决铜电解生产过程能耗高的问题,采用机理和辨识混合建模方法建立铜电解过程多目标优化模型。针对量子粒子群算法求解多目标优化问题存在的多样性差、分布不均甚至局部收敛的问题,提出了一种基于信息熵和混沌变异的改进多目标量子粒子群算法,对测试函数的计算结果表明所提出算法在求解分布性方面要明显优于其他经典算法。利用改进算法在给定电价和分时电价情况下进行铜电解过程多目标优化仿真,获得了生产工艺参数的最优组合,有效的降低能耗,为电解铜的生产过程优化提供了详细的指导和理论依据。     

基于混沌粒子群优化的系统级故障诊断策略优化

针对诊断设计优化过程中的关键问题--故障诊断策略优化,提出了基于混沌粒子群优化算法的系统级故障诊断策略优化方法。该算法利用混沌优化不重复遍历系统所有状态的特点,引导粒子在全局范围内搜索,从而克服了粒子群算法“早熟”收敛的缺点。这使算法不仅具有较快的收敛速度,又保证了获得的最优解的可靠性,为获得有效的系统级故障诊断策略提供了可行的方法。最后,给出了该算法在诊断策略优化过程中的关键步骤,通过仿真证明了该算法对于系统级故障诊断策略优化的有效性。     

考虑关键故障的测试优化选择

针对现有测试优化选择方法中因关键故障为小概率故障而容易被漏检的问题,提出了一种有指向性的对关键故障进行有效检测和隔离的方法。首先从系统安全性角度,分析了关键故障的重要性。然后基于相关性矩阵,以测试代价最小为优化目标,以故障检测率与隔离率和关键故障检测率与隔离率为约束,建立了考虑关键故障的测试优化选择模型,最后采用基于质心改进和惯性权重自适应调整的二进制粒子群算法进行求解。仿真实验结果表明,考虑关键故障的测试优化选择方法可以有效消除因关键故障漏检而对装备安全造成的严重威胁。     

基于自适应粒子群优化的盲源分离

针对现有的盲源分离算法性能大多依赖于非线性函数的选取问题,提出了一种基于自适应粒子群优化(adaptive particle swarm optimization,APSO)的盲源分离算法。该算法以分离信号的负熵为目标函数,根据分离信号的状态自适应地调整惯性因子,克服了收敛速度和信号恢复质量之间的矛盾。仿真实验表明,该算法的性能对源信号的概率密度性质没有依赖性,因而能很好地分离亚高斯和超高斯信号的混合信号,并且能有效地避免早熟收敛问题,具有较快的收敛速度,分离效果好。     

基于SVD和MPSO-SVM的光纤周界

针对光纤振动信号有噪声干扰、识别信号类型准确率不高且识别时间长的问题,提出了基于奇异值分解(singular value decomposition, SVD)和改进粒子群优化支持向量机(modified particle swarm optimization support vector machine, MPSO-SVM)的识别方法。首先,采用SVD对信号去噪,根据奇异值序列二阶差分谱单边极小值原则确定信号重构秩阶次。其次,提取振动信号特征,利用串行特征融合(serial feature fusion, SFF)方法组建特征向量组。最后,利用MPSO-SVM进行分类识别,提高识别精度和算法效率。采用实测信号进行验证,结果表明,信噪比有明显提升,信号平均识别率较粒子群优化支持向量机(particle swarm optimization support vector machine, PSO-SVM)提升5%。该方法较传统神经网络识别方法有较好的效果,具有实际应用价值。     

Polyphase coded signal design for MIMO radar using MO-MicPSO

A novel modified optimization technique known as the multi-objective micro particle swarm optimization(MO-MicPSO) is proposed for polyphase coded signal design.The proposed MO-MicPSO requires only a small population size compared with the standard particle swarm optimization that uses a larger population size.This new method is guided by an elite archive to finish the multi-objective optimization.The orthogonal polyphase coded signal(OPCS) can fundamentally improve the multiple input multiple output(MIMO) radar system performance,with which the radar system has high resolution and abundant signal channels.Simulation results on the polyphase coded signal design show that the MO-MicPSO can perform quite well for this high-dimensional multi-objective optimized problem.Compared with particle swarm optimization or genetic algorithm,the proposed MO-MicPSO has a better optimized efficiency and less time consumption.     

基于BPSO的多故障最小候选集生成技术

多故障最小候选集生成是制定多故障诊断策略的首要步骤。利用二进制粒子群优化算法（binary particle swarm optimization, BPSO）生成多故障模糊组的最小候选集。首先，利用紧集表示法描述某或节点上的多故障模糊组，其最小候选集即多故障模糊组的最小碰集|然后，利用BPSO算法求解多故障模糊组的最小碰集，通过构造个体适应度和群体适应度双函数，解决BPSO算法求解最碰集的适应性问题，并保证了算法尽可能搜索冲突集的全部碰集|最后，通过某系统实例对算法的有效性进行了验证。事实表明，该方法能有效应用于多故障最小候选集问题的求解。     

MC-CDMA系统中基于粒子群算法的多用户检测

提出了一种频率选择性信道下使用多天线分集接收的多载波码分多址(MC-CDMA)系统中基于粒子群算法(PSO)的多用户检测(MUD).当采用多天线分集接收时,各个天线接收的信号经历了相互独立的衰落,导致不同天线分支对应的匹配度函数相互独立.为解决多天线分集接收的多目标优化问题,提出了虚拟Pareto前端的概念,并使粒子按照Pareto优化准则进行速度和位置更新.仿真结果表明,所提方案获得了增强的开发和探索能力,其性能优于常规粒子群算法和多目标遗传算法.     

基于改进粒子群算法的快速反射镜自抗扰控制

为了提高快速反射镜(fast steering mirror, FSM)的跟踪精度和扰动抑制能力, 建立了基于自抗扰控制器(active disturbance rejection control, ADRC)的FSM闭环控制系统, 并对ADRC的参数整定方法进行研究。由于ADRC参数用试凑法整定效率低, 用粒子群优化(particle swarm optimization, PSO)算法整定容易陷入局部最优, 因此提出一种惯性权重基于箕舌线调整的改进PSO(improved PSO, IPSO)算法。通过系统仿真实验, 在考虑卫星平台振动的情况下, 采用基于IPSO、PSO的ADRC和传统比例-积分-微分(proportion integration differentiation,PID)控制器分别控制FSM。结果表明, 在跟踪不同频率的高频正弦信号时, 采用基于IPSO的ADRC控制的FSM跟踪精度相较其他两种控制器控制FSM的跟踪精度均有明显提升。