面向双馈风机的分层型免疫协同进化粒子群算法多参数辨识

双馈异步电机在实际工程运行情况下是一种高度非线性动态系统,并且由于其参数随环境的强变化性,常规方法难以实时得到其高精度参数。结合粒子群算法的高效多模态收敛性能以及免疫机理全局优化能力强等特点,研究了分层型免疫协同进化粒子群算法(co-evolutionary particle swarm optimization algorithm based on hierarchical-particle immune, HICPSO)智能计算模型参数。将该方法应用于双馈电机参数辨识与建模,提出了分层型免疫协同进化粒子群算法的双馈电机在线参数辨识。仿真结果表明该算法只需要采集控制过程中的数据,不需要数据手册的电机设计值等其他参数,且能在双馈电机运行实时跟随电机参数变化。     

系统辨识的粒子群优化方法

研究了一种基于粒子群优化算法对系统进行辨识的新方法.该方法的基本思想是将典型数学模型相互组合而构成系统模型,即首先将系统结构辨识问题转化为组合优化问题,然后利用粒子群优化算法同时实现系统的结构辨识与参数辨识.为了进一步提高粒子群优化算法的辨识性能,提出了一种改进的粒子群优化算法.仿真结果表明,给出的辨识算法是合理的,虽然扰动对算法的性能以及辨识结果有一定的影响,但利用文中所提出的改进粒子群优化算法仍然可以理想地辨识出系统的结构以及模型的参数,且与已有辨识算法相比更加有效.     

一种非线性系统参数辨识的耦合算法研究

针对工程复杂性、时变性、非线性的特点,提出了基于混沌免疫粒子群算法(CIPSO)与El-man神经网络的耦合算法(CIPSD-ENN),用于非线性动态模型参数辨识.CIPSO优化算法将人工免疫系统中的克隆选择和混沌优化机制引入粒子群算法,在粒子群种群进化过程中,该算法对粒子进行克隆选择,提高其收敛速度,对克隆后的粒子混沌变异以增强种群局部搜索能力.最后,CIPSO与动态反馈型Elman神经网络融合,对其权值、阈值寻优,建立了基于CIPSO和ENN的耦合算法系统辨识模型.实验结果表明,算法具有收敛速度快、收敛精度高、鲁棒性强的特点,与单纯Elman网络辨识相比,模型收敛速度提高了10倍,拟合精度提高了2个数量级.     

球头铣刀切削刃存在差异的切削力系数辨识

为了准确辨识得到球头铣刀切削刃存在差异的切削力系数,提出结合平均铣削力方法和粒子群优化算法的辨识方法.首先,建立球头铣刀的铣削力模型,推导基于平均铣削力且忽略切削刃差异的切削力系数辨识模型.然后,以基于平均铣削力方法辨识得到的切削力系数为初值、最小化铣削力仿真结果和测量结果的偏差平方和为目标,引入修正系数为设计变量,设计基于粒子群优化的切削力系数修正算法.最后,进行仿真和实验验证,相关结果表明采用修正后的切削力系数不仅能准确地预测切削刃存在差异的铣削力峰值,而且具有更好的吻合度和精度.     

基于改进粒子群算法的轮胎模型参数两级辨识

为提高PAC89(Pacejka'89 tyre model)轮胎模型的辨识速度和辨识精度,采用加入自适应权重和自然选择性的粒子群算法,并将PAC89轮胎模型参数分为两级,依次进行辨识.以轮胎模型侧偏力曲线的辨识为例,轮胎模型中的刚度因子、形状因子、峰值因子、曲率因子、垂直和水平偏移率为一级参数,通过改进粒子群算法进行一级辨识得到;组成上述因子的特性参数为二级参数,通过改进粒子群算法进行二级辨识得到.一级辨识收敛时的迭代次数小于40,二级辨识收敛时的、迭代次数在100左右,通过实验数据与辨识模型的对比得出平均相对残差为1.6961％.辨识结果表明,采用改进粒子群算法分两级对PAC89轮胎模型进行辨识的方法,能够在保证模型精度的同时提高辨识速度,是一种有效的多参数辨识方法.     

基于量子粒子群与标准粒子群混合算法的框架结构异构体系模型参数辨识

为了研究相邻框架结构地震碰撞问题,经常将框架结构动力学模型简化为树形拓扑结构,以提高计算效率。该文提出了一种将量子粒子群与标准粒子群结合的参数辨识方法,基于结构的动力特性等效原则,对框架结构建立适应于多体系统传递矩阵法(MS-TMM)高效计算的树形拓扑系统动力学模型,模型的相关力学参数的确定是基于量子粒子群与标准粒子群混合算法,由有限元方法计算得到模态参数,通过参数辨识的方法来完成。为了验证所提出方法的有效性,以三层框架结构为工程算例,将三层框架结构转化为树形拓扑力学模型,通过提出的参数辨识方法和标准量子粒子群算法分别进行参数辨识,并将两种方法的辨识结果分别利用多体系统传递矩阵法(MS-TMM)计算频率,将频率计算结果分别与Ansys结果进行比较。结果表明,该文方法的识别精度优于标准量子粒子群算法。     

基于改进粒子群算法的分数阶系统辨识方法

为获取精确的分数阶系统模型,本文利用惯性权值自适应律来改进基本粒子群算法,基于所改进的粒子群算法提出了一种分数阶系统辨识方法,并选取实际系统与辨识系统的输出误差平方和为目标函数,实现了分数阶模型参数和阶次的同时辨识,适用于成比例和不成比例分数阶系统辨识。仿真结果表明了算法的有效性,辨识结果精度较高。     

基于改进的粒子群优化算法的轮胎参数辨识

轮胎是汽车的重要组成部分,其特性分析是研究汽车动力学的基础,其模型的精度直接影响整车模型仿真的精度,多采用粒子群优化算法对轮胎参数进行辨识.参考自然界生物进化现象,在基本粒子群算法的基础上提出带变异阀值的多种群粒子群算法.该算法采用多个种群同时进化以保证粒子群的多样性,同时可改善全局收敛的可靠性,采用变异阀值可避免优化算法陷于局部收敛现象的发生.将该方法应用于轮胎参数辨识,并与其他优化算法辨识结果进行比较,该方法结果能够更好地与实验数据吻合,证明该方法辨识精度高,在轮胎参数辨识中有较好的应用性.     

基于混合粒子群算法的特高拱坝不同材料热学参数反演分析

针对混凝土施工期热学参数与室内试验值存在差异这一问题,该文基于粒子群算法和光纤温度监测数据,对特高拱坝低温季节混凝土热学参数进行识别。为克服传统粒子群算法易局部最优的不足,引入凹函数惯性权重系数,并与遗传算法的交叉变异操作相结合,建立了群体智能优化混合粒子群模型,从而平衡全局和局部搜寻能力。选用实际冷却通水方案以及环境气温,考虑多档通水以及冷却水沿途水温变化影响,将混合粒子群算法应用于不同强度混凝土、同一强度不同级配混凝土进行热学参数反演分析。通过工程实例说明了智能辨识的合理性以及混合粒子群算法的良好收敛性。该反演成果对阐明混凝土热学参数与温度变化之间规律具有重要意义。     

基于支持向量机和粒子群算法的励磁系统频域辨识

针对励磁系统参数实测及建模问题,提出了采用支持向量机和粒子群算法进行励磁系统参数频域辨识的方法.先用支持向量机方法来提取特征样本,然后采用粒子群算法和这些少量的特征样本对励磁系统进行参数辨识.用支持向量机筛选出的特征样本一方面可以减少粒子群算法的计算时间,另一方面还可以提高模型的辨识精度.实际算例表明粒子群算法用于频域辨识时实现过程简单,对简单模型和复杂模型都可以得到较好的辨识效果.     

粒子群投影寻踪算法在岩爆预测中的应用

对岩爆有影响的三项主要因子：洞室最大切向应力与岩石单轴抗压强度的比值、脆性系数和弹性能量指数作为岩爆灾害预测的主要判别指标,通过粒子群优化算法和投影寻踪算法建立了相应的岩爆预测分析模型.该模型采用粒子群算法优化投影指标函数,确保了模型参数的准确性;同时利用逻辑斯谛曲线函数建立投影值与经验等级之间的非线性关系.研究表明,用粒子群投影寻踪回归模型进行岩爆预测,避免了传统预测方法由于主观原因造成的误差,预测精度较高.通过将所建模型应用到秦岭隧道和冬瓜山铜矿的岩爆预测中,得到与实际情况较符合的预测结果.     

基于PSO的一类线性系统参数辨识方法研究

研究了一种线性系统的参数精确辨识方法;首先采用PSO(Particle Swarm Optimization,粒子群优化)方法对模型进行优化迭代,并选择合适误差准则作为粒子群优化算法的适应度函数,以迭代每个粒子所对应的参数速度和大小;在此基础上,寻找最小适应度值的粒子,推导出最优的适应度函数值,实现系统参数的实时、精确估计;最后通过实验验证了基于粒子群优化算法的参数辨识法的准确性和有效性。     

基于CQPSO算法的含风电场电力系统经济调度研究

为了克服风电场出力波动的不利影响,提高调度经济性,构建含常规火力发电燃料费用、风电预测误差备用费用以及风电弃风成本的多目标动态调度模型,并提出一种混沌量子粒子群算法对模型进行求解。标准测试函数的仿真结果表明本算法比对照算法具有较高的收敛精度和稳定性。对含风电场的IEEE30节点系统算例进行仿真实验,结果表明采用混沌量子粒子群算法对调度模型求解的调度费用最低。     

基于随机权重粒子群算法的SCARA机器人动力学参数辨识

针对SCARA机器人在负载条件下末端动力学参数难以辨识的问题,在分析负载对各关节力矩影响的基础上,对SCARA机器人进行了结构简化,利用Lagrange法建立带负载机器人的动力学数学模型,确定了需要辨识的机器人末端动力学参数。在传统粒子群算法的基础上,提出一种随机权重粒子群算法对机器人动力学参数进行辨识,并编写了相应的程序。仿真辨识结果表明:随机权重粒子群算法的收敛速度与参数粒子搜索范围得到明显提升,辨识出的机器人力矩与实际输出力矩基本吻合,说明该算法对机器人动力学参数的辨识具有较高的精度;与遗传算法、基本粒子群算法相比,随机权重粒子群算法辨识得到的适应度函数最优值最小,不易陷入局部最优,便于全局搜索,参数辨识精确更高。     

微生物连续发酵系统参数辨识与优化算法

考虑3-HPA对细胞生长的抑制作用和底物与产物的跨膜运输方式,建立了能更好描述微生物连续发酵过程的新的数学模型,以计算值与实验稳态数据之间的平均相对误差为优化目标,以多个动力系统为状态约束,建立了参数辨识模型,证明了该辨识模型的参数可辨识性,并构造了改进的粒子群(PSO)算法求解该辨识模型.数值结果表明该新的动力学模型能更好地描述实际微生物连续发酵过程.     

基于量子粒子群-径向基神经网络模型的风速预测

风速预测对风电场和电力系统的运行都具有重要意义.为了提高风速预测的精度,提出了一种基于量子粒子群-径向基神经网络模型,在确定网络隐含层节点数后,将RBF网络的参数编码成优化算法中的粒子个体进行优化,在全局空间搜索最优适应值的参数.用优化后的神经网络进行风速预测,实例结果表明该算法在预测速度和精度上都得到了提高.     

基于天体系统粒子群算法的异步电机参数辨识

针对标准粒子群优化(PSO)算法存在易早熟收敛的缺点,提出了一种基于天体系统模型的粒子群优化算法(CSPSO).在CSPSO算法中,参照天文学中的天体系统模型,将种群划分为多个相对独立的天体系统,每个系统按照自己的运行规则在不同的空间中运行,在算法的后期引入混沌优化,最终确定出优化问题的全局最优解.将CSPSO算法应用于异步电机参数辨识问题中,仿真结果表明CSPSO算法比GA算法和PSO算法具有更精确的参数辨识能力.     

基于自适应混合引力搜索算法的混沌系统参数辨识

针对混沌系统未知参数的辨识问题,结合人工蜂群搜索算子和混沌优化策略,提出一种自适应混合引力搜索算法,并应用于混沌系统未知参数的优化辨识.利用混沌序列初始化种群以增强搜索初期的遍历性,基于人工蜂群搜索算子进行变异操作以提高算法的局部寻优能力,依据粒子的性能对进化过程中的万有引力系数进行自适应调整,有效避免了早熟收敛,提高了算法的整体寻优性能.以测试函数和典型混沌系统为例进行仿真实验,结果证明该算法具有良好的全局探测和局部开发能力,与遗传算法、粒子群算法、量子粒子群算法和引力搜索算法比较,其对混沌系统参数的估计具有相对较高的辨识精度和收敛速度,算法的有效性得到了验证.     

基于改进PSO算法的岩石蠕变模型参数辨识

微粒群优化(PSO)算法是一类随机全局优化技术,具有收敛速度快、规则简单、易于实现的优点.针对岩石蠕变本构模型参数的辨识问题,本文利用FLAC软件自带的fish语言实现了改进PSO算法对本构模型参数的辨识.该方法从岩石本构模型参数的随机值出发,以蠕变过程中试件变形的实验值与计算值的误差大小作为适应度函数来评价参数的品质,利用改进PSO算法规则实现模型参数的进化,搜索出全局最优的模型参数值,从而实现了岩石蠕变本构模型参数的自适应辨识.利用该方法对页岩蠕变实验进行了仿真研究,实验结果表明:改进的PSO算法用于岩石蠕变模型的参数辨识是有效的.     

超磁致伸缩驱动器输出位移模型参数的辨识方法

为了提高超磁致伸缩驱动器的控制精度和响应速度,需要快速精确获取其磁滞非线性模型中的未知参数。在介绍超磁致伸缩驱动器工作原理的基础上,基于Jiles-Atherton模型建立了GMA的磁滞非线性模型,并提出一种改进型粒子群算法对其模型参数进行辨识,最后搭建仿真和实验平台进行验证。结果表明:该改进型粒子群算法辨识GMA输出位移模型参数有效性高,参数辨识代码运行时间缩短至210s,适应度函数值最小达到0. 165 7,由此建立的磁滞非线性模型的计算精度可精确到0. 001μm,且通过多次比较发现该位移输出模型重复性较高,研究结果为后续进行GMA输出位移的误差补偿控制提供理论依据。