粒子群優(yōu)化算法及其在機電設備中的應用研究.pdf

1、為適應機電設備智能化、自動化和高可靠性的發(fā)展，現代機電設備無論是機械系統(tǒng)還是控制系統(tǒng)都越來越復雜，客觀上對機電設備的設計、狀態(tài)監(jiān)測和控制方法等都提出了更高的要求，其中的許多問題都可以轉化為優(yōu)化問題用優(yōu)化算法進行求解。作為一種基于群體智能的隨機優(yōu)化算法，粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法以其簡單、易于實現和快速的收斂性能，在工程優(yōu)化實踐中得到廣泛應用。本文在對粒子群優(yōu)化算法基本理論進行研究的基

2、礎上，提出了一種改進的粒子群優(yōu)化算法，并探討了其在機電設備的設計、狀態(tài)監(jiān)控和控制中的應用。主要研究內容包括以下幾個方面：
　?。?）闡述了優(yōu)化的一般數學模型以及粒子群優(yōu)化算法產生的背景和研究現狀。分析了粒子群優(yōu)化算法的基本原理和特點，并對基本粒子群優(yōu)化算法中參數對算法性能的影響進行了簡單分析。
　?。?）針對基本粒子群優(yōu)化算法存在容易陷入局部最優(yōu)的問題，基于生物群體的認知和決策過程，提出了一種基于“維信息共享（Dimensi

3、on Information Sharing）”和“動態(tài)認知（Dynamic Cognition）”的改進粒子群優(yōu)化算法（DDPSO）。在速度更新中隨機選取粒子某一維的信息復制到其他維，實現“各維之間信息的共享”；同時，為適應不同的優(yōu)化問題，引入動態(tài)認知思想，每一次迭代過程中，針對“認知”的不同階段，用不同的更新策略對種群中的粒子及粒子的個體最優(yōu)和整個種群全局最優(yōu)進行更新。DDPSO算法模擬生物群體的認知過程，將生物群體在不同階段的認知

4、過程轉換為不同的更新策略，從模型結構上對粒子群優(yōu)化算法進行了改進，使算法更加符合生物群體的思維過程及其社會屬性，發(fā)揮了不同更新策略的優(yōu)勢，更加能夠體現生物群體的智能。通過對標準測試函數集中反映算法不同性能的測試函數的測試、神經網絡的訓練以及混沌控制系統(tǒng)控制參數的優(yōu)化，證明了DDPSO算法具有非常好的優(yōu)化能力。
　?。?）針對齒輪箱故障狀態(tài)識別中，BP算法存在的問題（過多的參數需要調節(jié)，收斂速度慢，容易陷入局部最優(yōu)等）和基本粒子群存

5、在的問題，將DDPSO算法引入到了齒輪箱的故障診斷中用于神經網絡的訓練。以BP神經網絡的權值和閾值作為粒子的位置矢量，圴方誤差作為粒子群的適應度值，通過粒子群優(yōu)化算法對權值和閾值進行調整、優(yōu)化。診斷結果表明，DDPSO算法與BP、PSO-TVIWD、PSO-TVACD和PSO-DV算法相比，更容易跳出局部最優(yōu)，且具有更高的診斷精度和收斂性能，提高了齒輪箱故障診斷率，為復雜非線性機械系統(tǒng)的故障診斷和狀態(tài)監(jiān)測提供了新的思路和方法。
　

6、?。?）在對火炮身管熱護套防護效率測試系統(tǒng)及現場測試數據進行分析的基礎上，建立了測試系統(tǒng)熱輻射參數調節(jié)的數學模型，將熱輻射參數的調節(jié)轉化為組合優(yōu)化問題，并利用離散二進制粒子群優(yōu)化算法對該組合優(yōu)化問題進行求解。同時，探討了粒子群優(yōu)化算法在實時控制系統(tǒng)中存在的問題，提出了一種修正方法，彌補了算法的缺陷。結果表明，該方法不僅實現了熱輻射參數的自動調節(jié)和測試過程的自動化，而且滿足了自動控制系統(tǒng)在實時性、穩(wěn)定性和準確性方面的要求。
　?。?

7、）針對復雜機電設備電氣控制系統(tǒng)設計過程中，電氣配線工作主要由設計人員手工依靠經驗完成，設計周期長，容易出現錯誤的問題，將電氣配線轉化為組合優(yōu)化問題，研究了利用粒子群算法實現復雜電氣控制系統(tǒng)自動配線的方法。主要研究了以下3點：
　　1）電氣配線問題數學模型的建立方法；
　　2）粒子群優(yōu)化算法求解電氣配線數學模型的理論、方法和步驟；
　　3）結合科研項目實例及第3章的DDPSO算法對該方法進行了實驗驗證。
　　結果表