粒子群优化算法及其在机电设备中的应用研究

为适应机电设备智能化、自动化和高可靠性的发展,现代机电设备无论是机械系统还是控制系统都越来越复杂,客观上对机电设备的设计、状态监测和控制方法等都提出了更高的要求,其中的许多问题都可以转化为优化问题用优化算法进行求解。作为一种基于群体智能的随机优化算法,粒子群优化(Particle Swarm Optimization,PSO)算法以其简单、易于实现和快速的收敛性能,在工程优化实践中得到广泛应用。本文在对粒子群优化算法基本理论进行研究的基础上,提出了一种改进的粒子群优化算法,并探讨了其在机电设备的设计、状态监控和控制中的应用。主要研究内容包括以下几个方面: (1)阐述了优化的一般数学模型以及粒子群优化算法产生的背景和研究现状。分析了粒子群优化算法的基本原理和特点,并对基本粒子群优化算法中参数对算法性能的影响进行了简单分析。 (2)针对基本粒子群优化算法存在容易陷入局部最优的问题,基于生物群体的认知和决策过程,提出了一种基于“维信息共享(Dimension Information Sharing)”和“动态认知(Dynamic Cognition)”的改进粒子群优化算法(DDPSO)。在速度更新中随机选取粒子某一维的信息复制到其他维,实现“各维之间信息的共享”;同时,为适应不同的优化问题,引入动态认知思想,每一次迭代过程中,针对“认知”的不同阶段,用不同的更新策略对种群中的粒子及粒子的个体最优和整个种群全局最优进行更新。DDPSO算法模拟生物群体的认知过程,将生物群体在不同阶段的认知过程转换为不同的更新策略,从模型结构上对粒子群优化算法进行了改进,使算法更加符合生物群体的思维过程及其社会属性,发挥了不同更新策略的优势,更加能够体现生物群体的智能。通过对标准测试函数集中反映算法不同性能的测试函数的测试、神经网络的训练以及混沌控制系统控制参数的优化,证明了DDPSO算法具有非常好的优化能力。 (3)针对齿轮箱故障状态识别中,BP算法存在的问题(过多的参数需要调节,收敛速度慢,容易陷入局部最优等)和基本粒子群存在的问题,将DDPSO算法引入到了齿轮箱的故障诊断中用于神经网络的训练。以BP神经网络的权值和阈值作为粒子的位置矢量,圴方误差作为粒子群的适应度值,通过粒子群优化算法对权值和阈值进行调整、优化。诊断结果表明,DDPSO算法与BP、PSO-TVIWD、PSO-TVACD和PSO-DV算法相比,更容易跳出局部最优,且具有更高的诊断精度和收敛性能,提高了齿轮箱故障诊断率,为复杂非线性机械系统的故障诊断和状态监测提供了新的思路和方法。 (4)在对火炮身管热护套防护效率测试系统及现场测试数据进行分析的基础上,建立了测试系统热辐射参数调节的数学模型,将热辐射参数的调节转化为组合优化问题,并利用离散二进制粒子群优化算法对该组合优化问题进行求解。同时,探讨了粒子群优化算法在实时控制系统中存在的问题,提出了一种修正方法,弥补了算法的缺陷。结果表明,该方法不仅实现了热辐射参数的自动调节和测试过程的自动化,而且满足了自动控制系统在实时性、稳定性和准确性方面的要求。 (5)针对复杂机电设备电气控制系统设计过程中,电气配线工作主要由设计人员手工依靠经验完成,设计周期长,容易出现错误的问题,将电气配线转化为组合优化问题,研究了利用粒子群算法实现复杂电气控制系统自动配线的方法。主要研究了以下3点:1)电气配线问题数学模型的建立方法;2)粒子群优化算法求解电气配线数学模型的理论、方法和步骤;3)结合科研项目实例及第3章的DDPSO算法对该方法进行了实验验证。结果表明,该方法能够实现电气配线的智能化、自动化,达到缩短设计周期,降低出错概率的目的,为复杂机电设备电气控制系统的自动设计提供了一种新的思路和方法,对提高我国装备制造业信息化和自动化水平具有一定的意义。