风力机叶片气动性能的量子遗传优化设计
为了获得气动性能更优的风力机叶片,提出一种基于量子遗传的叶片气动性能优化方法。用Bézier曲线控制点作为设计变量表示叶片连续的弦长和扭角分布,建立以功率最大为目标的叶片形貌优化模型,用量子遗传算法在不同约束条件下优化叶片的弦长和扭角。将量子遗传优化结果与经典遗传算法的优化结果进行比较和分析。结果表明相同参数和边界条件下,提出的基于量子遗传的叶片气动优化方法优于经典遗传优化方法,可获得更优的叶片气动外形和更高的风能捕获效率。
基于QGA-SVR的工件表面粗糙度预测和分析
在自动化生产中建立难加工材料的表面质量预测模型,是实现可持续制造的基础。提出一种结合量子遗传算法和支持向量回归(Quantum genetic algorithm-Support vector regression,QGA-SVR)的已加工表面粗糙度预测模型,改进了现有寻优方法在搜索支持向量回归的模型参数易陷入局部最优解的问题。在量子门更新的过程中加入交叉和变异的操作,保证了模型全局搜索能力,为了提高支持向量回归的泛化能力,在参数优化过程结合了K-折叠交叉验证。结合干车削304不锈钢的切削试验以及现有的铣削实验数据,对比分析了基于量子遗传算法和遗传算法的支持向量回归模型。结果表明:QGA-SVR具有收敛速度快、预测精度高的优点,基于建立的QGA-SVR模型分析了切削参数对车削表面粗糙度的影响规律。
面向服务的协同装配方法研究
针对小批量多品种产品装配中出现的装配冲突问题,提出一种面向服务的协同装配方法,通过机器人提供公共装配服务和专有装配服务,来分别完成装配任务中的公共装配任务和专有装配任务,并应用服务标签来实现机器人和任务间的交互协同,避免因多机器人多产品装配而引起的装配冲突。为了验证所提方法的有效性,提高装配效率,应用CPN装配模型对协同方法进行分析,并应用改进的量子遗传算法(MQGA)对服务标签的发放进行了优化,提高装配效率。最后,应用所提出的装配方法对两种产品进行装配实验分析。结果表明:所提出的装配方法能够有效解决小批量多品种产品装配中,因多机器人多产品装配所引起的装配冲突问题,并通过MQGA的优化,缩短了装配时间。可见,面向服务的协同装配方法能够有效用于小批量多品种产品的装配中。
基于改进量子遗传算法的机器人关节轨迹优化
电子元器件体积较小,对它进行分拣较一般分拣工作困难且工作量巨大,应用机器人分拣可大大提高工作效率。采用七次多项式曲线插值的方法进行轨迹规划,使运动关节的角速度、角加速度和角急动度曲线光滑连续;提出一种改进的量子遗传算法,引入正态分布概率密度函数以改进量子门旋转角步长策略,对关节运动轨迹进行最短时间优化,使机器人能够在满足非线性约束条件的基础上具有最优关节轨迹曲线。仿真结果表明:该轨迹算法能够快速有效地缩短机械臂关节运动时间。
量子遗传算法优化的SVM滚动轴承故障诊断
针对单一测度模型的特征评价方法存在特征敏感度"欠学习",以及支持向量机(support vector machines,简称SVM)参数优化算法普遍存在收敛速度慢、易陷入局部极值等问题,提出一种量子遗传算法优化的SVM滚动轴承故障诊断方法。首先,采集振动信号中的时域和频域特征构成多域多类别原始故障特征集;其次,构建一个基于相关性、距离及信息等测度的混合特征评价模型,得到特征权重与特征值组合构成的加权故障特征集;最后,将加权故障特征集为输入,将量子熵引入到量子遗传算法当中,对SVM的结构参数进行全局优化,完成滚动轴承故障模式的识别。试验结果表明,该方法能够以更快的速度收敛至全局最优解,在保证聚类性能的基础上提高了滚动轴承的诊断精度。
风电机组传动链故障智能识别算法研究
为了提高风电机组传动链的可靠性,提出了一种量子遗传算法优化支持向量机的故障诊断模型。首先确定支持向量机的模型,然后采用量子遗传算法对惩罚参数和核函数系数进行优化。算法使用量子位编码和量子旋转门实现了对初始种群的编码和更新,提高了优化求解的精确度。通过使用优化后的支持向量机模型对传动链的正常工况、表面磨损和齿轮缺齿等3种类型信息的分类诊断,可以有效解决故障诊断的准确率。
基于量子遗传算法的轴向柱塞泵故障特征选择
为了进一步减少特征维数、缩短运算时间、提高分类正确率等,提出了一种基于量子遗传算法的轴向柱塞泵故障特征选择方法,该方法采用量子位进行染色体编码,利用量子门更新种群。首先,对轴向柱塞泵振动信号进行小波包变换,提取出原始信号和各个小波包系数的统计特征;然后,利用量子遗传算法从原始特征集中选择出最优特征集;最后,以神经网络为分类器(其输入为最优特征集),对故障进行诊断与识别。利用该方法对轴向柱塞泵正常、缸体与配流盘磨损和柱塞滑履松动三种状态的特征集进行选择,试验结果表明,与普通遗传算法相比,量子遗传算法可以更有效地减少特征维数,提高分类正确率。
基于广义相关系数自适应随机共振的液压泵振动信号预处理方法
针对液压泵故障振动信号信噪比低,故障特征难以提取的问题,对液压泵振动信号预处理方法进行研究。针对现有自适应随机共振优化算法及其目标函数存在的问题,将量子遗传算法(Quantum Genetic Algorithm,QGA)引入自适应随机共振中,提出一种改进的自适应随机共振的信号预处理方法。该方法以广义相关系数为目标函数,采用 QGA 算法对随机共振系统的结构参数进行优化,从而实现对信号的降噪预处理。仿真及实验结果表明,该方法能够有效提取强噪声背景下的液压泵振动信号频率特征,是液压泵故障特征提取及故障诊断中信号预处理的有效方法,可进一步发展至实际工程应用。