为提高连杆机构的运动精度可靠性,提出一种利用多体动力学和支持向量回归(Support Vector Regression,SVR)算法构建机构的运动模型并对其进行可靠度敏感性分析的方法。通过引入粒子群优化(Particle Swarm Optimization,PSO)算法对SVR的惩罚参数和核函数参数进行寻优,提高SVR的回归预测精度。为克服PSO容易早熟和搜索精度低等缺点,对惯性权重系数和学习因子进行改进,应用改进算法与标准PSO-SVR算法并结合蒙特卡洛模拟对四杆机构的可靠度敏感性进行分析研究。通过实验对比表明,改进的算法收敛速度更快、回归预测精度更加接近于蒙特卡洛模拟,且计算速度优于蒙特卡洛模拟。

针对试验纯电动物流车续驶里程不足,提出了最优制动能量回收控制策略,合理分配机械制动力和再生制动力。该策略在确保制动安全的条件下,通过粒子群优化算法对电机再生制动转矩进行优化,使电机有效发电功率达到最大。然后在电机转速范围内,利用最小二乘法拟合出有效发电功率最大时电机转矩曲线。最后将试验车的Simulink控制模型和整车模型分别在AVL Cruise和Matlab/Simulink中建立,进行API联合仿真,得出有效回收率。仿真结果表明在确保制动安全和稳定条件下,分析得到运行在UDDS工况的试验车有效回收率为28.71%,验证了提出的控制策略。

静压轴承作为精密轧辊磨床的重要组成部件,它的精度、使用性能和寿命对轧辊磨床的可靠性起到关键性的作用。所以本文采用粒子群优化算法对精密轧辊磨床进行多目标优化,以最大油膜刚度、最小功率损耗和最小温升为目标函数,采用归一化对目标函数进行处理,罚函数的方式给目标函数赋予加权系数,得到更优的设计参数。最后通过流固耦合的方法对轴瓦的应力和变形与优化前进行研究对比。结果表明轴承的油膜刚度增加了(4.382×104)kgf/cm,温升和功率损耗均分别降低了36.26%和42.28%,同时油膜应力增加,轴瓦的变形和应力也均减小。所以在满足轴承磨削精度的前提下,明显改善了轧辊磨床静压轴承的工作性能。

针对产品在设计和开发时无法预测到安装和使用的问题,论文给出了一种基于3DEXPERIENCE平台的PLC虚拟调试解决方案,并通过GA-PSO算法进行多调度流程优化。该方案以立体库流程仿真作为研究对象,实现了在项目实施的早期对PLC程序可行性和完整性的逻辑验证,通过GA-PSO混合算法,优化堆垛机批次作业任务的路径轨迹,最后对优化结果进行3DE仿真实验验证。结果表明虚拟调试技术大大缩短了整个项目的调试周期,而经过GA-PSO混合算法优化的作业任务缩短了堆垛机的运行时间,提高了仓储环节的运行效率。

针对某公司新建智能工厂设备布置和调度优化问题,通过Plant Simulation仿真平台进行流程优化。首先建立整个智能工厂的车间作业调度模型,对工序进行拆分,然后通过遗传算法-粒子群混合优化方式求得最优调度解。由仿真结果可知,与某公司的传统布置方案相比,优化的方法解决了工序排布不合理的问题,提高了车间作业效率,优化了生产节拍,为企业赢得了利润空间。

为了实现液压系统中冷却器的故障状态识别,本文提出一种利用粒子群算法优化的深度置信网络(PSO-DBN)实现多传感器信息融合的故障诊断模型。在所提出的模型中,对来自不同传感器的信号进行特征计算与选择并采用多传感器融合方法进行特征级融合送入深度置信网络实现冷却器故障状态的识别。同时采用粒子群算法自适应地选择深度置信网络的超参数,包括隐藏层节点数、反向迭代次数和反向学习率,以确定网络的最优结构,进而提高深度置信网络的诊断精度。本文采用加利福尼亚大学欧文分校机器学习与智能系统中心的液压系统数据集进行验证,实验结果表明,与深度置信网络、遗传算法优化的深度置信网络、粒子群算法优化的支持向量机相比,PSO-DBN能够有效地提取数据中的内在特征,冷却器的故障状态平均识别精度可达98.77%,实现了对冷却器故障状态的...

采用粒子群优化算法,以直线电机动子的加速度最小为优化最终目标,以机械结构的参数为优化对象,以设计变量的取值范围和机电动力学模型的微分方程为约束条件,建立了机电耦联动力学优化模型。优化后的机电动力学模型正确、合理,为更好地控制该辊弯成形系统提供了理论依据。

针对泵阀联合电静液作动器（EHA）分级压力控制带来系统特性改变的问题,提出了一种鲁棒增益调度的控制方法.该方法依据不同泵源压力把泵阀联合EHA分为不同的工作模式,在每种工作模式下,采用改进粒子群优化（PSO）算法的PID控制器作为初始控制器,以克服定量反馈理论（QFT）初始控制器设计的盲目性,然后在QFT框架下基于参数不确定范围和性能指标要求对系统进行整形设计.为削弱不同工作模式切换瞬间引起的抖动,引入模糊控制,将每种工作模式下控制器的输出作为输入建立模糊切换控制器.仿真结果表明在分级压力下系统性能得到改善且实现了不同工作模式切换的平稳过渡.

将粒子群算法与传统的PID控制器相结合,并采用平方误差矩积分函数作为适应度判据,构成了PSO-PID控制器。以电液数字伺服双缸系统的PID参数优化为例,使用粒子群优化算法对PID参数进行优化。仿真结果显示：PSO算法使得PID控制参数调整速度较传统方法快,产生超调量较小,该方法的调节效果较好。

将粒子群算法与传统的PID控制器相结合,并采用平方误差矩积分函数作为适应度判据,构成了PSO-PID控制器,该控制器能够在线优化PID控制器参数.仿真结果表明,在系统工况发生变化时,新型控制器能够取得满意的控制效果.