学位论文 > 优秀研究生学位论文题录展示

改进的粒子群优化算法的研究

作　者: 芦燕爽
导　师: 冀振元
学　校: 哈尔滨工业大学
专　业: 信息与通信工程
关键词: 优化算法粒子群神经网络聚类故障诊断
分类号: TP181
类　型: 硕士论文
年　份: 2010年
下　载: 157次
引　用: 0次
阅　读: 论文下载

内容摘要

近年来,粒子群优化(Particle Swarm Optimization,PSO)算法这种模仿生物行为的智能优化算法,得到了较快的发展。因为具有较少的参数,并且概念容易理解,编码方便,所以人们将它广泛应用在工业上。同时,工业生产设备的关键零件轴承的状态,对设备的正常工作起到十分重要的作用,因此对轴承状态进行监测并对其故障进行诊断具有重要的现实意义。许多学者一直在研究将PSO优化算法与其他算法相结合,应用于故障诊断领域。本文从PSO与神经网络、PSO与聚类算法两个传统故障诊断方法的基础上,混合改进的粒子群优化算法,提出两种新型有效的轴承故障诊断方法。首先,在分析MCPSO(Mulit-Species Cooperative PSO)算法原理以及优缺点的基础上,提出基于提高群体多样性的改进算法,并利用对不同的测试函数的仿真,确定发挥算法最优性能的参数。通过与其他几种优化算法的比较,证明新算法优异性能。然后,分析PSO-K均值聚类算法的原理以及优缺点,并在此基础上提出改进的PSO-K均值聚类算法,利用来自UCI的数据对新算法进行性能评价试验,比较其同其他聚类算法在对低维以及高维数据分类中的不同性能。最后,指出常见的轴承故障以及故障诊断方法,并用第一种算法结合神经网络,同BP算法比较以证明其良好的网络训练能力。将两种新算法应用在故障诊断领域,分别对轴承故障相关数据进行仿真试验,并通过跟其他几种方法的对比,表现出新算法在故障诊断率以及诊断效率上的优越性。

全文目录

摘要  4-5
Abstract  5-9
第1章绪论  9-15
  1.1 课题来源及研究的目的和意义  9-10
  1.2 粒子群优化算法的研究现状及应用  10-11
    1.2.1 粒子群优化算法的改进方向  10
    1.2.2 粒子群优化算法的应用  10-11
  1.3 故障诊断技术与方法的研究  11-13
    1.3.1 故障诊断技术  11
    1.3.2 传统故障诊断方法  11-12
    1.3.3 基于人工智能结合的故障诊断方法  12-13
  1.4 本文主要研究内容及文章组成  13-15
第2章基于提高群体多样性的PSO 算法的研究  15-35
  2.1 基本粒子群算法  15-17
    2.1.1 基本粒子群算法原理  15-16
    2.1.2 基本粒子群算法流程及缺陷  16-17
  2.2 MCPSO 算法简介  17-19
    2.2.1 MCPSO 算法原理  18
    2.2.2 算法流程及缺陷  18-19
  2.3 提高群体多样性的粒子群优化算法的提出  19-21
    2.3.1 两分群的共同工作  20
    2.3.2 超级群体的生成  20-21
  2.4 改进算法的流程  21-22
  2.5 用于评价算法性能的几个测试函数  22-26
  2.6 参数的确定  26-32
    2.6.1 参数β的确定  26-28
    2.6.2 群体粒子数取不同值对比  28-30
    2.6.3 粒子维度取不同值时的对比  30-32
  2.7 仿真结果分析  32-33
  2.8 本章小结  33-35
第3章 PSO-K 均值聚类改进算法的研究  35-46
  3.1 K 均值聚类算法  35-36
    3.1.1 K 均值聚类算法原理及流程  35
    3.1.2 算法缺陷  35-36
  3.2 PSO-K 均值聚类算法  36-37
    3.2.1 PSO-K 均值算法原理及流程  36-37
    3.2.2 算法缺陷  37
  3.3 PSO-K 均值聚类算法的改进  37-40
    3.3.1 新的粒子速度更新公式的提出  38-39
    3.3.2 新的粒子位置更新公式的提出  39
    3.3.3 部分粒子进行K 均值聚类运算  39-40
  3.4 算法流程  40
  3.5 利用UCI 数据进行的算法性能的评价试验  40-44
    3.5.1 对于低维数据聚类性能的评价试验  41-42
    3.5.2 对于高维数据聚类性能的评价试验  42-44
  3.6 试验结果分析  44-45
  3.7 本章小结  45-46
第4章两种算法在故障诊断中的应用  46-58
  4.1 轴承故障诊断  46-47
    4.1.1 常见轴承故障形式及产生原因  46
    4.1.2 用于试验的轴承振动信号数据  46-47
  4.2 基于ENPSO 的BP 神经网络训练算法  47-49
    4.2.1 传统BP 神经网络训练算法  47
    4.2.2 ENPSO-BP 神经网络训练算法的原理  47-48
    4.2.3 ENPSO-BP 神经网络训练算法的流程  48-49
  4.3 ENPSO-BP 算法在故障诊断中的应用  49-53
    4.3.1 ENPSO-BP 神经网络的建立与样本的选取  49-50
    4.3.2 几种PSO-BP 方法的故障诊断结果比较  50-53
  4.4 改进的PSO-K 均值聚类算法在故障诊断中的应用  53-57
    4.4.1 几种算法对于轴承故障数据的聚类性能评价试验  53-54
    4.4.2 几种算法在轴承故障诊断中的应用对比  54-57
  4.5 本章小结  57-58
结论  58-59
参考文献  59-63
致谢  63

改进的粒子群优化算法的研究

内容摘要

全文目录

相似论文