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
|
相似论文
- 基于WinCE平台的故障分析仪应用程序设计与开发,TP311.52
- 天然气脱酸性气体过程中物性研究及数据处理,TE644
- 八作动器隔振平台的六自由度容错控制研究,TB535.1
- 压气机优化平台建立与跨音速压气机气动优化设计,TH45
- 调频式电容位移传感器高速测频与非线性校正技术研究,TH822
- 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
- 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
- 隐式用户兴趣挖掘的研究与实现,TP311.13
- 红外超光谱图像的虚拟探测器研究,TP391.41
- 图像分割中阴影去除算法的研究,TP391.41
- 基于图分割的文本提取方法研究,TP391.41
- 模糊控制、神经网络在平面二级倒立摆中的应用,TP273.4
- 基于神经网络的水厂投药预测控制研究,TP273.1
- 视觉伺服四自由度机械臂的研究,TP242.6
- 机械臂视觉伺服系统的研究,TP242.6
- 基于支持向量机的故障诊断方法研究,TP18
- 三容水箱系统故障诊断算法研究,TP277
- 牡丹EST-SSR引物开发及其亲缘关系分析,S685.11
- 基于粒子群算法求曲线/曲面间最小距离方法,O182
- 市级旅游用地规划环境影响评价研究,X820.3
- 高血压前期证候特征研究,R259
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 自动推理、机器学习
© 2012 www.xueweilunwen.com
|