浙江大学信息学部控制科学与工程学院
- 作品数：3 被引量：16H指数：3
- 相关机构：内蒙古科技大学机械工程学院更多>>
- 发文基金：国家自然科学基金内蒙古自治区自然科学基金更多>>
- 相关领域：机械工程自动化与计算机技术更多>>
- 基于KPCA与MPSO–BP注射成型工艺参数优化被引量：3
- 2015年
- 针对注塑过程中工艺参数的优化选择问题,提出一种融合核主元分析方法 (KPCA)与改进粒子群算法优化BP神经网络的成型工艺参数优化方法。首先,对正交实验数据作为训练样本的工艺参数利用核主元分析方法进行降维、拨冗余,约减网络结构;其次,针对BP易陷入局部最优、收敛效率低的不足,改进粒子群算法中粒子速度与位置更新策略并优化BP算法的权值和阈值,从而构建了工艺参数预测模型。在此基础上,实现粒子群算法寻优最佳的注射成型工艺参数。结果表明,该方法能够更快、更好地获得注射成型中的工艺参数,且以此工艺参数进行实验,塑料件的翘曲变形量、收缩率均较小。
- 杨东民陈敏吴庆朝
- 关键词：核主元分析BP神经网络改进粒子群算法注射成型
- 融合KPCA与PSO-RBF的数控机床故障诊断研究被引量：6
- 2016年
- 针对数控机床发生故障时多故障源、多变量、强耦合的特点和RBF神经网络结构参数选取依据经验的问题,提出一种融合核主元分析方法(kernel principal component analysis,KPCA)与粒子群算法优化RBF神经网络的数控机床故障诊断方法。首先,对所测信号利用核主元分析方法进行降噪、拨冗余,提取故障特征;其次,利用粒子群算法(Particle swarm optimization,PSO)优化RBF神经网络隐层节点中心和宽度;最后,将经KPCA提取的故障特征作为输入,建立PSO优化RBF的故障诊断模型。通过某数控床伺服系统七种常见故障特征仿真实验,结果表明:与RBF神经网络、PSO优化RBF神经网络相比,融合KPCA和PSO优化RBF神经网络的故障诊断方法不仅提高了网络的训练速度及泛化能力,而且具有更高辨识精度。
- 杨东民陈敏吴庆朝
- 关键词：核主成分分析粒子群算法数控机床
- 基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法被引量：7
- 2016年
- 针对表征齿轮故障特征信息难提取与极限学习机输入权值与隐含层节点阈值随机选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法。该方法首先将齿轮振动信号经过小波包分解,再利用分解所得各节点信号与原信号的相关系数选取出最优节点并计算其能量特征;其次,利用蝙蝠算法优化极限学习机的输入权值与隐含层节点阈值,建立BA-ELM的齿轮故障分类模型;最后,将所得小波包最优节点能量特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明,与基于SVM和ELM的故障分类方法相比,基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。
- 秦波刘永亮王建国秦岩杨云中
- 关键词：小波包支持向量机齿轮
