在保证机械臂关节最佳柔顺性的基础上,首先利用粒子群优化(PSO)算法对机械臂逆运动学求解进行了优化,提出了一种改进的粒子群算法,该算法不仅提高了计算精度还避免了局部最优,然后利用径向基函数(RBF)神经网络对优化过的样本数据进行训练,最终得到7轴机械臂的逆解。仿真结果表明,该算法能够保证较好的计算精度。

以末端执行器的位姿误差最小为优化目标,将机器人的逆运动学问题转换为一个等效的最优化问题,并利用提出的改进粒子群优化算法对该问题进行求解。该算法从粒子群的初始化、惯性权重调整策略、差分变异进化及搜索空间的越界处理等多方面对标准粒子群优化算法进行综合改进,同时构建了以粒子群进化和差分变异进化为基础的两阶段混合协同进化机制,达到了有效平衡算法全局探索能力与局部开发能力的目的,提高了算法的收敛精度和收敛速度。以平面冗余机械臂和7自由度冗余机械臂的运动学逆解运算为例,将提出算法与对比算法用于逆运动学问题的求解。仿真结果表明,与对比算法比较,该算法具有更高的收敛精度、更快的收敛速度以及更强的寻优稳定性,能有效解决冗余机械臂的逆向运动学问题。

针对在背景噪声下滚动轴承故障初期周期性瞬态冲击不明显的问题,应用基于循环平稳最大化盲解卷积方法(Blind deconvolution based on cyclostationarity maximization,CYCBD)。滤波器长度和循环频率左右CYCBD降噪效果,应用粒子群优化算法(Particle swarm optimization,PSO)对其进行智能化寻优,确定优化参数,解决CYCBD不稳定问题。首先,采用PSO优化CYCBD中滤波器长度和循环周期频率,对周期性冲击成分进行增强;然后,通过包络谱峰值因子(Crest factor of envelope spectrum,EC)作为PSO的目标函数,迭代寻找滤波器长度和循环周期频率的最优解;最后,对CYCBD应用最优解,对增强后的信号进行包络解调分析,可以准确地获得轴承信号的故障特征频率。通过对仿真信号和实验数据分析,表明该方法可有效增强振动信号的周期性瞬态冲击特征,在滚动轴承早期故障特征提取方面具有优势。

叶轮叶片是航空发动机核心零部件,其加工精度对发动机的性能有重大影响,加工效率制约着加工成本。针对叶片特征前后缘螺旋加工方式刀轴曲率变化过大导致加工过程中机床轴负载不均衡的问题,提出了机床轴负载增量均衡的叶片缘面加工刀具姿态优化模型,采用粒子群算法对刀轴进行优化。以某航空叶片为对象进行了试验验证,分析该叶片特征前后缘处螺旋轨迹刀具姿态优化前后路径,对两种路径采用虚拟等步长分析方法在五轴联动对置正交回转轴机床上进行运动性能分析,获得机床各回转轴的速度和加速度绝对值曲线,结果显示优化后路径能使各回转轴绝对角加速度标准差明显降低。

为了在全局范围准确评价平面度误差,根据新一代GPS标准,建立了符合最小区域条件的平面度评定的数学模型.针对平面度误差评定的特点,提出了一种基于遗传交叉因子的改进粒子群优化算法对平面度测量数据进行最小区域评定,给出了该算法的实现方法.实例结果表明,此方法可以在新一代GPS标准下有效、准确地评价平面度误差.

提出了将粒子群优化算法用于圆柱度误差评定的设想。对算法的基本原理和实现步骤做了具体阐述，给出了圆柱度误差评定的摹本问题，及其优化目标函数及算法的适应度函数和编码方式，对算法进行了可行性和准确性验算。计算结果表明，该方法对于圆柱度误差评定这类具有复杂目标函数和较多参数的非线性优化问题有很好的计算性能，优于最小二乘法；与遗传算法和其它满足最小区域条件计算方法相比，计算精度略优于前者或者与前者相当，能够获得精度较高的结果，而突出优点是简单，易于实现而且计算效率较高。

针对坐标测量机动态测量误差补偿问题，分析了测量机动态误差的来源，利用BP神经网络对坐标测量机动态误差模型进行建模，突破了以往只是针对其各组成系统进行建模的局限，避免了复杂数学关系的推导。引入粒子群优化算法对坐标测量机BP神经网络误差模型的初始权值进行了优化，提高了网络的全局优化计算能力和运算速度。应用Global Class9158型测量机在不同输入参数条件下测量了标准球，获得了网络训练数据，建立了误差补偿模型，进行了测量补偿验证，结果证明该模型可使坐标测量机的误差均值减小2．3μm。

粒子群优化算法（PSO）是基于群体智能的新型进化计算技术，将核函数参数选取问题转换为优化问题，用PSO来进行处理，并将PSO与RBF联合（PSO-RBF）应用于航空和卫星遥感影像的纹理分类，实验结果验证了此方法的有效性。

在研究惯性权重对基本PSO算法影响的基础上，根据惯性权重对粒子群算法影响的特点，采用4种惯性权重策略对一种新的具有量子行为的粒子群算法的速度进行调节，比较每种算法的性能，从中找到一种新的性能更好的改进算法，将其用于求解0—1背包问题。实验结果表明较好地选择惯性权重参数对算法的性能有很大提高，该改进算法在求解0—1背包问题中具有高效性，提高了最优解的精度，同时具有较快的收敛速度。

齿轮泵剩余使用寿命预测对液压元件预防性维护具有重要意义。从流量退化的角度构建一种基于改进的变分模态分解(IVMD)方法及图神经网络(GNN)的外啮合齿轮泵寿命评价模型。首先运用经粒子群优化算法(PSO)优化后的变分模态分解(VMD)方法对齿轮泵原始振动数据进行降噪重构,再从时域、频域、时频域选取重构信号的特征指标并组成特征矩阵,将特征矩阵进行归一化处理后得到齿轮泵寿命评估指标。最后将评估指标与对应流量信号输入到GNN模型中进行训练