传感器信号的充分利用对于设备和零件的状态监测具有重大意义。为了通过采集的多源振动信号得到设备和零件的完备退化信息,提出一种自适应加权数据级融合方法。首先对振动信号进行预处理,然后以K最近邻算法的分类结果作为粒子群优化算法的适应度函数,通过不断迭代,寻找多源传感器融合的最佳权重。对多源传感器融合系统、多源传感器融合方法以及滚动轴承的故障诊断进行了研究,最后在滚动轴承的全寿命周期数据集上进行试验验证,证明该方法实现了多源传感器采集数据的有效利用,能够完备反映滚动轴承的故障特征,对振动信号的故障诊断和寿命预测具有长远意义。

针对刀具磨损状态监测中单一决策算法模型评估效果受工况参数影响较大,在不同工况条件下模型通用性不好的问题,提出一种基于粒子群优化(PSO)算法的多决策融合刀具磨损评估模型。首先对加工过程中的主轴电流信号和振动信号进行时域分析、频域分析和小波包分解提取有效特征,并利用主成分分析进行特征降维。之后在4种集成学习算法的基础上,构建PSO多决策融合模型,分别使用LDIWPSO和CFPSO两种PSO算法实现多集成学习算法的决策融合,进行刀具磨损状态评估。试验结果表明PSO多决策融合模型相比于各种单一集成学习算法模型具有更好和更稳定的预测性能,且CFPSO决策融合的效果要优于LDIWPSO决策融合。

考虑到最小熵反褶积(Minimum Entropy Deconvolution,MED)只对单一的异常振动信号很敏感,而且,滤波器的长度需要人工调控,提出了一种最大峭度熵反褶积(Maximum Kurtosis Entropy Deconvolution,MKSED)方法,并将其应用于轴承故障诊断。考虑峭度熵具有突出连续冲击振荡的优点,选择峭度熵作为反褶积的目标函数。同时,利用峭度熵作为改进的局部粒子群优化算法(Local Particle Swarm Optimization Algorithm,LPSO)的适应度函数,利用局部粒子群优化滤波器长度,使最大峭度熵反褶积在解卷积时自适应地调整滤波器长度,从而能够准确地提取出连续的脉冲信号。实验分析结果验证了该方法能够更叫有效的提取连续脉冲信号的能力,提升了故障诊断的精度。

在综合对比用于循环水系统轴功率优化模型的2种不同粒子群优化算法的基础上,提出用服从均匀分布惯性权重的粒子群优化算法求解轴功率优化问题,得到了最优决策向量。该算法能够有效地找到循环水系统中循环水泵的最优组合和最佳调速比,使水泵在高效区内运行,提高系统的运行效率。与遗传算法相比,其实现简单,收敛速度快,并有更好的全局收敛特性和更小的系统误差。

针对万能材料试验机系统响应速度快、位置控制精确和抗外扰能力强的实际要求,提出一种基于粒子群优化（PSO）算法的PID控制策略,试验结果表明了所提出的方法的实用性、有效性和优越性。

准确预测盾尾密封油脂消耗对盾尾密封、盾构施工安全和成本控制具有重要意义。为此,采用K折交叉验证法结合ANN神经网络,改进传统粒子群优化算法,实现IPSO算法自动寻优ANN神经网络神经元超参数,构建泥水平衡盾构机盾尾密封油脂消耗量IPSO-ANN时间序列模型。基于济南黄河隧道,结合东西双线密封油脂用量和通过双重筛选得到的影响因素,制定混合训练、东西线单独训练3种策略对模型进行训练并对施工段油脂消耗量进行预测及分析。结果表明,IPSO-ANN模型能有效寻优具有最佳神经元超参数的神经网络模型;不同训练策略下最优模型平均预测精度均高于80%,其中混合训练策略下最优模型预测精度高达85.142%,并兼具稳定性,对盾尾密封油脂消耗量预测具有参考意义。

依托广州地铁7号线2期工程洪圣沙-裕丰围区间隧道工程,采用粒子群算法优化随机森林方法(particle swarm optimization-random forest algorithm,PSO-RF)建立双模盾构土压掘进模式下密封舱压力预测模型。通过对盾构掘进参数进行相关性分析,筛选出对密封舱压力影响较大的掘进参数,包括螺机转速、螺机扭矩、刀盘转速、推进速度、贯入度、刀盘扭矩、总推力,将筛选出的掘进参数作为预测模型输入参数,密封舱压力作为模型的输出参数,对密封舱压力进行预测。结果表明采用PSO-RF预测模型能够有效预测双模盾构密封舱压力;相比于传统神经网络预测模型,PSO-RF模型预测精度更高,平均绝对误差均在10%以内,预测值和实际值的拟合优度R2为0.9014,在预测精度及模型的泛化能力上明显优于BP神经网络。

机器人轨迹规划是机器人研究中的一个重点方向,直接关系到机器人的工作效率。为了使机器人运动过程中角速度和角加速度连续,采用三次样条插值函数对运动轨迹进行规划。由于角速度过快和角加速度过大会导致机器人系统产生震动和冲击现象,因此利用粒子群优化算法对角速度以及角加速度约束下的机器人运动时间进行优化,使得机器人在平稳运行的同时保持运行时间最优。最后运用MATLAB机器人工具箱进行仿真实验,实验结果证明了该方法在机器人轨迹规划中的可行性。

对某型号数控机床进行可靠性试验,采集故障数据。在此基础上,建立可靠性模型,推断属于威布尔分布,并进行可靠性模型分析;采用粒子群优化算法对威布尔分布的尺度参数α和形状参数β进行估计。研究结果表明,采用此方法建立的可靠性模型较传统的更加准确。

针对燃油系统地面模拟试验气箱压力控制所存在的非线性、时变性问题,提出了一种基于改进粒子群算法(IPSO)优化的BP-PID控制器。该控制器结合改进粒子群算法全局搜索能力强和收敛速度快的特点,对BP神经网络的连接权值不断地调整,输出最优的PID控制参数。依据地面模拟试验参数,建立了主要器件的数学模型,利用Simulink软件对各器件的仿真模块进行搭建,构成一个完整的气箱控制系统进行研究。结果表明,IPSO-BP-PID控制比BP-PID控制响应速度快,稳定性好,超调量小,大大提高了气箱压力控制过程的精确性与鲁棒性。