机械液压组件(HMU)是航空发动机控制系统的重要组成部分,其寿命分布将直接影响飞机的安全性。为了准确估计HMU的寿命分布参数,假定其寿命服从威布尔分布,结合实际工程中HMU的失效数据,建立基于人工蜂群算法优化的极大似然估计(MLE)模型。通过蜂群个体寻优行为,以较快收敛速度对威布尔分布参数进行迭代,找到全局最优值,从而避免多参数估计值不易求解以及容易陷入局部最优的问题,并结合案例证明了优化模型的适用性和有效性。

针对传统抗眩晕训练手段无法模拟复杂海况的问题,设计了一种2UPS-1PU并联机构,其可实现垂荡、横摇和纵摇3个方向复合运动。基于人工蜂群算法,以灵巧度为指标,对该机构的结构参数进行了优化。首先对该机构的结构进行描述,并采用封闭解法求取该机构的位置反解和速度雅可比矩阵;然后证明了该机构线速度是各向同性的,为衡量角速度的灵巧度,提出了一种离散型全姿态空间条件数的评价指标,并在此基础上建立优化数学模型;最后利用人工蜂群算法对该模型进行了优化计算。计算结果表明相对于常规设计,优化后2UPS-1PU并联机构的灵巧度得到了显著提升,证明了人工蜂群算法的有效性。

为了提高产品拆卸效率,提出了基于改进人工蜂群算法的并行拆卸序列规划方法。通过拆卸混合图得出拆卸单元间的连接关系及优先约束关系;运用可变序列矩阵方法解决并行拆卸中序列长度及拆卸步长不确定的问题,阐述了并行拆卸单元选择的原则,实现了在不增加序列长度的前提下求解并行拆卸路径。建立了并行拆卸最少耗时优化模型,并结合人工蜂群算法,提出了诱导因子算法。最后以某款发动机模型为例,利用提出的方法对并行拆卸序列规划进行求解,并通过对实验结果的分析,证明了所述方法的可行性及有效性。

针对粒子群算法在解决高维度复杂优化易陷入局部最优的问题,构建差分进化算法(DE)、人工蜂群算法(ABC)与粒子群算法(PSO)并行运算的种群更新模型,提出基于并行策略的改进混合粒子群算法(DA_PSO)。以并行策略为基础,不改变种群规模,独立运行3种算法,每隔n次比较3种算法,获得当前最优点,并用其替换粒子群算法的种群最优点,利用PSO算法个体向种群最优靠近的特点,充分吸收DE算法、ABC算法的优点,使被替换后的PSO算法跳出局部最优,提升优化结果的质量。采用五种类型测试函数分别对ABC、DE、PSO和DA_PSO进行对比验证,结果表明较其他算法而言,DA_PSO算法精度高,稳定性好,适应性强。同时为验证所提方法的科学性与实用性,将其应用在10t~32t/31.5m系列化的桥式起重机主梁金属结构轻量化设计中。

电主轴的热变形是机床精密加工精度的非常关键的影响因素之一,而热膨胀系数是影响电主轴热变形的关键参数。热膨胀系数受多种参数的影响,呈较强的非线性关系,且没有精确数学模型进行描述。利用人工蜂群算法不依赖精确数学模型寻优的优势,对电主轴热变形模型中的关键系数—热膨胀系数进行优化,从而提出了基于改进人工蜂群算法的电主轴热变形模型。仿真研究结果表明,改进的蜂群算法相比于标准蜂群算法优化精度提高了大约2倍,达到收敛精度的迭代次数减少10%-16%,动态寻优能力加强。以100MD60Y4型号电主轴为被控对象,对不同转速下的电主轴进行热变形研究。实验结果表明,以转速为2000rad/min为例,基于经验热膨胀系数得到的热变形量与实际测得的热变形量在X、Y、Z三个方向的误差分别为0.17μm、0.47μm、1.48μm,基于优化热膨胀系数得到的热变形量与...

为了减轻起重机主梁自身重量、实现主梁轻量化,提出了搜索空间自适应调整蜂群算法的主梁优化设计方法。建立了起重机主梁轻量化设计数学模型;以传统人工蜂群算法为基础,提出了蜂群搜索空间随迭代次数自适应缩减方法,直至最终锁定最优值区域;充分利用混沌系统的遍历性和随机性,使用混沌搜索蜜源代替停滞蜜源,不仅跳出了局部极值,而且实现了蜜源进化,有效提高了算法收敛速度和寻优精度。使用搜索空间自适应调整的混沌蜂群算法和传统算法求解主梁优化数学模型,改进算法优化的主梁面积比企业主梁截面积减少了2.77%,而传统算法只减少了2.42%;对优化后主梁进行有限元分析可知,主梁优化后依然满足约束条件,符合设计使用要求。

为了准确快速评定平面度误差,提出将改进人工蜂群（MABC）算法用于平面度误差最小区域的评定。介绍了评定平面度误差的最小包容区域法及判别准则,并给出符合最小区域条件的平面度误差评定数学模型。叙述了MABC算法,该算法在基本人工蜂群算法（ABC）模型的基础上引入两个牵引蜂和禁忌搜索策略。阐述了算法的实现步骤,通过分析选用两个经典测试函数验证了MABC算法的有效性。最后,应用MABC算法对平面度误差进行评定,其计算结果符合最小条件。对一组测量数据的评定显示,MABC算法经过0.436s可找到最优平面,比ABC算法节省0.411s,其计算结果比最小二乘法和遗传算法的评定结果分别小18.03μm和6.13μm。对由三坐标机测得的5组实例同样显示,MABC算法的计算精度比遗传算法和粒子群算法更有优势,最大相差0.9μm。实验结果表明,MABC算法在优化效率、求解质量和...

液压系统电机电信号中包含丰富的系统运行状态信息,如何准确对电信号中的运行信息进行提取和分类是实现液压系统状态监测的关键。电机电流信号中蕴含的液压齿轮泵早期故障特征微弱,提取困难,用传统时频分析方法难以实现故障特征分离。本文提出基于相关系数和人工蜂群算法(Artificial bee colony,ABC)实现了对变分模态分解(Variational mode decomposition,VMD)参数的优化,同时以信号相关系数和峭度值最大为选取原则,确定有效的本征模态函数(Intrinsic mode function,IMF),并将IMF有效分量的排列熵和均方根值作为高维特征向量输入深度信念网络(Deep belief network,DBN-DNN),实现了对齿轮泵运行状态进行监测。结果表明,该方法能准确稳定地提取电流信号中携带的齿轮泵故障的微弱特征,进行齿轮泵运行状态监测,提高了齿轮故障诊断的准确性。

将智能优化算法与数值迭代方法有机组合,构造一种并联机构位置正解求解的通用算法--混合人工蜂群和Newton迭代(Hybrid artificial bee colony and Newton iteration,HABC-Newton)算法。将差分进化(Differential evolution,DE)算法融入人工蜂群(Artificial bee colony,ABC)算法,形成一种能快速收敛到问题近优解的混合人工蜂群(Hybrid ABC,HABC)算法,再以该近优解为初值,应用Newton-Шамарский迭代法求出高精度位置正解。以4自由度4-SPS-CU并联机构正运动学分析为例,阐述基于HABC-Newton算法的并联机构正运动学分析方法。为了验证算法的有效性和普适性,给出4-SPS-CU、3-RRR两种耦合并联机构位置正解的数值算例。结果表明,HABC-Newton算法能以较少计算开销求得并联机构的全部高精度位置正解。还比较了HABC-Newton、ABC、DE和粒子群算法求并联机构位置正解的性能,数值实验显示,HABC-Newton算法的精度、稳...

为了更好地实现液压泵的故障模式识别,对液压泵故障特征提取方法和模式识别方法进行研究。针对多尺度熵算法存在的在尺度因子较大时时间序列较短而导致各尺度样本熵表征液压泵故障状态性能较差的问题,提出了改进的多尺度熵算法,通过对液压泵实测信号分析验证了所提出的改进多尺度熵的良好性能。针对液压泵故障状态与故障特征之间的非线性关系,采用支持向量机算法建立液压泵的故障模式识别模型,并提出采用人工蜂群优化算法对支持向量机模型参数进行优化。基于改进多尺度熵和蜂群优化参数的支持向量机实现液压泵故障模式识别,通过对比分析验证了所提出的液压泵故障模式识别方法的良好性能。