预测齿轮泵泄漏量的变化趋势有助于定量分析其性能退化过程。变分模态分解(Variational Modal Decomposition, VMD)方法对齿轮泵原始泄漏量数据进行变分模态分解,得到本征模态函数IMF,提出一种结合麻雀优化算法(Sparrow Search Algorithm, SSA)和长短期记忆神经网络(Long-Short Term Memory, LSTM)的模型,建立VMD-SSA-LSTM模型预测齿轮泵泄漏量的变化情况,并对每一个分量进行单独预测,最后将预测结果进行叠加,获得完整的预测结果。通过对比不同时间段预测结果可知,VMD-SSA-LSTM模型较单一的LSTM模型预测结果的平均相对误差最高可减小25.2%,能够完成对泄漏量的有效预测。研究结论可为齿轮泵性能衰退的定量预测提供理论支持。

为提高铁路机车闸瓦状态监测效果,提出了一种基于机器视觉的铁路闸瓦状态监测方法。首先搭建闸瓦图像采集预处理系统,实现对闸瓦图像的自动采集和分割预处理。然后设计改进了麻雀搜索算法对Canny算子参数进行优化,并利用改进Canny算子提取闸瓦分割图像边缘,以得到较为理想的闸瓦图像边缘特征。最后以此为基础建立闸瓦状态监测模型,利用优化后的RBF神经网络对提取到的图像边缘数据进行分类,从而达到监测闸瓦状态的目的。仿真结果表明,相比于其他监测方法,改进后Canny算子的闸瓦边缘提取效果更优,闸瓦状态监测准确率提高了14.7%~18.0%。

为了解决作业车间调度问题,以最小化最大完工时间为目标,结合遗传算法(GA)与麻雀搜索算法(SSA),提出了一种混合麻雀搜索算法。首先采取基于工序的编码方式构建了一种转换机制,将SSA中的麻雀个体位置与工序编码相对应。然后针对SSA在求解过程中容易陷入局部最优的问题,采用侦察者数量递减策略,结合GA中的变异操作来提高SSA跳出局部最优的能力。在发现者探索阶段加入GA中的交叉操作,以提高算法的收敛速度。最后以FT06、FT10等测试问题以及2个应用实例为例,证明混合麻雀搜索算法在求解作业车间调度问题时,与其他算法相比有更快的收敛速度、更高的寻优成功率和更强的寻优能力,证明了所提算法的有效性。

RV(Rotate Vector)减速器装配质量的影响因素众多,装配质量不稳定。针对此情况,建立了基于麻雀搜索算法(Sparrow search algorithm,SSA)优化的BP神经网络质量预测模型,以减速器的关键性能指标--传动误差作为输出指标,选取减速器零部件的关键尺寸参数作为影响因素输入,经过数据预处理后建立质量预测模型进行误差预测。结果表明,经过麻雀搜索算法改进后的BP神经网络预测模型具有良好的预测精度,为RV减速器装配环节的零件选配工作提供了帮助。

为了准确捕捉人体下肢关节在不同运动模式下的运动状态,提出一种利用肌电信号进行下肢多关节连续运动预测的方法。采集人体在蹲起运动、膝屈伸运动和上下阶梯运动时的肌电和运动数据进行处理分析,利用肌肉骨骼几何建模软件Opensim建立人体骨骼肌肉仿真模型,并进行逆运动学分析,提取人体下肢关节运动曲线。建立人体下肢在矢状面内的运动与肌电的映射关系,利用麻雀搜索算法优化Elman神经网络,实现对踝、膝和髋关节角度连续变化的预测,与传统的反向传播神经网络、支持向量机回归和Elman神经网络预测结果进行对比。结果表明:利用麻雀搜索算法优化的Elman神经网络在预测下肢关节角度变化中具有更高的精度,且该预测模型在不同运动模式下关节运动预测值与测量值均表现出一定的相关性,相关系数均大于0.89,证明利用肌电信号进行下肢多关节连续...

航空壁板在制孔时由于装夹会发生轻微形变,导致盲制孔精度降低。受加工成本影响,无法通过众多激光传感器来确定装夹后壁板的确切位置。为精准预测航空壁板的变形量,提出一种改进的神经网络预测算法,首先利用粒子群优化算法(PSO)将BP神经网络的初始权值和阈值进行初次优化,再选取收敛速度快、全局寻优能力强的麻雀搜索算法(SSA)对权值和阈值进行二次寻优,从而建立SSA-PSO-BP神经网络航空壁板装夹变形预测模型。利用Abaqus软件获取50组壁板变形数据作为神经网络的训练与预测数据(训练集45个,测试集5个),对神经网络模型进行训练。为了验证所建模型的准确性,利用BP、PSO-BP、SSA-PSO-BP这3种模型对测试集进行预测,并运用MAPE与RMSE对神经网络模型进行评价。结果表明:基于SSA-PSO-BP的神经网络模型预测航空壁板变形误差较小,预测结果准确率更高。

针对注塑机液压系统故障隐蔽且难以准确诊断的问题,提出一种基于改进XGBoost的液压系统故障诊断方法。通过改进Tent混沌映射改善麻雀搜索算法(SSA)的全局寻优能力,并采用改进SSA对XGBoost中的超参数进行协调优化,弥补传统XGBoost凭经验设定超参数的不足。实验表明,改进XGBoost故障诊断模型具有更快的诊断速度和更高的诊断精度,能够实现对注塑机液压系统故障的准确诊断。

为解决某加工中心电主轴的热误差补偿问题,建立预测精度高、鲁棒性强的热误差补偿模型。搭建实验台,利用美国雄狮回转误差分析仪采集电主轴的温度场和热误差数据。介绍麻雀搜索算法(SSA)原理、具体优化流程。采用SSA优化BP神经网络的权值和阈值,建立SSA-BP神经网络预测模型。与之前建立的BP神经网络预测模型相比,优化后预测效果更优,为电主轴热误差建模提供新的思路。

针对强背景噪声环境下轴承早期故障特征不易提取问题,提出麻雀搜索算法(SSA)优化改进拉普拉斯高斯滤波器(MLOG)结合频谱调幅(SAM)的早期故障诊断方法。以滤波后信号的峭度最大值为指标,用SSA算法自适应寻找滤波器阶数和标准差的最优参数;用MLOG滤波器对故障信号滤波,去除部分噪声;用SAM方法对滤波后信号的幅值赋予不同的权重进行重构,计算重构信号的平方包络谱,提取故障特征频率。通过仿真信号和不同试验台的真实数据验证,同时对比PSO和GA优化MLOG结果,表明所提SSA-MLOG-SAM方法对滚动轴承早期故障特征提取的有效性和可行性。

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明:与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到