CN109190270B - 一种基于apso-bp的双配重盘自动平衡控制方法 - Google Patents

一种基于apso-bp的双配重盘自动平衡控制方法 Download PDF

Info

Publication number
CN109190270B
CN109190270B CN201811063972.XA CN201811063972A CN109190270B CN 109190270 B CN109190270 B CN 109190270B CN 201811063972 A CN201811063972 A CN 201811063972A CN 109190270 B CN109190270 B CN 109190270B
Authority
CN
China
Prior art keywords
neural network
fitness
value
positions
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811063972.XA
Other languages
English (en)
Other versions
CN109190270A (zh
Inventor
陈立芳
晏资文
李兆举
周博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN201811063972.XA priority Critical patent/CN109190270B/zh
Publication of CN109190270A publication Critical patent/CN109190270A/zh
Application granted granted Critical
Publication of CN109190270B publication Critical patent/CN109190270B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于APSO‑BP的双配重盘自动平衡控制方法，结合BP神经网络，充分利用每一次的平衡数据，拟合并优化配平参数，实现自动平衡控制。输入参数为两个平衡块初始位置A1、B1、转速N，不平衡力
Figure DDA0001797838180000011
优化目标为系统振动响应
Figure DDA0001797838180000012
最优输出为两个平衡块的目标位置A2、B2。本方法以已经获得配重块初始位置、转速和系统振动响应初值为前提，利用BP神经网络来拟合出系统振动值，结合自适应粒子群进行寻优得出两个配重块的最佳目标位置。能有效的根据神经系统拟合输入输出关系，利用改进的自适应调整权值的方法优化粒子群，有利于全局寻优，加快收敛速度，增加自动平衡系统控制的准确性和数据的有效性。

Description

一种基于APSO-BP的双配重盘自动平衡控制方法
技术领域
本发明属于旋转机械振动主动控制和人工智能技术领域，具体涉及一种基于APSO-BP(自适应粒子群优化+BP神经网络)的双配重盘自动平衡控制方法。
背景技术
自动平衡技术可实时有效减少转子系统的不平衡振动，目前在高精度磨床、涡桨-螺旋桨等旋转机械上有工业应用且降振效果显著。自动平衡的控制算法是影响自动平衡降振效果的一个重要因素，当前的动平衡成熟算法多针对恒速稳态工况，然而实际应用多为非稳态工况，以涡桨-螺旋桨为例，在飞机起飞降落或各种飞行状态中其转子经常处于非稳定的工作状态。因此，研究可适用于各种工况的自动平衡控制方法的非常重要。
目前较为成熟的动平衡方法有影响系数法、模态平衡法、坐标轮换寻优以及它们的优化方法等，影响系数法和模态平衡法皆需要转子多次试运行来实现数据采集以进行不平衡量识别，此类方法为稳态平衡法。坐标轮换寻优在每次平衡调整前均进行试调，以确定下一步调整的方式和方向。该方法简单实用，在稳态及非稳态情况均适用，但试调过程存在盲目性，在寻优过程中会造成错调；且每次寻优都是从头开始，之前的调整过程存在的有益数据未能有效利用，平衡效率较低。
目前，针对转子动平衡的控制及优化算法中，公开号为CN103994858B的专利，提出了‘一种基于生物地理学智能优化支持向量机的动平衡检测控制算法’，与本专利所提出的APSO-BP方法不同，它采用支持向量机的机器学习方法来确认动平衡参数，通过结合卡尔曼滤波等方法抑制环境噪声对传感器测量的影响，以此提高控制系统的精确性。
公开号为CN104062072A的专利提出‘一种基于微分搜索算法的轴系动平衡多目标优化方法’；公开号为CN106092445A的专利提出‘一种基于矢量三角形计算法找转子动平衡的方法’；公开号为CN107389268A的专利提出‘一种基于快速算法的多点现场动平衡方法’；公开号为CN 107621333 A的专利提出‘一种不拆卸试重的转子现场双面动平衡校准装置及方法’；公开号为CN105890843A的专利提出‘一种涉及机械振动调整领域的动平衡方法和装置’，包括单面动平衡算法、双面动平衡算法和谐分量平衡算法。公开号为CN106153256A的专利提出‘一种磁悬浮转子高精度现场动平衡方法’。在已公开的发明或文献中，未提到使用基于APSO-BP的动平衡或自动平衡控制方法的实例。
近几年，人工智能和机器学习算法的兴起为许多领域的研究打开了新思路和新方法。BP网络是一种按照误差逆向传播算法训练的多层前馈神经网络，它无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。而粒子群算法PSO是对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。
公开号为CN108198197A的专利，提出了利用粒子群算法求解图像边缘检测的最优灰度阈值，它在粒子群算法PSO的基础上提出优化方法，并建立了惯性权重调整公式：
Figure BDA0001797838160000021
其中，W为调整后的惯性权重，tmax为最大迭代次数，t为当前的迭代次数，Wmax为最大惯性权重值，Wmin为最小惯性权重值。公开号为CN106548230A的专利，提出了用粒子群算法优化神经网络来应用于变压器的故障诊断，其中对粒子群算法也提出了优化改进，即加入收缩因子β，设置可以非线性自适应调整的惯性权重W，其表达式如下：
Figure BDA0001797838160000022
其中，W为调整后的惯性权重，tmax为最大迭代次数，t为当前的迭代次数，Wmax为最大惯性权重值，Wmin为最小惯性权重值。与本专利所提出的APSO-BP方法不同，上述两个专利的优化方案都会使惯性权值随迭代次数增加而减少，这就会使迭代前期的粒子速度较大，后期的粒子速度较小。但是由于每个粒子的适应度不同，距最优值有远有近，因此不应该用同一权值来更新所有粒子的速度。而且一个权值的调整不应该只局限于迭代次数，它与粒子适应度、种群规模和搜索空间维度是密不可分的，但是它没有提及。这两个专利也未涉及动平衡算法。
公开号为CN107370188A的专利，提出了一种风电出力的电力系统多目标调度算法，其中预测区间的生成是基于神经网络的高低限评估方法，直接输出预测区间的高、低限，通过变异操作的粒子群算法PSO优化神经网络结构及权值。但是这种粒子群算法的权值没有更新，算法极易早熟或陷入局部收敛，且该专利未涉及动平衡控制算法。
发明内容
本发明针对现有技术存在的缺陷，提供一种基于APSO-BP的双配重盘自动平衡控制方法，能有效的根据神经系统拟合输入输出关系，利用改进的自适应调整权值的方法优化粒子群，有利于全局寻优，加快收敛速度，增加自动平衡系统控制的准确性和数据的有效性。
为实现上述目的，本发明所采用的技术方案是：
一种基于APSO-BP的双配重盘自动平衡控制方法，结合BP神经网络，建立基于自适应粒子群优化算法的稳态/非稳态自动平衡控制方法，充分利用每一次的平衡数据，拟合并优化配平参数，实现自动平衡控制。其中，如附图1所示，输入参数为两个平衡块初始位置A1、B1(合力为
Figure BDA0001797838160000031
)、转速N，不平衡力
Figure BDA0001797838160000033
优化目标为系统振动响应
Figure BDA0001797838160000032
最优输出为两个平衡块的目标位置A2、B2(合力为
Figure BDA0001797838160000034
)。本方法以已经获得配重块初始位置、转速和系统振动响应初值为前提，利用BP神经网络来拟合出系统振动值，结合自适应粒子群进行寻优得出两个配重块的最佳目标位置。
具体包括以下步骤：
步骤1、建立转子动力学仿真模型。利用传递矩阵法将实际转子系统转化为有限个自由度的离散化模型,通过Matlab软件对轴系进行转子动力学仿真，建立转子不平衡动力学响应仿真模型。
步骤2、获取训练样本。在转子不平衡动力学响应仿真模型中，转速逐渐升高，随机改变两平衡块的位置，并在轴上某处添加不平衡质量，运行得到振动响应并保存。
步骤3、提取训练数据和测试数据。在Matlab中直接读取上述文本，以配重块位置、转速为神经网络输入，转轴振动值为输出，构造神经网络。
步骤4、训练与测试数据设定。即用Matlab中的Rand和Sort函数随机抽取190组作为训练集，剩下10组作为测试集。
步骤5、归一化处理。即用Mapminmax函数将训练集的输入输出归一化。
步骤6、初始化网络结构。即设置神经网络的迭代次数、学习率和目标误差等参数。
步骤7、网络训练。即直接调用神经网络训练函数Train，设置好输入输出后对网络开始训练。
步骤8、测试数据。即当训练达到一定要求后停止，这时神经网络拟合非线性功能已构造完成，用10组测试集验证网络，对比预测值与真实值。
步骤9、统计误差并绘制误差图。计算预测值与真实值的差值，将此差值定义为误差，当误差在允许范围内时表示神经网络拟合功能符合要求。
步骤10、保存神经网络。神经网络构造且完成测试后，需要将归一化函数Mapminmax中的映射关系和神经网络函数net保存下来，以保证神经网络下次使用时拟合性能和结构不变。
步骤11、定义函数Function[fitness]＝Fitness(x,y)。Functions是matlab的定义函数，即定义一个适应度函数Fitness，调用保存下来的网络结构和映射关系，输入两个配重块的位置x和y，经过此神经网络训练后再归一化输出，输出的数据保存在变量fitness中，这个适应度函数供粒子群调用。
步骤12、开始进行粒子群寻优，先初始化参数，设置迭代次数、加速度因子和种群规模等参数，设置个体速度和位置的最大值和最小值。
步骤13、初始化种群，计算适应度值。即随机产生一个包括若干个体的种群，每个个体的速度和位置都是二维向量，调用适应度函数Fitness(x,y)，以个体位置信息为(x,y)，输出为适应度值fitness。
步骤14、计算个体极值和群体极值。将各个适应度值比较，以此得出种群中的个体极值和群体极值。个体极值是指个体所经历的最好的适应度的值，群体极值是指种群某一代中适应度最大的值。
步骤15、更新粒子的速度和位置。各个粒子按个体极值和群体极值计算出该粒子下一代中的速度，再根据速度计算出位置。
步骤16、更新结束，得出结果。即经过若干次更新之后，粒子达到最优位置，粒子适应度值达到全局最优，即获得了轴系振动最低点，此时代表粒子位置的二维向量就是对应的神经网络的输入，即两配重块的最佳位置。
步骤17、控制系统驱动配重块到达最佳位置完成自动平衡。
与现有技术相比，本发明具有如下有益效果：
1、适用于非线性系统。常规的动平衡算法往往只适用于线性系统，而BP神经网络可适用于复杂机械设备进行故障诊断的非线性预测，能逼近任意非线性映射关系，并且具有良好的泛化能力。
2、和影响系数法相比，本算法可有效利用之前的平衡数据进行样本训练、可用于变速等非稳态运转环境，不需要转子多次试运行来实现数据采集以进行不平衡量识别，不需要测量相位等优点。
3、和寻优法相比，本算法每次平衡前无需试调，步骤明确，不会出现错调。每一次平衡都是独立进行的，往往无需考虑平衡头的调整参数和发动机振动信号之间的非线性映射关系，能充分利用每一次平衡的有益数据。
4、本方法在普通粒子群的基础引入简单变异算子，在粒子每次更新之后，以一定的概率重新初始化粒子，这是借鉴了遗传算法中的变异思想，拓展了在迭代中不断缩小的种群搜索空间，使粒子能够跳出先前搜索到的最优位置，在更大的空间开展搜索，同时保持了种群多样性，提高算法寻找更优解的可能性。
5、本方法在普通粒子群基础上提出一种自适应调整惯性权值的优化方法，其算法效果明显高于普通粒子群。它可以根据粒子适应度的好坏来决定其权值的高低，即粒子适应度高的表示离最优位置较近，所以更新速度时应该使其权值减小以降低其速度，而适应度低的表示位置较差，所以更新速度时应该使其权值增大以升高速度来，如此一来便可平衡所有粒子的寻优能力，如附图2所示。
6、本方法将BP神经网络和APSO粒子群算法结合，共同应用于动平衡算法，既利用了神经网络拟合数据的功能，又结合改进的粒子群寻优方法，使平衡过程更加简洁、快速和准确，如附图3、附图4所示。
附图说明
图1是双配重块平衡控制示意图。
图2是粒子寻优的速度示意图。
图3是APSO-BP控制方法的自动平衡控制原理图。
图4是APSO-BP算法流程图。
图5是APSO与PSO算法寻优对比。
图6是自动平衡前后不平衡响应对比。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本发明是一种基于APSO-BP的双配重盘自动平衡控制方法，具体按照以下步骤实施：
步骤1、建立转子动力学仿真模型。利用传递矩阵法将实际转子系统转化为有限个自由度的离散化模型,通过Matlab软件对轴系进行转子动力学仿真,建立转子不平衡动力学响应。
步骤2、获取训练样本。在仿真模型中，转速逐渐升高，随机改变两平衡盘的相位，在轴上某处添加不平衡量，运行得到振动响应并保存。
步骤3、提取训练数据和测试数据。即用Matlab的Load函数直接读取上述文本，以配重块位置、转速为神经网络输入，转轴振动值为输出，构造神经网络。
步骤4、训练与测试数据的随机排序。即用Matlab中的Rand和Sort函数随机抽取190组作为训练集，剩下10组作为测试集。
步骤5、归一化处理。即用Mapminmax函数将训练集的输入输出归一化。
步骤6、构建神经网络。1998年Robert Hecht-Nielson证明了对任何在闭区间内的函数，都可以用一个隐含层的BP网络来逼近，因而一个三层的BP网络可以完成任意的n维到m维的映照。
而根据Kolmogorov定理：在BP神经网络构建中，中间隐含层数目N2，输入层数目N1，输出层数目M；
Figure BDA0001797838160000071
其中a为余量，取1～10之间的任意整数；
本发明中N1＝3，M＝1，取a＝6，则N2＝8.因此此神经网络取3个隐含层，每个隐含层有8个神经元。
步骤7、初始化网络结构。设置神经网络的迭代次数、学习率和目标误差等参数。
步骤8、网络训练。即直接调用神经网络训练函数train，设置好输入输出后对网络开始训练。
步骤9、测试数据、计算误差、画图。即当训练达到一定要求后停止，这时神经网络拟合非线性功能已构造完成，用10组测试集验证网络，对比预测值与真实值画出误差曲线。
步骤10、保存神经网络。神经网络构造且完成测试后，需要将归一化函数mapminmax中的映射关系和神经网络函数net保存下来，以保证网络下次使用时结构不变。
步骤11、定义函数Function[fitness]＝Fitness(x,y)。Functions是matlab的定义函数，即定义一个适应度函数Fitness，调用保存下来的网络结构和映射关系，输入两个配重块的位置x和y，经过此神经网络训练后再归一化输出，输出的数据保存在变量fitness中。这个适应度函数供粒子群调用。
步骤12、开始进行粒子群算法寻优，先初始化参数，设置迭代次数、粒子维度和种群规模等参数,设置个体速度、位置和惯性权值的最大值和最小值。
步骤13、初始化种群。即随机产生一个100个粒子的种群，每个个体的速度和位置都是二维向量，均为随机产生。
步骤14、计算适应度值，得出个体极值和群体极值及它们对于的个体位置。调用函数Fitness(x,y)，以个体位置信息为(x,y)，输出为适应度值fitness。此次应注意适应度值可能为负，因此对于负的值要取它的绝对值。再将个体对于的适应度的值做比较得出个体极值及对应位置，将群体各个粒子适应度值做比较得出群体极值及粒子位置。
步骤15、将粒子排序。各个粒子适应度不同代表距最优值远近不同，所以，将第i个粒子的适应度与群体中其他粒子做比较，若有K个粒子的适应度大于该粒子，则记为order(i)＝K，以此来表示在群体中位置的好坏。
步骤16、计算权值和加速因子。本方法采用自适应调整惯性权值的粒子群算法，其中权值调整公式为
Figure BDA0001797838160000081
其中S为种群规模，Wmax为惯性权值最大值，Wmin为惯性权值最小值，order(i)为第i个粒子的排序，从公式可以看出粒子适应度值越低，即位置越好，则惯性权值越小；加速因子的公式为
Figure BDA0001797838160000082
C2＝C1，可见加速因子与权值的变化趋势一样。
步骤17、按公式更新粒子的速度和位置。各粒子比较完适应度值之后按不同的情况更新自己的位置以寻找最优，其中速度更新公式如下：
Vi+1＝W(i)×Vi+C1×r1×(Pbest-Pi)+C2×r2×(gbest-Pi)
其中Vi+1为粒子第i+1代的速度，Vi为粒子第i代的速度，C1、C2是加速度因子，Pi是粒子第i代的位置，Pbest是粒子个体极值，gbest是群体极值
位置更新公式如下：
Pi+1＝Pi+Vi+1，
其中Pi+1是粒子第i+1代的位置。
位置和速度更新完后，还要检查更新之后的值在不在最大值与最小值之间，若不在，则要限定在该范围之内。
步骤18、变异。对于已经陷入局部最优，或怀疑陷入局部最优的情况，一般是采取“跳出”或“重启”两种手段，也就是在当前解的基础上向其他方向搜索，或者无视当前解并在新的区域重新搜索，因此设置一个随机概率事件，以十分之一的概率重新初始化粒子。
步骤19、重复步骤14，直至满足终止条件，更新结束，得出结果。即经过若干次更新之后，粒子达到最优位置，粒子适应度值达到全局最优，即获得了轴系振动最低点，此时代表粒子位置的二维向量就是对应的神经网络的输入，即两配重块的最佳位置。
步骤20、控制系统在线驱动配重块到达最佳位置，完成自动平衡。
步骤21、画图对比。用Matlab画出APSO粒子群与普通粒子群的适应度值随迭代次数的变化，如附图5所示。
比较自动平衡前后系统不平衡量的变化，如图6所示。

Claims (2)

1.一种基于APSO-BP的双配重盘自动平衡控制方法，其特征在于：结合BP神经网络，建立基于自适应粒子群优化算法的稳态/非稳态自动平衡控制方法，充分利用每一次的平衡数据，拟合并优化配平参数，实现自动平衡控制；输入参数为两个平衡块初始位置A1、B1、转速N，不平衡力
Figure FDA0003892095950000011
优化目标为系统振动响应
Figure FDA0003892095950000012
最优输出为两个平衡块的目标位置A2、B2；本方法以已经获得配重块初始位置、转速和系统振动响应初值为前提，利用BP神经网络来拟合出系统振动值，结合自适应粒子群进行寻优得出两个配重块的最佳目标位置；两个平衡块初始位置A1、B1的合力为
Figure FDA0003892095950000013
两个平衡块的目标位置A2、B2的合力为
Figure FDA0003892095950000014
具体包括以下步骤：
步骤1、建立转子动力学仿真模型；利用传递矩阵法将实际转子系统转化为有限个自由度的离散化模型，通过Matlab软件对轴系进行转子动力学仿真，建立转子不平衡动力学响应仿真模型；
步骤2、获取训练样本；在转子不平衡动力学响应仿真模型中，转速逐渐升高，随机改变两平衡块的位置，并在轴上某处添加不平衡质量，运行得到振动响应并保存；
步骤3、提取训练数据和测试数据；在Matlab中直接读取文本，以配重块位置、转速为神经网络输入，转轴振动值为输出，构造神经网络；
步骤4、训练与测试数据设定；即用Matlab中的Rand和Sort函数随机抽取190组作为训练集，剩下10组作为测试集；
步骤5、归一化处理；即用Mapminmax函数将训练集的输入输出归一化；
步骤6、初始化网络结构；即设置神经网络的迭代次数、学习率和目标误差参数；
步骤7、网络训练；即直接调用神经网络训练函数Train，设置好输入输出后对网络开始训练；
步骤8、测试数据；即当训练达到要求后停止，这时神经网络拟合非线性功能已构造完成，用10组测试集验证网络，对比预测值与真实值；
步骤9、统计误差并绘制误差图；计算预测值与真实值的差值，将此差值定义为误差，当误差在允许范围内时表示神经网络拟合功能符合要求；
步骤10、保存神经网络；神经网络构造且完成测试后，需要将归一化函数Mapminmax中的映射关系和神经网络函数net保存下来，以保证神经网络下次使用时拟合性能和结构不变；
步骤11、定义函数Function[fitness]＝Fitness(x,y)；
步骤12、开始进行粒子群寻优，先初始化参数，设置迭代次数、加速度因子和种群规模参数，设置个体速度和位置的最大值和最小值；
步骤13、初始化种群，计算适应度值；即随机产生一个包括若干个体的种群，每个个体的速度和位置都是二维向量，调用适应度函数Fitness(x,y)，以个体位置信息为(x,y)，输出为适应度值fitness；
步骤14、计算个体极值和群体极值；将各个适应度值比较，以此得出种群中的个体极值和群体极值；个体极值是指个体所经历的最好的适应度的值，群体极值是指种群某一代中适应度最大的值；
步骤15、更新粒子的速度和位置；各个粒子按个体极值和群体极值计算出该粒子下一代中的速度，再根据速度计算出位置；
步骤16、更新结束，得出结果；即经过若干次更新之后，粒子达到最优位置，粒子适应度值达到全局最优，即获得了轴系振动最低点，此时代表粒子位置的二维向量就是对应的神经网络的输入，即两配重块的最佳位置；
步骤17、控制系统驱动配重块到达最佳位置完成自动平衡。
2.根据权利要求1所述的一种基于APSO-BP的双配重盘自动平衡控制方法，其特征在于：
所述步骤11中，Functions是matlab的定义函数，即定义一个适应度函数Fitness，调用保存下来的网络结构和映射关系，输入两个配重块的位置x和y，经过此神经网络训练后再归一化输出，输出的数据保存在变量fitness中，这个适应度函数供粒子群调用。
CN201811063972.XA 2018-09-12 2018-09-12 一种基于apso-bp的双配重盘自动平衡控制方法 Active CN109190270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811063972.XA CN109190270B (zh) 2018-09-12 2018-09-12 一种基于apso-bp的双配重盘自动平衡控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811063972.XA CN109190270B (zh) 2018-09-12 2018-09-12 一种基于apso-bp的双配重盘自动平衡控制方法

Publications (2)

Publication Number Publication Date
CN109190270A CN109190270A (zh) 2019-01-11
CN109190270B true CN109190270B (zh) 2022-12-27

Family

ID=64910800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811063972.XA Active CN109190270B (zh) 2018-09-12 2018-09-12 一种基于apso-bp的双配重盘自动平衡控制方法

Country Status (1)

Country Link
CN (1) CN109190270B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109632188B (zh) * 2019-01-29 2020-05-29 北京化工大学 虑及多转速状态的柔性转子动平衡双重优化方法及系统
CN109871947B (zh) * 2019-03-21 2021-10-29 哈尔滨工业大学 基于卷积神经网络的大型高速回转装备多级零部件初始不平衡量逐级堆叠方法
CN110261083B (zh) * 2019-06-13 2021-05-11 南京航空航天大学 一种基于视觉的磁悬浮转子振动力抑制效果测量方法
CN111238729B (zh) * 2020-02-28 2020-12-25 中国科学院西安光学精密机械研究所 一种大尺寸光电经纬仪俯仰轴的精密静平衡配平方法
CN111639386A (zh) * 2020-04-17 2020-09-08 北京化工大学 一种航空发动机用无键相虚拟动平衡方法
CN117031964B (zh) * 2023-09-18 2024-05-24 北京化工大学 转子不平衡振动控制方法和装置
CN117574213B (zh) * 2024-01-15 2024-03-29 南京邮电大学 一种基于apso-cnn的网络流量分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105549384A (zh) * 2015-09-01 2016-05-04 中国矿业大学 一种基于神经网络和强化学习的倒立摆控制方法
CN105894090A (zh) * 2016-04-22 2016-08-24 大连海事大学 一种基于自适应变异粒子群优化的潮汐智能实时预报方法
CN107480815A (zh) * 2017-08-03 2017-12-15 国网河北省电力公司保定供电分公司 一种电力系统台区负荷预测方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105549384A (zh) * 2015-09-01 2016-05-04 中国矿业大学 一种基于神经网络和强化学习的倒立摆控制方法
CN105894090A (zh) * 2016-04-22 2016-08-24 大连海事大学 一种基于自适应变异粒子群优化的潮汐智能实时预报方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN107480815A (zh) * 2017-08-03 2017-12-15 国网河北省电力公司保定供电分公司 一种电力系统台区负荷预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于APSO-BP耦合算法的岩体力学参数反馈研究;杜小凯等;《中国矿业大学学报》;20081115(第06期);全文 *
基于自适应周期变异粒子群优化BP神经网络的旋转机械故障诊断;姚杰等;《计算机测量与控制》;20131025(第10期);全文 *
粒子群优化在直升机旋翼动平衡调整中的应用;刘红梅等;《北京航空航天大学学报》;20110315(第03期);全文 *
自适应粒子群优化BP神经网络的变压器故障诊断;付宝英等;《华侨大学学报(自然科学版)》;20130520(第03期);全文 *

Also Published As

Publication number Publication date
CN109190270A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN109190270B (zh) 一种基于apso-bp的双配重盘自动平衡控制方法
CN110751207B (zh) 基于深度卷积域对抗迁移学习的故障诊断方法
CN110647923B (zh) 小样本下基于自我学习的变工况机械故障智能诊断方法
CN114969995B (zh) 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法
CN111709524A (zh) 一种基于改进gwo算法的rbf神经网络优化方法
CN112861427A (zh) 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法
CN107316099A (zh) 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法
CN111351668A (zh) 基于优化粒子群算法和神经网络的柴油机故障诊断方法
CN110909802A (zh) 一种基于改进的pso优化pnn平滑因子的故障分类方法
CN113190931A (zh) 一种改进灰狼优化dbn-elm的亚健康状态识别方法
Zhang et al. New PID parameter autotuning for nonlinear systems based on a modified monkey–multiagent DRL algorithm
CN112393934A (zh) 基于稀疏自编码与极限学习机的风电机组故障诊断方法
CN115545070A (zh) 基于综合平衡网络的类不平衡轴承智能诊断方法
Liu et al. Rolling bearing fault diagnosis of train running gear based on optimized deep residual network
CN114459760A (zh) 一种强噪声环境下的滚动轴承故障诊断方法及系统
CN110609472B (zh) 三自由度六极混合磁轴承转子位移自检测系统及方法
Cheng et al. Online parameter identification of PMSM based on LAWPSO
Qian et al. Application of new training method combined with feedforward artificial neural network for rolling bearing fault diagnosis
CN110909509A (zh) 基于InfoLSGAN和AC算法的轴承寿命预测方法
CN210605711U (zh) 一种五自由度磁悬浮电主轴转子位移自检测系统
CN115808878A (zh) 一种水轮发电机组调速器优化方法和系统
CN109507989A (zh) 一种无人机传感器故障诊断的方法
CN115422698A (zh) 一种伺服驱动变周期在线惯量辨识方法
CN115016248A (zh) 一种基于pso算法优化rbf神经网络的电机pid控制方法
CN107145694B (zh) 基于rbf神经网络的连续旋转爆轰燃烧室增压比预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant