粒子群算法研究及其在航天发动机健康管理中的应用

发布时间：2020-10-08 17:03

　　粒子群优化(Particle Swarm Optimization,PSO)算法是一种智能优化算法,具有结构简单、参数少以及全局寻优能力强等优点,广泛应用于众多领域。本文在研究粒子群优化算法理论以及算法参数、性能的基础上,构造了一种改进的粒子群算法,并将其与神经网络以及支持向量机结合,建立了两种液体火箭发动机故障诊断模型,应用在航天发动机健康管理中。在PSO改进算法中,本文引入粒子间的相似度来判断粒子群中的聚集度大小,用聚集度大小度量群体粒子的多样性程度,并根据群体粒子中的多样性程度,引入随机变异对群体中的粒子产生变异,通过重新调整粒子的位置,从而避免粒子群算法陷入局部最优。在PSO算法研究的基础上,本文用改进的粒子群优化BP神经网络的权值和阈值,搜索到最优位置赋给BP神经网络,得到最优的网络结构,然后通过选取的训练样本数据训练故障检测模型,最后使用该模型对测试数据进行检测,从而建立改进粒子群优化BP神经网络的液体火箭发动机(Liquid-Propellant Rocket Engine,LRE)故障检测模型。针对实际诊断中故障样本数据十分有限,本文将改进的粒子群算法与非常适合小样本数据检测的支持向量机(Support Vector Machine,SVM)结合起来,对核函数宽度和惩罚因子,这两个决定模型的泛化能力和稳定性的关键参数进行优化,建立改进粒子群优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的故障检测模型,运用到液体火箭发动机的故障检测中。仿真实验表明,以上两种液体火箭发动机故障检测算法均具有较高的准确性,对于故障预测、减少虚警或漏警现象、提高航天发射的安全性,具有积极的意义。最后,论文构建了一种航天发动机健康管理测试平台,集成本文建立的故障检测模型后,能在航天发动机健康参数实时收集管理的同时完成故障检测。
【学位单位】：天津理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP18;V43
【部分图文】：

论文,粒子群算法

2 粒子群算法的应用研究粒子群算法提出以来，对其进行研究的步伐从未停止，针对 PSO 算法的理论化和其他智能算法相结合等论文发表数量逐渐增长，图1.1给出了Enginee包含了与 PSO 算法相关的论文数量，表露出了该算法的研究在近几年内题。PSO 在神经网络训练中的应用是该算法的经典应用之一，主要原因是经网络过程中不引如梯度下降信息的方法，对于 PSO 中的传递函数能否不考虑，从而得到的优化算法能够广泛的应用到实际问题中。然而对神经断加快，利用粒子群算法对其进行优化逐渐演变成为对权重、拓扑结构和化，对其优化的方法是运用种群中的各个粒子的维数作为神经网络需要优过粒子群算法在可行解的范围内进行寻找最优解，而搜索到的最优解就是优化的参数，完成对神经网络进行优化的目标。粒子群算法具有鲜明的自的搜索寻优技术，已被用于解决多个技术领域的问题。例如对作业车间的题[20]，特征选择的降维和选取特征问题[21]传感器网络[22]，超大规模电路设程领域。

二维函数

变化是随迭代次数而增大；理想状态下的粒子能，迭代后期拥有较好的探索性能，因此参数小；T 表示算法设定的最大优化次数，t表示根据聚集度的大小判断该粒子群多样性，在检子之间的相似度，再根据相似度的大小以不同粒子的多样性，进而使种群的全局搜索能力和便，将上文对一般 PSO 进行改进算法简称为分析出的改进粒子群算法性能，选取了四个具有代较 BPSO、LDWPSO 和 SPSO 三种算法的收敛，对选取的函数介绍如下：：211( )miif x x ，为典型的多维单峰函数。该函数数对应的图形如下图 2.3 所示：

二维函数,图数

图 2.4 Rosenbrock 二维函数 MATLAB 图数:231( ) ( 10cos(2 ) 10)ni iif x x x ，含有较多的局数对应的图形如图 2.5 所示：图 2.5 Rastrigin 二维函数 MATLAB 图数：241 11( ) cos( ) 14000nniii ixf x xi ，为典型旋转

【相似文献】