粒子群算法研究及其工程应用案例

发布时间：2017-12-20 05:04

  本文关键词：粒子群算法研究及其工程应用案例　出处：《吉林大学》2017年博士论文　论文类型：学位论文

  更多相关文章： 粒子群算法 转向架构架侧梁 T接头 焊接工艺 点云数据 精简去噪算法

【摘要】：在“十三五”创新战略的驱动下,科技创新已经成为我国加速迈进创新型国家行列的必要手段。现代制造业对于高精度的工业生产能力与自主研发能力的需求越来越高,大大推动了与精确生产制造领域相关的优化指导技术的广泛发展。工程应用中的优化需求不断变化和难度不断增加,应运而生的智能粒子群优化算法(Particle swarm optimization,PSO)因其自身优势:结构简单、参数不多、对优化目标问题的数学属性要求较低等,被广泛应用。该算法在工程实际中可以进行工艺参数优化设计、部件结构轻量化的设计、工业工程最优工作路径设计、以及将其优化算法与常规算法融合的策略设计,等等。本文结合2009年度国家自然科学基金面上项目《基于重分析理论的简化车身多单元框架结构截面参数快速优化研究》(No.50975121)、长春市科技局重大支撑计划项目《CRH3-350轨道客车转向架焊接变形分析》(No.10KZ03)、吉林省科技型中小企业创新基金《基于图像识别的粮食仓储智能控制系统开发》(No.20130522150JH),对粒子群算法的改进及其工程应用进行了深入的研究。主要工作包括:第一,对优化理论及算法进行分析及分类。研究表明粒子群优化算法在实际工程问题中,具有强大的应用优势。梳理了该算法的产生背景和发展,如,标准粒子群算法、离散粒子群算法(Discrete particle swarm optimization,DPSO)和多目标粒子群算法(Multi objective particle swarm optimization algorithm,MOPSO),分析了其流程设计思路、参数设置方式、应各种需求得到的改进模式。提出了基于堆栈和指针概念的离散粒子群构建方法和基于粒子群优化算法的自适应点云数据处理算法改进方式,并在后续的研究中分别采用不同的工程案例,验证了本文设计方法的正确性及工程问题应用的有效性。第二,利用本文设计的基于堆栈和指针概念的离散粒子群改进方法,分析了焊接顺序和方向对高速铁路客车转向架构架侧梁的焊接残余应力和变形的影响。研究采用热机耦合仿真分析方法在ANSYS软件中进行了所建焊接模型的数值模拟。为了尽量减少焊接变形和应力的组合数量,利用堆栈和指针的概念,给出了焊接顺序和方向优化试验设计表,并基于试验设计方法得到了优化问题的代理模型。通过本文设计的离散粒子群优化算法进行寻优,便可获得带有最优焊接顺序和方向的结果的“指针”,及最优焊接工艺方案。该方法大大减少了在焊接过程中所需的计算成本,并且明显的减少了计算精度的损失。最终得到的优化方案经过验证可以有效地降低焊接过程中的焊接变形和应力,对提高高速铁路客车转向架构架侧梁的焊接工艺、提高制造质量和使用性能具有指导作用。第三,利用“堆栈和指针”概念,构建了多目标粒子群改进算法,用以研究T接头模型对焊接残余应力和应变的影响。在完成了基于单目标优化过程的转向架构架侧梁焊接工艺优化设计的基础上,研究了更简单、更具有普遍性的T接头模型对焊接残余应力和应变的影响,将待优化的焊接工艺参数从两个设计参数:焊接顺序和焊接方向,增加至同时具有焊接电流、电压、速度五个设计参数;将设计参数类型是连续的或离散的,发展至二者混合的;将优化问题从单目标扩展至多目标,进一步研究了影响焊接残余应力和变形的因素。结果表明,焊接参数和焊接顺序对残余焊接应力和变形有很强的影响。焊接参数对焊接热量的输入有很大的影响。另外,焊接顺序和焊接方向对控制焊接残余变形和焊接残余应力有很大的影响。根据不同的需求,可以根据帕累托前端的结果,选择合理的焊接参数和焊接顺序。第四,为建立基于粒子群优化算法的点云数据处理算法改进方式的分析基础,讨论了基于三维激光扫描仪的仓储粮在线监测系统的组成方式和点云数据的一般处理方法。搭建了基于三维激光扫描仪的仓储粮实时在线监测系统。通过系统的硬件和软件的组成方式,设计了操作方法,给出了功能执行模式,完成了仓储粮监测系统的整体架构。作者所在课题组采用该系统采集粮食表面的点云数据。讨论了通用的点云数据处理方法,即点云数据的坐标转换、精简处理、去噪处理、曲面重建及粮食体积计算方式。为基于粒子群算法的点云数据处理算法研究建立相应的分析基础。同时也说明了上述点云数据处理方式存在的缺点,和需要进一步改进的方向。第五,利用基于粒子群优化算法的自适应点云数据处理算法改进方式,提出了一种基于粒子群算法的点云数据简化算法和一种基于不同噪声类型的点云数据去噪算法。精简算法可以自适应地确定平均精简方法的精简阈值,解决了采用普通精简算法精简后点云数据量大、分布不均匀的问题。通过使用该算法精简后的点云数据分布更加均匀,并且比平均距离法减少了更多的冗余数据。通过该算法精简后得到的粮食体积的相对误差低于采用平均精简法的粮食体积的相对误差。分类去噪算法则根据点云数据的噪声类型,将噪声分成三类,对第一和第二类型的噪声点采用网格法进行删除。针对第三类型噪声点,采用小波去噪滤波剔除了点云数据中混入的无效噪声点。通过与均值滤波法和中值滤波法去噪后的点云数据进行主观标准和客观标准的比较,可以得出,本文提出的去噪方法最大程度的剔除了点云数据中的无用噪声点,具有较高的信噪比平均值,峰值信噪比和较低的均方根误差。最后,对整篇文章进行了总结,并在此基础上提出了有待改进的研究问题和需进一步开展研究的方向。
【学位授予单位】：吉林大学
【学位级别】：博士
【学位授予年份】：2017
【分类号】：TP18

【相似文献】

中国期刊全文数据库 前10条

1 黄天赦;叶春明;;采用量子粒子群算法的一类模糊作业车间调度问题的研究[J];现代制造工程;2009年11期

2 秦玉灵;孔宪仁;罗文波;;混沌量子粒子群算法在模型修正中的应用[J];计算机工程与应用;2010年02期

3 陈治明;;新型量子粒子群算法及其性能分析研究[J];福建电脑;2010年05期

4 牛永洁;;一种新型的混合粒子群算法[J];信息技术;2010年10期

5 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

6 刘衍民;赵庆祯;邵增珍;;一种改进的完全信息粒子群算法研究[J];曲阜师范大学学报(自然科学版);2011年01期

7 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[J];计算机工程与应用;2011年05期

8 熊智挺;谭阳红;易如方;陈赛华;;一种并行的自适应量子粒子群算法[J];计算机系统应用;2011年08期

9 孟纯青;;非线性粒子群算法[J];微计算机应用;2011年08期

10 任伟建;武璇;;一种动态改变学习因子的简化粒子群算法[J];自动化技术与应用;2012年10期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 李庆伟;粒子群算法及电厂若干问题的研究[D];东南大学;2016年

2 杜毅;多阶段可变批生产线重构的研究[D];广东工业大学;2016年

3 尹浩;求解Web服务选取问题的粒子群算法研究[D];东北大学;2014年

4 邵晴;粒子群算法研究及其工程应用案例[D];吉林大学;2017年

5 王芳;粒子群算法的研究[D];西南大学;2006年

6 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

7 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

8 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

9 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

10 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

，

本文编号：1310830