基于LSSVM-PSO的载荷识别与片剂生产过程优化

### 基于LSSVM - PSO的载荷识别与片剂生产过程优化 在工程领域，载荷识别和片剂生产过程优化是两个重要的研究方向。本文将介绍基于最小二乘支持向量机（LSSVM）和粒子群优化算法（PSO）的载荷识别方法，以及利用局部模型网络优化片剂生产过程的相关内容。 #### 基于LSSVM - PSO的载荷识别 1. **LSSVM - PSO载荷识别流程** - **利用白噪声激励系统**：白噪声能激发系统的所有特性，在标定过程中使用白噪声作为激励源。 - **基于PSO训练LSSVM**：以系统响应作为LSSVM的输入，载荷作为输出，利用PSO算法根据载荷与响应之间关系的最佳泛化能力来寻找LSSVM的最优参数，从而建立载荷识别模型。 - **测量飞机运行过程中的响应**：在飞机实际运行时，获取系统的响应数据。 - **计算载荷**：将测量得到的响应数据输入到之前建立的载荷识别模型中，计算出相应的载荷。 ```mermaid graph LR A[白噪声激励系统] --> B[基于PSO训练LSSVM] B --> C[测量飞机运行响应] C --> D[计算载荷] ``` 2. **飞行模拟模型的载荷识别应用** - **模拟模型简化**：为验证方法的可行性，将飞机简化为包含圆柱壳和固定装置的圆柱结构，仅施加一个集中力。有限元模型的参数如下：圆柱壳外径370mm、内径360mm、高度370mm；固定装置直径380mm、高度17.5mm；两者的密度为7850kg/m³，弹性模量为2.1×10¹¹Pa，泊松比为0.3。 - **数据获取**：在集中力点施加轴向白噪声力，获取圆柱壳结构某一节点的加速度响应。重复该过程29次，每次白噪声力的幅值谱不同，得到29组力和响应数据。 - **训练样本构建**：将一组载荷和加速度响应的幅值谱构建为训练样本，加速度响应作为LSSVM - PSO的输入，载荷作为输出。选择高斯核作为核函数。由于载荷与响应在不同频率下的关系是一一对应的，因此学习过程可以在相应频率上进行。模拟数据中有2000个频率点，学习过程共进行2000次。通过LSSVM - PSO学习29个训练样本，建立载荷识别模型。 - **载荷识别验证**：在相同力点施加一个梯形力，获取其幅值谱和加速度响应。将加速度响应输入到建立的载荷识别模型中，计算出载荷的幅值谱，并与实际梯形力的幅值谱进行比较。使用均方误差（RMSE）和平均相对误差（Er）来判断识别误差，结果显示RMSE = 0.0027，Er = 0.0082%，表明该方法在频域内识别单源载荷的精度较高。 | 误差类型 | 数值 | | ---- | ---- | | RMSE | 0.0027 | | Er | 0.0082% | 3. **圆柱结构随机振动实验的多源载荷识别** - **实验系统组成**：圆柱结构随机振动实验系统由圆柱壳、固定装置和振动台组成。固定装置通过18个螺栓与圆柱壳连接，整个结构通过四个力传感器固定在振动台上，力传感器测量的力为圆柱结构的实际载荷。 - **数据采集**：施加驱动谱驱动振动台，通过改变驱动谱的参数值（a - g，其中a固定为5Hz，g固定为2000Hz），获取29组数据。每组数据包含圆柱结构四个位置的加速度响应的功率谱密度（PSD）、四个力和驱动电流。 - **非线性分析**：由于螺栓连接和振动台风机噪声的影响，