来源：期刊VIP网 时间：
作者：熊伟;王琪;
单位：湖北第二师范学院物理与机电工程学院;武汉大学动力与机械学院;
摘要：针对机械设备状态监测中电涡流传感器量程不足、精度过低的问题，提出一种基于神经网络和改进粒子群算法的参数优化方法。首先，针对电涡流传感器线圈的电感、电阻和磁感应强度等性能指标展开仿真实验。通过对比实验确定了线圈的材料、形状和截面形状，得到729组线圈几何参数及其对应性能指标的数据。然后，将上述数据集划分为训练集和测试集并训练深度神经网络模型(deep neural network,DNN)用以拟合线圈几何参数和性能指标之间的关系，从而实现线圈性能指标的高精度预测。最后，采用改进的Sigmoid粒子群算法(sigmoid particle swarm optimization,Sigmoid-PSO)对线圈参数进行寻优，找到最优的线圈几何参数及其对应的性能指标。该方法解决了基于有限元仿真的参数优化方法时间成本高、寻优精度不足的问题，仅用少量仿真数据训练深度学习模型即可得到高精度的传感器指标回归模型。同时，Sigmoid-PSO算法的引入可以避免参数更新过程中不必要的突变，更有效地找到参数的全局最优解。通过对比分析粒子群算法(particle swarm optimization,PSO)和Sigmoid-PSO算法的寻优效果以及线圈优化前后的性能参数，验证了所提方法的可靠性，优化后的线圈有更好的性能指标。
关键词：电涡流传感器;;神经网络;;粒子群算法;;电磁场仿真
基金资助：湖北省教育厅科学技术研究计划指导性项目（编号：B2023187）;; 湖北本科高校省级教学改革研究项目（编号：2023492）
