基于BBMNN的多变量非线性软测量建模及应用

基于Boostins思想,提出了一种改进的adaboost算法。在此基础上,提出了一种新的多神经网络构造方法BBMNN。应用于软测量建模,给出了一种新的非线性系统软测量建模方案,并分别针对多变量、非线性典型模型和复杂工业过程,应用实验数据和实际运行数据进行了仿真研究。仿真结果表明,该方案可以较好地解决复杂对象神经网络建模时样本点数量与模型精度之间的矛盾,可同时获得较高的训练精度和预测精度。     

基于有限元和神经网络的杂交建模

针对复杂非线性结构动力学系统提出了一种基于有限元与神经网络相结合的杂交建模方法。依据该方法,首先将系统中的线性结构部分采用有限元建模,非线性或难以机理建模的结构部件采用神经网络描述。其次,再通过力和位移边界联接条件将有限元模型部分和神经网络模型部分结合从而得到整个系统的杂交模型,且杂交模型的物理结构明确,精度较高,网络规模较小。在一非线性隔振系统的杂交建模算例仿真中,用所建杂交模型对正弦及宽带随机激励进行了预测检验分析,结果良好,该杂交建模方法为主体结构为线弹性结构而又包含有强非线性器件的非线性动力学系统提供了一种有效的建模途径。     

基于神经网络的复杂系统杂交建模研究

利用先验知识和神经网络黑箱建模相结合,对一类复杂滞后非线性系统进行了杂交建模研究.先验知识建模确定滞后系统模型的形式及主体部分,神经网络估计滞后系统恢复力的未确定部分,所建模型不仅能够进行系统响应预测分析,而且能够获得系统的主体结构特征,对结构设计修改具有指导作用.     

基于振动测试的非线性参数识别方法

研究了利用特殊的正弦扫频技术识别非线性参数的方法。该方法利用目前线性系统成熟的模态分析技术,并结合等效线性化理论,通过振动测试识别结构的非线性参数,可以建立一个更加准确的模型来反映非线性结构的动力学特性,从而提高模型的预测精度。该方法包括两部分：（1）常位移测试识别非线性刚度;（2）常速度测试识别非线性阻尼。常位移测试是在一次正弦扫频过程中,通过调整各频率下的激励力幅值使得位移响应的幅值为常数,获得一组频响函数,通过模态分析获得等效刚度;改变位移响应的幅值进行多次测试,获得多组等效刚度;对获得的一系列恒定位移响应下的等效刚度进行曲线拟合,即可获得所有线性和非线性刚度参数。常速度测试与其类似。以三自由度非线性系统为例,进行了常位移测试和     

基础激励下含间隙折叠舵面非线性系统辨识

间隙在飞行器折叠舵面中普遍存在且不易准确描述,通过辨识方法获得间隙的真实非线性特性具有重要意义。基于直接参数估计方法建立基础激励下含间隙非线性系统辨识模型,利用相对速度和相对位移的多项式表征非线性系统的恢复力;引入显著因子剔除多项式中影响度较低的基函数,采用最小二乘求解得出恢复力多项式中各项系数,由不同自由度之间的相对关系组装出整个系统的辨识模型;通过比较基于辨识模型的系统响应和实测系统响应之间的均方误差来评价辨识精度。基础激励下含间隙三自由度结构系统数值算例的辨识结果表明:含间隙非线性系统的恢复力可通过增加刚度立方项进行准确逼近;选取折叠舵面上两处测点分别在无间隙和有间隙的工况下进行辨识,辨识所得运动方程均能较好地描述两测点的动力学特性,对含间隙折叠舵面非线性系统的离散化建模与动力学分析具有重要工程意义。     

采用磁流变阻尼器的汽车悬架系统的杂交建模

利用线性回归方法,对磁流变阻尼器阻尼力与速度、加速度间的函数关系作了线性与非线性的区分,采用神经网络对非线性部分进行建模,并结合线性部分构建了磁流变阻尼器的模型。在此基础上,融合汽车悬架的先验知识模型,建立了采用磁流变阻尼器的4自由度1/2车辆半主动悬架系统的杂交模型。最后利用SANTANA 2000型轿车的参数进行仿真,并与基于磁流变阻尼器非线性滞回模型的建模方法作了比较,结果表明:杂交建模方式结构简单、计算量小、模型准确、便于进行系统主要动力学特性的分析。     

机器人系统中操作环境动力学模型研究

研究了机器人操作环境的动力学模型,提出了一种基于径向基函数(RBF)神经网络的机器人系统中环境非线性动力学模型新的建立方法,阐述了其建模机理和算法.结果表明,采用RBF神经网络对机器人系统中的操作环境建模比用BP神经网络有更高的精度,其网络训练速度也大大快于BP神经网络.     

基于状态空间模型的机床加工精度分析

伺服进给系统的机电耦合特性直接影响数控机床的加工精度，单独针对伺服系统或机械系统建立的模型不足以准确分析系统参数对机床整机加工精度的影响。因此，综合考虑机床伺服系统与机械结构之间的耦合关系，建立伺服进给系统机电耦合动力学模型具有重要意义。首先，为保证伺服进给系统建模精度，利用状态空间法建立了机床机电耦合状态空间方程。其次，建立了伺服进给系统机电耦合Simulink模型，在此基础上采用复合控制提高系统的响应速度和加工精度。随后，利用多体动力学软件建立机床进给系统的刚柔耦合动力学模型，添加摩擦、阻尼等非线性因素，并导入Simulink与伺服系统建立耦合关系。最终，建立了卧式加工中心伺服进给系统的刚柔-机电耦合仿真加工平台，通过模拟机床加工轨迹以验证机电耦合状态空间模型的可靠性。结果表明：该状态空间模型能准确描述系统内部参数和系统输入输出的耦合关系；采用复合控制结构能有效提高系统的响应速度和加工精度。研究结果为数控机床的仿真建模和提高加工精度提供理论依据，为机床机电系统的设计提供有效指导。     

基于LPV模型的颤振试飞响应预测及激励优化

针对颤振飞行试验中实时监控和试飞效率的需求,基于具有极点约束的频域子空间算法和状态空间插值算法建立线性变速压气动弹性系统局部模型.设计结合模型迭代的颤振试飞速度扩展流程,实现了基于试飞数据的结构响应预测和激励优化.通过仿真算例和实际试飞数据验证预测响应的准确性及激励优化的有效性:预测响应值的精度随着建模数据的累积逐步提...     

内外激励下双转子系统非线性动力学特性研究

针对含中介轴承的双转子系统,在考虑转子不平衡和中介轴承非线性因素的基础上,推导并建立了双转子系统的非线性动力学模型,研究了内外激励下双转子系统的非线性动力学特性。首先,针对建立的双转子-中介轴承系统非线性动力学模型,研究了双转子系统的幅频响应,获得了高低压转子的主共振特性;其次,考虑双转子系统非线性参数的影响,分析了内外激励下双转子系统的非线性动力学响应,通过分岔图、轴心轨迹图、庞加莱截面图、时域波形图和频谱图等,获得了不平衡影响下高低压转子在激励频率变化下的运动状态和频率特征;最后,分析了不平衡量对双转子系统非线性响应特性的影响,研究了不平衡量变化下高低压转子动力学特性的演变规律。研究结果可为双转子系统动力学特性设计和高低压转子故障诊断提供参考。     

基于误差修正的菌体浓度软测量

针对机理模型中参数易受环境影响,结果常常不准,而数据模型对于复杂系统外推能力差的情况,提出了以机理模型为基础,以数据模型为补充,利用数据模型对机理模型的预测结果进行误差修正的方法.将该方法用于菌体浓度的预测,误差修正模型采用RBF神经网络,包含了影响菌体浓度的主要理化因素:温度、溶解氧和pH,以实际测量值为目标对该网络进行训练.训练好的神经网络用来对机理模型的输出进行修正.试验数据表明该方法能有效提高菌体浓度的预测精度.     

基于BP神经网络的星箭界面动载荷识别

提出一种基于BP神经网络的星箭界面动载荷识别新方法。建立卫星结构的高保真动力学模型,利用仿真分析/地面试验获取的卫星结构加速度响应与星箭界面加速度激励的样本库;基于BP神经网络训练卫星结构加速度与星箭界面加速度激励的传递关系,利用实测卫星结构加速度响应识别星箭界面加速度激励;将星箭界面加速度激励施加与卫星结构的高保真动力学模型获取星箭界面动载荷。开展了数值仿真和振动试验,验证了所提出方法的有效性,为服役状态下卫星结构的振动载荷环境预示提供有力支撑。     

基于多分支BP神经网络的结构系统辨识

结构动力学系统是一个多输入多输出系统,建立能精确体现结构动力特性的辨识模型是实现结构高品质振动控制和关系到控制是否有效的关键。提出一种多分支BP神经网络辨识模型,将影响结构动力反应的结构状态变量和地震动输入分别作为模型的分支输入来进行辨识,提高学习效率及预测精度,并利用训练好的模型预测结构在不同地震波输入下的动力反应,验证模型的泛化能力。数值分析结果表明,用所提出的多分支BP网络模型对结构动力学系统进行动力特性辨识时能达到较高的精度,而且预测精度也很高。     

静电激励微板动力学特性研究EI北大核心CSCD

基于多物理场动态耦合分析方法建立了考虑微流体压膜阻尼效应的静电激励微板机电耦合系统动力学模型,采用KBM法对微板多物理场耦合动力学响应问题进行了求解。通过静电激励微板动力学实验,采集到了简谐激励下系统响应共振频率、波形图及幅值谱图,图像显示出微板机电耦合系统具有明显的非线性动力学特征。与实验结果对比表明:这种基于多物理场动态耦合分析方法所求得的动力学响应解具有足够的精度。该方法有助于研究静电激励微板的动力学特性并可应用于MEMS动力学设计。     

基于神经网络的故障检测方法研究

研究了神经网络在状态监测技术中的应用,通过对神经网络故障诊断技术和系统辨识技术的分析,在非线性系统辨识技术基础上,提出了一种基于神经网络非线性辨识技术的故障检测方法.给出了神经网络的有效训练算法,利用神经网络辨识系统模型,作为残差产生器,实时计算残差并进行逻辑判断,从而监测系统的工作行为是否异常.仿真结果表明这种故障检测方法是有效的,实时性强,鲁棒性好.并且神经网络的训练不需要故障模式数据,适用性好.     

基于动态递归神经网络的半主动控制结构响应预测

提出了一种多输入多输出分支动态递归神经网络模型,利用梯度下降法推导了网络权值调整公式。该模型针对结构控制中结构状态变量、控制变量和外激励荷载对结构的响应有不同的影响,采用分支输入递归处理,不但结构响应预测精度好,而且大大提高了动态网络的学习和训练效率。应用该模型对线性结构和非线性结构在变阻尼控制和外荷载激励下结构的响应进行了数值仿真,表明所提的动态递归神经网络可以达到较高的预测精度。该模型为利用神     

基于极限学习机的风电机组叶根载荷辨识建模

针对风机系统载荷种类多、非线性、强耦合,根据传统的机理建模方法建立叶根载荷模型复杂、运算量大难以用于实时控制的问题,提出基于极限学习机(ELM)的叶根载荷神经网络预测模型。对影响叶根载荷的因素进行了分析,并结合主元分析方法确定模型的输入,利用美国可再生能源实验室(NREL)数据建立训练集和测试集,对5 MW风机的叶根载荷进行辨识建模和预测,并与用支持向量机(SVM)建立的叶根载荷模型进行比较,结果表明ELM模型的训练速度快、预测精度高,验证了所提方法的可行性和有效性。     

基于迁移学习和Bi-LSTM神经网络的桥梁温度-应变映射建模方法

为快速构建并准确预测温度作用引起的斜拉桥主梁应变用于结构状态评估，基于某大跨度斜拉桥主梁超过1年的温度和应变监测数据，提出了一种基于迁移学习和双向长短时记忆(bi-directional long short-term memory, Bi-LSTM)神经网络的斜拉桥温度-应变映射模型建立方法。首先，利用解析模态分解(analytical mode decomposition, AMD)去噪应变数据，得到仅由温度引起的应变响应；其次，选择温度和某一测点应变数据构成数据集，采用Bi-LSTM神经网络训练该数据集，并通过网络结构和超参数优化建立温度-应变Bi-LSTM基准模型；最后，利用迁移学习方法，将已训练好的基准模型中部分参数迁移到其他温度-应变数据集，建立相应的温度-应变映射被迁移模型，并与未采用迁移学习的神经网络训练方法进行对比。研究结果表明，相比直接建立的温度-应变Bi-LSTM神经网络映射模型，采用迁移学习方法建立的被迁移模型，其拟合精度均高于所用的基准模型，且训练时间短，预测误差小。     

基于思维进化优化灰色神经网络在真空玻璃需求中的研究

由于真空玻璃需求受到多重因素的影响,传统的数据模型无法准确找寻订单变化规律,导致预测精度较低。为了提高预测精度,结合灰色神经网络模型,利用思维进化算法优化灰色神经网络,确定灰色神经网络的最优初始参数。分别利用灰色神经网络(GNN)模型和思维进化-灰色神经网络(MEC-GNN)模型,用训练好的网络预测某真空玻璃制造商订单,预测结果表明:改进的MEC-GNN模型明显地提高了预测结果的精度。     

基于灰色线性回归组合模型的机床热误差建模方法

为了控制机床热误差和提高机床加工精度,考虑到测得的热误差数据同时存在着线性和非线性因素,提出了采用具有处理线性和非线性能力的灰色线性回归组合热误差模型的建模方法.用此方法对某卧式加工中心热误差进行了建模和预测,并引入BP神经网络对热误差模型的残差进行修正,从而获得了比较准确的热误差预测值.与用指数函数来模拟生成数据的灰色模型所获得的预测值进行了比较,证明了灰色线性回归组合及BP神经网络模型在机床热误差补偿建模应用中的优越性.