基于CMAC的模糊神经网络方法

结合模糊神经网络和小脑模糊连接控制CMAC理论，提出训练时间短，精度高的CMAC模糊神经网络方法，给出了网络结构，算法，并通过一个维修经费预测实例讲述了这种算法。     

机器人柔顺装配夹具的双小脑模型神经网络控制系统

介绍了一种新型的机器人柔顺装配夹具及其装配系统。设计了由装配力信号为输入的小脑模型神经网络CMAC1和以浮动平台位移信号为输入的小脑模型神经网络CMAC2并行叠加构成的双CMAC神经网络控制器，前者作为前馈控制，后者当夹具刚启动时为前馈控制，装配开始后转为反馈控制。双CMAC神经网络控制器具有存储容量少、系统较稳定、能减少系统误差影响、装配力小等优点。     

一种提高光学零件沥青盘修形抛光稳定性的新方法

材料去除的时不变性是计算机控制光学修形的基础.为了提升沥青盘数控抛光的材料去除稳定性,采用抛光液喷淋添加方式进行光学零件沥青盘数控抛光.从沥青盘的力学特性出发,根据沥青材料针入度与温度的规律确定抛光液喷淋添加方式能够有效控制加工区域的温度,从而显著提高了抛光稳定性和大幅度延长了沥青盘使用寿命.同时,提出了最佳喷淋温度的选取策略来指导加工,研究结果对提升光学零件沥青盘抛光收敛效率和抑制误差具有重要意义.     

基于高斯基函数CMAC神经网络的发电机故障诊断方法

提出一种基于高斯基函数小脑模型神经网络(CMAC)的汽轮发电机故障诊断新方法,为了达到更高的精度和更好的泛化能力,该方法以高斯函数作为CMAC神经网络的基函数,针对发电机的机电耦合特性,将发电机机电综合特征作为神经网络的训练样本输入,经MATLAB仿真得到了完全正确的诊断结果,收敛速度快,精度高,可以满足在线监控的要求。通过比较学习率和泛化常数取值不同时CMAC网络的训练结果,分析了学习率和泛化常数对该网络的影响。     

铝合金薄壁框架件加工变形的应力分布研究

7075航空铝合金薄壁框架件加工变形的预测是构件形变控制领域的技术难题,掌握铝合金薄壁框架件上的加工应力分布对预测构件变形有着重要的作用.本文运用弹性力学理论,在实验基础上,利用层削法和X射线衍射应力测试技术,建立了薄壁框架件的应力与弯曲变形的力学模型.模型反映了加工应力和初始应力对构件实际变形的影响机制,在此基础上,再通过数学解析方法,以这两种应力场分布为主变量,构建了薄壁框架构件应力与变形的函数,完成了对构件最大变形挠度的计算.通过比较实验所测构件变形值与计算得到的变形结果发现:构件实际测量最大变形量基本处于数学解析函数计算变形区间内,数据偏差在20~50μm.研究结果表明:在已知初始应力、结构尺寸、加工参数条件下,解析函数能有效地预测出薄壁框架件加工后的变形,可为薄壁构件加工变形控制提供工艺指导.     

大直径薄壁盘件加工技术的研究

大直径薄壁盘,材料为钛合金,该工件直径大壁薄易变形,幅板壁厚仅3mm,有环形Ω榫槽、篦齿,辐板属于悬臂结构,且在辐板中下方与工件安装边结构形成狭窄深内腔,尺寸及技术条件要求严,加工工艺性差,给机械加工带来很大难度,尤其是要控制工件加工变形和加工中振刀问题。因此,在刀具选择和加工方法上采取一定的措施,开展复杂薄壁盘件数控加工试验工作,选择合适型面刀具材料和结构,同时尝试在全程序无干预数控加工程序中加入自动对刀、自动测量控制程序,实现由机床按程序自主全自动控制整个加工过程,消除或尽可能减少人为干预次数,为类似盘类工件加工时提供了可借鉴的经验。     

基于可编程逻辑控制器的铣床数控系统实施方案分析

可编程控制器作为计算机家族的一员,是为了实现工业控制应用而设计的。为了代替继电器实现逻辑控制,早期制造出可编程控制器,即PLC。随着该装置功能的不断提升,其作用早已超越了控制器的范围。文章介绍了一种基于可编程控制器（PLC）的数控钻铣床控制系统,这种系统可以借助于PLC丰富的脉冲控制指令实现对于数控钻铣床各轴的步进电机的位置以及速度的控制,期间数控加工指令通过PC机经由串口通信传递给PLC,为此通过控制PLC脉冲控制指令的参数就可以实现对于加工的控制。     

基于CMAC小脑神经网络的超磁致伸缩作动器高精度控制的仿真研究

为了补偿超磁致伸缩作动器(GMA)内在的滞回非线性提高其精度,将小脑神经网络（CMAC）前馈和PID反馈控制器相结合,提出了一种实时滞回补偿控制策略,以期实现GMA的高精度跟踪控制。由于CMAC神经网络不能够直接逼近滞回逆这种具有记忆性的多映射现象,通过引入一个滞回逆算子,将多映射的滞回逆转换成一一映射,然后运用CMAC神经网络控制器来逼近这个一一映射,从而建立一个基于CMAC神经网络的滞回逆模型。仿真结果表明该控制策略能适应GMA滞回特性随输入信号的变化,在线建立GMA的滞回逆模型,从而消除滞回非线性的影响,实现GMA的高精度控制。     

飞机整体结构件的“加工变形-疲劳寿命”多目标结构优化方法

在毛坯制造过程中,材料力学性能的非均匀性导致铝合金厚板内产生残余应力,以致在后续的高速切削加工过程中,随着材料的大量去除,残余应力的释放使得整体结构件发生变形,严重影响着整体结构件的尺寸稳定性。因此,研究零件结构与零件变形之间的关系对于实现加工过程的高效化和精密化至关重要。首先,将铝厚板内残余应力的释放合理地等效为外载荷的施加,利用材料力学弯曲变形公式建立铝厚板在厚度方向上加工变形的挠度模型。由实际加工测量可知:加工变形的公式解析值、有限元仿真值与实际测量值吻合得很好。为了进一步分析零件结构与疲劳寿命之间的关系,通过名义应力法对零件的最小疲劳寿命与疲劳载荷下零件的最大应力进行等效以简化分析,对部分具有代表性的结构进行静力分析后将其作为样本进行神经网络拟合,得到了以3个腹板位置为输入、零件最大加工变形及最大疲劳应力为输出的神经网络模型。最后利用神经网络模型构建了一个使得最大加工变形和最大疲劳应力都尽可能小的多目标优化问题,使用遗传算法求解该多目标问题后取得的最优解为:3个腹板与零件底部距离分别为8.868 mm、27.992 mm、28.000 mm,此时零件的最大加工变形为0.088 mm,最小的随机疲劳载荷寿命为4.432×107次。     

一种新型数控抛光加工模型-模糊控制模型

分析了现有计算机数控光学表面成形CCOS的控制模型，即“线性移不变系统”。这是一种线形模型，在应用中存在确定加工参数周期长、精度低、耗资大等困难。为此提出一种智能控制模型－改进型自适应模糊控制模型，具有自学习功能，并且可充分利用专家语言信息和数据信息。采用该模型仿真抛光一周期，面形P－V值收敛了1／3左右。     

CMAC在三关节机械臂逆运动学求解中的应用研究

传统的方法用于解决机械臂逆运动学问题不仅计算量大,而且还有不唯一解问题,很难用于机械臂的实时控制.系统地研究了CMAC神经网络在三关节机械臂逆运动学求解中的应用.简单介绍了CMAC网络,形象描述了三关节机械臂在二维平面的运动;接着,详细解释提出的三关节机械臂逆运动学问题解决方案,并且分析了基于2个CMAC网络的正、逆模型;最后,通过仿真得到验证：在求解逆运动学方面,CMAC网络学习算法比较简单,收敛速度快,且不存在局部极小问题.     

电流型有源电力滤波器的神经网络滞环控制

神经网络滞环控制就是将神经网络和滞环比较器这两种方法相结合的一种控制方法。滞环控制是控 制方法中较为简单的一种,它不需要系统太多的参数,实时性较好,但用滞环控制方法时系统开关频率不固定, 这不仅影响电子开关的使用寿命,而且降低了系统的稳定性。将二者结合的控制方法不仅可实现神经网络对快 速变量的控制,而且可以提高滞环控制的性能。通过训练神经网络能够完成滞环比较器的功能,并可取代滞环 比较器。给出了计算机仿真结果,神经网络通过DSP实现。     

挖掘机器人轨迹的模糊CMAC神经网络控制

在对挖掘机器人工作装置动力学分析的基础上,为克服多变量、强耦合及负载扰动对轨迹控制系统的影响,提出了模糊CMAC神经网络与常规控制相结合的控制方法,使神经网络逼近挖掘机器人工作装置逆动力学模型,很好地解决了轨迹控制的问题.利用MATLAB进行仿真研究,结果表明该控制方法具有较高的控制精度和鲁棒性,满足挖掘机器人轨迹控制的要求.     

Double Glow Plasma Surface Alloying Process Modeling Using Artificial Neural Networks

A model is developed for predicting the correlation between processing parameters and the technical target of double glow by applying artificial neural network (ANN). The input parameters of the neural network (NN) are source voltage, workpiece voltage, working pressure and distance between source electrode and workpiece. The output of the NN model is three important technical targets, namely the gross element content, the thickness of surface alloying layer and the absorpticm rate (the ratio of the mass loss of source materials to the increasing mass of workpiece) in the processing of double glow plasma surface alloying. The processing parameters and technical target are then used as a training set for an artificial neural network. The model is based on multiplayer feedforward neural network. A very good performance of the neural network is achieved and the calculated results are in good agreement with the experimental ones.     

基于神经网络的贮仓结构参数识别

利用神经网络技术，提出了识别结构物理参数的一种方法。用单元刚度矩阵基本值和模态应变能来选择基本模态，用修正的Latin超立方采样技术和模态准入准则来产生网络的输入数据。贮仓在动载作用下的自振频率和模态作为网络的输入，子矩阵参与系数作为网络的输出，用Levenberg-Marquardt算法训练网络。仿真计算表明，方法是可行的。     

Robust CMAC control schemes for dynamic trajectory following

Abstract

Improved robust CMAC control schemes are proposed for tracing dynamic trajectories in this paper. There are two main structures in the proposed control schemes: one is the robust controller and the other is the improved CMAC network. The robust controller technique can achieve a certain goal without concern for instability of the controlled system in the presence of significant plant uncertainties if the nominal parameter is roughly estimated. Next, in order to reduce the tracing error, a suitable nominal parameter needs to be chosen. Thus, the improved CMAC learning approach under the robust control structure, using the concept of credit assignment, will be employed to determine control variables that can trace other states repeatedly during control processes. Finally, simulation results demonstrate the capability of the proposed control schemes to trace dynamic trajectories.     

表面滚压强化工艺对FV520B钢表面完整性的影响及预测模型建立

目的 基于多元回归法和BP神经网络建立预测模型,实现对滚压后试件表面完整性指标的精准控制,从而指导实际加工生产。方法 以FV520B钢为研究对象,以滚压工艺参数（压强、进给量、滚压速度）为影响因素,以材料表面完整性指标（表面粗糙度、表面硬度、塑性变形层深度）为评价指标,设计了正交试验。通过对正交试验数据进行方差分析和信噪比分析,探究了滚压工艺参数对FV520B钢表面完整性的影响。基于正交试验数据构建了多元回归预测模型和BP神经网络预测模型,并对2种模型的有效性和精准度进行了分析和比较。结果 进给量对表面粗糙度有显著影响,随着进给量的增大,表面粗糙度也显著增大。压强和进给量对塑性变形层深度均有显著影响,且塑性变形层深度随着压强的增大而增大,随着进给量的增大而减小。多元回归法建立的预测模型的拟合度较差,而BP神经网络预测模型的实验值和预测值的相对误差均在10%以下,预测效果较好。结论 相比于多元回归预测模型,BP神经网络预测模型具有误差小、泛化性能好等优点,能够实现对滚压后试件表面完整性指标的精准控制,为实际的加工生产提供一定的指导。     

永磁同步电动机位置伺服系统的自适应神经网络控制

针对需要考虑参数不确定和负载扰动的永磁同步电动机位置伺服系统,提出了一种新型的自适应神经网络控制方法。首先,利用神经网络建立永磁同步电动机的智能模型。其次,针对模型特点,在反步递推设计框架下,应用神经网络基函数的本质特征,并引入动态面控制技术克服控制设计中存在的“复杂性爆炸”问题,设计基于自适应神经网络动态面控制的位置跟踪算法。最后,仿真结果表明该控制方案是有效可行的,与反步递推控制方案相比,基于神经网络动态面控制的位置伺服系统的跟踪误差具有更快的收敛速度。通过设计新的神经网络自适应律,提出的自适应神经网络控制方法可以避免现有反步递推控制设计中存在的代数环问题。此外,提出的控制算法不仅能够克服不确定性因素对系统性能的影响,而且算法结构简单,易于实现。     

基于神经网络的驾驶适性评价系统

利用神经网络对驾驶适性评价进行了较深入的探讨。在此基础上，建立了一套驾驶适性的计算机测评系统。利用此系统，能够对驾驶员的心理参数进行测试，并以所测的心理参数为输入，来分析测试结果和评价驾驶员的事故倾向性。试验初步证明，所建的神经网络系统的学习和评价效果都令人满意。该研究还表明，在计算机上利用神经网络进行驾驶适性评价是一种很有发展前途的评价方法。