基于CMAC神经网络的时滞环节动态特性辨识

提出一种用CMAC神经网络实时辨识时滞环节动态特性的方法,并进行了仿真研究。研究表明,采用本方法具有收敛速度快、精确度高的特点。最后,探讨了其实际运用的可能性,这对于主动控制有一定借鉴意义。     

飞行器垂直尾翼的神经网络模型辨识

以某型飞行器50%的垂直尾翼模型为研究对象,针对模型结构振动主动控制系统的不确定性和非线性特性,研究了该系统的神经网络建模问题。分别采用单频信号和不同频率范围的扫频信号作为激励信号,基于外时延反馈的双BP神经网络,采用改进的非线性自回归滑动平均模型(NARMA)对模型结构振动主动控制系统进行辨识和动态建模。试验结果表明:此方法的辨识精度高,训练时间短,所建网络模型具有很好的泛化能力,辨识结果合理可靠。     

基于神经网络的机翼振动主动控制

根据DARMA模型提出了简单易用的神经网络控制方案,该方法采用线性人工神经网络对系统动态特性进行在线辨识,并利用辨识得到的信息,采用BP神经网络对系统进行控制,将该算法应用于飞机机翼振动主动控制数值仿真。仿真结果表明,该方法能减少算法的计算量,压缩计算时间,便于提高系统采样频率,使得自由振动和调频振动的抑制成为可能。     

飞行器垂直尾翼H∞鲁棒振动主动控制

以飞行器垂直尾翼模型为研究对象,将H∞鲁棒控制理论的混和灵敏度方法用于解决尾翼模型的多模态振动主动控制问题.通过对垂尾振动控制系统不确定性分析,选择了权函数,设计了H∞控制器并对控制器进行了适当的降阶处理,并对垂尾模型的多模态振动控制进行了主动控制试验.结果表明,结构前三阶模态振动(模态频率分别为3 Hz,5,7 Hz和27Hz)的振幅分别降低了11 dB,11 dB和2 dB,取得了较好的控制效果,验证了H∞控制理论应用于垂尾结构多模态振动主动控制的可行性和有效性.     

一种基于模糊神经网络的辩识方法

本文给出了一种五层的模糊神经网络。这种神经网络的特点是训练数据可以从网络的输入和输出两端馈入。网络的学习过程分为参数辨识和结构辨识两个阶段,这样可以减少网络参数调整过程中的相互影响,加快学习过程,仿真结果表明了该学习算法可以获得比其他学习算法更好的辨识效果。     

基于模型参考神经网络实现锅炉水位自适应控制

锅炉水位是影响锅炉安全运行的重要参数，而水位控制系统是一个复杂的非线性系统。设计了一个稳定的参考模型来表达所期望的汽包水位特性，再通过构建神经网络控制器，控制锅炉水位输出曲线匹配期望的锅炉水位特性。神经网络控制器由2个神经网络组成：被控对象辨识神经网络和控制神经网络，采用反向传播学习算法作为神经网络训练算法。仿真结果表明，采用该神经网络控制器的系统输出性能明显优于采用传统控制器的系统。     

基于MATLAB的神经网络模型参考控制仿真

基于神经网络在系统辨识和动态系统控制中的成功使用,介绍了典型前向网络的BP算法,采用模型参考控制的神经网络控制结构对一简支梁进行了振动主动控制研究,并详细阐述了在MATLAB环境下的仿真过程和仿真结果,最后展望了神经网络在冶金行业板形控制中的应用。     

基于神经网络的主动隔振控制技术研究

针对主动隔振系统存在非线性的情况,提出一种神经网络控制方法.控制器采用CMAC(cerebellar model articulation control)网络,参数调整基于梯度下降法.为消除系统次通道对控制器参数调整的影响,利用BP(back propagation)网络离线辨识得到次通道模型.系统的输出误差信号与次通道模型参数相结合,共同调整控制器参数.仿真结果表明,该控制方法对于存在非线性的主动隔振系统具有良好的控制效果,隔振能力超过常用的滤波LMS(least mean square)方法.     

基于神经网络的智能化机构振动主动控制实验研究

进行了基于神经网络的智能化机构振动主动的实验研究，设计了具有压电陶瓷作动器与电阻应变计传感器的宏观智能化机构实验装置及其振动控制系统；根据实验样本数据，离线设计了神经网络控制器；采用基于神经网络的直接自校正控制策略对智能化机构实施了在线控制，机构的动力学品质得到了显著改善。     

超精密车床溜板的模糊神经网络主动振动控制研究

提出了溜板的振动主动控制。作为器采用自行研制的主动空气轴承,实现无摩擦接触。控制方法彩和模糊神经网络控制,模糊控制为主控制器,用以逼近实际的复杂时变系统;神经网络控制补偿耦合效应。实验结果表明,基于主动空气轴承地模糊神经网络振动主动控制可以有铲减小溜板振动。     

基于神经网络的压电自感知主动控制仿真试验

由于传统的自感知电桥电路难以有效地实现自感知执行器传感与执行之间的信号分离,因此,提出了一种采用神经网络分离出压电自感知执行器传感信号的新方法,用神经网络直接估算结构的振动速度来得到振动控制时控制器的反馈信号.将嵌入在复合材料悬臂梁中的压电陶瓷片作为自感知执行器,采用基于Filter-X LMS算法的自适应滤波控制器对悬臂梁的振动进行主动控制.结果表明神经网络估算得到的振动速度和用传感器直接测得的完全吻合,将神经网络的输出作为控制器的反馈信号可以取得理想的减振效果.     

多传感器主元方向和神经网络的状态识别方法

提出了一种基于特征集第一主元方向及其信息保留率的状态识别方法.首先计算得到多路信号的特征集,继而计算该特征集的第一主元方向在特征集所在的高维空间中的方向角向量,并以该方向角向量和第一主元方向上的信息保留率作为状态识别的新特征集.提出了一种较为宽泛的神经网络收敛准则和判据方法,该方法中网络输出节点数为1,并结合非对称交叉式遗传算法作为网络训练中寻优方法,可有效实现网络的快速训练.试验表明.所提方法可对高维多元数据进行高度抽象,且计算简便,识别准确率较高,泛化能力较强,具有一定的应用价值.     

基于类神经网络的磁流变主动振动控制研究

以类神经网络为基础进行磁流变主动振动控制,针对隔振系统自然频率与负载干扰记性振动抑制进行了研究,并分别利用回馈与前馈2种控制模式进行主动控制研究,其目的是为了降低系统自然频率共振与负载干扰的振动量。通过数值模拟与试验验证证实了运用类神经网络的主动控制抑制系统自然频率振动进行研究是可行的。     

基于神经网络的复杂曲面加工误差控制

在复杂曲面的切削过程中，加工系统表现显著的多输入多输出及非线性特征，传统的误差补偿方法不能有效地保证加工精度，因此提出一种加工误差控制方法，引入神经网络对加工系统的逆模型进行辨识，运用该模型前置校正加工系统以改善加工效果，充分考虑到机械系统的非线性特征，且网络模型可连续辨识，因而系统的静态性能和动态特性均能有效补偿，在中凸变椭圆活塞裙面加工中的成功应用，证明其合理性及先进性。     

运用多体理论和神经网络的机床热误差补偿

利用多体系统理论,在典型体的坐标变换中,加入了位移误差矢量和位置误差矢量,形成了具有普遍意义的坐标变换,根据机床拓扑结构的低序体阵列,建立了机床通用误差计算模型。同时,对机床的主轴热变形和床身热变形进行了建模和辨识,通过5个温度敏感点的监测,用常规的5点法对机床主轴热变形进行研究,运用神经网络方法(RBF)建立温度与变形参数模型,将误差参数集成到通用误差模型中。在Makino四轴加工中心进行试验研究,设计出一套多个凸台的空间曲面,比较了不同凸台上的4个点补偿前后空间轮廓数据,误差减少60%,补偿效果显著。     

液压弯辊系统的优化神经网络内模控制

针对轧机液压弯辊系统存在非线性、时变性等特点,采用基于前馈神经网络的内模控制方法,将优化网络用于神经网络辨识器和内模控制器的离线训练,采用学习率自适应调整的改进BP算法在线调整网络权值。仿真研究表明,将优化网络用于液压弯辊系统控制,提高了液压弯辊系统的动态响应速度和稳态跟踪精度,具有较强的快速性和鲁棒性,能够取得理想的控制效果。     

基于应变模态差和神经网络的管道损伤识别

应变模态差对结构微小损伤具有很高的敏感性且对结构损伤处具有较高的定位识别率,故在工程实际中可以利用其对管道进行损伤识别。然而,应变模态差只能定性地反映结构的损伤程度,并不能直接量化损伤结构的损伤程度,故采用神经网络和应变模态差相结合的方法对损伤管道进行损伤位置和损伤程度的识别。利用有限元分析软件ANSYS进行模态分析提取管道的应变模态参数,并把管道损伤前后的应变模态差作为神经网络的输入参数,以损伤位置和损伤程度作为神经网络的输出参数,对损伤管道分别进行单损伤和双损伤的损伤定位和程度识别。研究结果表明,利用应变模态差和神经网络相结合的方法能够准确识别出管道的损伤位置以及损伤程度。     

串联灰色神经网络模型的研究

针对传统灰模型适应性和自学习能力差、中长期预测精度不理想的情况,在3种精度较好的灰模型的基础上引入BP神经网络,构建了串联灰色神经网络模型。仿真表明,这种灰色神经网络模型未出现预测残差和相对误差逐步增加的情况,预测精度明显好于灰模型,适合应用。