基于Elman网络的齿轮箱载荷识别研究

为了提高Elman网络的动态性能，有效地解决高阶系统的辨识问题，对Elman网络的结构及学习算法进行了改进，提出了一种新的Elman网络，建立了相应的神经网络载荷识别模型，并用于齿轮箱的载荷识别研究。试验结果表明，该网络模型具有收敛速度快、识别精度高的特点，为载荷识别研究提供了一种新的思路，具有一定的实用价值。     

一种基于自适应灰色预测控制的复合控制方法

通过对稳定平台位置跟踪回路的时滞特性分析,提出了一种基于自适应灰色预测控制的复合控制方法(CAGPC),从而提高稳定平台伺服系统的响应和干扰的抑制。首先针对常规固定步长灰色预测和预测模型存在预测误差的弊端,提出了一种同时调节预测步长和综合误差权值的自适应调节模块,依据控制系统实际误差和预测误差,同时调节灰色预测步长和预测误差的权值,来提高预测模型的适应性与系统的控制精度;其次针对外界干扰引入前馈补偿控制器对扰动进行抑制来改善稳定平台伺服系统的干扰抑制;最后通过数值仿真和稳定平台实验验证表明,基于自适应灰色预测控制的复合控制方法提高了稳定平台伺服系统的响应和干扰抑制能力。     

基于自抗扰的快速刀具伺服系统复合控制

快速刀具伺服(fast tool servo, FTS)系统是实现微机械零件加工的关键部件。以压电陶瓷型FTS系统为研究对象,将迟滞状态时滞模型、时变时滞模型以及未建模动态非线性模型引入到FTS系统模型设计中以描述颤振现象,并基于神经网络控制提出具有迟滞时滞补偿功能的复合自抗扰控制方案,以实现FTS系统的颤振控制。其中,线性自抗扰控制将内部不确定性及迟滞时滞非线性和其他干扰视为总扰动并实时估计补偿,自适应BP(back propagation)神经网络用来对扰动估计误差进行逼近。与传统模型求逆方法相比,复合控制方案无需精确的数学模型易于初始设计。与线性自抗扰相比,复合控制方案减少了需要整定的参数数目,在相同带宽下具有更高的跟踪精度。仿真结果表明,所设计的复合控制具有更好的鲁棒性,能够实现压电陶瓷型FTS系统的快速精密跟踪控制。     

柔性关节空间双臂机器人奇异摄动增广鲁棒自适应PD复合控制

为解决载体位姿无控柔性关节空间双臂机器人系统在外部干扰、未知载荷参数影响下关节运动控制问题,提出奇异摄动增广鲁棒自适应PD复合控制方法。以柔性关节空间双臂欠驱动式机器人及关节电机动力学子方程为设计基础,借助柔性补偿奇异摄动技术建立系统奇异摄动修正模型;针对系统外部干扰确界未知、载荷参数未知工况,为柔性关节空间双臂机器人设计由快变状态反馈控制、增广鲁棒自适应PD慢变控制组合而成的复合控制规律。仿真结果证实,所提奇异摄动增广鲁棒自适应PD复合控制方法可有效消除系统关节柔性、未知外部干扰及载荷参数影响,确保空间双臂机器人能精确执行预期关节运动任务。     

基于多回路扩张状态观测的加筋壁板结构多模态振动控制

摘 要：针对加筋壁板结构的多模态主动振动控制中存在输出叠加和控制输入耦合的问题,结合多回路线性扩张状态观测器(multi-LESO)和线性PD反馈控制律,设计一种不依赖结构数学模型的多模态线性自抗扰复合振动主动控制策略。首先,将其它模态的输出叠加和控制输入耦合看成是广义干扰,每个独立回路的线性扩张状态观测器能够估计出这种广义干扰,再通过前馈补偿的方式抵消这种影响;然后分别独立设计每个独立模态的线性PD控制器。最后,基于dSPACE实时仿真系统,建立了四面固支压电加筋壁板结构的主动振动控制试验平台,进行了几种激励情况下的多模态线性自抗扰振动控制实验。结果表明,提出的方法不仅能够有效的抑制加筋壁板结构由于前两阶共振频率引起的振动,而且具有良好的抑制不确定因素引起的整个结构波动的能力。     

Elman与Bp神经网络应用于交通流预测的对比研究

将动态神经网络Elman应用于交通流预测中,通过对比应用较为广泛的Bp神经网络,对实际监测到的一组数据进行学习、仿真和预测。结果表明,Elman网络在对具有动态特性的交通流预测中,具有比Bp网络更好的预测效果。     

温度智能控制系统在原油加热炉上的应用

以原油加热炉为被控对象,通过对加热炉对象特性的分析来确定加热炉系统的构成及控制方案.通过间接推断管道原油的温度,采用智能复合控制策略来进行在线智能控制,实现了加热炉炉温的智能控制,实际运行结果表明:所提出的加热炉温度的实时监测与控制方法是可行的,所研制的监控系统运行可靠、操作使用方便,效果较好.     

PD自适应控制结合输入整形抑制单模态弹性机构振动研究

单模态弹性机构的动力学特性表现为长时间的减幅振动特性,针对单模态弹性机构的振动抑制问题,提出了一种PD自适应控制与输入整形相结合的振动控制策略,输入整形器作为前馈控制器作用在反馈回路的前向通道上,通过对输入命令进行整形,在保证参考模型完成指定运动的同时抑制掉弹性机构的残余振动;而对于闭环控制回路,考虑系统模型存在参数不匹配不确定性的影响,在输出反馈控制的基础上,给出了仅利用输出信息进行PD自适应控制器的设计方法,保证跟踪参考模型的输出以获得满意的性能。将该方法应用于桥式起重机的防摆控制中,仿真结果验证了所提方法的有效性。     

基于Elman神经网络的NSG水位特性辨识方法研究

针对核动力蒸汽发生器在瞬态、启动和低功率下的“收缩”与“膨胀”现象引起的逆动力学效应使核动力蒸汽发生器水位特性难以辨识的问题，提出了基于Elman神经网络的NSG水位特性辨识的新方法．采用串一并联型辨识结构，以保证辨识的收敛性和稳定性．网络训练采用Levenberg-Marququardt BP学习算法．仿真结果表明，所提出的方法能够正确地辨识核动力蒸汽发生器的水位特性，且具有较高的辨识精度．     

面向微装配的压电陶瓷微夹钳建模与控制

建立了悬臂梁位移与外电场和外力之间的动静态模型以及压电陶瓷迟滞环的Backlash算子模型.以所建立的迟滞模型为前馈环节与PID反馈构成复合控制对悬臂梁进行位置控制.现场测试数据验证了该模型的正确性和复合控制方法的可行性,并分别用逆控制、PID控制以及复合控制方法进行了正弦曲线跟踪实验,这些控制方法的比较结果表明,复合控制策略具有最高的控制精度.     

Modified Elman neural network controller with improved particle swarm optimisation for linear synchronous motor drive

A modified Elman neural network controller is proposed to control the mover of a permanent magnet linear synchronous motor (PMLSM) servo drive to track periodic reference trajectories. First, the dynamic model of the PMLSM drive system is derived. Next, a modified Elman neural network is proposed to control the PMLSM. Moreover, the connective weights of the modified Elman neural network are trained online by back-propagation (BP) methodology. However, the learning rates of the online-training weights are usually selected by trial-and- error method, which is time-consuming. Therefore an improved particle swarm optimisation (IPSO) is adopted in this study to adapt the learning rates in the BP process of the modified Elman neural network to improve the learning capability. Finally, the control performance of the proposed modified Elman neural network controller with IPSO is verified by the simulated and experimental results.     

基于灰色 Elman 神经网络的爆破飞石距离预测研究

针对单一神经网络预测方法存在一些不足,将建立灰色关联分析法与 Elman 神经网络的耦合模型,对爆破飞石最大飞散距离进行预测研究。首先,利用灰色关联分析方法对数据进行预处理,确定各影响因素与爆破飞石距离之间的关联度;然后,根据关联度的大小,选择关联度较大的影响因素作为 Elman 神经网络的输入层数据;最后,用神经网络的功能对数据进行训练和预测。研究结果表明：利用灰色关联分析方法确定主要影响因素作为输入层,比单一使用 Elman 神经网络的预测精度更高,达到95％以上。     

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。     

基于离散小波变换和Kalman滤波的直升机主减智能状态预测

主减速器（简称“主减”）是直升机传动系统的关键部件,它常处于高转速高负荷的恶劣环境下,对其运行状态进行预测,于直升机的安全性来说至关重要。鉴于此,提出了一种离散小波变换（DWT）、Kalman滤波以及Elman神经网络相结合的直升机主减智能状态预测系统：DWT使用“db44”母小波对振动信号进行分解提取特征向量,Kalman滤波对未来各时刻的特征向量进行预测,Elman神经网络对预测值进行故障辨识和分类。在Kalman滤波算法中,提出了一种新的预测算法,并用实验对该算法组成的系统进行验证,结果表明：该 Kalman滤波算法预测效果好,更适用于对主减的特征向量进行预测;离散小波变换（DWT）、Kalman滤波以及Elman神经网络相结合组成的智能状态预测系统是可行的,它能很好地对主减的未来状态进行预测。     

基于瞬时最优控制神经网络的建筑结构主动控制研究

改进一种基于瞬时最优控制的神经网络训练算法。本方法以瞬间最优控制价值函数最小化为训练目标,考虑了地震输入的能量,利用最速下降梯度法计算权值的改变量,并对敏感度矩阵进行近似处理,可解决神经网络控制中神经网络控制器难以获得的训练输入/输出样本对的难题。该方法适合多输入/多输出结构体系,整个推导过程都是针对此体系进行的。文中通过对一个三层框架结构体系进行有效的仿真计算,说明了算法的有效性。     

基于局域波信息熵的高速自动机故障诊断

针对小口径火炮自动机工作时产生的短时冲击信号,提出一种将局域波分解与信息熵相结合提取特征量,并利用Elman神经网络进行故障识别的诊断方法。首先运用具有自适应特性的局域波对振动信号进行分解得到IMF分量,再接着利用信息熵理论提取IMF信息熵、局域波能谱熵及能矩谱熵作为故障特征量,最后将特征向量输入Elman神经网络进行故障分类识别。实验结果表明:该方法能准确,有效地识别故障。     

基于OHF Elman-AdaBoost算法的滚动轴承故障多时期诊断方法

针对随机噪声下滚动轴承多时期(初期、中期、晚期)故障诊断需求,提出OHF Elman-AdaBoost(output hidden feedback Elman-adaptive boosting)算法,以实现滚动轴承的精确故障诊断。采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)对原始信号进行分解、降噪、信号重构。设计OHF Elman方法在Elman神经网络的基础上增加输出层对隐含层的反馈,提高了其对动态数据的记忆功能。选择OHF Elman神经网络作为弱回归器,结合AdaBoost算法集成出一种新的强回归器:OHF Elman-AdaBoost算法。实验结果表明,该算法不仅对滚动轴承不同故障时期具有很好的诊断效果,而且提高了对全样本数据的诊断准确度,为滚动轴承故障诊断提供了新型工具和有效方案。     

基于模糊RBF神经网络的水下机械臂控制研究

针对水下复杂工作环境下机械臂控制性能易受影响,而传统控制方法效果不佳的问题,提出了一种基于模糊RBF（radial basis function,径向基函数）神经网络的智能控制器,用于精确、稳定地控制水下机械臂。考虑到在水扰动环境下,机械臂通常受到附加质量力、水阻力和浮力的影响,运用拉格朗日法和Morison方程,建立包含水动力项的二杆机械臂动力学模型,通过模糊RBF神经网络对水下机械臂动力学方程中的水动力不确定项进行总体识别并拟合,利用模糊系统启发式搜索和RBF神经网络推理速度较快的优点,使水下机械臂系统具有较高的控制精度和较强的自适应性。考虑到水动力项,采用Lyapunov稳定性理论验证了水下机械臂系统的稳定性。最后利用MATLAB对二杆机械臂进行轨迹跟踪控制仿真实验,并对比模糊RBF神经网络与常规RBF神经网络识别方法和传统模糊控制方法的控制效果。仿真结果表明：与常规RBF神经网络识别方法相比,模糊RBF神经网络控制下二杆机械臂关节1的响应时间缩短了91%,相对误差减小了88%,关节2的响应时间缩短了92%,相对误差降低了77%;与传统模糊控制方法相比,关节1的相对误差减小了65%,关节2的相对误差减小了10%。研究结果表明模糊RBF神经网络的控制效果优于常规RBF神经网络识别方法和传统模糊控制方法,可为水下机械臂的控制提供一种精度较高、较有效的方法。     

粉状饲料动态定量称量包装控制系统设计与实现

目的 为提高粉状饲料包装过程的称量精度,提高包装效率,基于RBF神经网络设计一种粉状饲料定量称量包装控制系统.方法 首先介绍系统总体结构,以动态定量称量为主要研究对象,重点分析包装机的给料过程.针对精细给料过程,建立被控对象数学模型,结合传统PID控制和RBF神经网络设计称量控制器.通过RBF神经网络实现PID控制器参数的在线调整,从而提高称量精度.最后进行实际称量试验.结果 试验结果表明,静态和动态称量偏差均可以控制在0.5％以内,计量为25～50 kg,生产能力可以达到900包/h.结论 所述控制系统称量精度较高,具有比较理想的可靠性和稳定性,能够满足包装需求.