基于多项式拟合的压电陶瓷迟滞神经网络建模

在压电陶瓷致动器优化设计的研究中,针对压电陶瓷的迟滞非线性特性,提出了一种基于多项式拟合算法的神经网络建模方法.由于压电陶瓷驱动器的迟滞现象是一种多对多的映射关系,而传统的建模方法只能对一对一映射进行建模.为解决上述问题,在对压电陶瓷迟滞现象的形成原因和特点进行深入分析的基础上,采用多项式拟合和神经网络相结合的方法对压电陶瓷驱动器的迟滞现象进行建模.仿真结果表明,采用多项式拟合算法的神经网络建模克服了传统建模方法只能对迟滞曲线进行分段建模的局限性,且拟合精度比较高,神经网络正模型的拟合误差为1.45％,神经网络逆模型的拟合误差为1.16％.表明上述神经网络模型精确地反映了压电陶瓷的迟滞特性.     

压电陶瓷驱动平台自适应输出反馈控制

压电陶瓷驱动平台的精度和动态特性主要取决于所设计的控制器是否可以有效地补偿压电陶瓷固有的迟滞特性. 针对这一问题, 提出了一种基于神经网络 (Neural network, NN)的自适应输出反馈控制策略. 为了避免压电陶瓷速度测量噪声的影响, 采用高增益观测器对压电陶瓷平台的速度状态进行估计; 为了克服压电陶瓷的迟滞非线性特征, 采用神经网络动态补偿策略; 针对神经网络逼近误差和观测器估计误差, 控制器设计中增加了鲁棒控制项. 最后应用Lyapunov 稳定性理论证明了所提出的控制器的收敛性问题. 仿真实验表明了所提控制方法的有效性.     

微位移系统中压电陶瓷驱动器迟滞建模

针对超精密微位移系统中压电陶瓷驱动器的迟滞非线性问题,提出了一种基于遗传反向传播(BP)神经网络的压电陶瓷迟滞非线性建模方法.通过电涡流位移传感器获取压电陶瓷驱动器不同电压值下所对应的位移值;利用六次多项式拟合获得迟滞的数学模型,从而建立基于遗传BP神经网络的迟滞,模型.实验结果显示:该迟滞模型在神经网络测试下的最大误差为0.082 1 μm,平均绝对误差为0.0158 μm.表明,所建的迟滞模型能够较精确地反映出压电陶瓷驱动器的迟滞特性,同时为微位移控制系统设计提供了一定的理论基础.     

基于混合神经网络的压电陶瓷微位移执行器动态迟滞建模

提出了两个动态神经网络串联的混合神经网络动态迟滞模型,用以逼近压电陶瓷的迟滞特性.混合模型由两个动态RBF神经网络构成,前者形成一个相位超前的动态模型,其特性与压电陶瓷的输出特性类似,但在相位和幅值上有所区别;后者实现相位滞后的变换和幅值的非线性变换,以达到对压电陶瓷实际输出的逼近.仿真和实验表明,所提出的描述动态迟滞特性的动态迟滞模型是有效的.与PI模型相比较,具有较高的模型精度.     

基于LabVIEW的陶瓷坯泥内应力软测量方法

针对陶瓷坯泥内应力分布不均匀及其无法直接检测的问题,提出了一种软测量的方法,根据陶瓷坯泥的内部应力与机头内壁压力之间的内在联系,采用真空练泥机机头内壁压力矩阵间接估计内应力,并通过在LabVIEW中搭建连续小波神经网络(CWNN)软测量模型,将压力传感器阵列输出的信号矩阵作为该神经网络的输入,经过神经网络的训练及计算,得到在真空练泥机机头处泥料的内部应力,作为神经网络的输出,最终实现内应力的软测量;仿真结果表明该方法具有良好的拟合效果.     

压电陶瓷传感器的灵敏度温漂误差补偿研究

针对微测系统中压电陶瓷传感器的灵敏度温漂会使其在变化的温度环境中工作时性能不稳定,进而影响检测精度问题,提出了一种基于改进Elman神经网络的压电陶瓷传感器灵敏度温漂误差补偿控制方法。分析了压电陶瓷传感器产生灵敏度温漂现象的原因。以压电陶瓷切削力测量传感器为对象,在不同温度下对传感器的灵敏度进行了标定试验研究。研究结果表明,压电陶瓷传感器在同一温度下工作时具有良好的线性度,在温度变化的环境中工作会伴有灵敏度温漂现象。为了有效补偿灵敏度温漂附加误差,提高检测精度,建立了基于改进Elman神经网络的灵敏度温漂补偿模型,并对模型涉及的学习算法、激励函数、输入输出层节点以及承接层和隐含层节点数等相关内容进行了研究。对比试验验证结果表明,所建立的灵敏度温漂补偿模型对压电陶瓷传感器的灵敏度温漂误差补偿控制效果明显,未经灵敏度温漂补偿,直接按照常温下灵敏度标定结果预测的压电陶瓷传感器加载力和实际加载力之间误差较大,最大误差达到29.16 N,利用本文建立的基于改进Elman神经网路灵敏度温漂补偿模型补偿后,补偿模型的预测力和压电陶瓷传感器的实际加载力最大误差仅0.72 N,有效保证了检测精度。     

压电陶瓷迟滞神经网络建模与线性补偿控制

针对压电陶瓷的迟滞非线性,本文首先进行实验测量得到压电陶瓷的位移迟滞数据;通过分析实验数据,引入线性方程实现压电陶瓷输入电压与输出位移关系的线性化,并建立了基于多项式拟合算法的神经网络迟滞模型;根据迟滞模型设计前馈控制器,分别采用了前馈开环和前馈结合PID的方法对压电陶瓷迟滞非线性进行补偿控制实验.实验结果表明,采用前馈开环控制,压电陶瓷位移主环迟滞减小了91.84%,位移次环迟滞减小了85.67%,位移跟踪的平均相对误差为2.97%;采用前馈结合PID控制,压电陶瓷位移主环迟滞减小了96.42%,位移次环迟滞减小了88.44%,位移跟踪的平均相对误差为2.04%.证明了该控制方法能有效地抑制压电陶瓷的迟滞非线性.     

基于输入空间扩张的动态迟滞神经网络模型

针对神经网络不能直接用于辨识具有多值映射特征的迟滞非线性的不足, 利用输入空间扩张的方法, 引入动态迟滞算子来反映动态迟滞的速率依赖性, 由迟滞的输入、输入变化率和算子输出构造神经网络的扩张输入空间, 将输出空间的迟滞多值映射转换为在新的扩张输入空间上的一一映射, 从而将神经网络应用到动态迟滞非线性的辨识中. 所建立模型结构简单, 易于实现在线调整. 最后, 使用该方法对压电陶瓷执行器中的动态迟滞进行了辨识.     

基于RBF神经网络的压电位移台迟滞非线性建模研究

针对压电陶瓷微位移台固有的率相关迟滞非线性特性,以基于play算子的改进PPI模型构建迟滞算子,结合径向基(Radial Basis Function,RBF)神经网络模型,建立描述压电陶瓷微位移台迟滞特性的率相关模型.研究结果表明,在输入信号频率在10 Hz～90 Hz范围内时,模型输出的最大位移误差为0.399 0 μm～0.932 1 μm,均方根误差为0.259 4 μm～0.565 2 μm,相对误差为0.95％～2.48％.验证了基于PI迟滞算子和RBF神经网络的仿真模型能够准确有效的描述压电微位移台的率相关动态迟滞特性,具有较高的频率泛化能力.该方法易于实现,工程适用性强,具有较好的实用价值.     

基于声发射和神经网络的复合材料冲击定位

为了提高复合材料结构冲击定位的精度和实时性,基于声发射和神经网络技术,提出了复合材料结构冲击定位两步法,以压电陶瓷（PZT）和自制信号采集系统替代商用声发射仪器,实现了一种能够高精度、实时、在线监测冲击的系统。用小波变换求出原点处冲击源传播到各传感器的波达时间差,用这组时间差修正其他位置上的冲击源到达各传感器的波达时间,利用修正后的波达时间,根据四点圆弧定位算法得到冲击源坐标,实现初步定位;将所求出的位置坐标作为神经网络的输入,训练之后的神经网络可以准确预测冲击位置,实现精确定位。在复合材料板上的试验表明：该方法能快速、准确地识别出冲击位置。     

Neuro-fuzzy MIMO nonlinear control for ceramic roller kiln

Artificial neural networks (ANNs) and neuro-fuzzy systems (NFSs) have been widely used in modeling and control of many practical industrial nonlinear processes. However, most of them have concentrated on single-output systems only. In this paper, we present a comparative study using ANNs and co-active neuro-fuzzy inference system (CANFIS) in modeling a real, complicated multi-input–multi-output (MIMO) nonlinear temperature process of roller kiln used in ceramic tile manufacturing line. Using this study, we prove that CANFIS is better suited for modeling the temperature process in control phase. After that, a neural network (NN) controller has been developed to control the above mentioned temperature process due to a feedback control diagram. The designed controller performance is tested by a Visual C++ project and the resulting numerical data shows that this controller can work accurately and reliably when the roller kiln set-point temperature set changes.     

Reducing waste in casting with a predictive neural model

This paper describes an interactive neural network model that predicts the quality of cast ceramic products using multiple quantitative and qualitative inputs. This has been done to enable a major sanitary ware manufacturer to reduce product waste by better control of the slip casting process. The input variables describe the raw materials, ambient conditions and line settings for the ceramic casting process. The neural network predictive model assigns one of seven quality categories to the cast based on the input data. This prediction is used by the quality control engineer to make a priori adjustments to materials and line settings so that a good quality cast is produced without trial and error. The neural model can also be used to determine optimum settings of each adjustable input variable in the light of values of non-adjustable input variables.     

基于机器视觉的随机纹理瓷砖的分选系统

针对日益加快的瓷砖生产速度与缓慢的人工分选速度之间不协调导致的瓷砖出产效率低下的问题,提出了以机器视觉软件HALCON 11.0为软件开发平台的结合瓷砖颜色、纹理特征提取的算法,以及针对多分类问题的改进多层感知器神经网络算法(MLPNN).首先对拍摄到的瓷砖图像进行去噪预处理,在HSI颜色空间中提取瓷砖的色调(Hue)特征并计算反映瓷砖的纹理特征的灰度共生矩阵(GLCM)和灰度幅值分布特征,再将得到的特征作为多层感知器的神经网络输入层神经元,然后设计以softmax为激活函数的多层感知器神经网络来进行模式匹配,并与BP神经网络模式匹配方法进行对比,最终搭建出具有简单人机交互界面的随机纹理瓷砖的分选实验样机.实验结果表明:本系统对实验的各类随机纹理瓷砖的分选准确率都在90%以上,具有较高的分选准确率,能应用于瓷砖生产实践.     

基于GA-BP算法的基片图像边缘检测计算机应用

由于复杂噪声信号的影响,使得对基片边缘的检测较为困难,提出了一种基于改进的GA-BP算法的边缘检测方法.首先,对基片图像进行中值滤波,将选中的样本归一化.其次,根据样本使用改进的GA-BP算法建立神经网络模型.最后根据实验对该神经网络模型中的参数进行了修正,并利用此神经网络模型对基片图像进行边缘检测取得到了较好的效果.实验结果表明,该方法具有良好的泛化性,鲁棒性和自适应性,可以提高图像边缘检测的抗噪声能力.     

LMBP滑模变结构

非线性系统的控制研究已成为国内外研究的热点,滑模变结构控制为复杂非线性系统的控制开辟广泛前景。主要将神经网络中的LM训练法和变结构控制结合起来,提出了速度最快的训练方法的神经网络变结构控制。对LM训练法的神经网络变结构进行分析和说明。     

基于神经网络误差修正的混沌控制与同步

针对混沌系统非线性强、多变量耦合等特点,提出了一种基于神经网络误差修正的自适应多变量混沌系统的广义预测控制算法,用线性广义预测控制器控制混沌系统,用神经网络对模型预测误差进行修正。算法中辩识过程模型用递推最小二乘法(RLS)、神经网络权值用Davidon最小二乘法(DLS)训练。这种算法对被控混沌系统的先验知识要求较少,无需知道被控系统的精确模型,数值仿真显示可实现混沌系统的宽范围控制与同步。     

基于复合正交神经网络的灰色PID控制

结合传统反馈控制方法和灰色预测控制的预测控制器已在控制系统中获得了成功的应用。由于复合正交神经网络具有学习算法简单、收敛速度快,有逼近线性或非线性函数的优良特性。与灰色预测方法相比,神经网络预测精度高,且误差可控,如果把神经网络作为灰色预测器,建立一种灰色预测控制,那么就会在控制系统中获得良好的控制性能。为此,提出一种结合传统的PID控制和神经网络灰色预测补偿的灰色PID控制器,可对系统进行在线灰色估计和控制,由复合正交神经网络对不确定部分建立的灰色预测模型,可根据系统的参数变化来自动调节预测补偿值,使系统响应具有适应性。仿真结果表明,与传统的PID控制方法相比,该控制器可获得更为优良的动态性能和鲁棒性。     

基于径向基神经网络的分数阶混沌系统控制

针对分数阶混沌系统的控制问题,提出了一种基于径向基函数（RBF）神经网络的控制方法．利用RBF 神经网络对混沌系统的非线性进行补偿,并且神经网络的权值可以通过调整律在线调整．在有参数干扰和外部扰动 的情况下,所设计的控制器仍能使得控制误差渐近收敛到零．以分数阶Liu 混沌系统为例施加控制,仿真结果验证 了该方法的有效性和鲁棒性．     

多变量模糊神经网络控制器的研究

提出一种MIMO系统的模糊神经网络控制器结构,阐述了基本设计思想和具体算法过程。应用实例仿真结果表明,它可用于控制强耦合带时延多变量系统,并使系统具有良好的动态和静态性能。