真空退火炉的建模与优化

真空退火炉中工件温度的精确控制是一个典型的非线性、大时滞、强耦合的复杂控制问题.为实现工件温度的精确控制,通过对退火炉工作机理的分析,以现场实际采集的数据为基础,采用神经网络建立对象模型并利用遗传算法对神经网络的权值、阈值进行优化,提出一种真空退火炉工件温度精确控制的优化数学模型.经仿真研究并将其成果应用于实际控制中,取得了令人满意的效果.     

基于小波网络模型的EPI过程的控制和优化

针对具有强非线性、大纯滞后特性的EPI反应分馏生产过程的废液DOC体积分数控制这一控制难题,应用小波神经网络模型和结合机理分析模型及小波神经网络模型的混合模型结构进行实际EPI反应分馏生产过程的建模控制和优化,提出了基于稳态小波神经网络模型的优化和基于动态小波神经网络模型的非线性预测控制两层结构的整体解决方案,在实际生产过程中获得了成功的应用,不仅使生产过程平稳运行,而且显著地降低排放废液中的DOC体积分数,达到了环保的标准。所提出的技术适合于许多连续反应系统。     

基于GA-WNN模型的差动螺管电感式位移传感器的温度补偿

针对差动螺管式电感位移传感器温度漂移的问题,提出了一种遗传优化小波神经网络(GA-WNN)算法的温度补偿模型。用差动螺管式电感位移传感器的位移和温度的二维标定试验数据,建立GA-WNN模型。该模型利用遗传算法对小波神经网络的参数进行全局优化,克服了小波神经网络易陷入局部最优解的不足。试验结果表明,优化后的零点温度系数提高了2个数量级,灵敏度温度系数提高了1个数量级,实现了对传感器的温度补偿。     

BP-PSO在电加热炉中的温度智能预测

针对电加热炉难以建立精确模型的问题,提出采用BP神经网络与粒子群优化(PSO)相结合的算法对电加热炉的温度变化进行辨识,并建立系统模型.在建立系统模型的基础上,对温度变化趋势进行了预测.试验结果显示,与BP神经网络算法相比,粒子群优化BP神经网络算法所得到的预测值有效时间范围延长了60％;在相同有效的预测时间内,预测值精度提高了43％.     

变风量空调系统优化控制策略研究

变风量空调系统是多变量,大滞后、非线性和不确定性的系统,普通的模糊神经网络控制已难以满足其多变量动态控制的要求,为改善变风量空调系统控制性能,本文提出了一种小波模糊神经网络预测控制方法,实现变风量空调的温湿度有效控制.通过小波神经网络预测器在线建立被控对象的数学模型,并用模糊RBF神经网络控制器对所得到的信息在线修正,优化控制器参数,从而改善系统的控制效果.仿真结果表明,小波模糊神经网络预测控制具有很强的鲁棒性和自适应能力,控制精度高,控制效果好,安全可靠等优点,具有广泛的应用价值.     

小波神经网络在智能优化控制系统中的应用

提出了一种基于小波神经网络的智能优化控制系统,并应用到污水处理絮凝过程的优化控制中,采用实验数据进行了测试,同时采用循环抽样验证法来验证系统的测试精度,结果表明该系统可方便有效地进行实时控制,而且控制效果良好,在运行过程中实时控制速度得到明显提高.研究结果表明,小波神经网络所建立的控制模型稳定性好,实时控制速度快,即基于小波神经网络的污水处理絮凝过程控制系统能准确地进行絮凝过程各参数的实时估计,实现污水处理絮凝过程的实时控制.     

基于混合粒子群算法的小波神经网络故障诊断

针对复杂的飞控系统传感器故障类型,建立了故障诊断模型,提取了各种故障数据.构建3层小波神经网络,并提出一种改进粒子群算法--混合粒子群算法对小波神经网络进行训练,该算法使用离散粒子群算法优化小波神经网络连接结构,同时使用基本粒子群优化算法优化小波神经网络权值.将这种改进的小波神经网络算法应用于飞控系统传感器故障诊断中....     

自构建小波神经网络的内模控制研究与应用

考虑到小波神经网络隐含层神经元的数目决定了整个网络的规模和性能,根据小波基函数的激励强度和衰减程度可以添加或者删除小波神经网络隐含层神经元,优化了小波神经网络隐含层结构,采用自构建小波神经网络辨识内模控制系统的正模型和逆模型,该模型的神经网络结构可根据性能要求动态调整,从而改进了神经网络内模控制技术,实验结果表明,提出的控制方法比传统方法在鲁棒性和抗扰性方面具有更好的性能表现,各项指标均优于传统控制方法.实现氧化铝熟料烧结工艺优化。     

磁浮列车悬浮系统的神经网络建模研究

磁浮列车的悬浮系统是一个典型的非线性系统，其精确数学模型的建立非常困难。目前使用的系统模型大多是经过简化的近似线性化动力学模型，这样的模型在悬浮系统的研究中只起到方向上的指导作用，在工程实践中获取控制对象的精确模型具有重要的意义。神经网络不仅能够逼近复杂的非线性静态映射关系，同时也可以用于动态系统的特性学习，这里采用神经网络来建立悬浮系统的精确模型。文中简述了磁浮列车悬浮系统的基本结构和原理。讨论了非线性动态系统神经网络建模的一般方法。采用了输出反馈型的多层前向神经网络对悬浮系统进行了建模。并使用悬浮系统的输入输出数据对神经网络模型进行了训练和仿真，验证了该建模方法的可行性。     

自构建小波神经网络的内模控制在深度脱硅中的应用

为了稳定氧化铝深度脱硅过程的热工制度和降低能耗,采用小波神经网络辨识的内模控制方法进行氧化铝深度脱硅工艺过程控制。根据小波基函数的激励强度和衰减程度可以添加或者删除小波神经网络隐含层神经元,从而优化小波神经网络隐含层结构。再用自构建小波神经网络辨识内模控制系统的正模型和逆模型,从而改进神经网络内模控制技术。实验结果表明,所提出的控制方法比传统方法在鲁棒性和抗扰性方面具有更好的性能表现,各项指标均优于传统控制方法,实现了氧化铝深度脱硅工艺优化。     

Adaptive control for mobile robot using wavelet networks

This work improves recent results concerning the adaptive control of mobile robots via neural and wavelet networks, in the sense that the stability proof, based on the second method of Lyapunov, encompasses (1) unmodeled dynamics and disturbances in the robot model; (2) adaptation of all parameters in the wavelet networks; and (3) a flexible procedure for automatically adjusting the wavelet architecture. Prior knowledge of dynamic of the mobile robot and network training is not necessary because the controller learns the dynamics online. The wavelet network's parameters and structure are also adapted online. Simulation results are presented by using parameters of the Magellan mobile robot from IS Robotics, Inc.     

一种推挽式电路故障诊断方法的仿真研究*

提出了基于小波变换和神经网络的推挽式电路故障诊断方法。先仿真得到各种故障状态下的输出电压信号,然后对输出电压信号进行Daubechies小波变换获取多尺度低频系数和高频系数,并对小波系数进行处理提取故障特征量,最后利用故障特征矢量训练神经网络确定了推挽式电路故障诊断的神经网络模型。仿真结果表明基于小波变换和神经网络的推挽式电路故障诊断方法取得了较好的效果。     

小波神经网络学习的结构风险最小化方法

针对大噪声、小样本情形下神经网络学习的外推能力弱这一突出的问题，根据统计学习理论中结构风险最小化准则的基本原理，提出了一种基于小波神经基元频率谱分布的小波神经网络阵列结构和基于小波多分辨逼近、综合风险分析的小波网络学习算法．该方法充分发挥了小波神经网络的优点，理论基础可靠，实际意义明确，算法实现简便，自适应性强．仿真实验结果和应用实例说明了该方法对于非线性系统在线辨识的有效性，同时也为统计学习理论的工程应用提供了新的途径．     

逆变电路智能故障诊断系统

针对逆变器由于具有非线性的特征而无法采用精确数学模型进行故障诊断的情况,本文提出一种基于小波分析和神经网络的新型逆变电路故障检测与诊断方法。建立三相SPWM逆变电源的非线性MATLAB仿真模型,以三相输出故障电压作为故障信息,利用小波分析的方法提取低频能量值作为特征向量,通过神经网络实现逆变器故障桥臂定位,最后利利用逆变三相电压同一桥臂故障电压的对称性的特点,用一种简单的判断逻辑实现故障元件的分离。设计了基于DSP的PWM逆变电路在线智能故障诊断系统。测试结果表明,该系统具有良好的故障诊断效果,具有一定的实用价值。     

Wavelet reduced order observer based adaptive tracking control for a class of uncertain nonlinear systems using reinforcement learning

This Paper investigates the mean to design the reduced order observer and observer based controllers for a class of uncertain nonlinear system using reinforcement learning. A new design approach of wavelet based adaptive reduced order observer is proposed. The proposed wavelet adaptive reduced order observer performs the task of identification of unknown system dynamics in addition to the reconstruction of states of the system. Reinforcement learning is used via two wavelet neural networks (WNN), critic WNN and action WNN, which are combined to form an adaptive WNN controller. The “strategic” utility function is approximated by the critic WNN and is minimized by the action WNN. Owing to their superior learning capabilities, wavelet networks are employed in this work for the purpose of identification of unknown system dynamics. Using the feedback control, based on reconstructed states, the behavior of closed loop system is investigated. By Lyapunov approach, the uniformly ultimate boundedness of the closed-loop tracking error is verified. A numerical example is provided to verify the effectiveness of theoretical development.     

基于遗传算法的小波神经网络在电价预测中的应用

在电力市场中边际电价预测得准确与否,对于发电厂的竞价决策具有非常关键的影响。为了克服BP神经网络自身算法的缺陷,得到更高的学习精度和更快的收敛速度,该文建立了基于遗传算法的小波神经网络电价预测模型。该模型结合了遗传算法的全局优化搜索能力以及小波神经网络良好的时频局部性质。经实例验证该模型能有效地提高预测精度,避免了BP神经网络的固有缺陷。     

CAD/CAM-based force controller using a neural network-based effective stiffness estimator

In industries manufacturing metallic molds, various NC machine tools are used. We have already proposed a desktop NC machine tool with compliance control capability to automatically cope with the finishing process of LED lens molds. The NC machine tool has the ability to control the polishing force acting between an abrasive tool and a work piece. The force control method is called impedance model force control. The most effective gain is the desired damping of the impedance model. Ideally, the desired damping is calculated from the critical damping condition after considering the effective stiffness in the force control system. However, there is a problem in that the effective stiffness of the NC machine tool has undesirable nonlinearity. The nonlinearity has a bad influence on the force control stability. In this article, a fine tuning method of the desired damping is considered using neural networks. The neural networks acquire the nonlinearity of effective stiffness. The promise is evaluated through an experiment.     

基于小波模糊神经网络的实时交通流预测

实时交通流预测是智能运输系统研究的重要内容之一.本文将小波分析的相关知识与模糊神经网络相结合,给出了基于小波模糊神经网络的交通流预测模型,采用小波函数作为模糊隶属度函数,用神经网络来实现模糊推理,完成对下一个周期性交通流的估计.同时,用遗传算法来优化整个网络,实测数据验证这种方法预测精度高,收敛过程平稳,适应性强.