基于粒子群自适应差分进化算法的动压缸电液伺服系统辨识

给出了轨道路基测试装置动压缸电液伺服系统AMESim模型和传递函数。针对标准差分进化算法早熟和自适应差分进化算法收敛慢的问题,结合粒子群算法收敛快的优点,构造了一种以粒子群为外环、自适应差分进化为内环的辨识算法。设计该系统辨识数据采集方案,得到其AMESim模型的响应数据,开展PSOADE辨识仿真和对比分析,结果表明:PSOADE不仅精度高、同一性好,而且迭代快、易收敛。最后得到了基于PSOADE算法辨识参数的动压缸电液伺服系统参数模型,仿真验证了该模型的有效性。     

基于改进SPBO算法的关节机器人动力学参数辨识

提出一种基于改进学生心理学优化(BSPBO)算法的机器人动力学参数辨识方法。通过Newton-Euler法构建关节型机器人动力学模型，设计符合运动约束的五阶傅里叶级数作为激励轨迹；引入SPBO算法并对其进行如下改进：增加Good Student分类在学生种群中所占比例、改善迭代过程中求解变量越界的处理方式，以提高算法的开发能力和全局探索能力，克服SPBO易陷入局部最优的缺陷；以具备关节力矩测量功能的机器人平台为对象，开展动力学参数辨识实验。结果表明：BSPBO算法的收敛精度更高、收敛速度更快，能稳定高效地完成各关节动力学参数的辨识。     

基于IGWO 的台车轮注油系统注油量控制方法研究

传统烧结机台车轮自动注油系统注油量控制存在控制精度低和鲁棒性差等问题，已经无法满足精确注油的需求。为改善注油性能，提出一种基于改进灰狼(IGWO)算法的烧结机台车轮注油量智能控制方法。利用MATLAB软件辨识注油量控制系统数学模型；搭建BP神经网络PID注油量控制系统；为了提高灰狼算法的收敛速度，引入非线性收敛因子和动态权重，设计IGWO算法实现对BP神经网络的最优初始值及阈值的寻优，输出最优PID控制参数；最后，在仿真环境下，将用IGWO算法优化前后的控制效果进行对比。结果表明：所设计的PID控制器超调小、控制精度高，能够实现注油量的智能控制，满足精确注油的需求。     

基于改进灰狼优化算法的永磁同步电机参数辨识

针对永磁同步电机中参数辨识精度低与速度慢的问题,提出了一种基于改进灰狼优化算法的参数辨识方法。首先采用Tent映射反向学习策略对种群初始化,增强初始种群的多样性;其次,设计了一种非线性变化的收敛因子;最后,采用Levy飞行策略对算法寻优过程中位置更新方式进行变异操作,以提高算法跳出局部最优的能力,降低了算法误收敛的可能性。仿真实验表明,改进灰狼优化算法对永磁同步电机中的参数精确度更高,辨识速度更快。     

基于神经网络的异种钢焊接接头高温时效碳迁移的系统辨识与预测

讨论了人工神经网络（下称ANN）技术用于异种钢焊接接头碳迁移状态辨识的可行性,分析了ANN中的BP算法用于碳迁移所面临的问题,提出了用随机迭代和变步长的方法来防止网络振荡和加速网络收敛,用改进的BPN算法进行异种钢焊接接头碳迁移的状态辨识,得到了较好的辨识结果。     

基于优化RBF神经网络挤出机温度压力系统辨识

为了精确在线辨识橡胶复合挤出机控制过程中主要干扰变量与内部耦合关系,更好地实现对挤出机温度压力耦合系统的精准控制,采用RBF神经网络进行系统辨识研究,同时结合PSO算法引入GA算法中编码、杂交、交叉、变异等概念,设计了混合型PSO算法进一步优化RBF神经网络,完成对温度压力耦合系统的精准在线辨识。借助MATLAB软件进行神经网络训练,辨识系统耦合关系,同时与混合型PSO算法优化神经网络权值所辨识的效果进行对比。试验结果表明:采用混合型PSO算法优化RBF神经网络训练效果更佳,可以实现RBF神经网络高精度系统辨识;混合型PSO算法优化RBF神经网络应用于挤出机温度压力控制系统辨识,可以在一定程度上提升系统的辨识精度以及挤出机械的智能化水平。     

机器人动力学参数辨识研究

基于动力学模型的控制是改善机器人运动控制性能的有效方法，为了得到精确的动力学模型，需获得准确的机器人动力学参数，采用加权最小二乘法与遗传粒子群混合算法结合的辨识算法获得准确的动力学参数。关节摩擦影响动力学模型精度，传统库伦粘滞摩擦模型精度不高，引入一种新的连续摩擦模型，采用牛顿-欧拉法建立机器人动力学模型，采集机器人在激励轨迹运动下的数据，先采用加权最小二乘法辨识得到初始解，在初始解的基础上设定解的边界，分别采用遗传算法、粒子群算法、遗传粒子群混合算法辨识动力学参数，并于已有方法进行对比，结果表明遗传粒子群混合算法辨识动力学参数精度更高。最后，选取验证轨迹验证动力学参数的精度，结果表明辨识得到的动力学参数能够建立精确动力学模型。     

复合正交柔性神经网络及其应用

针对目前神经网络所存在的不足,提出一种带参数的单极性Sigmoid函数的柔性复合正交神经网络,并给出相应的参数学习算法,这种柔性复合正交神经网络不仅扩大了网络辨识模型的能力与学习适应性,而且算法简单,学习收敛速度快,有线性,非线性逼近精度高等优异特性。以模型辨识作为应用实例,仿真结果表明,其算法是有效的,柔性神经网络能提高正交神经网络的性能。     

非对称永磁同步磁阻电机多参数在线辨识研究北大核心

针对非对称转子永磁同步磁阻电机(PM-SynRM)的多参数辨识模型存在模型欠秩及辨识过程收敛速度慢、最终辨识值误差大等问题,提出了一种多级可变遗忘因子最小二乘法(MSVF-RLS)的非对称PM-SynRM多参数在线辨识方法。考虑由于转子不对称结构带来的磁链偏移,建立了永磁体磁链偏移角为γ的非对称PM-SynRM的数学模型。为解决辨识方程初期的欠秩问题和最小二乘法的数据饱和问题,分别引入快、慢变参量和多级可变遗忘因子,可以辨识PM-SynRM的定子电阻、直轴电感、交轴电感和磁链4个电气参数,辨识速度快,辨识结果精度高,计算压力小,适用于工程实际应用。通过最大转矩电流比控制(MTPA)对多级遗忘因子最小二乘法的辨识结果与传统最小二乘法的辨识结果加以对比,验证了改进辨识算法的可行性和有效性。     

基于多层前馈BP网络的非线性逆系统自学习控制

提出的基于神经网络的非线性逆系统自学习控制方案运用逆动力学的基本思想，在系统模型未知的情况下，构造了神经网络一致的控制器和辨识器。运用自适应变步长冲量BP学习算法实现了网络辨识器对系统逆动力学模型的动态辨识，并通过网络辨识器向网络控制器在线动态传递更新权值的方法使神经网络控制器产生期望控制量。使得整个神经网络控制系统具有了自学习、自适应的控制能力。     

改进MFAILC算法在轧机液压系统的应用

针对轧机液压位置闭环系统存在强耦合、多变量等非线性因素,精确建模困难且不具备自我更新学习等问题,将无模型自适应迭代学习控制（MFAILC）应用于轧机液压位置闭环系统。由于MFAILC算法的误差收敛消耗时间较长,采用高阶伪偏导数估计算法改善系统的收敛速度,同时针对MFAILC算法在控制过程中的抗干扰性较差、容易产生控制偏差的问题,结合内模控制强鲁棒性、结构简单等优点,将其引入MFAILC算法,对算法的控制结构进行改进。仿真实验结果表明:改进后的无模型自适应迭代学习算法的收敛速度、控制精度都得到提高,系统的抗干扰性也能够增强。     

一种基于改进FxLMS算法的低频正弦振动控制技术研究

针对经典正弦振动试验控制算法在较低频段（如0.1~5 Hz）存在幅值估计时间长、估计精度低等问题,研究一种基于改进FxLMS算法的低频正弦振动控制算法,利用自适应机制,同时实现了标准振动台系统传递特性的在线辨识和驱动信号的逐点修正,提高了正弦试验的幅值控制精度和稳定时间。利用数值仿真研究了收敛因子对算法收敛速度的影响,完成了对比实验。结果表明：在0.5 Hz频率正弦振动试验中,仅需10 s即收敛至5%的幅值精度,显著优于逐步逼近算法,证明了改进FxLMS算法可以很好地满足低频正弦振动试验对幅值控制精度和实时性要求。     

基于人工鱼群算法的永磁同步电机模型预测控制研究

针对基于模型预测控制算法的永磁同步电动机的控制问题,提出了一种基于人工鱼群算法的改进型PID-模型预测控制算法。首先构建了基于矩阵变换器的永磁同步电机系统模型,并采用了新的输入滤波器。然后利用人工鱼群算法完成PID-模型预测控制中的参数整定,从而解决了原有算法参数优化精度不高的问题,能够迅速地获得全局最优解。永磁同步电动机的力矩控制性能仿真实验结果表明:相比原有PID-模型预测控制算法,提出算法具有更快的收敛速度和控制效果。     

基于改进克隆选择算法的自抗扰控制参数整定

针对自抗扰控制器参数多、整定困难的问题,提出了基于改进克隆选择算法的自抗扰参数优化整定方法。该算法通过在进化过程中采用了三层不同的变异进化策略,形成多策略混合协同进化机制,有效平衡了算法的全局探索与局部开发,较好克服了基本克隆选择算法容易陷入局部最优解以及算法后期收敛速度慢的不足。用经典的标准测试函数来检验所提出算法的可行性与有效性,实验结果表明该算法具有全局搜索能力强、稳定性好、收敛速度快、收敛精度高等优点。以时滞系统的自抗扰控制器参数优化整定进行仿真验证,结果表明经文中提出算法优化后的控制器具有更小的超调量、更快的调节时间及更高的控制精度。     

基于模拟退火遗传算法汽车覆盖件弹复量优化诊断研究

总结了覆盖件弹复量失控缺陷及原因,基于模拟退火遗传算法技术,将弹复量失控缺陷分析问题表达为一类组合优化问题,建立了弹复量失控诊断知识库,设定了弹复量失控缺陷诊断控制参数,并采用模拟退火的适应度拉伸方法,探讨了有效地提高弹复量失控缺陷诊断准确率的优化方法,并给出了试验最优解的讨论分析。     

基于混合粒子群算法的注塑机电液伺服系统控制研究

注塑机电液伺服系统是一个时滞、非线性复杂系统,传统PID控制往往难以取得理想的控制效果。为了获取良好的控制效果,提出一种用混合粒子群算法优化PID控制器参数的方法,将模拟退火算法引入到粒子群算法中,能够更加快速、准确寻优出PID控制器最优参数。利用MATLAB仿真软件建立注塑机电液伺服系统控制模型,将混合粒子群算法与粒子群算法、遗传算法进行对比。仿真结果表明:利用混合粒子群算法优化的PID控制器收敛速度快、准确性高、鲁棒性强,明显提高了系统的控制性能。     

基于性能指标的非线性系统迭代学习控制

通过对迭代学习控制本质的分析，本文提出一种基于二次型优化函数设计的迭代学习控制策略，算法具有保证系统一致趋近目标轨迹的能力，最后给出了收敛条件。     

一种新型全液压矫直机多神经元PID伺服控制器设计与研究

针对当前普遍常用的BP神经网络算法的缺陷,即反传算法复杂,收敛速度慢,在解决一些复杂多变非线性及系统多耦合问题时,网络权值收敛局部极小点,导致网络训练失败,反传算法权值迭代出现畸形变化问题。虽然神经网络控制器在软件仿真中运行结果都能满足要求,但是在实际的现场工程应用中很难适应复杂工业现场所要求的控制快速性和及时性。针对以上缺陷,提出了一种新型的多神经元PID神经网络算法,其原理是通过简化PID神经元网络控制器,改善其权值初始化来达到新型多神经元PID控制器控制过程的快速性和响应的及时性,将其应用到全液压矫直机四缸伺服控制器。通过将传统神经元网络控制器和文中所研究的新型多神经元PID控制器位移响应曲线对比分析,该新型多神经元PID伺服控制器具有反传算法大为简化、收敛速度快、网络权值灵活性好、实时性等优点,为多神经元PID控制器的工程化应用提供了理论支持。     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。