基于相平面的模糊神经网络研究及应用

本文拓展传统相平面分析方法，提出了基于相平面的模糊区间划分和目标函数，并在此基础上系统提出了一种模糊神经网络新的建构和学习方法。通过对不同控制系统的研究，证明了该方法在模型未知系统的控制中的合理性和有效性，以及应用的普遍性。     

模糊神经网络技术在防摇控制系统中的研究与应用

介绍了模糊神经网络用于起重机防摇控制和模糊神经网络的实现，以及如何利用MATLAB中的神经网络工具箱对模糊神经网络进行训练．并以MATLAB／SIMULINK为仿真平台建立了防摇控制仿真模型，经仿真表明该系统的抗干扰能力强，满足防摇控制系统的设计要求。     

基于模糊神经网络的络筒机纱线张力控制系统的研究

针对络筒机的纱线张力不稳定性问题,结合模糊系统的鲁棒性、容错性以及神经网络学习能力强的特点,提出了应用模糊神经网络控制器控制纱线张力的方法。开展了纱线张力控制系统、神经网络和模糊控制算法的分析,建立了模糊控制系统和神经网络之间的关系,设计了基于模糊神经网络的纱线张力控制器,应用MATLAB软件仿真验证了基于模糊神经网络的络筒机纱线张力控制系统的可行性。研究结果表明,与线性插值模糊控制效果相比,模糊神经网络控制作用下的系统超调量小,调节时间快,稳定性好,具有一定使用价值。     

基于MOMI模糊神经网络PID温室控制算法研究

通过对温室大棚的分析,论证了模糊神经网络PID控制技术在温室控制中的可行性.将模糊神经网络控制与传统的PID控制相结合,通过PID算法实现控制的准确性.通过实验证明该控制系统具有较好的适应能力和较强的鲁棒性,控制效果很好.     

车辆悬架振动控制系统研究的进展

阐述了车辆悬架振动控制系统的基本类型半主动控制和主动控制的理论模型以及几种典型的液力主动控制系统。在综 现有的各种悬架控制方法基础上，着重论述了模糊控制，神经网络控制，模糊神经网络控制等方法在车辆悬架控制系统中的应用。     

基于软切换的电动机模糊神经网络控制器研究

作为第三代控制理论的模糊逻辑控制和神经网络控制等智能策略虽已在电动机控制中得到了应用,但由于这两种智能控制策略各有明显的优点和缺点,单独使用一般都达不到理想效果,因此需将其结合应用组成控制器,常见的形式之一即为并联切换型模糊神经网络控制器[1]。然而,由模糊逻辑和神经网络并联而成的控制系统,如何实现切换控制一直是控制界研究的难点和热点[2]。设计出合适的切换控制,可以明显改善控制系统的性能,获得比连续控制更好的控制效果。为此,研究了将模糊软切换控制技术[3]引入并联切换型模糊神经网络控制器,该方案能使控制系统实现无扰平稳切换,取得较好的动、稳态性能,其有效性已通过电机控制的仿真得到验证。     

基于RBF神经网络精密定位预测控制研究

为了实现高速高精度定位，在RBF神经网络单步预测模型的基础上，建立多步预测控制系统，为当前高速定位控制提供操作指导。在定位过程中通过预测位置与实际位置比较，灵活调整定位速度。实验表明神经网络预测控制是实现高速高精度定位的有效手段。     

复杂工业系统的分布式递阶智能控制研究

研究了复杂工业系统的现场数据检测，信息融合，控制，管理与决策及运行状态等特点，提出了一种分布式递阶智能控制方法，多传感器信息融合处理方法和专家模糊神经网络的过程控制器，经仿真实验和复杂工业过程（冶金，电力）的应用表明，该方法和控制系统具有良好效果。     

基于神经网络的多值模糊控制系统研究

对于难以用精确数学模型描述的多变量非线性复杂控制系统,靠传统控制理论难以获得理想的控制效果,基于模糊神经网络控制的技术不依赖于被控对象精确的数学模型,且能根据被控对象参数的变化自适应调节控制规则和隶属函数参数的特性本文介绍了模糊神经网络控制器的应用研究,经过仿真实验证明该控制器能够获得较理想的控制效果。     

基于滑模模糊神经网络感应电动机矢量控制的研究

感应电机矢量控制采用滑模模糊神经网络控制,使系统具有自学习、自调整的能力和强鲁棒性.通过改进模糊神经网络的学习方法,精简了网络的结构,减少了训练的时间,为模糊神经网络用于实时性控制系统提供了可能的条件.     

块状食品枕式包装机多轴同步控制

以多伺服枕式食品包装机为研究对象,分析了多伺服枕式包装机结构以及工作原理。基于径向基神经网络 PID 控制方法设计了一种多电机偏差耦合同步控制方法,通过 PID 补偿器实现电机的同步控制,并详细介绍了控制器的设计方法。最后对该同步控制方法进行了计算机仿真,仿真结果表明,该控制方法能够快速实现多电机同步控制,在干扰的情况下也能够快速再次稳定。该控制方法可以较大地提高食品包装的精度,提高食品包装质量。     

基于神经网络的流涎机组多电机同步控制研究

针对流涎薄膜生产机组多电机同步控制系统的非线性、时变、容易受负载扰动等特性,提出了基于神经网络PID控制器与偏差耦合控制结构相结合的多电机同步控制策略,设计了神经网络PID控制器,并进行了仿真和实验。结果表明：该控制算法稳定性能高、鲁棒性能好、收敛速度快,能够有效克服外部扰动和参数变化带来的同步误差,相对于传统的同步控制方案能够更好地实现流涎机组的多电机同步控制。     

基于RBF神经网络的虚拟轴机床末端刀具运动位姿实时检测研究

实现虚拟轴机床末端刀具位姿的实时检测目前仍然是虚拟轴机床在数控加工领域实现高精度控制和产业化的障碍之一。针对六自由度虚拟轴机床的末端刀具位姿检测进行研究。首先对虚拟轴机床进行运动学分析,然后以虚拟轴机床末端刀具的位姿逆解作为神经网络的训练样本,构建结构自适应确定的RBF神经网络,实现虚拟轴机床从关节变量空间到工作变量空间的映射,最后利用已训练好的RBF神经网络实现虚拟轴机床末端刀具位姿的实时检测。实验结果表明:利用该方法实现虚拟轴机床末端刀具运动位姿的检测不仅具有可行性,而且具有较高的检测精度,为虚拟轴机床末端刀具的直接闭环高精度控制奠定了基础。     

基于蝙蝠算法的永磁同步电机健康状态监测

永磁同步电机健康状态监测问题可转化为永磁同步电机多参数辨识问题。为提高系统参数辨识及状态监测效率,提出一种基于多智能体蝙蝠算法的永磁同步电机参数辨识方法。多智能体的邻域竞争合作算子实现了蝙蝠个体间的信息交流,提高了全局寻优能力及算法的动态跟踪性能;自学习算子提高算法局部寻优能力,加快算法收敛速度。永磁同步电机多参数辨识结果表明,多智能体蝙蝠算法能快速有效地辨识电机各参数,依据参数变化实现对电机运行状态的监测及预警。与未改进算法相比,验证了改进算法的有效性和优越性能。     

基于改进Elman神经网络的悬架试验系统

提出了一种能满足多层网络、多阶系统的改进型Elman网络,建立了基于改进Elman神经网络的PAC控制器。对六自由度悬架试验平台系统进行了控制研究,分析了悬架参数对轮荷利用率和相位角的影响。整车实验证明：参数匹配的悬架可以有效减小车身振动,降低悬架动挠度和轮胎动载荷。     

平锁缝纫机运动控制卡设计

提出了一种高速电子平扣眼锁眼缝纫机运动控制卡的实现方案,该方案具有通用性好,软件易于修改升级,调试方便等特点。 DSP完成电机位置和速度的实时控制;FPGA完成精插补算法、加减速控制等功能。突破了以往的控制系统中实时、高速、高精度、多轴同步控制的技术瓶颈。样机测试结果表明,该系统整体性能良好。     

RBF神经滑模控制在永磁直线同步电机的应用研究

给出了神经网络学习算法和神经滑模控制器的具体设计思路,将滑模控制器的切换函数作为神经网络输入,以滑模控制器为网络输出,从而实现神经网络学习能力和滑模控制自适应切换能力有效结合,将神经滑模控制器应用于永磁直线同步电机伺服系统,通过仿真说明了其良好的跟踪特性和低速平稳性。     

基于DRNN动态整定PMSM的SVPWM控制

为解决传统的永磁同步电机控制系统中存在的低速转矩脉动大以及由此引起的高频噪声、动态响应慢等问题,提出了一种基于对角神经网络动态自整定的永磁同步电机矢量控制系统的实施方案.给出了基于对角递归神经网络的PID动态自整定控制器的结构,以及PID参数动态自整定的学习控制算法,并将这种综合控制策略引入永磁同步电机空间电压矢量PWM控制中.仿真结果表明,系统低速性能好,转矩脉动小,谐波含量少,当电机参数改变或者受到外部扰动时,系统具有良好的动态特性.     

Applications of Artificial Intelligence to Grinding Operations via Neural Networks

In recent years, artificial intelligence played an important role in machine tool automation. Artificial neural networks, as one of the artificial intelligence algorithms, has superiority in representing the relation between the inputs and outputs of the multi‐variable system. Hence, it can be applied to sophisticated operations such as grinding operation. The aim of this research is to use artificial neural networks as the brain of grinding machine controller. The target of this controller was to achieve the desired workpiece surface roughness under grinding wheel surface topography variations. The core of the system consists of two multi‐layers feed forward artificial neural networks based on back error propagation learning algorithm. The first one was used for process design to achieve the desired surface roughness. It extracts suitable process variables such as grinding wheel speed and feed rate. The second one monitors the cutting operation using sensors' readings. It extracts the different controlling decisions; these are accept the process, redesign the process or start dressing operation under automatic control. According to these decisions, a PC master control program generates the appropriate control codes and sends them to the machine controllers to take the required actions.     

基于贝叶斯神经网络的机床热误差建模

热误差严重影响着机床的加工精度,对机床关键部件进行热特性分析是开发精密机床的重要环节.通过测量包括数控机床的特殊位置温度和定位误差在内的热特性,研究了温升与定位误差之间的关系,提出了一种基于贝叶斯神经网络的热误差建模方法.通过K-means聚类和相关系数法来选择温度敏感点,可以有效地抑制温度测量点之间的多重共线性问题....