基于磁特性曲线的杆件拉力测量及影响因素研究

由磁弹基本原理可知,不同拉力作用下杆件材料的磁特性曲线存在差异,据此可发展出一种杆件拉力测量方法。为准确获取磁特性参数与拉力的关系表达式,搭建了力热耦合条件下的磁特性曲线测量装置,并进行了相关影响因素的试验研究。拉力的测量精度与传感器结构及其励磁方式、材料剩磁状态、温度和数据分析过程等多因素密切相关,首先试验对比分析了脉冲、交流两种励磁方式对磁特性曲线的测量精度的影响,表明剩磁状态对脉冲励磁的测量结果影响较大,而交流励磁的重复测量稳定性高,更适合用于杆件拉力测量;其次,通过拟合确定系数、灵敏度等指标对比,讨论了励磁磁场强度选取对磁特性参数与拉力的关系方程特性的影响,得到了一组磁感应强度与纯铁杆拉力的标定方程,其线性拟合确定系数大于0.99,灵敏度为-3.46m T/k N;最后,试验测试了不同温度条件下纯铁杆材料的磁特性曲线,分析结果显示,磁感应强度与温度间存在非线性关系。上述研究为杆件拉力的工程检测提供了试验方法和技术。     

基于谐波分析的磁弹拉力测量改进方法研究

基于磁弹检测机理,提出一种磁弹拉力测量改进方法,即将谐波分析法应用于磁弹信号处理,通过统计信号频域各阶次谐波幅值,引入电气工程中表征波形相对正弦波畸变程度性能参数——总谐波畸变率来表征结构拉力。采用双套筒线圈式磁弹传感器在7芯钢绞线中获取磁弹检测试验信号,对比时域与谐波分析两种处理方法的特点,结果表明,谐波分析法处理过程更为简洁,所确立的标定方程的特性参数(线性拟合方程确定系数、斜率)随统计阶次增加而趋于稳定,且均优于时域处理结果,线性拟合方程确定系数可达0.996以上。同时,应用于高压输电导线的拉力测试,结果再次验证了总谐波畸变率与拉力间的良好线性关系。针对两种试验对象,当总谐波畸变率为1时,不同谐波统计阶次对应的标定方程对拉力的估算值间的相对误差均小于3%(其中7芯钢绞线最大为2.4%,高压输电线最大为2.9%)。该方法为磁弹拉力测量提供了一种新的表征及数据处理手段。     

基于软测量的水电机组功角在线测量的研究北大核心CSCD

针对功角测量方法在极对数多、转速慢的水电机组中误差较大,且在暂态过程时需要进行复杂的离线计算,难以满足功角高精度的在线监测要求,提出了一种改进的RBF神经网络功角软测量方法。将电压、电流及功率作为软测量模型训练集的输入,离线计算所得的稳态及暂态过程的功角值作为训练集的输出,并利用PSO算法对RBF神经网络参数进行优化。在单机无穷大系统中进行验证,验证结果表明,功角软测量的均方误差在0.004 9以内,且测量值与功率的映射曲线和理论功角特性曲线基本保持一致,所提出的软测量模型能够很好地拟合机组响应参数与功角的关系,实现了水电机组功角精准的在线监测。     

自感式拉力传感器理论模型与实验研究

基于逆磁致伸缩效应,在杆件结构弹性范围内改善了传统磁通量传感器的拉力测量方法,设计一种基于自感式原理的新型拉力传感器,建立传感器的理论模型,深入讨论拉力与自感电压之间的关系。为了准确获取自感电压和拉力的关系表达式,提出能够测量包含拉力信息的自感电压测试方法,合理地搭建实验测量平台。实验结果表明,在交流磁场的激励下,传感器的自感电压和拉力之间存在线性关系,针对所设计的便于安装的套筒自感式拉力传感器,在杆件结构弹性范围内进行6次重复性实验以减少误差,结果显示传感器的最大重复性误差为0.81%,传感器的灵敏度为14.6 mV/kN,自感电压和拉力的相关系数达到0.999,理论和实验相符合,进一步验证了理论模型的合理性。     

基于RBF神经网络的心磁图插值问题

心磁图是根据人体心脏微弱磁场测量信号计算得到的医学图像。它反映了人体心脏的电活动，可以给医生提供诊断心脏疾病的信息。为了提高心磁图成像精度，通常需要对心磁检测信号进行插值预处理。本文提出了一种基于RBF神经网络模型的心磁数据插值方法，数值仿真的结果证明，RBF神经网络插值方法比线性插值、BP神经网络插值的精度高，接近三次样条插值的结果。     

基于优化的GRNN和BP神经网络的磁滞曲线拟合对比分析

针对超磁致伸缩材料(GMM)的磁滞非线性,运用广义回归神经网络(GRNN)和前馈BP神经网络分别对GMM的磁滞回线进行非线性逼近,通过网络的训练、预测,与Jiles-Atherton(J-A)模型进行了对比,分析了两种神经网络的逼近效果,给GMM的运用起到了很好的指导作用。其中,在GRNN神经网络中,由于所取数据有限,为了扩大样本容量,采取交叉验证方法对GRNN神经网络进行了训练,采用循环算法找出了最佳的径向基函数扩展系数SPREAD,并对传统GRNN神经网络进行了优化。研究结果表明:优化后的GRNN神经网络对于磁滞回线的预测精度明显高于BP神经网络。     

基于磁弹效应的索力传感器原理与实验研究

从逆磁致伸缩原理出发,推导出材料的磁导率与材料所受外力,外磁化强度及材料的温度有关.在此基础上,推出了磁导率与索力的基本关系式.讨论了一种双套筒结构的索力传感器,包含激励线圈,感应线圈.选用脉冲式的恒定电流激励,测量感应线圈上感应电压的变化来反映拉力的情况.并对磁导率的工作点选取方法做了重点讨论,同时也做了温度补偿.最后,利用万能拉力机做了传感器的拉力实验.结果表明,该索力传感器结构简单,测量重复性好,可用于桥梁等大型结构的索力测量.     

基于改进RBF径向基神经网络的车载油耗软测量

针对现有的燃油消耗量测量方法存在成本较高、结构复杂且难以实现车载实时测量油耗的问题,提出基于改进RBF径向基神经网络的汽车油耗软测量方法。依据油耗产生机理,选取影响油耗且容易直接测量的参数作为测量模型的输入部分,采用油耗试验实测数据作为测量模型的训练样本和测试样本,并结合主元分析方法改进径向基神经网络的训练速度,自学习得出油耗软测量模型。利用Matlab仿真并将计算机仿真结果与油耗仪测量数据对比分析,平均误差在5.0%以内,验证了上述油耗测量方法的有效性,降低了车载实时油耗测量的成本和复杂程度。     

基于BP和RBF网络结合的相位测量轮廓术系统标定

相位测量轮廓术(PMP)是目前众多光学三维测量方法中比较成熟可靠的一种,其系统标定包括Z和(X,Y)坐标标定.在借鉴传统标定方法优缺点的基础上,提出了一种基于BP和RBF神经网络结合的PMP系统面内标定新方法,该方法将黑白棋盘图案在有效视场内沿世界坐标系Z轴多次放置,获取数据样本.在BP网络对数据样本进行训练和仿真后,利用RBF网络对误差数据进行训练和测试.实验中,BP网络训练步数仅为21步,RBF网络测试样本的平均距离误差仅为0.008 mm,此方法具有较高的标定效率和标定精度.     

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征,利用小波分析对其建立频域特征向量,准确地提取了故障的特征信息,结合RBF神经网络训练速度快的优点,将RBF神经网络应用于轴承故障特征的选择,并利用所确定的特征及RBF分类器进行故障诊断。实验结果表明,该方法可实现滚动轴承故障的可靠诊断。     

基于Preisach模型的压电陶瓷执行器线性插值法迟滞位移研究

论文介绍了基于Preisach模型的迟滞特性建模方法.通过一系列实验数据建立了Preisach模型,研究了如何应用线性插值法和BP神经网络方法进行任意Preisach函数X（α,β）值的求解,从而计算得到相应电压序列的位移,分析比较了两种方法的预测结果.实验表明,基于Preisach模型的线性插值方法方法可以更好地预测压电陶瓷执行器的迟滞位移.     

一类金属橡胶阻尼器的建模与参数识别

研究了一类金属橡胶阻尼器的非线性特性,根据实验数据建立了具有迟滞非线性特性的阻尼器力学模型,通过实验获得了金属橡胶阻尼器特性数据,并提出了两种识别阻尼器迟滞恢复力参数的方法:二维拉格朗日插值法和人工神经网络方法。研究结果表明:拉格朗日插值法可以保证实验值与理论值在插值结点完全重合,具有较高的精度;人工神经网络具有较快的训练速度和很强的学习功能。通过将实验数据与理论计算数据进行对比表明,本文提出的两种方法都可以取得较好的识别效果,曲线拟合的均方差较小,在提高识别效率的同时保证了计算精度。     

工业机器人谐波减速器迟滞特性的神经网络建模

谐波减速器中柔性环节与传动的非线性摩擦,导致谐波传动出现了不可避免地影响传动精度的复杂迟滞特性,为了描述谐波减速器的迟滞特性,本文构建了一个结构简洁的神经网络迟滞混合模型。该模型由类迟滞特性预处理环节和动态RBF神经网络两部分组成:对输入信号进行类迟滞预处理,处理后的信号与输入信号之间具有类迟滞特性;充分利用动态RBF神经网络实现类迟滞到谐波减速器迟滞特性的高精度映射。根据本文搭建的实验平台,在不同实验条件下获得的数据进行建模验证,在不同频率输入信号、不同负载,实现相同建模精度下,神经网络迟滞混合模型的验证精度为0.449 6(MSE),远高于经典RBF神经网络模型的3.032 1(MSE)精度,证明了所构造的神经网络迟滞混合模型的有效性和适应性。     

M—H回线可变时间常数的测量方法

针对光调制直接重写磁光薄膜磁滞回线的测量,提出一种简单的自动变积分时间常数的测量方法,既能有效地抑制噪声,确保幅度和相位的不失真,又能保证M－H矩形度的不失真,以及矫顽力Hc的一定精度。并给出一个比较例子,结果表明该方法更合理。     

Preisach迟滞逆模型的神经网络分类排序

为了补偿影响压电陶瓷执行器纳米定位系统精度的迟滞非线性,提高系统的控制精度,开展了基于压电陶瓷执行器的迟滞非线性逆模型的研究。兼顾到迟滞的擦除特性和建模的精确度,提出了一种Preisach逆模型分类排序法的神经网络实现方法,用神经网络取代了传统的反查值方法,以避免插值误差。建立三层BP神经网络,运用实测数据进行训练,确定各层权值;然后,结合排序得到的电压和位移极值信息,通过神经网络方法拟合出较精确的输入电压值。运用若干组实验数据检验了此逆模型的有效性,结果表明,该神经网络的实现方法将逆模型的平均误差降低到了1.5V以下,最大误差绝对值降低到了2.7V以下。与反查值方法相比,神经网络实现方法有效提高了压电陶瓷执行器纳米定位系统的迟滞逆模型的精度。     

基于神经网络的光纤布拉格光栅触觉信号解耦研究

针对应用于电子皮肤的柔性光纤布拉格光栅触觉传感器的输出信号是施加载荷位置、大小等信息的非线性、多维耦合问题,在对光纤布拉格光栅触觉传感阵列进行力学有限元仿真的基础上,提出了将误差逆传播神经网络和径向基函数神经网络应用于仿真和实验的触觉信号解耦方法。对实验数据的神经网络解耦结果表明,相对于误差逆传播神经网络,径向基函数神经网络具有更强的抗噪声能力,能够更好地逼近含有噪声的触觉多维非线性实验数据之间的映射关系。经径向基函数神经网络解耦后,传感器阵列的空间分辨率为5 mm,对压力位置和大小感知的最小相对误差为3.00%和4.82%。本文的研究成果对开展电子皮肤柔性触觉传感器的研究和推广具有一定的实用价值。     

神经网络分数阶PI~μD~λ在压电叠堆控制中的应用

为了克服压电叠堆的迟滞特性,实现压电叠堆的精确控制,建立了压电叠堆控制系统,研究了该系统所用到的神经网络、分数阶微积分等算法。首先,搭建了采集压电叠堆位移数据的硬件系统,并对含有噪声的位移数据进行了滤波处理;利用径向基函数(RBF)神经网络对压电叠堆建模,得到了模型参数。然后,利用RBF神经网络建模得到的Jacobain信息来整定分数阶PI~μD~λ控制器中的参数对压电叠堆进行控制。最后,与RBF整数阶PID对压电叠堆的控制效果进行了对比。结果显示:RBF建模误差仅为位移实测数据的0.22%,RBF神经网络分数阶PIμDλ控制系统输出稳定,很好地跟随了给定。得到的结果表明RBF神经网络分数阶PI~μD~λ控制器控制性能良好,在压电叠堆的控制中比RBF整数阶PID控制器表现得更加稳定、精确。     

神经网络在SnO_2气敏元件浓度测量中的应用

气体传感器属于传感器技术领域,在传感器行业中占有重要的地位.然而气体传感器阵列的交叉敏感性严重影响气体传感器对混合气体的测量.基于Matlab平台的神经网络工具箱,分别构建BP神经网络和RBF(径向基)神经网络,对由涂敷不同敏感材料的声表面波振荡器组成的阵列在4种混合气体灵敏度响应数据进行定量识别研究,结果表明RBF神经网络在气体定量识别方面更具优势.     

基于径向基函数神经网络的压电式六维力传感器解耦算法

针对四点支撑结构的压电式六维力传感器线性度差,维间耦合严重的问题,提出了基于径向基函数(RBF)神经网络的解耦算法。分析了耦合产生的主要原因,建立了RBF神经网络模型。通过对六维力传感器进行标定实验获取解耦所需的实验数据,并对实验数据进行处理。然后采用RBF神经网络优化传感器输出系统的多维非线性解耦算法,解耦出传感器的输入输出映射关系,得到解耦后的传感器输出数据。对传感器解耦后的数据分析表明:采用RBF神经网络的解耦算法得到的最大Ⅰ类误差和Ⅱ类误差分别为1.29%、1.56%。结果显示:采用RBF神经网络的解耦算法,能够更加有效地减小传感器的Ⅰ类误差和Ⅱ类误差,满足了传感器两类误差指标均低于2%的要求。该算法有效地提高了传感器的测量精度,基本解决了传感器解耦困难的难题,