基于群智优化RBF神经网络的预测控制模型研究

为了提高预测控制模型的准确度,采用RBF神经网络来完成网络流量预测,并借助群体智能算法中的混合蛙跳算法来实现模型参数的优化。首先,在建模过程中引入混合蛙跳算法。然后,将RBF神经网络权重和阈值作为青蛙个体,随机产生的多个权重和阈值组合个体构成蛙群。对蛙群进行分组,并通过不断重新分组和组内迭代的方法来获取全局最优个体,从而得到最优权重和阈值,以便确定最优的预测控制模型。经过实验证明：采用基于群体智能优化RBF神经网络的预测控制模型具有更高的准确度。     

基于群智优化RBF神经网络的预测控制模型研究（英文）

为了提高预测控制模型的准确度,采用RBF神经网络来完成网络流量预测,并借助群体智能算法中的混合蛙跳算法来实现模型参数的优化。首先,在建模过程中引入混合蛙跳算法。然后,将RBF神经网络权重和阈值作为青蛙个体,随机产生的多个权重和阈值组合个体构成蛙群。对蛙群进行分组,并通过不断重新分组和组内迭代的方法来获取全局最优个体,从而得到最优权重和阈值,以便确定最优的预测控制模型。经过实验证明:采用基于群体智能优化RBF神经网络的预测控制模型具有更高的准确度。     

狼群优化LVQ神经网络的齿轮箱故障诊断应用研究

为了提高齿轮箱故障诊断的准确度,采用LVQ神经网络来完成齿轮箱故障定位及识别,并借助狼群优化算法来实现模型参数的优化。在齿轮箱故障诊断的建模过程中,引入狼群优化算法,将LVQ神经网络权重和阈值作为狼群个体,随机产生的多个权重和阈值组合个体构成狼群,并根据狼群游走、召唤和围攻等行为,不断更新狼群中个体狼的位置来获取全局适应度最大的头狼,得到最优权重和阈值,确定最优齿轮箱故障诊断模型。经过实验证明:采用基于狼群优化LVQ神经网络的齿轮箱故障分类,分类准确度更高。     

3-RRR平面并联机器人神经网络滑模控制研究

针对具有强耦合和高非线性并联机器人的轨迹跟踪控制研究,设计了一种基于神经网络滑模控制器的控制系统。在传统滑模控制的基础上,利用神经网络算法实时修正系统非线性项和不确定参数的功能,有效抑制了SMC系统的抖振现象。建立了3-RRR平面并联机器人的结构简图和Matlab模型,并采用闭环矢量法得到了机器人的运动学反解,为控制系统提供了参考输入。基于机器人的简化动力学方程,设计了一种RBF神经网络滑模控制器,并构造Lyapunov函数证明控制器的稳定性。分别采用传统滑模和神经网络滑模控制方式对机器人的轨迹跟踪进行仿真分析。仿真结果表明:神经网络滑模控制器具有更好的轨迹跟踪精度和较小的稳态误差,验证了神经网络SMC控制器的有效性。     

基于群智优化小波神经网络的机械臂路径控制研究

为了提高机械臂路径控制的准确性,采用群智能优化的小波神经网络算法对机械臂路径进行跟踪,以便实现精准有效的控制。首先分析了二连杆机械臂动力结构,然后建立基于小波神经网络的机械臂路径控制模型,根据机械臂状态变量构建粒子群,通过粒子位置更新获得稳定的小波神经网络模型主要参数。在仿真过程中通过差异化设置隐藏层节点数M和粒子群速度权重ω主要参数,实验证明,当M=12,ω=1.2时,可以获得最优的机械臂目标路径跟踪性能,角度平均误差和位移平均误差均最小,相比于小波神经网络的机械臂路径跟踪,经过了粒子群优化后的跟踪性能提升明显。     

基于粒子群神经网络的QSn6.5-0.1连铸工艺优化

提出了一种神经网络与粒子群算法相结合的锡磷青铜水平连铸工艺参数优化方法。以水平连铸中7个主要工艺参数为优化对象，带坯成材率为优化目标，进行正交试验并以试验数据作为样本，利用神经网络建立优化参数与优化目标的非线性映射模型。利用粒子群算法对建立的模型进行优化，获得最优铸造工艺参数。选用RBF（径向基函数）神经网络，网络学习采用减聚类算法和最小二乘法，采用惯性权重动态改变策略对粒子群算法进行改进。实际生产证明，经优化的铸造工艺参数使带坯的成材率从56％提高到71％。     

基于神经网络的机械手轨迹跟踪控制器优化设计

针对机械手运行时存在外界干扰、难以高精度控制等问题,设计了一种基于RBF神经网络的机械手轨迹跟踪鲁棒控制器。在该控制器中,根据机械手动力学模型中的确定项建立控制率,用神经网络逼近系统中的不确定项,用鲁棒控制处理外部干扰的能力抑制神经网络的逼近误差,在Matlab Simulink平台上搭建控制框图,对二自由度机械手进行轨迹跟踪控制仿真,最后优化控制器中的参数,寻求更优的控制效果。结果表明,该控制器能够完成轨迹跟踪控制任务,经过参数优化后的控制器控制效果更佳。研究结果可为今后的机械手轨迹跟踪控制的深入研究奠定基础。     

基于RBF神经网络的泵控系统滑模控制器设计及仿真分析

针对泵控系统滑模控制方面的研究,根据泵控系统的降阶数学模型中存在的未知项f (),再结合滑模控制算法设计基于RBF神经网络的滑模控制器。通过MATLAB/Simulink建立系统的仿真模型,然后进行位置指令仿真分析。研究结果表明：相比较PID控制器,基于RBF神经网络的滑模控制器获得了最小跟踪误差。在干扰条件下跟踪10 Hz频率与1 mm幅值的正弦位置信号,基于RBF神经网络的滑模控制器误差最小;施加干扰力后,控制器都出现了更大的跟踪误差,此时基于RBF神经网络构建的滑模控制器可以快速恢复跟踪误差。研究设计的基于RBF神经网络的泵控系统滑模控制器具有很好的跟踪精度和更强的鲁棒性,可以拓宽应用到其他机械传动领域。     

SCARA机械手的RBF神经网络自适应轨迹跟踪控制

为了解决机械手系统模型存在参数变化、强耦合、高度非线性等不确定性因素,提出基于RBF神经网络机械手自适应控制方法。该方法利用RBF神经网络的自适应、容错、并行处理及非线性映射能力,从而实现了无需机械手精确模型信息的控制。通过Matlab/Simulink环境下的仿真实验表明,该方法可实现对SCARA机械手的位置跟踪控制,通过控制算法适时地修正网络参数,实现对非线性系统任意轨迹的轨迹跟踪控制,具有良好的控制品质。     

基于BP神经网络和蚁群算法的机械手轨迹控制算法研究

为了提高机械手运行的平稳性,实现机械手控制的精准度,采用BP神经网络和蚁群算法相结合的方法实现机械手轨迹控制。首先,建立机械手运动轨迹模型,然后利用神经网络算法对机械手主要参数进行训练,接着,将输出预测的运动轨迹与机械手期望运动轨迹对比,以便求解更趋近于期望的最优参数。最后,借助蚁群算法对神经网络模型参数进行优化。经过实验证明：相比于传统BP神经网络算法,所提算法训练得到的角位移与期望角位移的拟合程度更高,且在空间三维坐标系的位移误差更小。     

基于BP神经网络和蚁群算法的机械手轨迹控制算法研究（英文）

为了提高机械手运行的平稳性,实现机械手控制的精准度,采用BP神经网络和蚁群算法相结合的方法实现机械手轨迹控制。首先,建立机械手运动轨迹模型,然后利用神经网络算法对机械手主要参数进行训练,接着,将输出预测的运动轨迹与机械手期望运动轨迹对比,以便求解更趋近于期望的最优参数。最后,借助蚁群算法对神经网络模型参数进行优化。经过实验证明:相比于传统BP神经网络算法,所提算法训练得到的角位移与期望角位移的拟合程度更高,且在空间三维坐标系的位移误差更小。     

遗传优化LVQ神经网络在设备故障诊断系统中的应用

为了提高设备故障诊断的准确度,采用LVQ神经网络来完成设备故障定位及识别,并借助遗传算法求解LVQ神经网络权重初始值。在设备故障诊断的建模过程中,根据实际故障情况和故障常见类别建立LVQ神经网络的设备故障诊断模型,充分挖掘LVQ神经网络在机械设备故障诊断细粒度的优势,为了防止因为故障细粒度诊断而造成收敛过慢的情况,对LVQ神经网络的权重和阈值初值进行遗传算法求解,然后在进行LVQ神经网络的迭代训练,得到稳定的LVQ神经网络故障诊断模型。经过实验证明,相比于传统的LVQ神经网络算法,采用基于遗传算法优化LVQ神经网络的设备故障分类,分类准确度更高,训练时间更快。     

基于ESO的电动伺服系统RBF神经网络滑模控制

为了提高电动伺服系统的加载力跟踪精度,基于扩张观测器(ESO)和RBF神经网络,设计了一种自适应滑模控制器。ESO可以观测电动伺服系统的状态变量和外界扰动,解决实际工程应用中因对输出力直接微分造成的微分爆炸问题;利用RBF神经网络逼近系统存在的非线性不确定因素,将ESO观测到的状态变量、扰动项和RBF神经网络的估计值引入到滑模控制其中,实现对滑模控制的补偿,并通过构造李雅普诺夫函数对所提出的控制策略进行稳定性证明;在MATLAB/Simulink环境中搭建仿真模型,验证了ESO和RBF神经网络在不同工况下对系统相应量的精准估计,且误差均满足所设定的性能指标,同时与传统滑模控制进行了对比,所提出的控制策略能有效地解决传统滑模控制的抖振问题,加载力跟踪精度更高,鲁棒性能更优。     

基于改进PSO优化模糊神经网络的数控机床故障诊断技术研究

数控机床故障具有隐蔽性和复杂性的特点,为了快速准确地识别数控机床发生的故障,结合粒子群算法全局搜索能力强、寻优速度快及模糊神经网络容错能力强、自适应性强的特点,提出了将模糊逻辑、RBF神经网络及粒子群算法有机结合的数控机床故障诊断方法。为了改善粒子群算法局部搜索能力,在标准粒子群算法的基础上,改进粒子群的速度更新公式和惯性权重,以此优化模糊神经网络结构参数,从而建立起改进PSO优化模糊神经网络的数控机床主轴伺服系统故障诊断模型。实验和仿真结果表明:与RBF神经网络、标准PSO优化模糊神经网络相比,改进PSO优化模糊神经网络的故障辨识准确性更高、泛化能力更强。     

基于粒子群算法的RBF神经网络齿轮磨损预测

针对机械设备磨损难以预测问题,提出RBF神经网络预测模型,并结合粒子群算法优化模型参数。利用变速箱型号为SG135-2系列的K727840ZW齿轮磨损实验输入-输出数据,通过基于粒子群算法的RBF神经网络建立输出预测模型,并与传统的AR模型、BP神经网络模型及Hermite神经网络模型预测作比较。仿真结果表明,基于粒子群算法的RBF神经网络模型结构简单、预测精度高,验证了所提方法的有效性和实用性。     

基于CAPSO-RBF的磁悬浮系统控制研究

为解决传统控制器磁悬浮球系统快速性和稳定性易受干扰等问题,建立云自适应粒子群优化(CAPSO)的RBF神经网络监督控制器。通过RBF神经网络学习整定PD控制器的输出后采用云自适应粒子群算法对RBF网络的3个参数进行归一动态优化。采用原有RBF神经网络梯度下降法、粒子群算法、云自适应粒子群算法分别训练后进行对比控制仿真。结果表明：基于CAPSO-RBF的混合控制算法实现了磁悬浮球系统自适应控制,其动态性能和稳态性方面有较好的提升。     

采用神经网络模糊滑模控制的液压驱动活塞位置控制研究

针对液压驱动活塞运动轨迹和压力精度跟踪误差较大问题,设计了神经网络模糊滑模控制,并对控制精度进行仿真验证。创建了液压缸驱动平面简图,推导出液压缸腔室内部参数变化方程式。分析了液压缸驱动压力和位置的变化,采用线性模型建立输入和输出变换方程式。引用滑模控制方法,采用神经网络算法对滑模控制进行逼近,通过模糊切换规则对滑模控制进行自适应调整。采用MATLAB对液压缸活塞轨迹和腔室压力跟踪进行仿真验证,并且与滑模控制输出效果进行比较和分析。结果表明:采用滑模控制方法,液压缸活塞运动轨迹和腔室压力跟踪误差较大;而采用神经网络模糊滑模控制方法,液压缸活塞运动轨迹和腔室压力跟踪误差较小。采用神经网络模糊滑模控制方法,液压缸控制系统自适应调节能力较强,从而提高了活塞运动轨迹和腔室压力跟踪精度。     

两自由度并联机器人的RBF神经网络辨识滑模控制策略研究

针对两自由度并联机器人的轨迹跟踪问题,提出一种基于RBF神经网络辨识上界的滑模控制策略。该方案利用RBF神经网络对被控对象的不确定上界进行辨识,将所得的上界值适时送到滑模控制器,既发挥了RBF神经网络具有逼近任意函数的优点,又保留了滑模变结构控制的快速性和鲁棒性,达到了理想的控制效果。     

基于小波分析和RBF神经网络的轴承故障诊断研究

为了提高轴承故障信号的诊断性能,采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化,采用软阈值去噪方法滤除振动信号噪声,然后对振动信号矩阵化处理,接着构建RBF神经网络,输入轴承振动信号特征向量,初始化权重和阈值,最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明：通过差异化设置隐藏层神经元数量,确定合适的RBF神经网络规模,经过小波去噪可以有效提高轴承故障判别准确率,相比于常见轴承故障分类算法,算法具有更高的故障判别准确率。     

直驱转台伺服系统的优化神经网络滑模位置控制研究

针对直驱转台伺服系统存在参数变化、高度非线性、机械谐振等不确定性因素,提出一种优化神经网络滑模位置控制方法。利用两个神经网络控制器分别实现转台系统滑模控制中的等效滑模控制和滑模切换控制,并采用遗传算法优化神经网络的权值。仿真结果表明:采用该控制方法,直驱转台伺服系统的位置跟踪精度高,系统的鲁棒性强。