冷却塔内两相流流态辨识方法研究

提出了一种基于模糊聚类分析和神经网络辨识冷却塔内两相流流态的新方法。借助聚类分析方法所得的结果和获得的隶属度,利用神经网络进行流态辨识。结果表明:这种方法具有较高的精度和运行速度,为实现冷却塔实时控制提供了一种有效的手段。     

喷水室内两相流流态辩识方法研究

提出了一种基于模糊聚类分析和神经网络辨识喷水室内两相流流态的新方法.借助聚类分析方法所得的结果和获得的隶属度,利用神经网络进行流态辨识.结果表明:这种方法具有较高的精度和运行速度,为实现喷水室实时控制提供了一种有效的手段.     

基于电容层析成像系统测量信号稀疏性的两相流流型辨识

提出了基于电容层析成像(ECT)测量电容信号稀疏性的两相流流型辨识算法,该算法首先使用所有流型对应的归一化测量电容值信号构建一个过完备字典,并将待辨识样本通过该过完备字典进行稀疏表示,使其具有稀疏性并满足稀疏重构的基本要求,然后以压缩感知的正交匹配追踪(OMP)算法求取各标准样本对应于完备样本集的稀疏解,最后根据待辨识样本与标准样本稀疏解之间的线性相关程度进行流型辨识。使用该方法对5种典型的两相流流型识别进行了仿真及实验研究,结果表明:该方法的流型正确识别率均高于98%。     

基于MO-PLP-ELM及电容层析成像的两相流流型辨识

提出一种基于多目标优化并行感知器的极限学习机(MO-PLP-ELM)及电容层析成像(ECT)技术的两相流流型辨识算法.首先,为保证样本具有代表性,采用随机思想生成7类流型的训练及测试样本集;其次,对样本模型的电容数据归一化处理;最后,采用MO-PLP-ELM算法进行流型辨识,并与常用的BP神经网络、支持向量机、极限学习...     

基于粒子群优化极限学习机及电容层析成像的两相流流型及其参数预测

提出了一种基于粒子群优化极限学习机及电容层析成像的两相流流型辨识及其参数预测方法。首先,通过粒子群优化极限学习机的连接权值,并使用粒子群优化极限学习机算法对4种典型的油-气两相流流型进行辨识;其次,使用粒子群优化极限学习机算法对流型的参数进行预测;最后进行了仿真实验,结果表明,与极限学习机算法相比,粒子群优化极限学习机算法所需隐层节点数更少,流型辨识率更高,其正确辨识率达100%,对4种流型参数预测的最大相对误差为5.24%。     

基于1D-CNN-AdaBoost及电阻层析成像的两相流流型辨识

基于电阻层析成像(ERT)系统采集的垂直管气液两相流测量数据,将一维卷积神经网络(1D-CNN)与AdaBoost(Adaptive Boosting)相结合,构建1D-CNN-AdaBoost算法,进行了气液两相流流型辩识研究。该算法使用5个1D-CNN作为弱分类器,通过实验数据样本训练,结合AdaBoost形成最终的强分类器。将1D-CNN-AdaBoost算法与BP神经网络、支持向量机及决策树算法进行比较,结果表明,1D-CNN-AdaBoost算法辨识正确率高于其他算法,平均辨识正确率可达97%。     

基于电容测量和PCA法的两相流相浓度检测方法

介绍利用电容层析成像系统阵列传感器结构和采样特点,引入主成分分析法(PCA)求取两相流相浓度的新方法.对大量测量值样本进行统计分析后,求出用测量值第一主成分求取相浓度的经验公式,仿真及静态实验表明:两者之间有着良好的对应关系,其测量结果不受两相流流型的影响,是一种有较好应用前景的测量方法.     

多类型特征量的油水两相流流型识别算法

本文以收敛型微通道中油水两相流的流型识别为对象,将高速摄像法与神经网络算法相结合,提出了高效的、可视化的、智能化的两相流流型识别方法。该方法采用了包含图像纹理参数和流型无量纲参数的多类型特征量,更精准区分6种流型的不同特点,流型识别的收敛速度和准确率更高。BP神经网络的识别率为92. 5%,Elman神经网络的识别率为93. 7%,Elman神经网络在收敛速度与准确率方面优于BP神经网络。     

基于小波包与Elman神经网络的气力提升装置流型识别技术研究

气力提升装置流型对气液流动特性及提升系统性能均有很大的影响,但由于气液两相交界面形态以及截面含气率动态变化、气液两相速度复杂难测等原因,致使提升管流型亦交替变化且不易识别。针对这一难题,提出了基于小波包分析与Elman神经网络的流型辨识策略:利用小波包分析方法提取提升装置压差信号各频带能量特征值,借助Elman神经网络辨识技术,以各频带能量为Elman网络输入变量,以流型为输出变量,通过对Elman神经网络进行大量数据训练。从而对提升系统流型进行辨识。实验结果表明,该方法对流型辨识精度达到了92.6%,比BP网络高6.5%,能有效对提升管流型进行辨识。     

基于多元经验模态分解与卷积神经网络的气液两相流流型识别

提出了一种基于多元经验模态分解(MEMD)与卷积神经网络(CNN)的垂直管道气液两相流流型识别方法。该方法基于数字化电阻层析成像(ERT)系统采集的测量数据,预处理后进行MEMD分析,通过求取各分量与原始信号的皮尔逊相关系数选取本征模函数(IMFs)并求解Hilbert边际谱,提取Hilbert边际谱的标准差与均值作为卷积神经网络(CNN)输入以识别流型。结果表明,该方法能够有效识别泡状流、弹状流、段塞流,平均识别准确率可达96.43%。     

模糊神经网络在精密三轴转台机械台体故障诊断中的应用研究

针对三轴转台机械台体故障,提出了一种基于模糊神经网络的故障诊断方法,给出了模糊神经网络的结构和学习算法,并阐述了模糊故障诊断原理和故障判别方法将振动信号和电流噪声信号结构用于机械台体的故障诊断,测试结果表明,该方法是有效的。     

基于自适应模糊神经网络的DMFC温度建模和控制

针对DMFC电堆的实时控制要求，应用自适应模糊神经网络技术对DMFC电堆的工作温度进行辨识建模和控制。在温度控制过程中，将训练好的网络模型作为DMFC电堆控制系统的参考模型，并对控制模型的参数进行在线自适应调整。仿真结果表明所设计的自适应模糊神经控制器性能优越。     

MCFC型燃料电池的神经网络建模与基于FGA的模糊控制研究

为了提高燃料电池的发电性能,熔融碳酸盐燃料电池(MCFC)堆的运行温度应该控制在一个合适的范围内。本文首先利用RBF神经网络辨识复杂非线性系统的能力,基于实验的输入输出数据,建立起MCFC电堆的神经网络温度模型;然后设计了MCFC电堆工作温度的一个基于模糊遗传算法的在线模糊控制器,用模糊遗传算法同时优化模糊控制器的参数及规则。最后用神经网络的辨识模型代替实际的电堆进行控制仿真,仿真结果证明建模是有效的,所设计的模糊控制器具有较好的性能。     

一种基于软计算的转子故障诊断方法

提出了一种基于软计算的转子故障诊断方法。该方法充分利用软计算中的模糊集合理论,人工神经网 络,粗糙集理论和遗传算法等计算方法优势,弥补它们相互的不足,进行故障诊断。首先利用粗糙集理论对样本数据进 行初步规则获取,并计算规则的依赖度和条件覆盖度,然后根据这些规则进行网络设计,其中,网络隐层节点的数目等于 规则的数目,初始网络权重由规则的依赖度和条件覆盖度确定,最后用遗传算法对模糊神经网络参数进行优化。使用该 网络对转子类常见故障进行诊断。实验表明,和一般模糊神经网络相比,这种基于软计算的诊断方法具有训练时间短、 诊断准确率高的特点。     

基于DSmT与小波网络的齿轮箱早期故障融合诊断

针对齿轮箱早期故障特征十分微弱难以有效辨识问题,提出基于DSmT理论与小波神经网络的齿轮箱早期故障融合诊断模型。利用多个振动传感器合理布置在齿轮箱的多个关键部位采集多源振动信息并进行特征提取;利用多个并联小波神经网络实现齿轮箱早期故障的初级诊断获得彼此独立的多个证据;利用DSmT理论对多个独立证据进行融合决策得出齿轮箱的最终诊断结论。DSmT理论克服了传统DST证据理论的局限性,小波神经网络实现多源证据信度分配的客观化。诊断实验结果表明,该方法能有效提高齿轮箱早期故障特征的辨识精度、降低诊断的不确定性。     

基于模糊神经网络的数据融合结构损伤识别方法

为了有效利用结构健康监测系统中的多源传感器数据信息,提高损伤检测与评估的识别正确率,该文通过构造模糊神经网络分类器,提出了一种基于模糊神经网络的数据融合损伤识别方法并将之应用于结构健康诊断中。它先通过数据预处理,提取原始响应信号中的特征参数,接着将之作为模糊神经网络的输入,构造模糊神经网络模型进行识别决策,最后运用数据融合算法,计算出数据融合后的决策结果。为了验证所提方法的有效性,通过一个7自由度的建筑模型,分别用单一模糊神经网络决策器和数据融合损伤识别方法进行了损伤识别和比较。研究结果表明:该文所提方法比单一决策结果更准确、可靠。     

基于模糊RBF神经网络的水下机械臂控制研究

针对水下复杂工作环境下机械臂控制性能易受影响,而传统控制方法效果不佳的问题,提出了一种基于模糊RBF（radial basis function,径向基函数）神经网络的智能控制器,用于精确、稳定地控制水下机械臂。考虑到在水扰动环境下,机械臂通常受到附加质量力、水阻力和浮力的影响,运用拉格朗日法和Morison方程,建立包含水动力项的二杆机械臂动力学模型,通过模糊RBF神经网络对水下机械臂动力学方程中的水动力不确定项进行总体识别并拟合,利用模糊系统启发式搜索和RBF神经网络推理速度较快的优点,使水下机械臂系统具有较高的控制精度和较强的自适应性。考虑到水动力项,采用Lyapunov稳定性理论验证了水下机械臂系统的稳定性。最后利用MATLAB对二杆机械臂进行轨迹跟踪控制仿真实验,并对比模糊RBF神经网络与常规RBF神经网络识别方法和传统模糊控制方法的控制效果。仿真结果表明：与常规RBF神经网络识别方法相比,模糊RBF神经网络控制下二杆机械臂关节1的响应时间缩短了91%,相对误差减小了88%,关节2的响应时间缩短了92%,相对误差降低了77%;与传统模糊控制方法相比,关节1的相对误差减小了65%,关节2的相对误差减小了10%。研究结果表明模糊RBF神经网络的控制效果优于常规RBF神经网络识别方法和传统模糊控制方法,可为水下机械臂的控制提供一种精度较高、较有效的方法。     

旋转机械故障诊断的神经网络方法研究

BP神经网络具有较好的非线性映射能力,可以描述频率特征和故障之间的关系,而概率神经网络学习规则简单、训练速度快、避免局部极小和反复训练的问题。根据两种神经网络的原理选择合适的参数建立两个旋转机械故障诊断模型,并利用模型对某旋转机械的故障数据进行处理,结果显示两种网络在故障诊断方面的实用价值。通过对故障数据的结果对比可以看到PNN网络比BP网络具有更好的容错能力。