基于神经网络的EHPS车辆操纵稳定性研究

为研究EHPS车辆的操纵稳定性,利用神经网络的泛化能力拟合出任意车速下的电机转速和车速、转向盘角速度的关系,从而得到合理的助力特性曲线.以此为基础对EHPS系统进行建模和仿真.通过仿真,分析不同车速和不同转向盘转角输入速度对汽车操纵稳定性的影响.通过试验验,将仿真结果与试验结果对比,验证了该方法的正确性.     

基于RBF神经网络代理模型的车辆/轨道参数多目标优化

为探究车辆与轨道参数多目标优化问题,基于RBF(Radial Basis Function)神经网络代理模型对车辆/轨道参数实现多目标优化以改善车辆的动力学性能.通过构建高速列车车辆-轨道耦合动力学仿真模型,借助UM与Isight联合仿真技术分析车辆与轨道参数对动力学性能的灵敏度影响,以灵敏度占比最大的8个参数为设计变...     

基于RBF神经网络的PID车辆主动悬架控制

悬架系统对所有车辆驾驶系统来说都是不可或缺的重要部分,它会直接影响车辆驾驶的稳定性和乘车人员的平稳舒适性。由于被动悬架无法随路面的变化而自动进行优化调整,因此基于二自由度1/4汽车主动悬架模型,通过MATLAB仿真实验,提出了使用基于RBF神经网络的PID控制器来控制主动悬架的策略。     

EPS助力特性的改进RBF神经网络方法

针对电动助力转向(EPS)助力特性的非线性问题,提出应用径向基(RBF)神经网络强非线性能力进行电动助力转向(EPS)助力特性曲面拟合方法,并做出改进。应用改进均值聚类方法(k-means)对数据进行聚类,获取基函数参数,再用梯度下降法训练网络权值,并利用最优停止法对网络进行了优化。实验结果表明,该改进方法避免了过拟合现象,提高了网络的泛化能力,并且具有网络训练时间短,拟合的曲面精度高,预测能力强等优点。     

基于RBF神经网络的中厚板轧制宽展模型

以4200轧机轧制钢板的实测数据为基础,利用Matlab神经网络工具箱,建立了中厚板轧机宽展的RBF神经网络预测模型。通过分析宽展的影响因素,结合传统的数学模型,确立了网络的输入层参数,并对宽度系数spread进行试验调整,确定了最佳的网络结构形式,提高了模型的预测精度。通过实例比较了RBF模型与BP模型的预测效果,并且分析了不同参数下RBF神经网络逼近精度。结果表明,RBF神经网络模型有较好的收敛速度和预测精度,能更好地适用于中厚板轧机宽展模型。     

RBF神经网络用于家用空调系统匹配特性的研究

RBF神经网络是目前应用较多的一种神经网络。它能以任意精度逼近任意非线性函数,具有良好的逼近性能,并且结构简单,是一种性能优良的神经网络。因此,将RBF神经网络应用于家用空调匹配仿真研究时具有独特的优势。提出采用RBF神经网络估算制冷量和压力来优化研发过程,仿真结果表明,RBF神经网络运用于家用空调匹配仿真,能够精确仿真空调制冷量和低压力等参数,并预测制冷量和压力,能有效地减少家用空调匹配时间,提高研究效率。     

基于RBF神经网络的丝杠热误差模型研究

数控机床的定位精度是反映机床性能的一项重要指标,由丝杠和螺母相对运动产生的热变形严重影响定位精度。结合丝杠热变形的非线性等特点,采用径向基函数神经网络方法建立丝杠热变形误差模型。同时在XHFA2420大型仿形定梁龙门加工中心,对模型进行了实验验证。     

车辆操纵稳定性电子控制模型与系统

介绍车辆操纵稳定性电子控制系统的基本原理,建立二自由度汽车操纵稳定性控制模型,利用运动微分方程和汽车的几何参数,分析汽车行驶过程中的过多转向、不足转向或中性转向情况;简述为保证能有效控制汽车的实际运动,提高安全性能,对控制系统的基本要求及实际的系统构成。     

基于RBF神经网络模型的数控车床主轴箱优化设计

针对复杂机床结构优化中,通常难以获得设计变量与性能目标之间显式函数关系式的问题,提出了一种基于RBF神经网络模型和组合优化策略的结构优化设计方法。以某型精密数控车床主轴箱为研究对象,通过有限元软件ANSYS Workbench和多学科优化软件Isight联合仿真技术对主轴箱设计尺寸进行最优拉丁超立方实验设计和灵敏度分析,根据实验样本点构建RBF神经网络模型代替主轴箱有限元模型。采用多岛遗传算法(MIGA)和序列二次规划法(NLPQL)相结合的组合优化策略,对RBF神经网络模型进行优化设计。优化结果表明,在保证主轴箱静动态性能的前提下,质量减轻12.89%,达到了预期的效果。     

实验数据RBF神经网络模型中噪声的处理方法

实验数据的非线性建模,是对各种仪器、设备的性能进行校正和补偿的基础.讨论了神经网络非线性建模时数据中的噪声成分造成的过拟合现象以及对模型精度的影响,针对RBF网络给出了2种提高建模精度的方法建模数据预处理法和网络参数优化法.在数据预处理方法中,根据建模样本的特点,分别采用滑动平均法和灰色模型法对原始建模数据进行修正,并分析了它们的适用场合;对于后一种方法,选择径向基函数分布宽度和学习目标进行优化.以精密平台为例进行了实验,通过对其定位误差的测量、建模和预测,证明了上述各种方法的有效性,特别是后一种方法,可以得到非常高的建模精度.     

基于RBF神经网络的汽包水位软测量模型研究

热工系统往往表现出非线性和不确定性．难以建立精确的数学模型。以汽包水位为对象．结合机理分析确定原始变量作为神经网络的输入．通过k均值聚粪法则与梯度下降法实现了网络的学习功能，并最终建立了基于RBF神经网络的软测量模型。阐述了RBF神经网络在汽包水位洲量中的建模与应用。仿真实验表明该模型具有简单易行．精度高、训练时间短、运算速度快的特点．为汽包水位测量提供了一种新的方法。     

基于RBF神经网络的道路交通事故损失因子模型研究

分析了径向基神经网络（RBF神经网络）模型的特点,并结合我国历年道路交通事故统计数据,利用RBF神经网络模型,对道路交通事故损失因子进行了建模研究。在此基础上,应用Madab软件对模型进行了计算实现,并对计算结果进行了分析,结果表明模型令人满意。     

基于RBF神经网络的人脸识别

介绍了RBF神经网络在人脸识别中的应用;通过理论分析和实验效果突出了RBF神经网络在机器学习中的优势。实验结果证明:RBF神经网络具有运算速度快、识别率高、算法简单等特点。在训练样本减少的情况下,该学习机的分类性能没有明显退化。因此,RBF神经网络是一种性能优异的学习机。     

基于驾驶员模型的4WS车辆操纵稳定性研究

建立了四轮转向车辆(4WS)的动力学模型,基于单点预瞄的驾驶员数学模型,编写了四轮转向车辆在S型道路和复杂赛车跑道行驶的闭环运动仿真程序,对比例控制策略的四轮转向车辆进行运动学和动力学进行高速动态仿真。仿真结果表明:在高速行驶下的四轮转向车辆操纵稳定性优于前轮转向车辆,系统具有良好的动态特性,更能有效地提高车辆瞬态操纵稳定性和安全性。     

基于RBF神经网络代理模型的装载机空调送风参数优化

装载机在夏季高温环境中作业时,为提高其空调降温效果,故以驾驶室内座椅区域的热流量和平衡温度为优化目标,对送风速度、温度、角度3个空调送风参数进行优化研究。首先,对装载机驾驶室内部流场进行分析,利用Isight优化设计平台集成Fluent;其次,选用最优拉丁超立方设计获取样本点,采用径向基函数（RBF）神经网络代理模型;最后,结合遗传算法对装载机空调送风参数进行多目标优化,通过实验对优化结果进行验证。结果表明：优化后装载机驾驶室内座椅区域的热流量增加了55.03 W,平衡温度略有降低,驾驶室内获得较好的气流组织,散热效果明显改善。     

基于RBF神经网络模型的司太立合金磨损量预测

司太立(Stellite)合金是一种能耐各种类型磨损、腐蚀以及高温氧化的硬质合金.为研究其磨损性能,以Stellite6为例,在自行设计的摩擦磨损机上进行室温干摩擦和润滑条件下的磨损实验.以实验数据为基础,建立该合金磨损量的RBF神经网络预测模型.结果表明:RBF神经网络预测模型具有较好的收敛效果和预测精度,具有良好的应用前景.     

考虑车身侧倾的四轴车辆操纵稳定性模型研究

为掌握四轴车辆操纵稳定性的基本特性,基于动量定理和动量矩定理,建立了三自由度操纵稳定性模型,该模型考虑了车身侧倾对车辆操纵稳定性的影响,较二自由度模型能够更真实地反映实际的四轴车辆运动情况。通过对所建立的四轴车辆操纵稳定性模型进行前轮转角阶跃输入响应进行仿真,分析了质心高度、质心前后位置、悬架等效侧倾角刚度、车身质量等车辆参数的变化对车辆操纵稳定性的影响,为车辆优化设计提供理论基础。     

软路面下非公路车辆操纵稳定性分析

为精确分析软路面下非公路车辆的操纵稳定性,考虑路面沉陷变形和不平度的影响,建立了弹性轮胎-变形地面相互作用模型,并采用随机正弦波法得到空间三维路面谱。在此基础上建立非公路车辆转向过程中的地面-轮胎-车辆耦合系统,通过Matlab/Simulink求解得到不同路面激励下汽车横摆角速度和侧偏角响应曲线。仿真对比分析表明,软路面激励下横摆角速度和侧偏角的稳态值较之硬路面分别减小12.33%、36.14%,稳态时间相应增大1.29s、1.46s,验证了沉陷变形和不平度影响对非公路车辆操纵稳定性分析的必要性。     

基于RBF神经网络的齿轮箱故障诊断

阐述径向基函数(radial base function,RBF)神经网络的基本原理和算法,将其应用于齿轮箱故障诊断与识别,建立齿轮箱的BRF故障诊断模型,并与BP(back propagation)神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明,RBF神经网络性能优于BP神经网络,具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力,非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意,RBF网络的训练样本必须含有一定的噪声,以提高网络的容噪性能;各类故障的训练样本数不能太少,否则RBF网络的故障分类能力很差。