基于RBF神经网络的补燃火箭发动机频率预测

为避免建立或修改计算量巨大的发动机有限元模型,研究探讨径向基函数(radial basis function,RBF)神经网络在液体火箭发动机频率预测中的应用。以某型高压补燃液氧/煤油火箭发动机为研究对象,在考虑喷管内外壁材料差异的基础上,利用刚度和质量等效原则,建立了喷管有限元模型。然后采用分布参数法建立了补燃循环火箭发动机的有限元模型,同时利用模态试验数据修正有限元模型。根据结构灵敏度分析理论,选择不同的结构参数组合作为训练样本训练神经网络,并利用训练好的神经网络预测发动机结构频率。研究结果表明,RBF神经网络能较好地预测液体火箭发动机结构频率,预测误差在1.0%以内。同时该方法具有收敛速度快的优点,可广泛应用于火箭发动机数值仿真领域。     

基于神经网络的涡扇发动机中间稳态参数模型

从某型涡扇发动机飞行试验数据出发,基于三层前向神经网络,通过比较训练数据集、神经网络结构以及训练算法对输出结果的影响,确定了该型发动机中间稳态参数预测模型。利用非样本点飞行试验数据模型进行了检验,结果表明,通过神经网络建立的涡扇发动机中间稳态参数预测模型具有可靠的预测精度及模型推广能力,该方法对建立涡扇发动机健康监测模型具有一定的参考作用。     

摩托艇汽油机电控系统标定技术的研究

根据项目要求,结合摩托艇的特点,针对摩托艇用汽油机,建立了发动机稳态标定试验台架。研究摩托艇用汽油机电控系统稳态工况控制参数的标定过程,以及过渡工况的控制策略,通过试验实现了发动机在台架上的标定。     

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。     

机械增压直喷汽油机多电控参数的高效标定

结合一款3.0L V型六缸机械增压直喷汽油机,应用基于模型标定方法,建立了多电控参数的优化数学模型,完成了发动机进排气VVT角度、油轨压力、喷油时刻及滚流翻板位置等五个电控参数关联优化,并选择出最优控制变量,使发动机性能达到最佳。同时,利用发动机台架试验对所得优化参数进行了对比验证。结果表明:对于复杂发动机多电控参数优化,相较于全因子优化方法,基于模型标定方法较能大幅降低标定试验采样点数目,减少标定数据处理分析工作量,可实现高效标定。     

基于神经网络的脉冲电化学抛光建模方法研究

提出了通过建立径向基函数（RBF）神经网络模型对混粉脉冲电化学抛光效果进行预测的方法。在对影响混粉脉冲电化学抛光效果的因素进行分析和合理选择的基础上,确定了RBF神经网络模型的特征参数和目标参数。利用试验结果对模型进行训练学习,确定了RBF网络模型。利用该模型进行了表面粗糙度预测,预测结果与实际试验结果有较好的一致性,说明RBF神经网络对混粉脉冲电化学抛光效果的预测是有效的。     

基于经验模态分解与RBF神经网络的混合预测

为提高时间序列预测模型精度,根据各本征模态函数(intrinsic mode function,简称IMF)序列的变化特点,针对EMD-RBF神经网络隐含神经元数目及其中心数据选取问题,利用经验模态分解(empirical mode decomposition,简称EMD)的信号自适应处理能力和径向基函数(radical basis function,简称RBF)神经网络的非线性逼近能力,提出了一种基于EMD与RBF神经网络的混合预测方法。该方法将具有类似时频特性的本征模态函数分别建立RBF神经网络预测模型,采用基于统计分析的k-均值聚类方法自适应确定RBF模型参数,最后将各IMF-RBF神经网络预测结果进行重构得到最终预测结果。仿真结果表明,该方法充分考虑到各IMF本身的特性,增强了时序的可预测性,预测性能比传统反向传播(back propagation,简称BP)神经网络和小波BP神经网络更优越。将该方法应用在某装备温控系统性能监测中,其温度参数最大预测误差远小于传感器误差,说明将该方法在该装备故障预测中是可行的。     

基于RBF神经网络的光纤电流互感器温度补偿

光纤电流互感器在实际运行中易受外界温度影响,其输出精度会出现漂移偏差。为提高光纤电流互感器测量比值误差的温度稳定性,提出了基于RBF神经网络的光纤电流互感器温度补偿方法。将温度和温变率作为神经网络输入、光纤电流互感器的比值误差作为输出,建立了RBF神经网络温度补偿模型。相比BP神经网络,仿真结果显示,基于RBF神经网络的温度补偿模型准确度较高,预测结果误差低于3%。同时,经过RBF神经网络温度补偿,实验结果表明,光纤电流互感器在输出比差小于±0.1%,满足GBT20840.8标准规定的0.2S级准确度。     

应用径向基函数神经网络的经纬仪跟踪误差建模

提出了一种基于径向基函数(RBF)神经网络建立光电经纬仪等效跟踪误差模型的方法来评价光电经纬仪的跟踪性能.分析了光电经纬仪存在的非线性因素,说明了采用理论建模方法难以准确描述其全部过程的原因.然后,介绍了RBF神经网络和靶标系统,基于一组靶标参数建立了RBF神经网络模型,并更换靶标参数进行模型验证.最后,对更换后的靶标参数进行重新训练建模,并改变参数周期,对模型进行了验证.实验结果表明:所建的神经网络模型精度与靶标参数有关,当动态靶标的半椎角a为21.2°,倾角b为43.8°,靶标匀速运行周期T为8.5s时,网络模型在靶标速度最大时误差也达到最大为3.18′,其它时刻均小于0.6′.当a为16.6°,b为37.5°,T为13 s时,模型最大误差为1.8′左右,在此模型下真实输出与网络模型输出的最大偏差为2.4′左右,其它时刻均小于1.2′.结果表明,采用RBF神经网络所建立的跟踪误差模型能够反应真实系统的情况,是可行实用的,且具有较高的精度和泛化能力.     

汽油机加速瞬态油膜补偿技术研究

为了提高汽油机空燃比控制精度,满足动力性、经济性与排放性能要求,对汽油机加速瞬态工况油膜动态效应补偿技术进行研究。采用Elman神经网络对油膜参数进行辨识,通过仿真软件建立了汽油机油膜加速瞬态补偿器模型。基于mototron快速原型开发平台对设计的油膜补偿器模型进行策略移植、下载与标定,并通过离线仿真和试验进行验证。结果表明:Elman神经网络可以对汽油机油膜参数进行准确辨识,并且可以消除油膜动态效应对空燃比的影响,油膜补偿器能对汽油机加速瞬态工况下喷油进行有效补偿,更好的控制发动机加速瞬态过程中的空燃比。     

基于两相流体网络的翅片管换热器仿真模型研究

基于两相流体网络,建立了针对具有复杂流路布置的翅片管换热器稳态通用分布参数仿真模型。模型考虑了实际换热器内部存在的翅片间导热,这使模型的建立假设更接近于实际的换热条件。通过对给定参数的实际换热器性能预测结果与实验结果对比分析表明,该模型和算法可以对具有复杂管排布置和连接方式的翅片管式换热器稳态性能进行仿真(其仿真误差小于5％),完全达到工程运用的要求。该模型可以用来预测和分析具有复杂制冷剂流路的翅片管换热器稳态性能。     

基于Matlab/Simulink的齿轮传动涡扇发动机建模仿真

基于Matlab/Simulink高级图形化仿真环境,利用图形模块化建模技术和部件级模型建模方法,建立某型齿轮传动涡扇发动机的稳态模型。该稳态模型由牛顿-拉夫逊法数值求解。其中,选取最大连续爬升、最大巡航等典型稳态工况点,对比稳态模型的仿真值与虚拟试验平台的试验值,结果表明,设计点相对误差小于2%,非设计点相对误差小于4%.稳态模型精度较高,为齿轮传动涡扇发动机性能分析和动态模型的研究奠定了基础。     

基于BP神经网络的铝合金搅拌摩擦焊接头疲劳性能研究

以焊接母材、搅拌头旋转速度、焊接速度、轴向压力、搅拌头倾角和板材厚度为输入参数,以疲劳寿命为输出参数,构建6×18×9×1四层拓扑结构的铝合金FSW接头疲劳性能BP神经网络模型,并进行了试验验证和产线应用研究。结果表明,神经网络模型具有较高的预测能力和预测精度,相对训练误差小于5.5%、相对预测误差小于6%;生产线上铝合金板材的搅拌摩擦焊工艺参数经神经网络优化后,接头疲劳寿命较神经网络优化前增加51.11%,接头疲劳性能显著提高。     

乘用车发动机电控冷却系统控制问题研究

为了提高乘用车发动机的整体性能,使其在多种工况下都能在最适宜的温度下工作,需对乘用车发动机电控冷却系统的控制方法进行分析研究。现建立乘用车发动机电控冷却系统模型,利用控制律对发动机冷却系统进行控制,并进行了实验,结果表明,该方法能够对乘用车发动机电控冷却系统进行精确控制,控制误差小于5%,效果令人满意。     

航空发动机高压转子转速(N2)基线的建模方法

为实现航空发动机在巡航过程中的实时监控及时发现N2参数的异常变化,提高飞行安全水平,提出一种航空发动机N2基线的建模算法,通过基线可进一步求得N2的偏差值,进而对航空发动机进行实时性能监视。依据设定的飞行数据筛选原则和预处理方法建立模型样本,设计以高斯函数为隐含层激励函数和以线性函数为输出层激励函数的多输入单输出的RBF神经网络,通过Pearson相关性分析确定网络的输入节点,使用该网络得到预测N2基线。最后对预测偏差值和观测偏差值实施两配对非参数检验以验证网络精度,结果表明该方法是计算航空发动机巡航状态下N2基线的一种有效算法。     

基于模糊RBF神经网络的异质材料铆接接头性能研究

针对异质材料之间的铆接接头普遍存在可靠性较低和连接性差的问题,采用模糊RBF神经网络方法,研究了钣金材料铆钉尺寸、冲头行程等工艺参数对接头力学性能的影响。将模糊RBF神经网络模型引入到分析模型,建立了钣金材料铆钉尺寸、冲头行程等工艺参数与接头的剪切力、剥离力强度等力学参数的映射关系,最终实现了铆接接头力学特性的预测。研究结果表明:相比于传统BP神经网络,模糊RBF神经网络模型的剪切强度和剥离强度相对误差均明显降低,基于模糊RBF神经网络的预测模型能够较准确地描述工艺参数与铆接接头力学性能之间的关系。     

BP神经网络与广义RBF神经网络在产品寿命分布模型识别中的应用研究

通过分析BP神经网络和广义径向基神经网络(RBF神经网络)的基本结构和算法,建立了应用于机械产品的寿命分布类型智能识别的BP神经网络和RBF神经网络模型,通过仿真实验对比分析了BP神经网络和RBF神经网络识别效能。结果表明,RBF神经网络参数调整简单、训练时间短,且逼近能力与BP神经网络相当,但是推广能力较差;BP神经网络收敛缓慢、训练时间长,但推广能力较强,更适合分布参数变化范围大的寿命分布模型的识别。     

广义径向基函数神经网络在热误差建模中的应用

针对现有的热误差建模方法建模效率低,模型预测精度不理想等问题,提出了广义径向基函数神经网络(RBF)建模方法并将其应用于数控机床热误差建模中。讨论了采用广义RBF神经网络进行热误差建模的原理及步骤。以数控导轨磨床主轴箱系统为例,布置了12个主轴热误差的关键温度测点,测得了2组独立的主轴箱系统热误差数据。将测得的数据分别用于建立主轴箱系统热误差广义RBF神经网络预报模型和验证模型的准确性。研究结果表明,热误差广义RBF神经网络模型具有预测精度高及泛化能力强的优点;与传统的RBF神经网络建模方法相比,提出的广义RBF神经网络建模方法建模效率更高,模型鲁棒性及预测性能更好,是一种可以用于数控机床热误差实时补偿的有效建模方法。     

基于小波神经网络的涡轮增压发动机性能预测研究

为了能够准确地预测出涡轮增压发动机的性能参数值,利用了小波神经网络建立对其进行性能预测的神经网络模型,可以研究涡轮增压发动机主要指标与性能参数之间的关系.根据粒子群优化算法,利用MA丁LBA软件实现了小波神经网络计算,对涡轮增压发动机了性能预测,预测效果表明,小波神经网络预测模型具有较的预测精度.     

基于RBF神经网络的VAV空调系统

变风量空调系统具有非线性和动态特性.目前,在VAV空调控制领域应用最广泛的神经网络是静态前馈Bp神经网络,而RBF是在Bp人工神经网络基本结构的基础上,通过存储内部状态使其具备映射动态特征的功能,从而使系统具有适应时变特性的能力.文中分别采用Bp神经网络与RBF神经网络建立模型,对VAV空调系统的少量参数的数据进行仿真预测,经比较分析,证明后者具有收敛速度快、预测精度高的特点.这表明利用RBF回归神经网络建模是可行的,其在VAV空调控制系统的研究领域有着较好的应用前景.