基于径向基函数神经网络的发动机磨损预测分析

针对BP神经网络算法的不足,利用径向基函数(RBF)神经网络建立设备的磨损预测模型,对光谱分析数据进行实例仿真,并与BP网络模型进行对比研究.仿真结果表明,该模型预测精度高,训练时间短,大大优于BP神经网络模型.     

基于PSO-RBF神经网络的锂离子电池健康状态预测

针对传统方法估计锂离子电池健康状态(SOH)时内部参数测量困难等问题,提出一种基于粒子群优化径向基函数神经网络的锂离子电池SOH预测方法。通过对锂离子等效模型的研究,结合充放电过程的实验数据,确定了影响锂离子电池SOH特性的几个关键参数。将试验数据输入仿真模型进行网络训练和校验。仿真证明,相比BP神经网络和普通RBF神经网络,该算法的预测精度可提高20%,节省66.7%以上的优化时间。     

提高动态流量软测量实时性的RBF中心优化算法

针对液压伺服系统动态流量软测量模型中神经网络训练精度和训练速度难以同时提升的问题,引入减聚类(SCM)算法将原训练样本集映射成初始径向基函数(RBF)中心集,并确定基函数宽度;利用敏感性分析算法(SenV)对基函数的中心进行优化,从而减少神经网络隐层节点数目;在根本上为同时提升神经网络训练精度和训练速度提供保障.实验表明,神经网络的隐层节点数可降低至少30%.     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

基于改进RBF神经网络的非线性时间序列预测

本文基于一种改进的径向基函数(RBF)神经网络,进行了非线性时间序列的在线预测研究.该RBF网络通过次胜者受惩算法(RPCL)根据样本信息合理调节隐层中心,通过递归正交最小二乘算法(ROLS)更新网络输出层的连接权重.算法学习速率较快,从而提高了网络的实时性能.仿真结果表明该学习算法的实用性和有效性.     

基于改进的RBF神经网络的滚动轴承故障诊断

该文阐述了径向基函数(radial basis function,RBF)神经网络的基本原理和算法,并针对RBF神经网络存在的隐含层的隐层单元数目及中心向量、扩展参数难以确定的问题,利用减聚类算法进行RBF网络的改进,建立应用于滚动轴承故障诊断与识别的RBF神经网络智能识别模型,并通过实验与BP(back propagation)神经网络进行比较分析研究。结果表明,减聚类算法能够有效地确定网络参数,改进的RBF神经网络对预设滚动轴承故障能够准确诊断,并且具有训练速度快的特点。     

机械臂神经网络控制优化与仿真

为了提高机械臂末端连杆运动轨迹控制的稳定性,在径向基函数(RBF)神经网络控制器的基础上,采用混合算法优化RBF神经网络控制器.用两个径向基神经网络单元作为自适应控制器,其中一个作为输入端的控制器,另一个作为机械臂的辨识器.将混合算法优化应用到这两个神经网络单元中,以改善网络结构参数对神经网络控制和辨识性能的影响,在Matlab环境下进行了仿真实验,并与RBF神经网络控制器跟踪效果进行对比.仿真结果显示:在受到不确定因素干扰时,机械臂末端连杆采用改进RBF神经网络控制器产生的误差较小,系统反应速度较快,转矩波动较小.机械臂末端连杆采用改进RBF神经网络控制器,具有抗干扰的能力,快速保持系统输出的稳定性.     

基于结构最优化RBF神经网络的润滑油金属含量预测

航空发动机的磨损机制十分复杂且受诸多不确定因素影响,传统预测方法难以对其磨损趋势进行有效预测.提出一种结构最优化RBF(径向基函数)网络预测模型,采用改进的粒子群算法同时优化模型嵌入维数、核函数宽度及训练误差目标值,实现了RBF网络预测模型最优结构的自动获取.将该方法用于某型航空发动机润滑油金属含量预测,并与传统自回归模型对比,结果证明了该方法的有效性及优越性.     

基于PSO优化RBF神经网络的反应釜故障诊断

针对单一径向基函数(RBF)神经网络在反应釜故障诊断中泛化能力不足的缺点,设计了基于粒子群(PSO)算法优化的RBF神经网络。利用PSO算法操作简单、容易实现等特点及其智能背景,对RBF神经网络的参数、连接权重进行优化,并用经PSO算法优化的RBF神经网络对反应釜故障进行仿真诊断。仿真诊断结果表明,PSO算法优化的RBF神经网络具有较好的分类效果,较RBF诊断模型精度高、收敛快,具有推广应用价值。     

基于径向基函数神经网络的超分辨率图像重建

为了突破成像极限,经济可行地获取高质量的卫星图像,提出了一种基于径向基神经网络的超分辨率图像重建算法。以径向基神经网络为基础,依据卫星图像退化模型获取网络训练所需的学习样本图像,采用向量映射的方式加速网络收敛。其中,径向基函数的中心、宽度及网络的隐含层数、连接权值是决定径向基神经网络的关键参数,直接关系到网络的重建性能。采用最近邻聚类算法,动态地建立起基函数的中心及宽度,自适应地确定网络的隐含层数及连接权值。建立起的径向基函数神经网络显著地提高了图像重建性能和网络收敛速度(221s即可收敛)。仿真实验和泛化实验表明,训练好的径向基神经网络可以有效地进行卫星图像的超分辨率重建,效率高,误差小。     

一种基于动态最近邻聚类算法RBF网络非线性系统复合控制器设计

针对RBF网络的设计难点,提出一种动态确定隐层节点数和聚类中心的新方法。并基于逆动力学的思想,提出一种RBF网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF网络结构和动态最近邻聚类算法,实现了对系统逆动力学的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性系统,从而使非线性对象的控制问题简化成线性对象的问题。仿真结果证明了该控制策略具有良好的动态跟踪性能和抗干扰能力,具有较强的鲁棒性。     

RBF神经网络的混合结构优化算法

本文改进了递归正交最小二乘（ROLS）算法的停止条件，并用改进的ROLS算法优选RBF神经网络中隐单元的个数；借用细菌群体趋药性（bacterial colony chemotaxis，BCC）算法的思想来确定RBF神经网络隐层神经元的控制参数；把改进的ROLS算法和BCC算法相结合（ROLS-BCC算法），来全结构优化RBF神经网络，使RBF网络不但可以得到合适的结构，同时也可以得到合适的控制参数。实验结果表明，本文算法的优化效率高，优化后RBFNN的结构小，并且提高了RBFNN的泛化能力。     

Adaptive compensation for eccentric error in truck scale

The conventional compensation for eccentric error in truck scale is realized by repeatedly regulating the potentiometer in junction box to adjust gain of each channel with load cell, which is fussy and labor-intensive. In this paper, eccentric error sources are analyzed, and an error model is established. A method of adaptive compensation for eccentric error is proposed, and its model of compensation based on radial basis function neural network (RBFNN) is established, which considers the output signals of multiple load cells as its input variables. A learning algorithm of RBFNN is also presented. Experiments and verifications in field show that with adaptive compensation the eccentric error from some nonlinear factors of truck scale is greatly reduced, and it is less than the maximum permissible error of scales with medium accuracy defined by international standard OIML R76 “Nonautomatic Weighing Instruments”.     

三维表面扫描机器人误差建模与补偿方法

对于三维表面扫描机器人系统,整个系统的测量误差主要来源于如下几个环节:机器人的本体定位误差、线结构光传感器的数据采集误差和手眼矩阵带来的误差。对于以上环节的各个部分,可以看成是局部过程。不论各个环节或部分的误差为多大,最后的误差均归结于所得到的测量数据。然而,整个系统的误差模型很难通过解析方法得到。为了提高系统的测量精度,通过微粒群径向基神经网络建立系统的误差模型,网络的输入选择激光条纹图像坐标系中的坐标,输出选择为经过迭代最近点算法配准后的最近点与测量点之间的误差。利用微粒群算法优化初始所得的神经元中心和宽度,在相同网络性能的前提下,压缩了网络的规模。在测量过程中利用所建立的误差网络模型将测量误差得以补偿,通过实际的试验验证该方法提高系统测量精度的有效性。     

压力传感器温度漂移补偿的RBF网络模型

压力传感器在实际应用中普遍存在着温度漂移现象,这降低了传感器的测量精度,因此需要采取适当的补偿措施对传感器的温度附加误差进行修正,从而提高测量的准确性.本文针对在压力传感器电路中采用温度硬件补偿措施成本较高且精度不高的情况,建立了RBF网络软件补偿模型.RBF网络具有良好的非线性映射能力和泛化能力,采用带遗忘因子的梯度下降算法进行RBF网络的参数调整,实验表明RBF算法学习速度快,精度高.对实验中采集的数据进行非线性补偿,取得了良好的效果,大大提高了压力传感器的性能和测量精度.     

基于RBF神经网络的数字闭环光纤陀螺温度误差补偿

为了消除数字闭环光纤陀螺温度误差,设计了基于径向基函数（RBF）神经网络的温度误差补偿方案,对该方案所采用的标度因数误差模型和偏置误差模型进行了研究。首先,根据光纤陀螺的温度误差分布情况设计了标度因数误差和偏置误差联合补偿的方案。接着,将基于多尺度分析的噪声和趋势项分离算法应用于建模数据预处理,以提高建模数据准确性。然后,建立了RBF神经网络模型,并改进模型的学习方法以防止网络的过拟合。最后,讨论了模型输入向量对神经网络规模的影响。温度补偿的结果表明：标度因数误差模型的残差均方（RMS）达到0.73 ,偏置误差模型的RMS达到0.051 。该建模方法可以满足中、高精度光纤陀螺实时温度补偿的要求。     

精密定位系统的摩擦力建模与补偿

为了提高由直线电机驱动的精密定位系统的定位精度,建立了优化Stribeck摩擦模型,对摩擦力这一影响定位精度的主要因素进行补偿。首先,对于传统的Stribeck摩擦模型进行优化,采用改进的最小二乘算法对模型参数进行辨识。然后,对所建立的摩擦模型补偿算法进行仿真并与扰动观测器的补偿算法进行比较,发现前者速度比后者速度在补偿后提高了4.33%,对摩擦力具有更好的补偿效果。最后,在大行程二维精密定位平台上进行验证,根据平台能够达到的最大速度定义0.005 m/s为低速运动,0.05 m/s为高速运动,在这两种速度下进行实验,并与基于库仑摩擦前馈补偿模型比较。实验结果表明：精密定位平台在速度为0.005 m/s的低速运动时,优化模型的跟随误差减小了67.67%;在速度为0.05 m/s的高速运动时,优化模型的跟随误差减小了51.63%,验证了优化Stribeck摩擦模型补偿算法的有效性。本文提出的优化Stribeck摩擦模型可用于提高由直线电机驱动的精密定位系统的定位精度。     

Identification of thermal error in a feed system based on multi-class LS-SVM

Research of thermal characteristics has been a key issue in the development of high-speed feed system. The thermal positioning error of a ball-screw is one of the most important objects to consider for high-accuracy and high-speed machine tools. The research work undertaken herein ultimately aims at the development of a comprehensive thermal error identification model with high accuracy and robust. Using multi-class least squares support vector machines (LS-SVM), the thermal positioning error of the feed system is identified with the variance and mean square value of the temperatures of supporting bearings and screw-nut as feature vector. A series of experiments were carried out on a self-made quasi high-speed feed system experimental bench HUST-FS-001 to verify the identification capacity of the presented method. The results show that the recommended model can be used to predict the thermal error of a feed system with good accuracy, which is better than the ordinary BP and RBF neural network. The work described in this paper lays a solid foundation of thermal error prediction and compensation in a feed system.     

Active disturbance rejection controller design for dynamically positioned vessels based on adaptive hybrid biogeography-based optimization and differential evolution

Vessels with a dynamic positioning system (DPS) are widely applied in ocean resource exploration. Because of the inaccuracy and coupling of the vessel dynamic model, it is important to design a controller that performs well in an oceanic environment. The active disturbance rejection controller (ADRC) is introduced in this study to control the vessel movement and positioning in the DPS. The merit of the ADRC is that it does not need an accurate plant and disturbance model. In the proposed method, an adaptive hybrid biogeography-based optimization (BBO) and differential evolution (DE) are developed. The orthogonal learning (OL) mechanism is employed to achieve adaptive switching to different searching mechanisms between BBO and DE. The proposed adaptive hybrid BBO-DE (AHBBODE) algorithm is then used to optimize the parameters of ADRC; these parameters are not easy to determine by using the trial and error method. Finally, the proposed method is compared with the BBO- and DE-based methods. The results show that better performance is obtained by the proposed method.