比例伺服阀静动态特性仿真建模

建立准确的比例伺服阀静动态特性仿真模型,对研究液压伺服系统具有重要的意义。由于比例伺服阀的静动态特性随输入信号的幅值变化而变化,难以用单一数学公式准确表达,而且样本所提供的性能数据往往有限,给比例伺服阀准确的仿真建模带来不便。以产品样本为依据,利用比例伺服阀仿真建模的方法,首先建立了比例伺服阀详细的数学模型,通过对产品样本的分析,分析了比例伺服阀静动特性的组成形式;利用MATLAB软件,建立了仿真模型;将仿真结果性能曲线数据化,并运用仿真模型中相关参数进行了辨识。仿真结果表明,模型的幅相频曲线和流量曲线与产品样本上的性能参数基本一致;说明仿真建模的方法是可行的。     

基于神经网络的电机摩擦力混合模型研究

在电机伺服系统优化建模的研究中,要求高精度伺服系统。由于系统摩擦力具有强非线性和非光滑特性,传统的神经网络无法进行有效辨识。将非线性摩擦特性理解成为由稳态部分和突变部分串联构成,以电机伺服系统为对象,引入柔性sigmoid函数描述非线性摩擦特性中的突变部分,并与传统的RBF神经网络串联,构造出描述非线性摩擦特性的神经网络混合模型。仿真结果表明,与传统的RBF神经网络辨识方法相比,模型在输入变化响应下均具有较高的模型精度,从而验证了建模方法的有效性。     

非线性预测控制在塞棒伺服系统中的应用

由于连铸机塞棒位置伺服系统中存在着伺服阀流量非线性、液压缸阀芯摩擦非线性等因素,造成了伺服精度的降低。为改善控制质量,首先建立了含非线性因素的塞棒位置伺服系统模型,然后引入非线性预测控制方法进行伺服控制器设计。该控制器采用RBF神经网络对系统在线辨识并作为预测模型和实现在线校正功能;采用黄金分割法实现控制量滚动优化。最后,在Matlab6．5环境下进行了仿真试验。结果表明,采用该方法能有效提高塞棒位置控制质量,验证了设计方法的有效性。     

Lugre摩擦模型的模糊神经网络辨识仿真研究

LuGre模型是典型伺服系统的摩擦模型,该模型能够准确地描述伺服系统摩擦过程复杂的动静态特性.模糊神经网络已成为模糊逻辑和神经网络研究最前沿的课题之一.模糊神经网络同时具有神经网络和模糊逻辑的优点.针对伺服系统所面临的摩擦问题,以低速伺服系统为对象,建立伺服系统的LuGre摩擦模型,采用模糊神经网络进行非线性在线辨识.仿真结果表明,采用模糊神经方法建立对非线性对象的辨识器,具有较高的辨识精度.     

基于RBFNN的伺服系统在线辨识方法

由于伺服系统中存在的非线性和不确定性,难以用传统的方法进行建模,本文采用神经网络通过函数逼近完成非线性系统的在线辨识。结合文中提出的径向基网络,通过对某转台伺服系统的仿真,验证了本文提出方法的可行性和有效性。     

基于RBFNN的伺服系统在线辨识方法

由于伺服系统中存在的非线性和不确定性,难以用传统的方法进行建模,本文采用神经网络通过函数逼近完成非线性系统的在线辨识.结合文中提出的径向基网络,通过对某转台伺服系统的仿真,验证了本文提出方法的可行性和有效性.     

基于动态神经网络自适应控制的主动悬架系统

主动悬挂系统中的液压执行器伺服系统是典型的仿射非线性系统，其参数也是时变的，要建立其准确的数学模型是很困难的。在该文中将主动悬架系统看作是一未知系统，利用动态神经网络对未知系统进行辨识，根据建模误差和参数的不确定性来调整网络的参数和结构并用动态神经网络的优化能力得出系统的控制率。在仿真试验中用动态神经网络所得到的控制算法对模型的输出进行跟踪控制，从仿真结果图可以看出这种控制器能获得较好的控制效果。     

船舶襟翼舵神经网络控制伺服系统

为了解决船舶襟翼舵在复杂的、非线性、不确定的海域环境中的高精度位置控制问题,将神经网络应用在伺服系统中充当控制器与辨识器,通过设计的神经网络PID控制器,使船舶位置伺服控制系统具有高稳定性,及鲁棒性好的特点,且具有要求的动态和静态性能。针对无刷直流力矩电机做了神经网络PID控制系统仿真,并与PID控制做了比较。仿真结果表明了神经网络PID(NN-PID)优越的动态和静态性能。     

一种基于改进神经网络的系统辨识方法

该文在分析神经网络辨识技术特点及现状的基础上,将BP神经网络结构和遗传算法相结合,设计了一种适用于非线性系统的辨识器模型。该辨识器模型首先建立初始的BP神经网络结构,再利用遗传算法对BP神经网络的权值和阈值进行优化,从而优化BP神经网络,通过迭代最终建立辨识器模型。最后,通过一个三阶非线性多输入单输出系统的仿真实验证明了所设计的辨识器具有辨识时间短、辨识精度高的特点,为神经网络辨识技术的研究提供了新的思路和方法。     

系统辨识在水压仿真器试验建模中的应用

水压仿真器作为一种特殊电液压力伺服系统,通过控制伺服阀的开口直接控制工作腔的压力变化,很难通过理论方法进行建模。应用系统辨识方法对水压仿真器的数学模型进行了研究,首先设计能使系统稳定的简单闭环,再对系统施加合适的输入信号,记录系统的输出信号进行试验建模,最后推导出被控对象的数学模型。经过验证,辨识模型基本能够反映实际系统的特性,这种辨识方法是研究水压仿真器或相似压力伺服系统特性的一种可行方法。     

基于神经网络逆控制的水轮机调节系统

根据神经网络对非线性系统模型的辨识能力,将其与自适应逆控制相结合,对水轮发电机组的逆模型进行建模,构建一种新的水轮机调节系统。该方案以逆系统以及系统辨识理论为基础,以水轮发电机组作为被控对象,分别针对其频率和负荷扰动,建立神经网络在线逆控制器,对系统进行调控,并将仿真结果与传统PID控制进行比较。从仿真结果可以看出,所提的控制方案能够实现对水轮发电机组的有效控制,使系统具有较好的动态性能和鲁棒性。     

A new discrete-time sliding-mode control with time-varying gain and neural identification

In this paper, we present a new sliding mode controller for a class of unknown non-linear discrete-time systems. We make the following two modifications. (1) The neural identifier which is used to estimate the unknown non-linear system uses the projection and the dead-zone approaches to assure non-singularity in the controller and stability of identification error. (2) We propose a new sliding mode controller with time-varying gain to reduce chattering. A necessary condition is given to make the switching function decrease exponentially. We prove that the closed-loop system with the sliding mode controller and the neural identifier is stable.     

三氧化二锑生产神经网络辨识应用研究

为了提高三氧化二锑产品的品质,优化生产过程的工艺参数,研究了三氧化二锑火法冶金反应炉前向多层神经网络的模型的建立及其BP算法;利用此网络设计了实时在线辨识器和神经网络控制器;用Matlab对其进行仿真,采用先进的控制技术,解决了生产过程多变量耦合、非线性的系统控制问题,实现了工艺过程的最优化控制。在年产二万吨的生产线上运行的实践证明,将此先进的控制技术应用于锑冶金行业中,取得了良好的效果。     

机械臂的自适应径向基函数神经网络双二次泛函最优控制

针对非线性机械臂系统中难以权衡控制能量与控制误差比重的最优控制问题,本文提出一种基于自适应径向基函数(RBF)神经网络二阶段叠加优化的双二次泛函最优求解模型,实现在非线性机械臂控制系统中用不大的控制能量来保持较小的控制误差的综合最优控制.在本文所提模型中,首先设计一种线性误差函数,作用于非线性控制方程,并采用自适应RBF网络逼近非线性控制方程中存在的不确定项,构成闭环反馈系统,实现对非线性系统的最优控制;其次,将待求参数复合成双二次泛函的解域,并设计一种新型的类递归神经网络求解该带约束条件的双二次型模型,实现模型求解的快速收敛并得其解.通过理论分析及数值仿真实例验证了所提模型能有效提高非线性系统的控制精度、稳定性、鲁棒性及自适应性,从而实现非线性系统的综合最优控制.     

基于卷积神经网络的飞机液压系统故障诊断

现代飞机系统的复杂度和集成度均大幅提升,使得其故障诊断存在难度高和准确率低等特点。采用一维卷积神经网络方法对军用飞机液压系统的故障诊断问题进行了研究,构建了满足多传感器数据分析要求的卷积神经网络模型。考虑到神经网络的输入来自不同的传感器数据序列,各数据序列之间的空间关系不明显,因此,即使网络输入是二维形式,而实际的卷积操作均在一维上进行。通过解决某飞机液压系统的故障诊断问题,证明将标准化后的多传感器数据序列及对应故障模式作为训练样本对卷积神经网络模型进行训练时,采用满足训练要求的网络对飞机液压系统进行故障诊断时具有较高的准确率。     

基于GA-NN的复杂工艺生产过程多目标优化研究

在复杂非线性多目标优化问题求解中,非线性模型结构很难事先给定,需要检验的参数也非常繁多,应用传统的建模方法和优化模型已难以解决更为复杂的现实问题。人工神经网络技术为解决复杂非线性系统建模问题提供了一条新的途径。将神经网络响应面作为目标函数或者约束条件,加上其他常规约束条件进行系统模型的建立,再应用遗传算法进行优化,从而实现设计分析与设计优化的分离。以某化工企业的生产过程优化问题为例,利用BP神经网络建立了工艺参数与性能目标之间的模型,然后利用遗传算法搜索最优工艺参数,获取了用于指导生产的样本点数据。研究结果表明,该方法能够获得高精度的多目标优化模型,从而使优化效率大为提高。     

城市单路口两级加权神经网络控制系统设计

城市交通系统是一个非常复杂的非线性系统,很难建立精确的数学模型,而BP神经网络具有较强的自学习、自适应的特点,适合复杂的大系统。针对单交叉路口红绿灯控制问题,基于改进的BP神经网络算法,同时考虑关键车流和非关键车流信息,提出并设计了两级加权神经网络控制器来进行实时控制。仿真结果表明,本方法优于传统控制方法。     

替代与级联性深度网络与应用研究

神经网络应用中80%~90%采用BP反馈网络,但BP反馈网络存在非约束性、非线性特征,优化模型参数多,计算时间长难收敛,而且优化结果泛化能力不强。2006年深度学习的提出,使神经网络再次成为研究热点。本文提出了一种替代与级联性反馈网络。实验证明替代性反馈神经网络在运算速度、纬度减少、收敛性等方面有一定的提高。     

基于泛函网络的非线性回归预测模型及学习算法

在非线性回归预测中,预测函数的拟合是其难点和关键,直接影响预测精度。当系统非线性较强时,传统方法不易于处理,拟合和预测结果不理想。泛函网络是最近提出的一种对神经网络的有效推广,在处理非线性问题时有一定的优势。为此提出了基于泛函网络的非线性回归预测模型和相应的学习算法。并分别就一元非线性回归预测和多元非线性回归预测给出了相应的实例。计算机仿真结果表明,泛函网络预测模型拟合度和预测精度都明显高于某些传统的方法,有较好的理论和应用价值。     

一种开关磁阻电机建模方法的研究与实现

由于开关磁阻电机的非线性特点,难以建立一个精确的开关磁电机的模型,为了精准建立开关磁阻电机模型,利用径向基函数神经网络良好的非线性映射能力在获取准确磁链样本数据基础上训练神经网络,利用训练的径向基神经网络构建开关磁阻电机非线性模型.在此基础上,采用角度位置控制和电压脉宽调制控制相结合的方法搭建开关磁阻电机驱动控制系统的仿真框架.仿真结果表明:利用径向基函数神经网络的方法可以克服开关磁阻电机的非线性问题,所建立的开关磁阻电机模型可以正常稳定运行.从而证明上述方法的合理有效性.