一种非线性干体炉的设计

针对传统PID控制干体炉非线性、时变、纯滞后、抗干扰差的特点,提出一种模糊PID控制方法设计干体炉温度控制系统。首先分析建立了干体炉控制系统模型,其次设计了PID模糊控制器,最后进行了实验验证。实验表明,PID模糊控制方法具有结构简单、逼近速度快、控温效果好等特点。     

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。     

基于神经网络的摩托车制动器试验台测控系统

本文设计开发了摩托车制动器测试系统,将RBF神经网络与传统PID控制相结合,在控制过程中实时在线调整PID控制参数。试验表明,应用RBF神经网络的PID控制器能够获得更好的控制效果,并能很好的抑制现场工业干扰对系统的影响,提高了制动器台架测试系统的控制与测量精度和可靠性。     

基于自适应模糊逻辑和神经网络的双足机器人控制研究

在双足机器人行走控制中,为了改善系统的行走性能,提出了一种基于RBF神经网络前馈控制的力矩补偿控制方法。该方法将自适应模糊控制和神经网络逆模控制有效地结合起来,利用神经网络来逼近系统的逆动力学模型,提高系统了的控制性能,改善了机器人的行走特性。     

质量功能展开中关联关系确定的RBF方法

针对质量功能展开中存在顾客需求和工程特性之间的关联关系不确定和模糊等特质,提出了质量功能展开中关联关系的径向基函数(Radial Basis Function,RBF)神经网络方法。采用三层RBF神经网络,由质量屋中顾客需求组成RBF神经网络的输入层神经元,中间层选用高斯核函数,工程特性组成RBF神经网络输出层神经元,由顾客需求和工程特性关联关系评价样本集组成网络的训练样本集,通过网络训练的方式来获得最优的顾客需求与工程特性的关联关系。最后,结合天然光采光产品开发,进行了实例分析,说明该方法具有计算速度快,拟合精度高的特点。     

机器人关节摩擦建模与自适应RBF神经网络补偿计算力矩控制

目的:补偿机器人关节摩擦力矩,提高关节轨迹跟踪效果。方法:以直流伺服电机和谐波减速器组成机器人关节为对象,基于Stribeck模型建立摩擦模型;采用最小二乘法和Matlab编程辨识模型参数;利用自适应RBF神经网络算法对系统模型参数误差引起的未建模动态进行在线观测;将观测结果补偿到计算力矩控制器中,建立含摩擦模型的自适应RBF神经网络补偿计算力矩控制器,推导出控制参数的约束条件。结果:基于自主设计的机器人关节进行对比实验。实验表明,含摩擦模型的自适应RBF神经网络补偿计算力矩控制追踪误差是无摩擦模型的自适应RBF神经网络补偿计算力矩控制追踪误差的55.12%,是传统计算力矩控制追踪误差的31.28%。结论:本文的控制方法提高了机器人关节轨迹跟踪精度。     

基于神经网络的电机转矩软测量研究

径向基函数神经网络（RBFNN）具有最优逼近和全局逼近的特性，在函数拟合方面优于传统的BP网络，将在化工领域广泛使用的软测量技术应用于电机系统的转矩测量，该方法的可行性进行了论证，并运用RBF神经网络建立转矩的软测量模型。同时建立了基于BP神经网络的软测量模型，用改进的kvenberg—Marquardt算法对BP神经网络进行学习和训练，并对两种网络进行了对比。该方法只需要电流信息，辨识方法简单。研究表明，RBF神经网络辨识效果优于BP神经网络。     

基于RBF神经网络的液黏调速离合器 活塞位移控制器设计

针对液黏调速离合器存在非线性和控制精度较低,难以满足工业领域较高的传动特性需求等问题,提出了基于RBF (radial basis function, 径向基函数)神经网络的液黏调速离合器活塞位移滑模控制策略。对液黏调速离合器局部结构进行改进,增设位移传感器和导电滑环以采集位移信号;建立了电液比例溢流阀和液黏调速离合器的数学模型,设计并分析了基于RBF神经网络的液黏调速离合器活塞位移滑模控制器;搭建了液黏调速离合器AMESim-MATLAB联合仿真模型。仿真结果表明：基于RBF神经网络的液黏调速离合器活塞位移滑模控制可以有效地适应液黏调速离合器的非线性,并解决滑模控制的抖振问题,能够提高控制精度,使液黏调速离合器控制器具有很好的鲁棒性,可以满足较高的工业需求。     

大型结构自适应学习率RBF神经网络滑模分散控制研究

为了有效处理土木工程结构分散振动控制中子系统间相互影响力和外界荷载不确定性的影响,提出了自适应学习率RBF神经网络滑模分散控制算法（DALRBFSMC）。首先利用Lyapunov稳定性理论设计了仅依赖于子系统位移和速度响应反馈信息的滑模分散控制律,在此基础上,结合RBF神经网络理论和经典梯度下降法,引入Lyapunov函数,推导了调整RBF网络权值的自适应学习率,进而得到能实时调节滑模分散控制律切换增益项的自适应学习率RBF神经网络滑模分散控制算法（DALRBFSMC）。同时,针对子系统不同划分方式及子控制器之间存在重叠,提出了多种分散控制设计策略。对ASCE 9层Benchmark模型进行多种分散控制和集中控制设计。仿真分析结果表明,该分散控制算法适用于不同的分散控制策略,重叠分散控制策略较传统集中控制策略而言有更好的控制效果;同时能使分散控制系统内各作动器均处于功效最大状态。     

基于分区的 RBF 神经网络颜色空间转换模型的研究

根据 CMYK 颜色空间的特点,对其进行了分区处理,利用 RBF 神经网络最佳逼近性能、全局最优特性和高度非线性转换的优势,构建了基于 RBF 神经网络每个颜色空间分区转换的正向和反向模型。 通过训练样本建模和测试仿真实验,并对最后的实验数据分析处理,最终获得了一个较好的神经网络模型,并且模型的精度非常高。     

改进的RBF神经网络的具体应用研究

传统的RBF神经网络在逼近能力、分类能力和学习速度等方面均优于BP网络,但为了使RBF神经网络的收敛速度和网络精度等更好地满足实际需求,用到一个线性非线性并列新型结构的RBF神经网络模型,并将该模型应用到纺织物品的染色配色问题上。应用该模型对染料的浓度与CMY值进行配色计算,实验表明具有较好的效果。改进后的RBF神经网络所表现出的良好性能,为其在该领域的应用提供了参考。     

三段控温技术在黑体辐射源中的应用

黑体辐射源常用的是单段控温方式,其存在黑体腔体前段和后段温区均匀性差的缺陷。文章基于三段控温设计方案,在单段控温的基础上将黑体空腔恒温区重新划分为可以分别独立控制的前段、中段和后段3个区域及其相应的3组温度控制模块。通过合理选择传感器、消除测量系统误差、设定仪表控制参数、减少各区域相互干扰以及增加外套管等措施,显著改善了黑体源的温度计量性能,并通过试验来比较、验证三段控温的实际效果。     

RBF模糊神经网络在刚性机械臂控制中的应用

为了提高刚性机械臂轨迹跟踪控制的精度,本文在分析RBF神经网络与模糊逻辑系统的函数等价性基础上,提出了一种基于T-S型模糊推理方法的RBF模糊神经网络,设计出基于RBF模糊神经网络的工业机器人控制器.研究发现,与普通的模糊神经网络相比,该网络结构简单,层数少,训练速度快,能自动寻优,通过在线调整网络隶属函数的中心值和宽度,优化了模糊规则,实现了对非线性系统的高精度轨迹跟踪控制,而且表现出有效性和鲁棒性.     

改善二位式温度控制系统调温效果的方法

本文分析了二位式温控系统调温特性，提出了两种改善炉温控制效果的措施，分别对其控温原理进行了详细分析和比较，并给出了控温曲线及具体电路形式。     

基于RBF神经网络补偿的不确定性倒立摆PD控制

针对带有参数不确定性的非线性倒立摆的跟踪控制问题,提出一种RBF神经网络补偿的PD控制方法。该方法采用RBF神经网络逼近系统不确定非线性函数,结合常规的PD控制方法设计控制器,实现倒立摆的跟踪控制。仿真结果表明,该方法能有效实现倒立摆的快速跟踪,并保证了对不确定参数的不敏感性。     

基于缸盖振动信号频域特征识别气缸压力的研究

在不同的燃烧状况下同时测量缸盖表面振动信号和缸内压力信号,对平均处理后的信号进行频域分析,发现缸内压力信号中相对于基频前50阶的谐波分量包含了所关心的主要信息.根据频域分析得到的复数谱的对称特性建立了训练样本,并对建立的BP和RBF神经网络进行训练.训练的结果表明RBF神经网络可以在更短的训练时间内,获得更小的均方误差.利用不同的神经网络进行了缸内压力信号的识别,识别的结果表明,RBF神经网络识别的精度高于BP神经网络.     

石蜡相变储能模块的控温性能研究

目的 为了控制电子设备工作温度，研发一种相变储能模块，并研究其控温性能。方法 本文通过仿真对以32号石蜡、62号石蜡和质量分数为6%的膨胀石墨(EG)-62号石蜡为相变工质的储能模块进行研究，分析相变材料、翅片材料以及加热功率对相变储能模块控温性能的影响。结果 32号石蜡在900 s时接近完全融化，62号石蜡在2 000 s时才融化过半，膨胀石墨-石蜡复合材料在1 250 s就已经接近完全融化，填充62号石蜡的Al翅片模块的温升速率为0.035 ℃/s，Cu翅片模块的温升速率为0.03 ℃/s，相比未填充相变材料的模块温升速率分别降低了73.1%和70%。结论 具有不同物性参数的相变材料，在不同工况下其呈现的控温性能也各不相同，但是在较高功率工况下，熔点较低或导热系数较高的相变材料具有更好的控温性能。储能模块内部导热翅片对内部强化换热效果明显，翅片导热系数越高，越有利于模块的控温。     

基于RBF-PID的啤酒灌装机贮液缸内液位控制

目的提高啤酒灌装质量和效率,对贮液罐液位进行精确控制。方法在传统PID控制的基础上,提出一种RBF神经网络与PID相结合的啤酒灌装机贮液缸内液位自适应控制方法。利用RBF神经网络的快速自学习能力调整PID控制的比例、积分、微分系数。结果与传统PID控制相比,RBF-PID控制响应速度快,超调量较小,系统达到稳定的时间得到大大缩短。结论文中方法提高了啤酒灌装机贮液罐内液位的控制精度,有效提高了啤酒的质量和产量。     

基于RBF神经网络的灌装机控制系统设计

目的 针对传统液体灌装机灌装定量控制方法存在控制稳定性不高、控制精度较差等问题,引入RBF神经网络对液体灌装机高精度灌装定量控制.方法 构建液体灌装机伺服驱动计量缸传递函数,结合空间扰动性融合方法实现液体灌装机高精度灌装扰动特征解析;采用参数自适应辨识方法进行液体灌装机高精度灌装的定量分析;通过B样条曲线拟合方法对液体灌装机灌装拟合控制;通过自适应参数调节,构建RBF神经网络模型,实现液体灌装机高精度灌装定量控制的优化设计.结果 仿真结果表明,所提方法的液体灌装定量控制稳定性较好,灌装机灌装定量控制效果较好.结论 文中方法提高了液体灌装机高精度灌装的定量控制能力.     

干井式便携温度校验仪的研制

本文介绍了一种便携、升降温速度快、准确度高、控温温场稳定、控温范围宽、高智能化干井式温度校验仪的组成结构和设计思想以及控温策略等,并利用微机软件对控温效果进行了评估.