铝合金电磁铸造工艺参数的研究

通过近似计算和试验确定了工程规模的铝合金电磁铸造（ＥＭＣ）基本工艺参数如感应器电流、电压、频率、功能消耗等一液柱高度及稳定性的关系，设计制造了ＥＭＣ装置，成功地铸造了截面直径为０．１８ｍ，０．１１×０．０５ｍ，０．５２×０．１３ｍ的铝及铝合金锭和扁锭。     

一种模糊神经网络改进算法及其在振动强度识别中的应用

对传统模糊自适应Hamming网络算法进行了改进,通过引入新的模糊算法对传统算法中的类别选择函数进行改进,以提高网络的正确识别率,为了实现模式识别中网络的有序输出,对输出层获胜神经元的选取方法也进行了相应的改进。改进后的算法用于空调压缩机壳体振动强度的识别,利用模糊自适应Hamming神经网络综合考虑各测点振动、噪声信号所包含的信息,对壳体振动强度区域实现自动划分。通过改进师前、后两种算法在不同警戒参数下的试验结果发现,采用改进后的算法大大提高了网络的正确识别率,并能够很好地实现网络的有序输出。     

合金电磁约束成形及凝固组织控制研究

介绍了铁、镍基合金等的无接触电磁约束成形定向凝固技术。在系统研究电磁场与温度场及其耦合作用的基础上，成功地实现了对多种截面形状的铝、不锈钢及高温合金的无容器电磁约束成形。     

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.     

模糊聚类分析在模糊神经网络结构优化中的应用

研究了模糊聚类分析在多变量模糊神经网络的结构确定中的应用,在传统的模糊C－均值算法的基础上,给出了一个衡量聚类有效性的函数和确定模糊指数的启发式方法,并给出了应用该算法的具体的模糊神经网络模型。     

中小尺寸高温合金件的无接触电磁成形

介绍了一种新型金属熔体无接触电磁成形技术及其原理,该技术将电磁铸造技术与高梯度定向凝固技术融为一体,对于熔化和成形活泼金属、高温合金难熔金属和高纯金属等中小尺寸构件具有重要的研究与应用价值。另外,从电磁场和凝固过程角度讨论了中小尺寸高温合金样件的电磁成形过程,探讨了工艺参数对成形过程的影响规律,并获得了表面质量较好的高温合金样法。     

电磁成形技术在钛合金板材成形中的应用

钛合金是航空航天领域主要的轻质结构材料,强度高,但不易成形且回弹大,而电磁成形技术的发展为钛合金零件的精密高效成形提供了新的有效途径.从高速增塑、成形工艺、数值仿真3个方面综述了电磁成形技术在钛合金板材成形的应用研究情况,并结合笔者的研究经历对钛合金电磁成形中存在的问题进行了简要分析.在此基础上,着重综述了电磁成形技术...     

模糊神经网络技术在液压泵故障诊断中的应用

提出了一种基于模糊神经网络的液压泵故障诊断方法,介绍了该方法的基本原理及实现算法.以某型号齿轮泵为研究对象,利用其状态数据作为样本数据,建立了基于模糊神经网络的齿轮泵的故障诊断模型.并利用该模型对齿轮泵运行状态进行了辨识,结果表明,该方法能够充分利用检测到的各种故障征兆信息,从而使齿轮泵故障诊断更加准确有效.此方法也可用于其它同类设备的故障诊断.     

模糊神经网络在材料损伤监测中的应用

提出了一种基于TS型模糊神经网络的损伤识别方法。通过信号处理分析超声波信号变化的时频域特征,提取损伤特征参数实现对模糊神经网络的训练。研究结果表明,提出的T—S型模糊神经网络损伤定位识别方法实现了对所研究的两种损伤准确的定位识别。     

模糊聚类分析在型砂控制中的应用

讨论了型砂控制中的模糊现象，应用模型聚类分析的方法，建立数学模型，解决了型砂控制中原砂的定量比较问题，并针对新砂的选择和旧砂的回用提出“使用半径”的新概念。本文作者认为，该项研究为制订铸造用砂标准提供了科学的理论和计算方法。     

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。     

Structural parameters identification of uncertain multi-storey shear buildings using fuzzy neural network modelling

Present paper proposes a fuzzy neural network (FNN)-based modelling for the identification of structural parameters of uncertain multi-storey shear buildings. Here, the method is developed to identify uncertain structural mass, stiffness and damping matrices from the dynamic responses of the structure without any optimization processes that are generally used to solve inverse vibration problems. Uncertainty has been taken in term of fuzzy numbers. The governing equations of motion are first solved by the classical method to get responses of the consecutive stories. Further the governing equations of motion are modified based on relative responses of consecutive stories in such a way that the new set of equations can be implemented in a cluster of FNNs. As such the model starts solving the nth floor by FNN modelling to estimate the structural parameters. Subsequently, series of FNN models are used to estimate the parameters for (n ? 1)th storey to the first storey. One may note that single layer FNNs have been used for training for each cluster of the FNN such that the converged weights give the uncertain structural parameters. The initial weights in the FNN architecture are taken as the design parameters in uncertain (fuzzy) form. In order to validate the present model, various example problems of different multi-storey shear structures have been considered. Related results are incorporated in term of tables and graphs. Comparisons between theoretical and identified results are carried out and are found to be in good agreement.     

Speed control of SR motor by self-tuning fuzzy PI controller with artificial neural network

In this work, the dynamic model, flux-current-rotor position and torque-current-rotor position values of the switched reluctance motor (SRM) are obtained in MATLAB/Simulink. Motor control speed is achieved by self-tuning fuzzy PI (Proportional Integral) controller with artificial neural network tuning (NSTFPI). Performance of NSTFPI controller is compared with performance of fuzzy logic (FL) and fuzzy logic PI (FLPI) controllers in respect of rise time, settling time, overshoot and steady state error.     

热顶电磁成型系统磁场的实验与数值模拟

根据电磁场理论,建立了热顶-电磁连铸成型系统的物理和数学模型,用小线圈法实测了不同电源功率时系统内的磁场强度,用有限元软件数值模拟了感应线圈高度、结晶器高度、热顶结构等对成型系统内磁感应强度和分布的影响,结果表明:1)降低结晶器高度使系统内磁感应强度增强,但不十分明显;2)感应线圈的高度对系统内磁场影响显著,采用20mm线圈较40mm线圈的磁感应强度提高约85%;3)有载时的模拟结果显示,系统内的磁场呈现更明显的趋肤效应;热顶结构对磁场的强度和分布规律无明显的影响.研究结果表明热顶电磁连铸法将有利于提高电源效率和稳定液柱高度,改善铸坯的内外部质量.     

人工神经网络在材料设计中的应用

在实验数据的基础上,利用人工神经网络建立高Ｃｏ－ Ｎｉ 二次硬化钢的力学性能与合金成分及热处理温度对应关系的模型． 首次提出将五个材料力学性能指标及部分合金成分作为网络的输入,其它合金成分和热处理温度作为网络的输出,根据要求的力学性能设计材料的合金成分含量及热处理条件,获得了满意的结果,为高性能材料设计提供了一定的理论辅助手段．     

电磁离心铸造SiCP/Al复合材料励磁电压对不同粒度颗粒分布的影响

采用电磁离心铸造( EMCC) 工艺制备SiCP/ Al 复合材料, 实验了两种不同粒度的SiCP 颗粒增强Al 基体, 测定了不同励磁电压下颗粒在基体中的分布, 测试了不同粒度增强基体均匀分布的材料的硬度和耐磨性。结果发现电磁搅拌更容易使小粒度的颗粒分布均匀。励磁电压为100 V 时的颗粒分布比励磁电压为50 V 时的颗粒分布更均匀。均匀分布的小颗粒增强基体的复合材料的硬度和耐磨性有很大提高。      

Optimum shape design of arch dams for earthquake loading using a fuzzy inference system and wavelet neural networks

An efficient methodology is proposed to find the optimum shape of arch dams considering fluid-structure interaction subject to earthquake loading. The earthquake load is considered by time variant ground acceleration applied in the upstream–downstream direction of the arch dam. The optimization is carried out by particle swarm optimization, employing real values of design variables. To reduce the computational cost of the optimization process, two strategies are adopted. In the first strategy, the most influential design variables on arch-dam response from original variables are selected using an adaptive neuro-fuzzy inference system. In the second, arch-dam response is predicted by a properly trained wavelet radial basis function neural network employing the influential design variables as the inputs. In order to assess the effectiveness of the suggested methodology, a real arch dam is considered as a test example. The numerical results demonstrate the computational advantages of the proposed methodology for the optimal design of arch dams.     

陶瓷浆料3D打印机挤压力模糊神经网络PID稳定控制研究

针对在微流挤出陶瓷浆料3D打印机作业过程中挤压力稳定控制的需求,根据打印机挤压力控制系统非线性、时变性的特点,总结了现有挤压力稳定控制策略的优缺点,并在模糊PID (proportion-integral-derivative,比例-积分-微分)控制器中嵌入神经网络结构,提出了挤压力模糊神经网络PID稳定控制策略。该策略基于六层模糊神经网络,以挤压力偏差值e和偏差值变化率ec为输入,PID控制器控制参数为输出,完成正向模糊控制过程,并基于神经网络的自学习优势实现反向传播及在线更新神经网络权值,以实现打印过程中挤压力的精准自适应调节。挤压力控制Simulink仿真、挤压力控制实验及坯体打印实验表明：相较于传统PID控制策略,采用模糊神经网络PID控制策略可使超调量减小20.9%,挤压力提前90 s达到稳定状态,压力峰值减小12 N,压力谷值增大18 N;相较于采用模糊PID控制策略,超调量减小1.73%,挤压力提前56 s达到稳定状态,压力峰值减小4 N,压力谷值增大8 N;模糊神经网络PID控制策略具有一定的优越性,可使打印过程中挤压力的控制精度更高,稳定速度更快,超调量更小,所打印坯...     

爆破振动特征参量的粗糙集模糊神经网络预测

摘 要 爆破振动特征参量对爆破振动危害效应有重要影响。首次用粗糙集模糊神经网络方法对振幅、主频率及主频持续时间进行预测。首先介绍了粗糙集模糊神经网络的基本思想,其次,分析了印象爆破振动特征参量的主要因素,建立了基于粗糙集模糊神经网络的爆破振动特征参量预测模型;最后用某边坡开挖爆破中的振动观测指标对模型进行了训练,并对15组指标进行了测试。结果表明：粗糙集模糊神经网络预测模型能反映了影响因素与特征量之间的非线性关系,适用于爆破振动特征参量预测。一次预测1个指标的精度高于同时预测3个指标的精度。     

模拟退火优化BP神经网络在航向控制系统中的应用

目前，广泛运用于神经网络中的误差反向传播算法（BP算法）训练时间较长，且易陷入局部最优．为了克服BP算法的固有缺陷，文中提出了在BP算法中加入模拟退火算法权因子．在航向控制系统中进行了仿真，数据显示该算法比单纯BP算法更能优化控制器性能参数和全局搜索能力，收敛速度更快，精度提高比较明显。