应用跟踪误差等效模型评价光电经纬仪跟踪性能

针对目前光电经纬仪跟踪性能室内检测方法的缺陷,提出了评价光电经纬仪跟踪性能的新方法。基于系统辨识理论建立了光电经纬仪跟踪误差等效模型,将等效正弦信号输入等效模型,通过对模型输出进行数据处理来评价光电经纬仪的跟踪性能。介绍了建立等效模型的原理和等效模型阶次,给出了根据光电经纬仪检测指标进行等效正弦信号设计的方法。为得到精确的模型参数,采用动态靶标目标角频率连续调制模式实现了对光电经纬仪动态性能的持续激励。仿真和实验结果显示,得到的跟踪误差等效模型估计误差均值为(2.5872×10-6)°≈0°,最大值为1.8″,标准差为1.1″,表明建立的等效模型能够满足跟踪性能评价要求,实现了对光电经纬仪跟踪性能的合理、准确评价。     

利用动态靶标谐波特性评价光电经纬仪的跟踪性能

提出了一种利用动态靶标实现光电经纬仪跟踪性能等效正弦评价的新方法。分析了动态靶标目标及相应跟踪误差的幅度谱和功率谱特性,提出将动态靶标看作由有限项基频谐波和整数倍基频高次谐波的加权和组成的谐波源。根据被检光电经纬仪跟踪性能设计等效正弦信号,利用动态靶标产生与等效正弦信号同频率的谐波信号完成光电经纬仪跟踪误差系统在该频率下幅频特性函数值的测试。等效正弦的幅值和测得的幅频特性值乘积即为跟踪等效正弦信号的跟踪误差最大值,从而实现了跟踪性能评价。利用该方法测得方位方向的最大跟踪误差为0.65′,远小于4′的指标要求,而利用动态靶标直接检测的值为4.7′。实验表明该方法准确、可行,同时避免了直接利用动态靶标检测时可能使跟踪伺服系统出现过度校正的问题。     

应用跟踪误差等效模型对跟踪性能评价

针对目前光电经纬仪跟踪性能室内检测方法的缺陷,提出了一种评价光电经纬仪跟踪性能的新方法。该方法通过建立光电经纬仪跟踪误差等效模型,将等效正弦信号输入等效模型中,对模型输出进行数据处理来获得光电经纬仪跟踪性能评价结果。介绍了建立等效模型的原理和等效模型阶次、系数辨识以及根据光电经纬仪检测指标来进行等效正弦信号设计的方法。为得到精确的模型参数,要求输入信号能够对光电经纬仪动态性能持续激励,为此提出了动态靶标连续调频目标模型。通过仿真和实验对该方法进行了验证,得到的跟踪误差等效模型估计误差均值2.5872e-006°≈0°,最大值1.8″,标准差1.1″。结果表明建立的等效模型能够满足跟踪性能评价要求,实现了对光电经纬仪跟踪性能的合理、准确评价。     

不确定关节机器人模型的神经网络补偿自适应控制

为了达到关节机器人轨迹跟踪控制的目的,针对由于机器人结构参数、作业环境干扰及结构共振模式等不确定性因素造成的机器人不确定性动力学模型,将该模型分解为名义模型和建模误差两部分,其中的建模误差采用RBF神经网络进行补偿和估计,得到其估计信息。RBF神经网络的权值通过Lyapunov稳定性分析和自适应算法进行调节。机器人的神经网络补偿自适应控制解决了机器人这类不确定模型的轨迹跟踪控制问题。对3关节机器人实验验证结果表明,3关节均在约4 s时跟踪期望轨迹,并且跟踪误差渐近趋近于0,并且RBF神经网络能很好地逼近由不确定性因素引起的建模部分。     

基于RBF神经网络的汽油机电控参数的标定及优化

为了寻求电控单元与发动机的最佳匹配,通过分析汽油机电控系统控制参数,建立了汽油机稳态性能预测的径向基函数（RBF)人工神经网络模型。通过LJ276M汽油机台架标定试验获取样本数据,利用训练过的RBF神经网络预测汽油机在其他稳态工况点的电控参数并检验所建立神经网络模型的性能。喷油脉宽和点火提前角的网络输出最大误差小于1%,平均误差小于0.6%。研究结果表明,该预测模型具有较强的泛化能力,能够准确地预测发动机电控参数。     

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。     

基于模糊RBF神经网络的数控机床热误差建模

将模糊技术与RBF神经网络相结合并应用于机床热误差建模中,构建了基于模糊RBF神经网络的数控机床热误差模型;以某龙门导轨磨床主轴箱系统为实例,将模糊RBF神经网络建模方法运用到主轴箱系统热误差建模当中。通过与BP神经网络建模方法进行对比,验证了模糊RBF神经网络建模方法无论是在建模效率、建模鲁棒性还是模型的补偿效果方面均优于传统的BP神经网络建模方法,该方法对提高数控机床加工精度具有重要的意义。     

机械臂关节空间轨迹的神经网络滑模跟踪控制

为了提高机械臂对给定轨迹的跟踪精度且削弱滑模控制抖振问题,提出了基于RBF神经网络滑模控制的轨迹跟踪方法。建立了多连杆机械臂系统的运动学和动力学模型。首先忽略由建模误差和系统扰动产生的系统不确定项,建立了全局PID滑模控制器,设计了由等效控制律和切换控制律组成的全局滑模控制律;而后使用单隐含层RBF神经网络逼近系统不确定项,使用神经网络对不确定项的逼近值补偿建模误差和系统扰动,达到提高控制精度的目的。经仿真验证,在机械臂初始位置误差较大的情况下,神经网络滑模控制器的调节时间、超调量、驱动力矩抖振远小于全局PID滑模控制器,证明了神经网络滑模控制器在机械臂轨迹跟踪控制中的有效性。     

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。     

运用DE-RBFNN的直线伺服系统定位精度研究

提出一种基于差分进化算法(DE)的径向基函数神经网络(RBFNN)模型,用于预测直线伺服系统的定位误差.该模型用差分进化算法训练径向基函数(RBF)网络隐层中心位置、宽度和输出层连接权重.为了评价优化后RBF网络预测的精度,运用部分误差样本进行训练和仿真.构建了以数字信号处理器(DSP)为核心的直线电动机定位误差实验平台,根据误差校正值进行误差实时补偿实验.仿真和实验结果表明:经过DE算法训练的神经网络模型对工作台的误差具有良好的学习能力和泛化能力,与单纯RBF网络、基于遗传优化的RBF神经网络相比,该建模方法具有更高的定位精度.     

基于RBF神经网络的风力发电机组系统辨识研究

Aiming at the problems of difficult to establish the accurate mathematical model of wind power generation,identification of the wind turbine based on RBF neural network was presented. The dynamic process of the torque loop and the pitch loop was simulated,RBF neural network algorithm was adopted to identification the torque loop and the pitch loop. RBF basis function was adopted to form space. If the hidden layer RBF parameters was determined, the nonlinear mapping relation was determined. The output layer was the hidden layer nodes output linear weighted summation. The result indicate that identification of torque loop,the input is torque,the output is speed,the torque loop error rate is about 1 %. Identification of pitch loop,the input is pitch angle,the output is speed,the pitch loop eror rate is about 3%. The pitch loop is a very complicated nonlinear model,the model structure is influenced by many aspects,identification result error is bigger than the torque loop identification error,but the error rate is allowed. The algorithm has higher precision and efficiency. [ABSTRACT FROM AUTHOR]     

在轨飞轮故障诊断混合框架设计

为提升飞轮的可靠性,本文对飞轮故障诊断技术进行了研究。通过对基于数学解析模型与基于智能计算的故障诊断方法的对比研究,提出了一种基于神经网络的混合故障诊断方法。该方法首先使用数学解析模型与原系统输出的差值作为一级残差;而后利用该一级残差以及系统可测状态对神经网络进行训练;然后使用混合模型输出的二级残差对系统故障进行检测;最后以飞轮注入母线电压以及电枢电流故障对该方法进行验证:在存在母线电压故障工况下混合模型避免了解析模型电流估计的发散问题,与单神经网络模型相比最大跟踪误差降低了44%。在存在电流故障时,不同的转速工况下与两种单模型相比混合模型的最大跟踪误差降低了90%,跟踪方差减小了10倍以上。混合方法可以有效解决由于解析模型存在建模误差引起的故障诊断不够准确的问题以及由于缺乏训练数据所引起的单神经网络模型不能适应新工况的故障诊断问题。     

神经网络分数阶PI~μD~λ在压电叠堆控制中的应用

为了克服压电叠堆的迟滞特性,实现压电叠堆的精确控制,建立了压电叠堆控制系统,研究了该系统所用到的神经网络、分数阶微积分等算法。首先,搭建了采集压电叠堆位移数据的硬件系统,并对含有噪声的位移数据进行了滤波处理;利用径向基函数(RBF)神经网络对压电叠堆建模,得到了模型参数。然后,利用RBF神经网络建模得到的Jacobain信息来整定分数阶PI~μD~λ控制器中的参数对压电叠堆进行控制。最后,与RBF整数阶PID对压电叠堆的控制效果进行了对比。结果显示:RBF建模误差仅为位移实测数据的0.22%,RBF神经网络分数阶PIμDλ控制系统输出稳定,很好地跟随了给定。得到的结果表明RBF神经网络分数阶PI~μD~λ控制器控制性能良好,在压电叠堆的控制中比RBF整数阶PID控制器表现得更加稳定、精确。     

轴系晃动与动态靶标精度检测

旋转动态靶标是用来检测大型光电经纬仪跟踪精度和动态精度的设备。为了得到旋转动态靶标轴系晃动与精度的关系,利用旋转向量与坐标系变换理论分析轴系晃动对靶标高低角和方位角的具体影响,并对其误差进行分析。由于靶标的动态精度目前还没有设备能够检测,只能根据分析的结果,用自准直仪对静态的轴系晃动进行测量,然后标定静态的精度,验证了静态轴系晃动对靶标的影响与理论计算值一致性很好,然后通过测量靶标动态的轴系晃动来修正靶标的动态精度。     

电液伺服系统RBF神经网络滑模控制

针对阀控液压缸位置伺服系统非线性导致模型参数确定困难及干扰问题，在分析三阶位置控制的电液控制系统原理及模型的基础上，引入神经网络的RBF 径向基控制模型和自适应滑模算法，同时考虑了非1负反馈参数，建立了基于RBF 神经网络滑模控制的电液伺服控制系统数学模型。通过选取合适的Lyapunov 函数，分析了系统稳定性，解决了参数未定及挠动情况下的电液伺服系统控制器设计问题。仿真结果证明，所设计的控制器使系统的输出对给定信号的跟踪精度高，响应快，具有较强的鲁棒性。     

基于汽车操纵逆问题的蛇行试验分析研究

在驾驶员-汽车二自由度闭环系统模型基础上,进行汽车蛇行试验仿真,通过驾驶员熟练程度参数的差异,模拟不同驾驶员驾驶同一辆车的情况,从而利用径向基网络,建立闭环系统汽车横摆角速度、侧向加速度与方向盘转角之间的映射关系。通过所建立的径向基网络,由横摆角速度、侧向加速度响应来识别汽车的方向盘转角,结果表明了该方法的可行性,并且具有运算速度快,识别精度高以及抗干扰能力比较强的优点。     

XGBoost机器学习在光电编码器误差补偿中的应用

光电编码器检测系统的误差主要受基准光电编码器测角误差、数据采集误差、检测系统同轴误差影响。其中，基准光电编码器的测角误差可进行补偿。因此设计了一种基于极度梯度提升树（extreme gradient boosting,XGBoost）机器学习的算法用来补偿基准光电编码器的误差。经该算法补偿后，静态精度提高了35倍，标准差由3.62″减小至0.13″，最大误差值由5.53″降低至0.39″。与传统的误差反传（back progagation,BP）神经网络算法以及径向基函数（radial basis function,RBF）神经网络算法补偿效果相比，XGBoost的补偿效果更优。XGBoost机器学习算法有效降低了基准光电编码器的测量误差，提高了光电编码器检测系统的检测精度。     

Real-Time Prediction of Workpiece Errors for a CNC Turning Centre, Part 4. Cutting-Force-Induced Errors

A neural network method is presented for predicting cutting-force-induced errors in real-time during turning operations based on the estimated cutting forces. Workpiece errors can be considerably affected by the deflections of the machine–workpiece–tool system. A model of the elastic deflections of the machine–workpiece–tool system due to the cutting force in turning developed. A novel radial basis function (RBF) neural network is used to map the relationship between the cutting-force components (radial, axial and tangential) and the consequent dimensional deviation of the finished parts caused by the combined deflections of the machine–workpiece–tool system. Cutting tests were performed on a two-axis CNC turning centre and the experimental results showed that the prediction accuracy of the maximum diameter error of the workpiece was within 15%. The trained RBF neural network was able to predict the cutting force induced error in real-time during turning.