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。     

液体物料定量灌装机常见故障及处理

定量灌装机是通过控制充填到包装容器内的液体容积进行计量和灌装的机器,其分注液量准确、液量调整方便,是测量液体定量包装产品不可或缺的小容量计量设备。本文对液体物料定量灌装机可能出现的故障及处理分析如下：1.灌装液体的温度变化会影响灌装量。由于液体体积随温度升高而变大,随温度降低而变小,所以灌装时虽然容积没变,但质量变了,造成灌装质量误差。     

全自动液体定量灌装机控制系统设计

设计了一种主要用于有毒、易挥发性液体的全自动液体定量灌装机。 其控制部分设计主要包括 PLC 控制空桶的输送、桶口的定位、液体定量灌装、满桶的输送等工作。 采用的计量仪表为 F701 称重控制器,通过PLC 的控制实现精确称量。 在整个液体的定量灌装过程中,不需要人工接触灌装液体,设备能够实现全自动的系统工作。 对设备系统的软件、硬件进行了详细介绍与分析。     

基于模糊神经网络的液体灌装自校正控制系统

目的为提高微量液体灌装精度,以补灌工序为研究对象,设计一种自校正控制系统。方法介绍灌装机的基本结构、工艺流程以及自动补灌基本原理。基于模糊RBF神经网络设计一种二次补灌控制器,阐述神经网络结构和学习算法。基于PLC和ARM搭建相应控制系统,其中PLC为主控制器负责传感器信号检测以及各工序执行,ARM为从控制器负责二次补灌控制,最后进行试验研究。结果对比结果表明,在自校正补灌的条件下,灌装精度得到明显提高,误差占比可控制在1%以下。结论所述控制系统可最大程度地减小生产过程误差,满足灌装工艺要求。     

锂电池悬浮式烘箱数值模拟分析与结构优化

目的 为提高盐业包装线封口温度控制精度,融合果蝇优化算法和径向基神经网络设计一种温度控制系统。方法 介绍控制系统结构,利用RBF神经网络的自学习、自适应能力实现PID控制器参数的在线调节,可确保封口温度的自适应控制。通过果蝇优化算法实现神经网络初始值优化,提高神经网络的全局搜索能力。最后,进行仿真和实验分析。结果 结果表明,温度偏差可以控制在1%以下,该控制算法具有较好的稳定性,达到稳定状态耗时较少,系统超调量明显变小,在一定程度上提升了封口温度控制的精确性和稳定性。结论 所述控制系统控制性能比较理想,可满足食用盐包装封口温度控制需求。     

粉状饲料动态定量称量包装控制系统设计与实现

目的 为提高粉状饲料包装过程的称量精度,提高包装效率,基于RBF神经网络设计一种粉状饲料定量称量包装控制系统.方法 首先介绍系统总体结构,以动态定量称量为主要研究对象,重点分析包装机的给料过程.针对精细给料过程,建立被控对象数学模型,结合传统PID控制和RBF神经网络设计称量控制器.通过RBF神经网络实现PID控制器参数的在线调整,从而提高称量精度.最后进行实际称量试验.结果 试验结果表明,静态和动态称量偏差均可以控制在0.5％以内,计量为25～50 kg,生产能力可以达到900包/h.结论 所述控制系统称量精度较高,具有比较理想的可靠性和稳定性,能够满足包装需求.     

液态物料定量灌装机(定容式)的不确定度评定

液态物料定量灌装机是通过控制充填到包装容器内的液体容积进行计量和灌装的机器,广泛应用于食品、饮料、饮用水等行业。本文主要对定容式液态物料定量灌装机的不确定度进行评定。     

HFGZ22 型回转式负压灌装机的研制

目的针对当前自动灌装技术发展中提出的大批量灌装要求,研制一种HFGZ22型回转式负压灌装机。方法比较分析各种灌装方法,采用抽真空与液体灌装同时进行的方式,并利用气压平衡原理控制灌装量;根据目标液体特性,采用机械式托瓶方式实现瓶口的自动密封。结果设备应用表明,该灌装机综合性能优、可靠性高、适应性强、运行平稳,且无液体滴漏等现象,达到预期设计目标。结论该型号灌装机可广泛应用于中小型食品饮料生产企业。     

基于自适应神经网络的机械臂滑模轨迹跟踪控制

针对动态建模误差和不确定性扰动对机械臂末端高精度轨迹跟踪控制的不利影响，提出了一种新型的基于自适应神经网络的机械臂滑模控制策略。该控制策略可分为三部分：自适应神经网络补偿项、切换控制项和等效控制项。自适应神经网络的引入，避免了建模误差和外界未知扰动对机械臂系统的影响，提高了轨迹跟踪精度；切换控制项可使机械臂系统性能在迅速趋近滑模面的同时以很小的速率趋近平衡点，既能保证系统稳定，又能避免系统过于抖振；等效控制项用于对机械臂动力学模型的重力项和哥氏力项进行补偿，实现对模型的线性化处理，保证了系统的控制精度。最后，通过构造Lyapunov函数验证了所设计控制系统的稳定性，并在MATLAB/Simulink环境下和机器人系统工具箱中开展仿真实验和对比实验。结果表明，所提出的控制算法能够在保持机械臂稳定性的同时实现高精度的轨迹跟踪，验证了该控制算法的有效性和优越性。自适应神经网络滑模控制算法可为提高机械臂末端轨迹跟踪精度提供一种解决方案。     

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.     

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。     

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RBF神经网络的自动包装机温度控制算法研究

目的针对传统热封工艺中温度调节PID算法参数过度依赖人工经验的缺点,提出一种RBF神经网络与PID算法相结合的具有参数自适应的热封温度控制算法。方法使用控制系统的输出误差作为代价函数,采用最小均方误差(LMS)调整权值与偏置参数,并通过中心自组织算法实现径向基函数中心和中心宽度的动态调节,在Matlab软件中的Simulink子系统中建立仿真模型进行算法验证,并与传统PID控制算法进行比较。结果仿真结果表明,径向基神经网络与传统PID算法的结合使得系统输出响应在动态性能和静态性能方面均优于传统PID,在系统上升时间、调节时间等方面均优于增量式数字PID。结论将RBF神经网络PID算法应用于自动包装机,避免了传统热封工艺中PID控制算法参数不能适应于复杂变换控制环境的问题,神经网络PID算法的自适应性强,实现了热封温度变化下PID参数的自动调整,在一定程度上提升了生产效率和包装设备的智能化水平。     

基于模糊聚类的RBF神经网络算法

文章提出一种根据模糊聚类的思想来确定RBF神经网络隐层节点数,并用K-Means的聚类算法来训练RBF神经网络.并根据此算法进行仿真,并证明是有效的.     

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。     

基于主元分析和RBF神经网络的火灾模拟实验炉温软测量

软测量也称为软仪表技术,采用主元分析和RBF神经网络相结合的融合模型构成火灾模拟实验炉温软测量。主元分析（PCA）实现输入变量的降维,RBF神经网络采用K－均值聚类算法进行隐层中心和连接权调节的学习,实现快速收敛。该融合模型使炉温估计精度比常规的最小二乘方法拟合精度提高２倍以上。