液压摆式列车倾摆调试系统的设计与应用

摆式列车是既有线路提速的一种有效措施，摆式列车的关键是倾摆系统，而液压式摆式列车倾摆调试系统是摆式列车安全运行的重要保障，本文介绍了倾摆系统的调试系统，从而利用VB串行通讯实现主控计算机与便携式PC机的通讯。     

基于BP神经网络的液压伺服阀的模型辨识

针对铁马工程中液压振动台在实际应用时不能达到预期控制效果的问题,利用神经网络具有逼近任意非线性映射的能力,使用BP神经网络对液压振动台中的核心设备液压伺服阀进行模型辨识.仿真结果表明这种方法能有效地对液压伺服阀进行辨识,辨识出的模型为设计合理的控制方法提供了理论依据.     

基于BP神经网络压电泵输入输出系统的辨识

以一种橡胶阀双腔体并联泵为例,在输入110V正弦交流信号时,测得该压电薄膜泵的输出流量及出口压力的值。在实验数据的基础上,应用BP神经网络建立了压电泵输入输出系统的映射关系,并利用Matlab/Simulink提供的模块搭建了压电泵的模型。结果表明,通过BP神经网络得到的输出特性值具有较高的精度,能客观地反映压电泵输出特性随输入频率的变化关系。     

基于GA-BP神经网络的气压伺服系统辨识研究

气压伺服系统控制器的优化设计依赖于准确的系统模型.针对系统的非线性问题,研究采用神经网络进行系统辨识的原理和结构;考虑传统BP算法存在局部收敛、学习速度慢的问题,采用遗传算法对神经网络的初值和权值进行优化,并采用LM算法进行网络学习,最终建立系统的神经网络辨识模型.通过仿真对比神经网络辨识结果与传统线性模型辨识结果,结...     

基于PID神经网络的倒立摆控制系统

倒立摆是一个典型的高阶次、自然不稳定、快速响应、非线性运动控制系统,是现代控制研究的对象.PID神经网络是一种内含比例神经元、积分神经元和微分神经元的神经网络.本文介绍了采用PID神经网络控制的倒立摆系统,包括倒立摆系统的基本构成、PID神经网络单变量控制系统的算法和结构、权重初值的选择.进行了实际系统试验,比较了传统PID控制和PID神经网络控制倒立摆的效果,证明了PID神经网络控制系统的优良性能.     

基于BP神经网络PID的高速清扫车摆臂控制系统

针对传统清扫车摆臂开环控制系统的动态响应特性不足、抗干扰能力弱,不能适应高速工况下清扫作业,设计了高速清扫车摆臂执行机构和闭环控制系统。为解决BP神经网络(BPNN)存在局部极值、收敛速度慢等问题,提出一种改进BPNN PID算法,其核心是通过主动串联校正,抑制PID前一次输出值u (k-1)对此次输出值u (k)的影响。通过搭建Simulink-AMESim联合仿真模型,研究了高速清扫车摆臂闭环控制系统的阶跃响应、抗干扰能力以及位置跟踪能力。研究结果表明:所改进的BPNN PID控制器能够动态调整PID参数,提高了系统的适应性、准确性和稳定性;改进BPNN PID控制器的抗干扰能力更强,鲁棒性更好,且系统近乎没有超调,超调量为0.5%,仅为PID控制超调量的2.34%,稳定时间0.62 s,相比PID提前了66.31%。     

基于BP神经网络的液体滑动轴承轴心位置辨识

在分析液体滑动轴承轴心位置影响因素的基础上,利用BP神经网络建立了液体滑动轴承的轴心位置模型,提出了其算法流程,并对网络进行了训练及泛化.     

电液位置伺服系统神经网络辨识的实验研究

针对电液伺服系统非线性建模问题,研究了电液位置伺服系统神经网络辨识模型的基本结构。分析伺服系统动态模型的输入、输出关系,依据遗传算法优化神经网络权值和阈值,建立神经网络辨识模型的基本结构。利用xPC技术建立阀控缸实时电液伺服实验台,以实验台的阶跃输出信号作为改进BP神经网络系统辨识信号,以实验台正弦输出信号作为验证信号。结果表明:该神经网络辨识模型的基本结构可达到较高的辨识精度,其可信性得以验证,适用于非线性系统模型辨识。     

基于BP神经网络的液压系统故障诊断专家系统

本文尝试将BP神经网络应用于液压系统的故障诊断，阐述了基于BP神经网络的故障诊断专家系统的基本结构，以及知识库，正向推理机和解释机的实现方法。     

基于BP神经网络的铝电解槽热平衡控制系统

本文阐明了基于BP神经网络的控制系统在大型铝电解槽生产过程中热平衡控制的开发和应用。由于电解槽存在大滞后、多变量的非线性作用的影响,因此很难用常规的基于数学模型来稳定地控制热平衡,而神经网络的专家系统是人工神经网络论对人工智能和专家系统的重大发展,它克服了传统专家系统欠缺,获得更佳效果。     

基于切削颤振抑制系统的BP神经网络PID控制研究

从颤振的发生机制及集中质量系统的颤振运动微分方程出发,以镗削颤振抑制问题为背景,建立了具有连续分布质量的压电智能切削颤振抑制系统动力学模型,重点研究了BP神经网络与经典PID控制相结合的智能控制策略,为切削颤振的智能控制提供了新的方法。继而在Simulink中分别利用经典PID和BP神经网络PID对切削颤振抑制系统进行控制仿真。仿真结果表明:和经典的PID控制相比,BP神经网络PID控制自适应能力更强。     

基于改进BP神经网络的控制图模式识别系统

提出一种基于激励函数参数可调和动态阈值的改进BP神经网络控制图模式识别算法,并优化Monte Carlo工序数据模拟方法,使样本数据更具与实际生产数据相同的质量特性.根据改进后的网络参数迭代公式,将预处理后的样本数据作为输入对该神经网络识别器进行训练,训练结果用于生产过程的控制图模式识别.改进BP神经网络识别器的拓扑结构简单,在保证识别精度的前提下,提高识别速度,改善神经网络的泛化能力.最后,通过计算机模拟和生产现场应用验证该算法的可行性.     

基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用,实现对铣削加工质量的预测,改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比,然后基于MATLAB平台,建立以铣削速度、进给量和铣削深度为输入参数,表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练,然后再用训练好的RBF神经网络模型预测表面粗糙度,将预测值与实测值进行比较,验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%,最大误差为0.056 098,平均误差为0.022 277,而BP方法的最大误差为0.074 947,平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高,具有比BP神经网络更优的预测能力,且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点,能有效进行铣削质量预测。     

基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。