基于预处理BP神经网络的开关磁阻电机建模

针对开关磁阻电机(SRM)强耦合、强非线性、难以精确解析建模的问题,提出一种基于数据预处理的反向传播(BP)神经网络建模方法。首先通过传统直流脉冲法测量一个电周期内SRM静态电磁特性,获取建模样本数据;其次充分利用电机先验知识,通过可以初步反映SRM非线性特性的磁链和转矩解析表达式对实测样本数据进行预处理并作为BP神经网络新的输入,降低神经网络拟合误差。与传统BP神经网络建模的对比结果显示,引入预处理方法可以有效减少BP神经网络节点数量,增强神经网络泛化能力,提高神经网络建模精度。     

基于RBF神经网络的军机研制费用估算模型研究

对现代军机研制费用估算模型现状进行了简要分析，基于径向基函数(RBF——Radial Basis Function)神经网络理论建立了一种新的研制费用估算模型，给出建模流程；编制了仿真软件，在小样本情况下，进行了数字仿真，对所建研制费用神经网络模型的有效性进行了验证。仿真结果表明，所建RBF神经网络估算模型对研制费用的预算估计是有效的，且该估算模型的费用估计精度比传统回归分析方法所建立的估算方程的估算精度高。     

一种开关磁阻电机无位置传感器控制效率优化策略

针对开关磁阻电机(SRM)的简化磁链法只能实现单相导通运行且导通区间固定的缺点,提出了一种结合固定关断角和自适应调节开通角的无位置传感器控制技术。利用曲线拟合关断位置磁链取代传统存储数据表,通过对比实时计算的动态磁链和曲线拟合的静态磁链,确定关断位置信号并估计转速和其他位置。考虑电机阻抗和电感的非线性特点,优化电感最小区域的开通角自调节模型确定导通区间。仿真结果验证了该方案的可行性和正确性,能够实现转子位置的间接检测,电机的运行效率得到进一步优化。     

有输入未建模动态和不确定性导弹控制器设计

在考虑导弹控制系统同时存在输入未建模动态和参数不确定性的情况下,提出了一种基于RBF神经网络和反演技术的鲁棒自适应控制器的设计方法。首先用两个RBF神经网络对未建模动态进行了补偿,然后利用反演技术设计了鲁棒自适应控制器,对不确定性进行了处理,并用Lyapunov稳定性理论推导出RBF神经网络的权重矩阵调节率以及相关的自适应律,证明了系统的全局稳定性,最后通过仿真计算验证了设计的正确性。     

电动汽车空调无位置传感器的内置式永磁同步电机控制研究

针对内置式永磁同步电机(IPMSM)无位置传感器的转子位置和速度估计的难点,提出了一种基于改进定子磁链观测器的转子位置、速度的估计方法。该方法结构简单,涉及电机参数少。通过引入有效磁链概念对IPMSM的电压方程进行等效变换,对两相静止坐标系下的反电动势进行积分。为了抑制反电动势的积分环节带来的积分饱和和直流漂移问题,设计了截止频率可以自动调节的低通滤波器来代替积分器。对于在低速时低通滤波器所带来的磁链幅值衰减和相位超前问题,利用饱和反馈对观测误差进行补偿。最后通过锁相环进行位置的估计。搭建了MATLAB/Simulink仿真平台。仿真表明:该方法能够实现对IPMSM全速度范围内的转子位置的高精度估计。     

基于新型纯积分法的定子磁链在线辨识算法

针对气隙转矩法计算异步电机转矩时对定子磁链辨识精度的要求,提出了一种基于新型纯积分法的定子磁链在线辨识算法,采用了精度较高的复化辛普森积分模型。相比传统的梯形积分法,基于新型纯积方法的定子磁链在线辨识算法的磁链辨识精度显著提高；相比新型的基于低通滤波器的定子磁链观测器,该算法模型更简单,操作更便捷。通过MATLAB/Simulink搭建系统仿真平台进行验证,结果表明基于新型纯积分算法消除了传统积分法的主要缺陷,解决了积分饱和问题以及初值问题。基于新型纯积分算法的估计磁链与理论参考磁链基本吻合,表明其可靠性较高。     

基于磁链重构的永磁同步电机分布参数模型

针对基于电感的永磁同步电机(PMSM)线性集中参数模型无法描述电机磁路饱和、反电动势非正弦等非理想特性的问题,提出一种基于磁链重构的PMSM分布参数模型,并进行了仿真和试验验证。首先通过有限元分析(FEA)获取电机不同工作点下的磁链,其次利用傅里叶级数展开和多项式拟合方法对磁链进行重构,再根据重构的磁链建立起PMSM分布参数模型,并进行了仿真和试验验证。仿真和试验结果表明,模型能准确描述PMSM在不同工况下的非线性特性。     

基于模糊模型的鲁棒自适应重构飞行控制

提出了一种基于模糊模型的歼击机鲁棒自适应重构控制方案。整个控制方案基于T S模糊模型,将歼击机各飞行状态的局部线性调节器与鲁棒自适应神经网络重构控制器相结合,避免了传统的增益预置方法中控制律在不同工作点之间切换造成的参数突变对系统性能的影响,可以保证系统在全局上拥有局部工作点具有的期望性能,证明了重构系统的全局闭环渐近稳定性。所提出的带有补偿项的完全自适应RBF神经网络,通过在线自适应调整RBF神经网络的权重、函数中心和宽度,提高了神经网络的学习能力,同时通过自适应补偿项来在线估计神经网络的近似误差边界,可以有效地在线修正建模误差、外扰及操纵面故障等因素的影响,保证系统的操纵品质。仿真结果表明了所提出方法的有效性。     

基于磁共能的开关磁阻电机转矩在线快速估算

为避免复杂的数学运算及降低处理器数据存储空间要求,在电压斩波控制的基础上,提出了一种基于磁共能的开关磁阻电机(SRM)转矩在线快速估算策略。详细阐述了磁链特性测量方法,给出了磁共能与转矩的计算公式。仿真和试验结果表明,瞬时转矩的在线快速估算值与实际测量值误差较小,说明磁共能方法适于转矩的在线快速估算。     

动态模糊RBF神经网络焊接接头力学性能预测建模

建立动态模糊径向基神经网络RBF( Radial Basis Function,RBF)焊接接头力学性能预测模型,克服静态RBF和模糊神经网络( Fuzzy Neural Network,FNN)在结构辨识、动态样本训练及学习算法的不足。该模型的结构参数不再提前预设,在训练过程中动态自适应调整,适用动态样本数据学习,学习算法引入分级学习和模糊规则修剪策略,加速训练并使模型结构更加紧凑。利用三种厚度、不同工艺TC4钛合金TIG焊接试验数据对该模型进行仿真。结果表明：模型具有较高的预测精度,适用于预测焊接接头力学性能,为焊接过程在线控制开辟了新的途径。     

基于RBF神经网络的微惯性测量组合标定

针对微惯性测量组合标定精度低的问题,充分发挥神经网络良好的逼近非线性函数的优势,以RBF神经网络为主要逼近手段,对微惯性测量组合输出非线性特性进行精确逼近,从而得到更为准确的标定结果。试验结果表明,基于RBF神经网络的标定算法能够有效地逼近微惯性测量组合敏感信息,与传统基于最小二乘法建模方法相比,微惯性测量组合输出标定精度有了显著提高,为后续的载体姿态准确解算奠定了基础。     

基于RBF神经网络的机器人鲁棒自适应控制器设计

在考虑机器人系统中存在的模型不确定性的情况下,提出了一种基于RBF神经网络和反演技术的鲁棒自适应控制器的设计方法。首先,通过状态变换将机器人的模型转换为适用于反演技术的形式;然后,利用反演技术设计了鲁棒自适应控制器,用两个RBF神经网络分别对模型的不确定性进行了处理,并用Lyapunov稳定性理论推导出RBF神经网络的权重矩阵调节律以及相关的鲁棒项,证明了系统的全局稳定性;最后,进行了相应的仿真研究,验证了设计的正确性和有效性。     

高空台特种调节阀建模方法对比研究

为了获得准确的轮盘式特种调节阀流量特性模型,提高高空舱进口流量预测精度,提出了基于BP神经网络和NARX网络的建模方法。在对调节阀与传感器测点位置分析的基础上,将调节阀和阀后容腔作为整体进行建模。对比研究了流量系数、静态BP神经网络以及基于Gamma Test的动态NARX网络建模方法,并给出了工程中选取建模方法的建议。以试验流量数据为基准,仿真对比了不同阀门开度变化时,各模型输出流量的稳态误差和动态误差。结果表明,BP神经网络方法和NARX网络方法建模精度要优于流量系数法。同时,BP神经网络模型最大稳态误差为0.52kg/s,优于NARX网络模型和流量系数模型。NARX网络模型的最大动态误差为2.04kg/s,相比于BP神经网络模型和流量系数模型,能够更准确地反映流量的动态特性。     

基于神经网络的故障率预测方法

 为了更好地预测产品故障率,提出了基于神经网络的故障率预测方法,分别给出了基于反向传播(BP)网络和径向基函数(RBF)网络进行故障率预测的基本思想、预测模型和实施步骤。分别对比分析了神经网络法与回归分析法、分解分析法、移动平均法、指数平滑法、自适应过滤法、自回归移动平均混合(ARMA)模型等统计预测方法的区别,对照故障率的特点,说明了神经网络法是其中最适用于故障率预测的统计方法。最后分别按这两种模型对某航空公司波音飞机故障率进行了预测,预测结果表明：这两种模型均适用于故障率预测,预测值与真实值的误差在20%之内,且RBF网络的预测效果略优于BP网络,此外通过与上述统计预测法的误差进行对比,说明神经网络法预测误差最小。     

基于知识重用的固体火箭发动机结构形式选择

以探索知识重用在固体火箭发动机设计中的应用为目的,引入知识工程及模糊数学的思想,将一般模糊极小极大神经网络用于完成固体发动机设计过程中结构形式选择,实现了固体发动机结构形式选择的自动化及量化描述。首先给出了基于知识重用的固体发动机结构形式选择模型描述;然后建立了固体发动机结构选项一般模糊极小极大神经网络;最后以具体型号总体设计为例,完成结构形式选择,得到了包含实际结果的多个可行方案。该方法提高了设计过程自动化水平,且可提供多个不同的结构选择可行方案供设计人员参考。     

基于神经网络模型的动态非线性气动力辨识方法

 在标准径向基函数（RBF）神经网络模型的基础上发展了带输出反馈的RBF神经网络。将计算流体力学(CFD)方法计算的时域气动载荷作为输入信号,建立跨声速非定常非线性气动力模型,并进一步运用CFD方法验证模型的精度。算例表明带输出反馈的RBF神经网络较标准RBF神经网络精度更高,能更准确描述跨声速激波大幅振荡时的非线性和非定常特性,并可推广用于多自由度运动的动态非线性气动力建模。用多级信号训练,预测简谐信号输入下的气动力算例表明带输出反馈的RBF神经网络能够预测不同振幅、不同频率的信号激励下的非线性气动力。     

临近空间动能拦截器神经反演姿态控制器设计

为满足临近空间动能拦截器姿态控制快速性、准确性和鲁棒性的要求,设计了一种自适应神经反演姿态控制器。首先,建立了姿控发动机侧喷干扰模型,并推导了包含质心漂移、参数摄动和外界干扰的三通道强耦合模型;其次,设计了自适应神经反演姿态控制器,为提高控制精度,采用径向基函数（RBF）神经网络对各个通道的不确定项进行估计和补偿,并基于最小学习参数的思想,将神经网络学习参数拟合为一个参数,提高了RBF计算效率,保证了估计的实时性。最后,采用伪速率（PSR）脉冲调制器将设计的连续控制律转化为脉冲控制律,实现了拦截器的变推力控制,并克服了脉冲脉宽调制（PWPF）调制器相位滞后问题。数字仿真表明,所设计的控制器收敛速度快,控制精度高,对强扰动具有鲁棒性。