基于小波神经网络辨识的PID神经MRAC研究

提出了一种基于小波神经网络辨识的PID神经网络模型参考自适应控制方法。该方法采用小波神经网络作为辨识器,PID神经网络作为控制器在线调节。由于小波变换具有良好的时频局部特性,神经网络具有强大的非线性映射能力,自学习、自适应等优势,采用规范正交的小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力,自学习、自适应能力等优点,仿真结果表明用该方法构成的控制系统收敛速度快,逼近精度高,鲁棒性好,优于一般的BP网络控制。     

某型涡轴发动机的故障检测和诊断集成系统

介绍了气路分析法、人工神经网络和故障树分析法在航空发动机故障诊断中的应用 ,描述了采用这些方法开发的状态监视与故障诊断系统的结构、界面、数据库系统、神经网格和故障树     

基于频谱法与神经网络的航空起动发电机的故障检测与诊断

应用频谱法对航空直流起动发电机发电状态进行故障检测与诊断。采用对电机的电枢纹波电流信号进行频谱分析,提取该信号在频率域特征量,将频谱特征向量作为学习样本,通过训练,使神经网络能够反映频谱特征向量和故障类型的映射关系,从而达到故障检测与诊断的目的。电机故障实验和分析表明,与常规方法相比,频谱分析与神经网络相结合的方法进行实时检测和诊断具有简单、有效等优点。     

水性防腐涂料湿附着力性能的配方优化模型

为提高水性防腐涂料湿附着力,提出基于人工神经网络(ANN)和遗传算法(GA)的水性防腐配方工艺优化模型。采用正交法设计配方工艺,根据实验结果,建立配方(水性环氧乳液、石墨烯、水性环氧固化剂、填料、附着力促进剂)、工艺(干燥温度)和性能(湿附着力)的预测模型,以水性防腐涂料湿附着力预测结果为优化目标,通过GA得出最佳的水性防腐涂料配方和工艺,并对该配方和工艺进行了实验和理论验证。该方法为制备高性能水性防腐涂料提供一定指导依据。     

模糊极大极小算子神经元网络的图灵等价性

将模糊Zadeh算子的定义域作了扩充,并重新定义为模糊极大极小算子,使其满足交换律、结合律和零元律.在此基础上提出一种模糊极大极小算子型神经元网络模型,符合一般模糊算子型神经元网络的定义.与传统的Zadeh算子型模糊神经网络相比具有较强的映射能力.详细证明了用该模糊极大极小算子神经元网络可以计算与图灵机等价的部分递归函数,从而表明模糊极大极小算子神经元网络的计算能力等价于图灵机.将传统神经元M-P模型神经网络的图灵等价性推广到模糊神经元网络.     

基于神经网络的带肋回转通道换热性能的预测

在对带有不同肋间距和肋高的直肋变截面U型通道的换热性能进行了实验研究的基础上,分单元处理了数据,并采用经过LM(Levenberg-Marquardt)算法和贝叶斯正则化方法改进的基于BP(Back-Propagation)算法的前馈神经网络对数据结果进行了建模,实现了对带直肋的变截面U型通道换热性能的预测,实践证明,人工神经网络ANN(Artificial Neural Network)方法可以用于航空发动机涡轮叶片内通道换热性能的预测,并且其预测精度明显高于非线性拟合.     

基于RBF神经网络的航空发动机起动模型辨识与仿真

为解决基于气动热力学方程建立发动机起动模型时存在的困难,本文以某型发动机起动调整试验的试车数据为样本,使用径向基函数(RBF)神经网络对在某一大气条件下的发动机起动模型进行了辨识;并使用另外一组试车数据,通过辨识模型对起动过程进行了仿真。结果表明,用RBF神经网络辨识发动机起动模型,具有方法简单、学习速度快、辨识精度较高等优点。     

低排放燃烧室化学反应器网络模型的参数化

为了掌握低排放燃烧室的污染物排放情况,对其化学反应网络器(CRN)模型的参数化进行研究.对爬升工况下燃烧室CFD数值模拟结果进行分析,划分燃烧室的结构,得到燃烧室的CRN模型.再利用自编程软件对燃烧室的结构参数和进口参数进行参数化定义,并把参数化的CRN模型在不同工况下的模拟结果与试验结果分别比较.结果表明:在慢车工况下二者相差不大,在爬升工况下二者差异也在允许误差范围之内.验证了该模型可行性较好,该参数化CRN模型可用于预测低排放燃烧室的污染物排放量和出口温度.     

基于人工神经网络的可压缩湍流大涡模拟模型

在国家数值风洞（NNW）工程项目的指导下，空间人工神经网络（SANN）模型被用于强可压缩湍流大涡模拟（LES）研究，其中流场的湍流马赫数分别为0.6、0.8、1.0。基于湍流的多尺度空间结构特性和人工神经网络方法发展的高精度空间神经网络（SANN）模型适用于不可压缩湍流和弱可压缩湍流。对于强可压缩湍流，流场中会出现激波结构，给大涡模拟带来了挑战。本文的研究结果表明：SANN模型适用于强可压缩湍流的大涡模拟。在先验分析中，SANN模型预测的亚格子应力和亚格子热流的相关系数超过0.995，远远高于梯度模型和近似反卷积模型等传统模型；传统模型的相对误差大于30%，而SANN模型在这方面有很大的改进，相对误差低于11%。在后验分析中，与隐式大涡模拟（ILES）、动态Smagorinsky模型（DSM）、动态混合模型（DMM）相比，SANN模型能更精确地预测能谱、各类湍流统计特性以及瞬态流动结构。因此，基于湍流多尺度空间结构特性的人工神经网络模型加深了人们对强可压缩湍流亚格子建模的认识，同时可以服务于NNW工程的流体力学模型构造。     

基于神经网络的双馈感应发电机滑模控制

针对不平衡电网下双馈感应发电机运行不佳的问题,将神经网络控制和二阶滑模控制相结合构成的神经网络滑模控制器运用到双馈风力发电机的直接功率控制中。设计了二阶滑模控制器,二阶滑模能够有效地削弱传统滑模控制的抖振；接着,设计了径向基神经网络对系统的不确定部分进行逼近；最后,基于李雅普诺夫稳定性定理推导了神经网络权值更新律,证明了控制系统的稳定性。仿真结果表明所设计控制策略能对有功、无功功率及其定子电流进行有效控制,削弱了传统滑模控制中的抖振。