改进BP算法在模糊神经网络中的应用

引入一种改进的BP算法——动量因子-自适应学习率算法.通过调节动量因子以及在学习过程中的学习率实现自适应,以提高学习速率和增强学习的平稳性.将该学习算法引入到串形结构的多层前向模糊神经网络中,通过学习确定了模糊映射关系,实现了对象的模糊故障诊断.在应用模糊神经网络进行故障诊断时,被监测的故障征兆信号与网络输入层相连,即将输入向量输入到网络中,经过模糊化处理,得到各故障征兆在所定义征兆的模糊子集上的隶属度向量,再利用神经网络的前向计算,得到故障原因的模糊隶属度向量,最后通过对向量的分析确定故障原因的类型.将上述模糊神经网络应用到空气静压轴承中,实现了设备的故障诊断,测试结果验证了该方法的有效性.      

陀螺稳定平台视轴稳定系统自适应模糊PID控制

 在运动载体上的光电跟踪系统中,需要采用建立在陀螺稳定平台上的视轴稳定控制。分析了平台结构和惯性稳定隔离原理。针对系统机械谐振、力矩耦合及电气参数波动等非线性不确定因素的影响,设计了复合自适应模糊PID控制器。引入自适应调整因子进行控制规则和参数的在线修正,采用复合控制克服模糊控制固有的盲区,实现无差调节。在光电跟踪转台上的实验结果显示该方法能够有效地隔离载体扰动,减小扰动造成的误差,保证视轴对目标的准确瞄准,具有快速的动态响应和较强的抗干扰性。     

基于灰色理论的复杂系统多故障模糊诊断

航天、核电等复杂系统源发故障概率通常难于获取,由此导致基于最大后验概率准则的诊断方法失效。针对上述问题,从测试可靠性先验概率入手,提出了一种基于相关矩阵和灰色系统理论的故障诊断方法,通过对系统建立故障-测试相关矩阵,生成有排序的测试报警概率矩阵,并利用灰色关联度衡量测试结果向量与故障特征向量的接近度,实现了对多发故障的模糊诊断。实验结果表明,该方法在诊断指标权重调整、诊断精细度、重点关注故障检出等方面优势明显,诊断结论正确率满足实用需求。     

变体辅助的无人机栖落机动模糊控制设计

无人机（Unmanned aerial vehicle, UAV）的栖落机动是一种大幅度的俯仰运动,易引起升降舵操纵力矩饱和。本文以变体方式增强无人机的俯仰操纵能力,并研究其对应的控制设计方法。首先对栖落机动建立了纵向动力学模型,并通过采用轨迹线性化和张量积变换方法转换得到T-S模糊模型。基于Lyapunov稳定理论和平方和方法,设计了满足控制输入约束的栖落机动多项式模糊控制器。对非变体与变体下的栖落机动控制过程进行了仿真,结果验证了控制律的有效性,并且表明变体辅助的无人机具有更强的操纵性能,能提高栖落机动中升降舵的抗饱和能力。     

基于簇特征加权的航空发动机状态监视方法

提出了基于簇特征加权模糊C-均值聚类算法(FWFCM)的航空发动机状态监视模型,该模型主要分为离线学习和在线监视两个部分,离线学习模块计算出模型参数输出到在线监视模块,在线监视模块根据模型参数对实时数据进行分类,实时数据又输入到离线学习模块中参与更新模型参数.结果表明:相比基于数据加权策略的模糊聚类算法(DWFCM)以及经典模糊C-均值聚类算法(FCM),该方法平均离线状态识别率和在线状态识别率分别提高了5.233%和8.358%.实验证明此方法性能好且有很好的鲁棒性和泛化能力,对于不确定性的航空发动机在线状态监视有较好的应用价值.      

基于变论域模糊控制的无刷直流电机转速问题

无刷直流电机(BLDCM)是一种多变量、强耦合、非线性、时变的复杂控制系统。由于其采用传统的PID控制时很难满足需要,所以针对BLDCM精确调速的控制问题,在基于传统PID控制上引入模糊控制设计了模糊PID控制,并在此基础上应用变论域的方法,设计了变论域模糊PID控制器。以BLDCM为模型,通过MATLAB建立其仿真模型。仿真和试验结果表明,采用变论域模糊PID控制的BLDCM与传统控制的BLDCM相比,具有响应速度快、超调小、控制精度高等优点。     

角速率平台伺服机构的智能控制与容错研究

介绍了角速率平台伺服机构智能控制研制进展。用单片机控制,对角速率反馈通道实现了2次故障判别、1次系统重构。用Fuzzy控制建立了相应隶属函数,确定了故障判别阈值。实验表明系统工作稳定,故障的Fuzzy差别合理,故障通道切换平稳,重构后系统工作仍正常。     

模糊信息环境下的综合评判

 本文针对各种模糊信息环境下的综合评判问题,即多准则决策中的离散型决策问题,提出了3种模糊综合评判模型及模型在各种不同的决策需要下的具体的实现方法。试图解决在模糊权值或模糊判定或权值及判定均为模糊的环境下,以及不同的决策需要时的实际的综合评判问题。