基于神经网络遗传算法的CFRP拉挤工艺优化

根据固化动力学和传热学理论,建立了碳纤维增强聚合物基复合材料(CFRP,Carbon Fiber Reinforced Polymer)拉挤成型非稳态温度场与固化动力学数学模型.采用有限元与有限差分相结合的方法,结合ANSYS求解耦合场的间接耦合法,对CFRP拉挤过程非稳态温度场和固化度进行数值模拟.使用特殊设计制作的铝毛细管封装的布拉格光栅光纤(FBG,Fiber Bragg Gratings)传感器,对温度场进行实时检测;并采用索氏萃取实验测定CFRP制品固化度.模拟与实验结果基本吻合.以数值模拟结果为样本建立反向传播神经网络,训练得到固化炉温度与CFRP固化度之间的非线性相关关系.采用神经网络与遗传算法相结合的方法,优化得出拉挤固化炉三段最佳温度值,结果表明神经网络结合遗传算法优化拉挤工艺参数快捷有效.     

快速伺服刀架神经网络自适应PID控制

为了提高快速伺服刀架的控制性能,减小跟踪误差,实现正弦网格表面精密加工,提出了基于RBF和BP神经网络的自适应PID控制策略.由仿真结果可以看出,采用基于神经网络的自适应控制算法,使跟踪误差的最大值降低为1.37μm,跟踪误差的绝对均值降低为0.52μm.这两项指标相对与传统PID控制分别降低了28%和40%.     

SGKW轨道在线生成技术研究

天基对地打击动能武器(SGKW)用于从太空对地面高价值战略目标进行快速、准确的打击.针对作战实时性要求,探讨了SGKW的轨道在线生成技术.首先,利用庞特里亚金极大值原理将时间最短打击轨道的最优控制问题转化为两点边值问题.由于约束条件中存在优化参数,一种基于"遗传算法+序列二次规划"的组合优化算法被用于求解伴随变量初值和再入点参数.为了提高轨道生成的速度,在大量离线优化数据的基础上建立了BP神经网络预测模型,其预测值通过序列二次规划算法稍加修正,即可满足相应任务的落点精度要求.仿真结果验证了上述方案的有效性.     

深度交叉遗传神经网络在液体火箭发动机故障检测中的应用

将遗传算法与BP神经网络深度交叉融合,即采用遗传算法对BP神经网络的权值和阈值进行多点优化,而在进化的每一代中随机取少量染色体进行单一BP网络训练,训练结果再返回染色体,经过若干代的进化后得到稳定的权值和阈值,再将它们赋给BP神经网络,作为初始值,按误差前向反馈算法沿负梯度搜索重新训练,最终得到最优解。这种算法既避免BP算法易陷入局部最优解的不足,又克服遗传算法以类似穷举的形式寻找最优解而引起的搜索时间长、速度慢的缺点。并且经过仿真分析,深度交叉遗传BP神经网络的收敛性和故障诊断能力优于传统BP神经网络和单一使用遗传算法,可有效应用于液体火箭发动机故障检测中。     

太阳质子事件警报

采用人工神经网络预报方法,利用太阳耀斑的日面位置、X射线辐射的峰值流量及其上升时间、2695MHz和8800MHz微波辐射的半积分流量等5个物理参量,提出了一个新的太阳质子事件警报方案,预报太阳质子事件的发生及其流量和时间．该方案在本文检验中达到93．75％的预报准确率．     

基于ANN的故障诊断专家系统的应用研究

介绍一种基于ANN的设备故障智能诊断专家系统模型,探讨了该模型的基本结构和相应的推理机制及故障诊断策略,提出将设备故障分为低层故障和高层故障的思想以及相应的分层诊断、分块进行的诊断策略,并以MK9-5卷接机组为诊断对象,研究了该模型及诊断方法在设备故障智能诊断中的具体应用.     

基于神经网络模型的层次诊断方法及应用

对神经网络和故障诊断的层次分解模型进行了研究,把神经网络技术和层次分解模型相结合,利用神经网络来实现分层诊断。以卫星能源系统为背景,建立了该系统故障模拟试验台的层次分解模型,在此基础上构造了合适的分层神经网络,通过分层神经网络诊断系统故障,给出的两个实例说明了这种方法的有效性。     

基于特征点的颅面复原技术

介绍了用人工神经网络算法确定待复原颅面的软组织厚度及颅面特征点的方法。在计算机辅助颅面复原过程中,通常只能根据颅骨上少数特征点及其所在部位的法向软组织厚度的统计值进行运算。由于现有统计值指标涵盖的年龄较宽泛,导致复原结果缺乏个性。在测定待复原颅骨骨龄的基础上,通过神经网络训练,确定软组织厚度随年龄的变化规律,较精确地计算出与拟复原对象的骨龄相适应的特征点软组织厚度值,并用最小二乘法及曲面法线原理建立数学模型,计算出颅面特征点。最后用基于Delaunay三角剖分的wavelet插值法复原出面貌雏形。     

基于神经网络的直升机协调转弯控制律设计

针对直升机协调转弯控制提出了一种控制律设计方法。首先,在小扰动线性模型基础上,建立描述直升机全包线范围内的T-S模糊模型。其次,分析直升机协调转弯机理,确定相应的控制律结构,利用参数优化算法确定控制参数。最后用所得的控制参数样本训练径向基神经网络,实现全包线范围内的连续调参控制律。仿真结果表明,直升机转弯性能完全满足指标要求,所提出的控制律设计方法可行、有效。     

基于支持向量机回归和RBF神经网络的PID整定

针对工业控制领域中非线性系统控制,在基于梯度下降法的RBF网络PID整定的基础上,对整定算法作出改进,控制目标不再是使当前跟踪误差最小,而是使当前跟踪误差和下一时刻跟踪误差的平方和最小。实现过程为:先由RBF神经网络在线辨识被控对象离散模型,得到被控对象的Jacobian信息,采用梯度下降法对PID控制器参数进行初步整定;然后,将系统跟踪误差和PID参数输入支持向量机模型,通过回归预测系统下一时刻的误差,改进的整定算法利用预测误差信息对参数进行再整定。仿真结果表明,引入支持向量机回归优化的RBF神经网络PID整定收敛速度更快,精度更高,跟踪性能优于RBF神经网络PID整定。