吸收式制冷机组逆神经网络设定优化

针对吸收式制冷机组非线性、难以控制的特点，提出了一种基于逆神经网络模型的设定点优化方案。首先，以11.5kW单效溴化锂吸收式制冷机组为对象，使用人工神经网络方法建立了机组模型，通过对溴冷机制冷原理的分析，建立了系统结构为5-6-2的网络模型，该神经网络模型的相关系数大于0.99且方均根误差小于0.2%，与实验数据取得了良好的拟合效果；然后，利用该模型对溴冷机的各个输入参数进行灵敏度分析，并据此选择热水供水温度与冷却水流量作为优化方法的控制输入参数；最后，以冷冻水输出温度作为系统控制输出，对其进行优化计算，并采用改进的粒子群优化算法与逆神经网络相结合的方法，计算制冷机组的最优控制输入参数。通过实验与仿真分析，可知该算法的计算时间在30 s以内，低于吸收式制冷机组的稳定时间；溴冷机的目标输出与仿真计算结果间的误差小于0.02%，表明该方案可以应用于吸收式制冷机组的在线控制。     

吸收式制冷机组逆神经网络设定优化

针对吸收式制冷机组非线性、难以控制的特点，提出了一种基于逆神经网络模型的设定点优化方案。首先，以11.5kW单效溴化锂吸收式制冷机组为对象，使用人工神经网络方法建立了机组模型，通过对溴冷机制冷原理的分析，建立了系统结构为5-6-2的网络模型，该神经网络模型的相关系数大于0.99且方均根误差小于0.2%，与实验数据取得了良好的拟合效果；然后，利用该模型对溴冷机的各个输入参数进行灵敏度分析，并据此选择热水供水温度与冷却水流量作为优化方法的控制输入参数；最后，以冷冻水输出温度作为系统控制输出，对其进行优化计算，并采用改进的粒子群优化算法与逆神经网络相结合的方法，计算制冷机组的最优控制输入参数。通过实验与仿真分析，可知该算法的计算时间在30 s以内，低于吸收式制冷机组的稳定时间；溴冷机的目标输出与仿真计算结果间的误差小于0.02%，表明该方案可以应用于吸收式制冷机组的在线控制。     

吸收式制冷机组逆神经网络设定优化

针对吸收式制冷机组非线性、难以控制的特点,提出了一种基于逆神经网络模型的设定点优化方案。首先,以11.5kW单效溴化锂吸收式制冷机组为对象,使用人工神经网络方法建立了机组模型,通过对溴冷机制冷原理的分析,建立了系统结构为5-6-2的网络模型,该神经网络模型的相关系数大于0.99且方均根误差小于0.2%,与实验数据取得了良好的拟合效果;然后,利用该模型对溴冷机的各个输入参数进行灵敏度分析,并据此选择热水供水温度与冷却水流量作为优化方法的控制输入参数;最后,以冷冻水输出温度作为系统控制输出,对其进行优化计算,并采用改进的粒子群优化算法与逆神经网络相结合的方法,计算制冷机组的最优控制输入参数。通过实验与仿真分析,可知该算法的计算时间在30s以内,低于吸收式制冷机组的稳定时间;溴冷机的目标输出与仿真计算结果间的误差小于0.02%,表明该方案可以应用于吸收式制冷机组的在线控制。     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

基于粒子群优化支持向量机的电缆温度计算

导体温度是影响运行电缆使用寿命和材料利用率的最主要因素,也是反映电缆运行状态的参数.由于技术上尚难以实现对运行电缆导体温度的直接测量,因此有必要进行导体温度计算.文中以电流和外皮温度作为模型输入,以导体温度作为模型输出,构建基于支持向量机的电缆暂态导体温度的数学模型;为提高该模型计算的精度,避免盲目选取训练参数,引入粒子群算法对其惩罚因子C和核参数γ进行寻优.仿真与试验对比结果表明:基于粒子群优化的支持向量机模型(PSO-SVM模型)可以用于电缆暂态导体温度计算,且计算误差小于热路模型和BP神经网络;模型具有良好的泛化能力.     

基于遗传神经网络的车轮匹配整车逆动力学

为深入研究机械弹性车轮(MEW)的力学性能和整车稳定性的相互匹配关系,在Simulink中建立了整车非线性三自由度模型;利用基遗传算法对车轮模型参数进行辨识,并提取侧偏刚度与侧向力峰值作为车轮力学特性的评价指标;利用该模型进行了前后轴不同侧偏刚度和侧向力峰值组合的汽车前轮正弦输入模拟仿真,得到若干组汽车稳定性指标参数;利用遗传算法优化,建立了输入为汽车稳定性评价指标,输出为前后轮侧偏刚度和侧向力峰值组合的BP神经网络逆动力学模型.研究结果表明:遗传算法对车轮参数识别误差小于4%,用遗传神经网络算法(GANN)得到的测试结果最大误差为6.2%,平均误差为3.1%,所建立的遗传神经网络模型具有较高的车轮侧偏特性预测能力.     

基于改进U-Net模型的二维电介质目标重构

提出了一种基于改进U-Net（M-Net）模型的电磁逆散射算法.M-Net模型主要由多尺度输入层、U型卷积神经网络（CNN）、多尺度均值输出层组成.将散射场数据作为网络输入,能够在保证计算精度与计算效率的同时,减少人工计算工作量.以二维电介质为重构目标的仿真实验表明：与U-Net模型对比,应用M-Net模型求解电磁逆散射问题较为高效,输出结果误差更小.     

采用混合算法优化神经网络滑模控制的机器人跟踪误差

为了避免机器人关节角位移受外界影响,提高运动轨迹的跟踪精度,采用混合算法优化神经网络滑模控制器,并对优化后的控制器进行仿真验证.建立机器人平面简图模型,利用拉格朗日定理推导出机器人关节运动方程式,采用神经网络算法构建RBF神经网络自适应滑模控制系统.为了增强控制系统的稳定性,削弱外界波形对机器人运动轨迹的干扰,利用粒子群算法和差分进化算法在线优化RBF神经网络滑模控制律参数,设计了改进RBF神经网络滑模可调参数的自适应控制律,保证机器人控制系统的稳定性.通过MATLAB软件进行仿真实验,并且与优化前机器人关节角位移输出误差形成对比.仿真结果显示：随着干扰波形幅度的增大,采用神经网络滑模控制器,机器人关节输出角位移误差逐渐增大,系统不稳定,而采用混合算法优化神经网络滑模控制器,系统反应速度较快,机器人关节输出角位移误差较小.机器人采用混合算法优化神经网络控制器,能够提高控制系统的抗干扰能力,稳定性较好、输出精度较高.     

一种神经网络自适应控制策略

针对未知非线性不确定系统,提出了一种新的基于神经网络的自适应控制策略,该方法只需辨识对象的正向模型,将神经网络与优化方法相结合,对控制量进行优化迭代求解,使被控对象的输出能较好地跟踪期望输出,并且分别针对单输入-单输出系统和多输入-多输出系统进行了控制算法的推导,其中的优化方法分别采用梯度法和高斯-牛顿法·仿真结果表明,该算法能精确跟踪设定输出,超调量小,响应速度快,无稳态误差,控制效果是非常令人满意的     

基于进化RBF网络的柴油机喷油参数研究

基于柴油机燃油喷射电子控制实时性的要求，引入非线性最优控制理论来确定RBFNN的参数，用全局优化算法－遗传算法来离线求解非线性优化问题，用递推最小二乘法（RLS）在线调整进化RBFNN的输出权值，增加系统的抗干扰能力。同时通过分析输入参数与输出参数的相关性来简化该神经网络。结果表明：冷却水温及润滑油温度与喷油参数的相关性最低，从输入参数中去除它们后的简化神经网络在更少的迭代次数下能达到同样的逼近效果。     

基于PSO-RBF神经网络的串联机械臂逆运动学分析

针对目前基于神经网络对串联机械臂求逆解方法中出现的精度不足和实时性较差的问题,使用粒子群优化(particle swarm optimization,PSO)算法对径向基函数(radial basis function,RBF)神经网络进行结构优化,提出一种基于PSO-RBF神经网络的机械臂逆运动学算法。首先由正运动学模型获取神经网络训练和测试参数样本,经过欧拉角变换在神经网络输入端建立机械臂关节位姿映射关系,然后通过PSO算法对径向基核函数进行参数寻优并对测试样本求解分析,最后获取经逆运动学求解后机械臂的运动轨迹,验证了该算法的可靠性。仿真结果显示,由PSO-RBF神经网络逆运动学算法能够快速得出满足精度要求的关节角度,为进一步机械臂工业控制提供了理论支持。     

单效溴化锂吸收式制冷机的仿真计算

溴化锂吸收式制冷机是一种可利用低品位热能的节能型制冷机.针对蒸汽型单效溴化锂吸收式制冷机在船舶空调系统中的应用,编写了制冷机的设计计算程序和变工况的仿真计算程序,主要研究设计参数对流体流量和传热面积的影响及外界参数对制冷量与热力系数影响的变化规律.其结果与理论分析能较好地吻合,对溴冷机的设计及操作运行、控制调节等具有一定的指导意义.     

基于神经网络的电参数反演载荷算法

提出一种基于神经网络的抽油机载荷反演算法,从电机输入电功率和载荷输出非线性逼近的角度建立高维输入输出系统模型,通过对网络误差的负梯度反馈,自动调整权值参数,求解电参数到载荷的映射网络. 通过实测数据软件仿真,算法能实现电参数到载荷之间的非线性拟合,误差小于10-3,相关系数达到0.95以上.      

基于IPSO算法的回转窑煅烧带温度D-FNN预测控制

为了提高石灰回转窑煅烧带温度的控制性能,提出一种基于改进的粒子群优化算法(IPSO)与动态模糊神经网络(D-FNN)的预测控制方法。该方法利用动态模糊神经网络建立石灰回转窑煅烧带温度的非线性预测模型,通过输出温度的预测值,引入输出反馈与偏差来校正预测误差,建立偏差与控制量的控制性能指标,通过改进的粒子群优化算法滚动优化得到系统最优控制量。对控制方法的稳定性进行分析。仿真实验结果表明动态模糊神经网络的温度预测误差在±10℃之内,具有较高的预测精度。提出的预测控制方法能使输出煅烧带温度快速稳定地跟踪设定值的变化,同时在系统输出有扰动的情况下也能较好地跟踪设定值。控制量的平均单步滚动优化需0.31 s,可满足实际应用。     

无人机神经网络重构控制

针对无人机可重构飞行控制系统提出一种基于径向基神经网络的模型跟随自适应逆重构控制方法,其核心是建立内外控制回路,内回路运用自适应逆控制,使得系统不受外部扰动和测量噪声的影响。外回路采用神经网络模型跟随自适应控制结构,使用神经网络和比例混合控制器,对参考模型和系统输出之间的误差进行自适应调整,利用误差来改变神经网络控制器的参数,使得系统达到满意的动态性能。并通过一个具体重构仿真结果证实了该方法的有效性。     

热水型吸收式制冷机的稳态模拟

建立了预测热水型溴化锂吸收式制冷机组性能的稳态仿真模型,机组包括吸收器、发生器、冷凝器、蒸发器和溶液换热器.仿真模型基于部件的质量守恒和能量守恒,采用了集总参数方法.每一状态节点的热力系数和状态参数,根据已知部件面积、冷热流体流量及进口或出口温度、吸收器的再循环率进行计算.根据仿真模型,编写了机组变工况稳态运行模拟程序,得到了不同参数条件下的COP变化曲线.     

风冷制冷机组的多变量模糊控制研究

针对一个多输入多输出、非线性复杂系统明显的非线性热力学耦合特性，采用模糊控制与神经网络相结合的方法，提出一种具有结构和参数学习能力的自组织模糊神经网络控制器，在控制过程中通过采样数据在线学习，调整网络结构，产生模糊控制规则并调整规则的参数，使得控制器具有模糊控制的特点，又有神经网络学习的能力．通过对风冷制冷机组控制试验的结果表明，该控制器能够达到同时控制蒸发压力和过热度的目的．     

基于果蝇——广义回归神经网络优化的WSN节点定位算法

针对无线传感器网络(WSN)基于测距的定位算法中,利用节点坐标计算方法获得的节点坐标位置存在较大误差的问题,提出一种无需进行坐标计算的果蝇—广义回归神经网络(FOA-GRNN)优化的WSN节点定位算法.该算法利用广义回归神经网络(GRNN)较快的学习速度和较强的逼近能力建立WSN节点定位模型,通过果蝇优化算法(FOA)调整广义回归神经网络的平滑参数,降低调整平滑参数时人为因素的影响,由神经网络直接输出未知节点坐标.仿真实验表明,通过果蝇算法优化的FOA-GRNN模型的节点定位精度比未经优化的GRNN模型的节点定位精度高.同时,比较了FOA-GRNN模型与BP神经网络模型、虚拟节点BP网络模型(VNBP)在WSN节点定位中效果,表明FOA-GRNN模型在WSN节点定位精确性方面具有明显优势.     

蓄冰冷机容量的确定

针对在设计蓄冰工程时普遍存在优化蓄冷比来确定蓄冰主机容量的做法和确定蓄冰工况的问题，提出蓄冰冷机的蓄冰运行工况应根据制冷机组的类型和拟采用的蓄冰方式来确定，通过分析计算给出了蓄冰主机在全蓄冷模式、部分蓄冷冷机优先模式、部分蓄冷释冷优先等3种控制模式下确定冷机容量的计算式，并得出了在不同的控制模式下冷机的容量不受蓄冷比影响的重要结论，说明了蓄冰工况和冷机容量的正确选定对合理地设计蓄冰系统有非常重要的作用，并用工程实例做了详细的分析说明。     

基于数据驱动的气化炉出口温度在线测量

为实时监控气流床气化炉的气化温度和运行状态，收集气化炉激冷系统和反应系统等系统的可测量数据，采用理论计算模型和遗传算法改进的BP(GABP)神经网络模型对气化炉出口温度进行预测，并与工业测量数据进行对比分析。结果表明，由激冷系统理论计算模型可以得到气化炉出口温度，但因测量参数敏感度低，导致温度预测精度和稳定性较差。采用GABP神经网络模型总体上可以提高预测温度的精度和稳定性，但反应系统中由于煤量波动和煤质数据缺乏等原因，导致部分区间预测误差较大；采用激冷系统参数可大幅提高绝大部分区间内温度的预测精度，预测误差保持在15 K以下，可满足不同工况下的气化炉温度实时在线监测需要。