多输出支持向量机混合模型在机车调簧中的应用

机车二系弹簧加垫高度对二系载荷分布有着显著影响.考虑到车体和弹簧有着不容忽略的非线性特性,提出在机理模型基础上引入多输出支持向量回归机作为补偿算子,构建二系弹簧载荷调整的混合模型用于指导调簧.为提高补偿精度,用遗传算法对补偿算子的参数进行全局优化搜索,得到一组最优参数;同时引入均匀设计试验法采集样本数据,减少采样时间.用HX_D1D型大功率机车的实车数据进行试验,本研究提出的混合模型较BP网络混合模型、机理模型具有更小的均方根误差.试验结果表明:本研究提出的混合模型预测的二系载荷与实际载荷间的均方根误差较机理模型减小33.53%,较BP网络混合模型减小23.69%,可进一步提高调簧模型精度,同时计算用时也较BP网络混合模型大为减少.     

基于二系载荷调整的机车轮轴重量优化分配方法研究

本文结合"车体称重调簧试验台"的研制开发工作,对基于二系载荷调整的轮轴重优化分配试验系统的可行性和适用范围进行研究,以机车车体——转向架作为研究对象,选用经典力学方法建立了相应的模型来求解二系弹簧加垫高度和机车轮(轴)重分配之间的关系,从理论上研究了车体二系支承载荷分配对于轮(轴)重分配的影响规律,利用SUMT-Newton算法对加垫量进行寻优运算。仿真计算结果表明,车体与转向架装配后的轴重偏差大部分情况下都可以通过二系加垫调整得以减小,说明了基于二系载荷调整的机车轮轴重量优化分配算法的有效性。     

基于压力信号采集的输气管道混合模型的建立

为监测输气管道的运行状态,提出一种基于机理模型和神经网络模型的混合建模方法. 机理主模型是基于气体在管道中流动的连续性方程、运动方程和气体状态方程而建立的;神经网络模型用来补偿机理模型建模过程中的简化处理及因忽略某些动态参数变化带来的误差,提高了混合模型建模精度,为下一步进行气体管道的泄漏检测和定位奠定基础. 为避免流量计检测精度较低的缺点,实验中用高精度压力传感器取代流量计,统一采集压力信号,提高检测精度. 基于实验采集压力数据,将机理模型和混合模型输出的精度进行比较. 结果表明混合模型的精度得到了较大提高.      

负荷车电涡流缓速器加载控制系统研究

为能更真实反映被试拖拉机牵引特性,对负荷车加载系统进行了改进,建立了负荷车加载系统传递函数模型。以牵引力载荷谱随机信号为输入,采用BP神经网络算法对加载系统进行动态加载控制,以输出不同类型的作业载荷。对系统响应特性进行了动态分析,在此基础上进行了道路试验验证,证明加载系统的有效性。在该控制模式下系统仿真载荷输出延迟0.12s,最大超调量为3.1%;路试载荷输出延迟0.22s,最大超调量为4.2%。试验结果表明,BP神经网络PID控制的系统输出载荷对输入载荷具有更好的跟随效果,比传统PID控制响应性好,开发的负荷车加载系统输出载荷能够较好再现拖拉机实际牵引载荷。     

机车车辆二系弹簧载荷分配优化的改进遗传算法

为解决现有轨道机车车辆二系弹簧载荷优化调整算法在加垫控制性能上的欠缺,避免冗余计算,在构建轨道机车车辆二系支承结构几何模型和二系弹簧载荷分布调整优化模型基础上,提出一种改进遗传算法。该算法针对标准遗传算法求解时存在的加垫位置过多、加垫总量过大的问题,结合二系弹簧载荷增减载系数矩阵的特点,引入加垫位置约束条件改进个体编码方式;针对标准遗传算法在迭代后期存在无为冗余计算的问题,引入车体无张力状态判别条件改进算法优化准则,对提出的改进遗传算法进行实验验证。研究结果表明:所提出的算法因为引入加垫位置约束条件和无张力状态判别条件,在减小搜索可行域的同时有效避免了冗余计算,在获得相同求解精度时,求解效率和加垫控制特性均优于未改进的遗传算法,效率提高35.50%,加垫总量减少28.44%。     

基于混合动力的汽车发动机建模方法

通过对现代混合动力汽车发动机实际测量和数据参数整理分析,在PC端利用GT软件,设计了一种应用于混合动力汽车发动机的建模方法。该方法需要先建立基础模型,经过检测,基础模型输出扭矩和运行功率与真实值误差不超过5%,之后利用基础模型对混合动力机车动力性进行计算,利用神经网络模型对动力计算结果进行进一步建模,最终生成SLAM模块,完成建模。根据实验计算结果,基于混合动力汽车发动机神经网络建模方法建立的模型,相对误差值均方根为0.032,可以进一步推广应用于混合动力汽车研究控制工作中。     

基于GM-LS-SVM层级模型的数控机床热误差建模

为了更精确地对数控机床热误差进行预测及补偿以提高其加工精度,针对单独使用灰色模型或最小二乘支持向量机模型进行机床热误差建模的不足,并利用这2种模型在数据不同处理阶段的优点,提出一种基于灰色模型和最小二乘支持向量机层级模型的数控机床热误差建模方法。根据机床关键点温度数据和热误差数据,首先建立多个不同数据序列长度的机床热误差灰色模型作为前处理层,然后把经过前处理层前处理的热误差和实测热误差分别作为最小二乘支持向量机模型的输入和输出,作为后处理层,以进行预测精度校正。利用该方法在一台精密卧式加工中心上进行建模实验,并与单独使用灰色模型、最小二乘支持向量机模型和BP神经网络模型进行预测精度对比分析。研究结果表明:基于灰色模型和最小二乘支持向量机层级模型的数控机床热误差建模方法具有更高的预测精度和更强的泛化能力。     

非公路车辆簧载质量实时估计

针对非公路车辆簧载质量估计问题,提出了一种采用油气弹簧气压测量与车体在线姿态测量相结合进行实时簧载质量估计的方法.建立了基于单筒式油气弹簧的整车7自由度振动模型,利用带遗忘因子的递推最小二乘估计方法对簧载质量进行估计,并以D级道路作为仿真激励进行了仿真实验.研究了递推最小二乘估计中遗忘因子、滤波器参数及车速等因素对质量估计性能的影响,结果表明所提出的质量估计方法具有良好的准确性和实时性.      

基于机器学习的飞机起落架着陆载荷预测模型

随着物联网、大数据技术的深入发展,一型装备交付部队的同时,往往需同步提供数字孪生模型以优化视情维护过程。论文基于某型号飞机试飞数据,提出一种将机器学习技术用于飞机起落架着陆载荷预测模型构建的方法。以某型号飞机飞行参数为输入,以传感器实测的左起落架垂向载荷为输出,经数据清洗和特征降维后,分别建立极端梯度提升（extreme gradient boosting, XGBoost）、随机森林（Random Forest）和多层前馈（back propagation, BP）神经网络模型,并对所建模型进行调优。经对比和评估,XGBoost模型具有最高的预测精度,对起落架载荷绝大多数样本的预测误差均保持在6%以内,同时建模时间少,泛化能力强,为起落架载荷预测最优模型。     

基于GABP神经网络的液压互联悬架建模研究

液压互联悬架(hydraulically interconnected suspension, HIS)是一种非线性系统,运用机理分析法建模存在建模精度和速度不可兼得的缺点。为解决上述矛盾,提出了一种基于遗传算法(genetic algorithm, GA)优化的反向传播(back propagation, BP)神经网络对HIS系统进行建模的方法。首先,通过Simulink建立的液压互联悬架模型仿真获取网络的训练数据。其次,使用遗传算法优化BP神经网络的初始权值和阈值;然后,两种建模方法对比验证GABP建模方法优点;最后,通过液压互联悬架台架实验获取实验数据,与神经网络训练结果进行比较分析。结果表明：在垂向模态下,低、中、高3种频率下相对误差百分数分别为4.12%、2.27%、1.51%;在侧倾模态下,低、中、高3种频率下相对误差百分数分别为7.64%、4.07%、4.35%。与机理建模法相比,GABP建模方法兼具较好的建模精度和速度。     

基于改进果蝇的混合小波神经网络交通流预测

为了提高交通流预测精度,提出了一种基于果蝇算法的混合小波神经网络模型.首先,选择果蝇优化算法对小波神经网络的初始参数进行调节,解决了小波神经网络预测对初始参数敏感的问题.其次,将迭代次数和当前解的情况作为搜索半径和种群规模的动态调整因子,对果蝇算法进行了改进,提高了果蝇算法的全局寻优能力和局部收敛速度.最后,鉴于小波神经网络预测误差存在一定的规律性,使用误差补偿法将调参后的小波神经网络与其他模型进行组合,进行二次误差提取.实验证明,所有混合模型均提高了交通流预测的准确度,其中,与随机森林模型的结合预测精度最高.     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

基于优化最小二乘支持向量机的数控机床热误差建模分析

数控机床热误差是降低加工精度的主要因素之一.针对热误差建模问题, 结合布谷鸟算法的随机莱维飞行机制和最小二乘支持向量机结构风险最小化与线性规划等优点, 提出基于布谷鸟算法优化最小二乘支持向量机的热误差建模方法.在最小二乘支持向量机将低维非线性问题转化为高维线性问题时, 构建了混合核函数.同时,采用布谷鸟算法对最小二乘支持向量机惩罚因子γ、核宽度参数σ和混合核权值λ进行了优化.以GMC2000A机床为实验对象, 分别对热误差数据进行了聚类分析和建模分析.通过误差预测对比分析得出结论, 基于布谷鸟算法优化混合核最小二乘支持向量机建立的误差模型取得了良好的预测效果, 且明显优于BP神经网络模型和未优化的最小二乘支持向量机模型的预测效果.     

自适应DNA免疫算法在化工软测量中的应用

将T-S模糊模型与RBF神经网络相结合,构成T-S模糊RBF神经网络,提出了一种自适应DNA免疫算法优化设计T-S模糊RBF神经网络的规则后件参数的方法。该方法采用基于抗体浓度和克隆选择的更新策略调节机制,能有效地保持抗体的多样性,避免早熟收敛。将该方法应用于延迟焦化汽油干点的软测量建模,仿真结果表明了DNA免疫遗传算法在T-S模糊神经网络系统优化设计中的有效性,并可获得较高精度的模型。     

电液负载模拟器神经网络辨识器及控制器设计

针对传统控制方法无法解决飞机舵机电液负载模拟器受多余力等非线性因素严重干扰的问题,给出了一种基于神经网络辨识器及控制器的复合控制结构,结合了神经网络系统辨识与自适应实时控制的工作特点。根据电液负载模拟器控制结构及工作原理,采用BP神经网络辨识器在线辨识,获得系统辨识模型以替代理论数学模型。然后,采用Adaline神经网络控制器实时控制,利用系统误差信号与BP神经网络反向递归计算Adaline网络权值调整信息,获得系统控制参数,实现复合控制器的有效监督与智能控制。最后利用MATLAB进行实验验证,仿真结果表明：该方法能够提高系统控制精度,多余力消扰率达92%;并且可以有效模拟飞机舵机所受力载荷的变化情况,实现系统指令信号快速、准确、稳定的加载。     

基于一类GA-RBF神经网络的转炉炼钢静态模型控制

讨论了具有非线性、大时滞、不确定特性的工况复杂的转炉炼钢过程建模与控制问题.针对传统的控制方法控制效果差、精度不高,难以达到期望结果的问题,结合RBF神经网络的特点,提出用基于混合编码方式的混合遗传算法训练的RBF神经网络,同时优化网络的结构和参数,并利用RBF神经网络建立转炉炼钢静态模型.仿真结果表明,该模型具有在线调整和学习的功能,比传统模型具有更好的计算精度和适应能力,为提高转炉冶炼过程的控制精度给出了一个有效的方法.     

基于Elman网络补偿模型的Smith预测控制

研究基于Elman网络补偿模型的Smith预测控制问题.采用互补建模方法对被控对象进行建模,其中机理模型反映被控对象的主要工作规律和运行趋势,但不可避免地存在一定的模型误差;通过Elman网络拟合机理模型的模拟误差,并对其进行补偿.实验结果表明,基于Elman网络补偿模型的Smith预测控制充分利用了神经网络的非线性拟合能力,只要对纯滞后环节精确建模,就可以完全抵消该环节对控制品质及系统稳定性的不利影响.该方法使得Smith预测控制可以用于模型不易精确确定的系统.     

基于模拟退火PSO-BP算法的钢铁生产能耗预测研究

针对BP对能源系统进行建模和预测的方法存在的问题,提出一种优化BP神经网络的模拟退火粒子群混合算法(SAPSO)。利用该混合算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以得到最优解,并将所建立的预测模型对钢企能耗进行预测。最后与BP神经网络以及最小二乘法进行比较。仿真结果表明该混合算法增强神经网络的泛化能力,具有相对误差小,预测精度较高,能更好地跟踪未来数据的优点。     

基于神经网络的空调负荷混沌优化预测

从空调负荷预测的目的出发，详细介绍了一种基于神经网络的混沌优化方法，对误差函数及搜索方法作了适当的改进，建立了一个混沌神经网络模型。并用此改进的模型对一实例进行了空调负荷预测，结果表明该方法简便、足够准确可靠。