基于力信号和智能控制的电解加工间隙检测与控制

采集真实电解加工过程中阴极表面上的力信号,利用小波变换对采集的信号进行降噪处理,得到一条随着间隙减小而光滑增大的力信号趋势曲线.用这些力-间隙数据对训练一个BP神经网络,通过训练好的网络和在线测得的力实现间隙的在线预报,并设计了一个模糊控制器.利用上述从试验中获得的间隙-力关系训练另一个BP神经网络,实现间隙向力信号的映射,把间隙的误差转化为力的误差及误差的变化信号,以此作为模糊控制器的输入,以加工电压的增量作为模糊控制器输出,实现对间隙的控制.在Matlab的simulink模块中建立了由神经网络、模糊控制器和电解加工系统联合组成的智能控制系统的仿真模型,进行了仿真试验,试验结果表明对间隙的控制效果满意,特别是快速性和鲁棒性好.     

基于BP神经网络的电解加工精度预测模型

为精确地预测电解加工精度,采用了BP神经网络的方法进行建模．在分析影响加工精度主要因素的基础上,确定了BP神经网络模型的特征参数,并根据实际情况,确定了输入层和中间隐层的维数,从而确定了模型的结构．用试验参数对模型结构进行训练,最终建立了一个用于电解加工精度预测的BP神经网络模型．利用该模型进行的精度预测结果表明,该模型的预测误差可以控制在10％以内,具有很高的精度预测能力．     

基于间隙实际电场分布的叶片电解加工阴极设计

根据电解加工的基本原理,探讨了基于间隙内简化电场和基于间隙内实际电场分布数学模型的叶片电解加工阴极设计方法,对比分析了这两种阴极设计方法对间隙内电场强度分布的影响,通过一组工艺试验验证了阴极设计的精度.结果表明,基于间隙内实际电场分布的有限元阴极设计方法更符合电解加工的实际物理过程,阴极设计更加精确合理.     

基于神经网络模糊控制的单交叉口信号控制

在分析城市交通信号控制研究现状的基础上,提出一种基于神经网络模糊控制的单路口交通信号灯控制方法,通过检测当前相位的排队长度和下一相位的排队长度得出当前相位以及下一相位的车流密度,进而判断是否进行相位变换.以每个周期内交叉口的车辆平均延误作为控制指标,来判断该控制器的控制性能.计算机仿真结果表明,该方法能够降低车辆在交叉路口的平均延误.     

基于神经网络的叶片电解加工阴极修正仿真

工具阴极的精确设计与修正是电解加工的研究难点之一.文中采用人工神经网络技术,建立了基于改进BP神经网络的数字化阴极修正模型.利用该模型对阴极型面进行数字化修正,改变传统人工修正的方法,提高了阴极修正效率.文中还以多次阴极修正数据为基础,对型面修正量进行了预测.结果表明,该网络模型预测的阴极修正量与试验修正量比较接近,最大绝对误差在0.015mm左右,证明其具有较好的预测效果.该网络模型能广泛应用于航空发动机叶片等复杂型面阴极的数字化修正,减少修正次数,缩短阴极修正周期,提高叶片电解加工精度.     

基于神经网络的叶片电解加工阴极修正模型及其仿真

工具阴极的精确设计与修正是电解加工研究难点之一。采用人工神经网络技术,建立了基于改进BP神经网络的数字化阴极修正模型。通过模型对阴极型面进行了数字化修正,改变传统人工修正的方法,提高阴极修正效率。以多次阴极修正数据为基础,对型面修正量进行预测。结果表明：网络模型预测的阴极修正量与试验修正量比较接近,最大绝对误差在0.015mm左右,证明网络模型具有较好的预测效果。该网络模型能广泛应用于航空发动机叶片等复杂型面阴极的数字化修正,减少修正次数,缩短阴极修正周期,提高叶片电解加工精度。     

基于间隙电导率模型的叶片电解加工阴极设计

考虑流场因素的影响是电解加工阴极设计的重要方面．本研究在流场特性的基础上,重点考虑了电解液温升、气泡率、压力等因素对电导率的影响,建立了间隙内沿液流方向的电导率变化数学模型,并将该模型运用在工具阴极的设计中．同时将在该电导率模型基础上求解的间隙分布和只考虑电场因素的间隙分布进行了分析比较．结果表明,在电导率模型基础上设计的阴极模型更能真实地反映加工工件型面的变化,更符合电解加工的实际物理过程．     

基于信息融合的叶片加工间隙在线检测方法

为了精确实现电解加工间隙的在线检测,基于六维力和加工电流,利用多传感器数据融合理论,将六维力传感器信息与加工电流传感器信息进行融合,采用最小二乘加权融合算法,得到间隙融合方程式.该融合方程式比六维力或加工电流单独信号得到的方程更准确反映间隙值,从而实现两类传感器信息综合检测加工间隙.以某型航空发动机叶片为对象,对半面、斜面、叶片型面3种加工阴极进行试验,利用融合方程式在线检测加工间隙.试验表明:信息融合可以提高加工间隙在线检测的准确性,融合公式在间隙范围为0.2～0.4 mm内,实现检测误差小于10%.     

高频窄脉冲电解加工的机理研究

探讨了高频窄脉冲电解加工（HSPECM）的机理。结果表明：HSPECM的强脉冲效应，改善了电解加工极间的间隙特性；强压力波，大脉冲间反向电流以及微火花均产生强烈的去极化作用，改善了电流效率特性，缩小了加工截止间隙，这些均强化了阳极溶解的集中蚀除能力，并实现了微小间隙加工。工艺试验证明，上述变化可导致高加工精度，高表面质量和高效率。用HSPECM加工的型腔试件其圆度达到0.02mm，重复精度在0.05mm以内，表面粗糙度在Ra0.60μm以下，使电解加工从半精加工水平提高到了精加工水平。     

基于混合学习算法的模糊神经网络控制系统

针对复杂非线性系统在控制过程中的不确定性及参数的时变性,设计了一种模糊神经自适应预测控制系统,通过误差补偿以提高预测控制的精度;对模糊神经网络（FNN）的学习算法进行了研究,利用遗传算法的全局搜索能力对FNN控制器参数进行离线优化,并对遗传操作进行了改进,使其最终搜索到全局最优或近似全局最优的附近,再利用BP算法的局部搜索能力和对对象的适应能力,进一步对参数进行在线调整。从而使系统具有更高的学习精度和更快的收敛速度,所得的FNN具有良好的泛化性能。仿真结果证明了本方法的有效性。     

基于神经网络的模糊控制系统的研究

从模糊理论和神经网络各自特点出发 ,详细讨论这 2大系统的联系和区别 .进一步将两者有机的结合起来 ,实现基于神经网络的模糊控制推理结构的设计 ,同时给出其设计的方法和步骤 .显示两者的结合是实现更完美智能控制系统的有效途径 .     

基于ANN的模糊控制规则的自动生成

模糊控制规划集是模糊控制系统的核心部分，对控制的快速性和精度有很大影响，采用改进的ＢＰ算法生成模糊控制规则集。倒立摆模糊控制仿真表明，倒立摆稳定快，精度高，从而证明文中所提方法的有效性。     

基于神经网络的模糊控制器

提出一种基于神经网络的模糊控制器。它可以把模糊控制的控制规则转化为多层前向神经网络的一对输入、输出样本。用Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法对网络进行训练,使得网络记忆这些样本,并将这些样本以权值矩阵的形式存储的网络中。网络以”联想记忆“的形式来使用获得的经验对对象实施控制。知道了被控对象少量的定性知识,就可以用这种方法控制对象的行为,这种控制方案可用于对受控对象缺乏精确的数学描述或具有时滞     

模糊神经网络模型参考自适应控制

给出了一种基于模糊神经网络的模型参考自适应控制方案。首先,构造了一种运用递推预报误差（ＲＰＥ）算法的多层前向神经网络,并用其对被控对象建模,然后,又构造了一种模糊神经网络控制器（ＦＮＮＣ）。从而为一类难以建立精确数学模型的非线性被控对象提供了一种新的自适应控制方法,信息结果验证了其有效性。     

神经模糊网络自适应模糊控制研究

提出了一种由样品辨识、模糊推理和控制处理 3个子网模块构成的基于知识的多层神经网络 .这种网络由各子网分别构成并按照最初的模糊控制结构适当连接而建立 ,具有明确区分各组成子网功能及其知识流结构 .由于综合了模糊逻辑的推理过程及神经网络的学习能力 ,使它能够在其结构中以模糊规则的形式引入语言知识并通过网络的训练及自学习对这些知识进行加工 ,从而实现了真正意义上的自适应模糊控制器 .最后还讨论了这种 NFN网络在动态过程控制中的应用     

基于TSK型递归模糊神经网络的加工中心双直线电机交叉耦合同步控制

为解决高精密龙门移动式镗铣床加工中心X轴的两台直线电机的同步跟踪问题,采用一种TSK型递归模糊神经网络(TSK-type recurrent fuzzy neural network,TSKRFNN)与交叉耦合控制(cross-coupled control,CCC)相结合的控制方法。利用TSKRFNN解决单轴PMLSM受到参数变化和外界扰动等不确定性影响的问题,估计并补偿总不确定性因素并在线调整网络参数,从而抵抗外界干扰,提高系统的鲁棒性和跟踪性。其次,为解决双直线电机运行时存在的参数不匹配性和耦合问题,将CCC与TSKRFNN相结合,CCC可以将单轴跟踪误差按照一定比例分配给两台永磁直线同步电动机(permanent magnet linear synchronous motor,PMLSM),以抑制由不同步问题引起的不平衡扭矩,从而使系统高精度同步运行。最后,通过双直线电机平台上证明所提方法的有效性,实验结果表明该方法鲁棒性及跟踪性优良,可以较好地满足加工中心同步控制的要求。     

基于模糊BP神经网络的垃圾焚烧炉控制系统

根据固体垃圾焚烧技术原理,结合垃圾焚烧炉运行特点,分析了垃圾焚烧过程与影响焚烧的主要因素,提出了基本模糊BP神经网络算法的垃圾焚烧炉控制方法.建立了垃圾焚烧炉炉温双端输入模糊神经网络（DIFNN）控制模型,并使用模糊BP神经网络控制算法对系统进行控制.仿真实验表明,该模糊BP神经网络控制能够适应复杂多变的焚烧过程的控制...