针对高炉煤喷吹系统，建立一种基于遗传算法的神经网络流量测量模型考虑ＢＰ算法训练神经网络测量模型时收敛速度慢、动态特性不够理想等不足，用 遗传算法优化神经网络测量模型的 提高测量系统的精度。现场实验表明，最大满足程差小于３．８％，具有工程应用价值。

在以弦向声道布置的多声道超声气体流量计原理的基础上,采用Gauss-Legendre数值积分和线性神经网络相结合的方法完成自适应调整权系数的多声道超声气体流量计建模。在建模过程中,根据Legendre正交多项式的节点值,计算多声道超声换能器的位置分布值,再按照Widrow-Hoff学习规则,由leanrwh函数求解出各声道的层流流速和权系数值表,最后根据实时测量出的层流流速,通过插值算法自适应匹配一组最佳的权系数值,计算出流速和流量值。并以4声道交叉布置方式的超声气体流量计为例,进行测量误差仿真实验和物理实验,误差均能满足实际测量要求。

针对液压设备的故障数据具有非线性、不确定性以及信号噪声多等特点,本文提出一种基于T-S模糊神经网络的液压设备故障诊断,T-S模糊神经网络是将T-S模糊推理模型与神经网络相结合的机器学习方法。对于采集的液压设备振动数据提取相关特征构成特征矩阵,将特征矩阵输入建立的T-S模糊神经网络模型,利用其自适应提取能力,自主选择最佳故障特征进行分析,实现液压设备故障诊断。通过液压设备数据验证,说明该方法具有较快收敛速度、较高诊断精度高和稳定性。

信号处理和机器学习是故障诊断过程中的关键技术,针对机械关键零部件的传统诊断技术,提出了一种采用字典学习和AdaBoost算法的信号诊断方法.该方法基于原始振动信号驱动训练数据,通过K-SVD和OMP算法更新字典并对其在字典空间稀疏表示,筛选重构所得增强信号时、频域特征,采用集成算法在AdaBoost神经网络分类器中实现振动信号的诊断.研究表明,采用字典学习和AdaBoost算法的信号诊断方法自适应强,能准确提取信号本质特征,诊断精度高,优于传统诊断技术.

针对将压电阻抗技术应用于地震预测的可行性问题，从构造地震原理与压电阻抗技术基础理论着手，通过对构造运动中岩石受压受损状态进行实时监测来了解岩石的健康状态的方法，从而达到地震预测的目的。设计了压电阻抗传感器，确定实验方案，搭建实验平台进行构造地震模拟实验并采集阻抗值数据，并结合神经网络技术对岩石受载动态过程中健康状态进行定量分析。利用实验与仿真分析的方法验证了将压电阻抗法应用于构造地震预测的可行性。

针对具有强耦合和高非线性并联机器人的轨迹跟踪控制研究,设计了一种基于神经网络滑模控制器的控制系统。在传统滑模控制的基础上,利用神经网络算法实时修正系统非线性项和不确定参数的功能,有效抑制了SMC系统的抖振现象。建立了3-RRR平面并联机器人的结构简图和Matlab模型,并采用闭环矢量法得到了机器人的运动学反解,为控制系统提供了参考输入。基于机器人的简化动力学方程,设计了一种RBF神经网络滑模控制器,并构造Lyapunov函数证明控制器的稳定性。分别采用传统滑模和神经网络滑模控制方式对机器人的轨迹跟踪进行仿真分析。仿真结果表明：神经网络滑模控制器具有更好的轨迹跟踪精度和较小的稳态误差,验证了神经网络SMC控制器的有效性。

刀具磨损状态监测的研究中,采用传统BP算法的神经网络识别切削过程中的刀具磨损量,具有局限性。文中提出了一种改进的BP神经网络结构,选取了新的BP算法,并对网络结构参数进行优化调整。对振动信号和AE信号分析后提取出刀具磨损特征量输入改进的BP神经网络,经过训练后用于识别刀具磨损状态。通过比较,改进的BP神经网络的收敛速度明显提高,且减小了识别误差。实验证实了其可行性和有效性。

首先针对电动液压助力转向（EHPS）系统助力特性非线性特点，将BP神经网络引入EHPS系统中。因BP神经网络存在易陷入局部最小缺点，提出了利用遗传算法来优化BP神经网络的连接权值的改进型BP神经网络（简称ENN）控制算法，对助力特性曲线进行全车速拟合。通过对拟合结果的分析得出ENN算法具有收敛速度快、泛化能力强的特点，准确实现了非线性助力特性的全车速拟合，克服了EHPS系统的助力盲区。最后，通过台架试验验证该ENN控制算法的可行性。