液压柔性机械臂受摩擦力、重力以及牵引力等多种动力势能影响,导致运动特征的变动关系复杂,定位控制误差较大。为此,提出一种基于RBF神经网络的末端定位控制方法。建立RBF神经网络架构,采用高斯函数作为输入层和模糊层的连接函数,以摩擦力、牵引力、重力等值作为导入因子,分析其动力学特性。以此为约束,设计非线性的定位控制补偿方法,通过多次迭代调整平衡阈值实现高质量的定位控制。实验结果证明,所提方法定位控制精准度较高,控制后的机械臂运动旋转角度以及垂直角度曲线变化与目标值基本一致,控制效果表现优异。

针对传统电流-切削力神经网络预测模型精度不高且神经网络参数难以确定的问题,将主轴电流与驱动轴电流同时考虑作为输入样本,提出帐篷映射下高斯变异粒子群优化径向基神经网络算法。算法在改进收缩粒子群径向基神经网络(改进CFA PSO-RBF)的基础上,对粒子位置初始化采用帐篷映射(Tent Map),同时提出粒子动态高斯变异。该算法能够均匀化粒子初始位置,控制变异过程,并有效避免算法陷入局部最优的早熟问题。基于此方法进行算法对比分析实验,结果表明同时考虑主轴与驱动轴电流,较单一考虑主轴电流,铣削力预测精度更高;在该算法下,随机15次训练结果平均均方根误差低于BP、RBF、改进CFA PSO-RBF神经网络,能够有效提高铣削力预测精度。

传统的掘进机液压推进系统,利用一个多边节流的主控制阀芯同时控制液压电液推进器的进出口电液,在进口节流调速的过程中,死区非线性因素影响下,相关干扰缺少反馈过程,造成了多余的出口电液损失,控制效果差。提出一种掘进机液压推进电液比例反馈模糊闭环控制方法,描述电液比例控制系统动态行为,构建不同工况下的掘进机液压推进电液比例反馈传递函数,依靠反馈函数调整电液比例阀开度;将模糊控制和RBF神经网络相结合,设计参数调节器。引入鸽群优化算法,依据液压缸活塞位移反馈信号和控制信号差值,结合电液比例阀开度,生成最优模糊RBF神经网络控制PID控制器。实验结果表明正弦信号更接近于预期值,即跟踪效果更理想,且滞后时间更短;在第5.8 s左右阶跃电流调节检测结果趋于稳定,调整用时约0.8 s,运动跟踪结果更接近期望值。跟踪精度更高,...

针对当前综采工作面液压支架定位精度低、直线度控制困难等不足。利用神经网络学习训练速度快、逼近能力强等优势,构建了RBF神经网络逼近器。通过高阶滑模状态观测器对液压缸状态进行估计,利用神经网络逼近器来逼近液压缸扰动非线性函数,从而完成液压支架多缸控制。MATLAB仿真结果表明,基于神经网络逼近器的液压支架多缸协同控制方法响应速度快,控制精度高,且具备协同作业的能力,能够进一步提升液压支架的控制效率。

针对气动机械手动态特性强、特征状态难捕捉,导致稳定性控制误差较大的问题,提出一种基于仿生群智能优化径向基函数(Radial Basis Function Network,RBF)神经网络的气动机械手稳定运动控制方法。建立线性传递函数,计算气动回路中液压元件、气源装置、气压过滤装置、过滤器、调压阀以及压力计算器等元件间气动稳定关系,获取气动机械手回路状态。通过仿生群混合蛙跳算法智能优化RBF神经网络,根据机械手自由臂模型,建立坐标轴,计算机械臂各个关节角的自由度参数,根据机械手速度自由度、位移以及角度关系自由度设置比例-积分-微分(Proportion Integration Differentiation,PID)控制器,完成气动机械手稳定性控制输出。实验结果表明;该方法控制精准度高,在X轴、Y轴和Z轴方向上加速度曲线的波动性最小,具有良好的控制性能。

针对钻机实际故障数据获取较难和性能退化的非线性等问题,提出一种基于RBF神经网络的钻机回转液压系统健康状态评估方法。使用AMEsim软件搭建回转液压系统仿真模型,模拟了液压泵内泄露和液压马达内泄露,采集了样本数据并提取特征量,通过主成分分析法(PCA)对特征量进行降维处理,使用K均值算法(K⁃means)和粒子群优化算法(PSO)优化RBF神经网络参数,通过训练建立RBF神经网络健康评估模型,输入PCA处理后的数据,评估模型自动输出评估结果,实现了钻机回转液压系统健康状态的智能评估。结果表明,该方法具有较高准确性和可靠性,可用于钻机回转液压系统的健康评估,并为进一步开展钻机液压系统智能故障诊断和健康评估奠定了研究基础。

高精度数控机床可靠性分析能够快速解决数控机床故障问题。为提高高精度数控机床可靠性分析准确性,设计一个基于RBF神经网络的高精度数控机床可靠性分析方法。应用多体系统模型,对数控机床建模,提取机床内部特征,对故障数据分类处理,完成故障数据分布拟合。在此基础上,建立数控机床可靠性评价指标,训练RBF神经网络,实现高精度数控机床可靠性分析。实验结果表明:所提出的高精度数控机床可靠性分析方法的定位误差较小,能够准确统计出数控机床的故障模式频次,确保了可靠性分析效果,提高了数控机床可靠性分析准确性。

针对泵控系统滑模控制方面的研究,根据泵控系统的降阶数学模型中存在的未知项f(),再结合滑模控制算法设计基于RBF神经网络的滑模控制器。通过MATLAB/Simulink建立系统的仿真模型,然后进行位置指令仿真分析。研究结果表明:相比较PID控制器,基于RBF神经网络的滑模控制器获得了最小跟踪误差。在干扰条件下跟踪10 Hz频率与1 mm幅值的正弦位置信号,基于RBF神经网络的滑模控制器误差最小;施加干扰力后,控制器都出现了更大的跟踪误差,此时基于RBF神经网络构建的

引入了一种基于解空间划分的改进粒子群算法,有效地解决了传统粒子群算法前期容易陷入局部极小值的问题,并将此算法应用到RBF神经网络的参数优化和样本学习中.运用聚减累算法确定了径向基函数中心个数,通过改进的PSO优化了网络中基函数的中心值和宽度,最后利用PSO训练网络输出样本,实现了液压钻机的故障诊断.试验结果表明,基于改进PSO优化的RBF神经网络在液压钻机故障诊断中,在样本较小的情况下,具有较快的响应速度以及较高的诊断精度.

针对多级缸起竖液压系统换级时冲击大的问题，建立了多级缸起竖液压系统的AMESim和Simulink仿真模型，提出起竖角速度跟踪控制方法，优化了起竖角速度曲线，采用基于RBF神经网络的PID控制器进行仿真研究。仿真结果表明：通过优化起竖角速度曲线和采用基于RBF神经网络的PID控制策略可以有效地减小换级时的冲击，提高系统的稳定性。