煤矿综采工作面的直线度控制是实现智能化开采的关键技术之一,液压支架推移油缸的位置控制性能直接影响着工作面直线度水平,但推移油缸电液系统的参数不确定性、建模误差和未知外部干扰等因素增加了液压支架推移系统的位置控制难度。针对此问题,首先,建立了液压支架推移油缸电液系统的数学模型,考虑到推移油缸仅有位置信息可测的实际工况,将其转化成Brunovsky标准型的形式。其次,设计了高阶滑模状态观测器利用可测的位置信息估计系统其他难以直接测量状态信息,同时,以系统状态信息为学习数据,设计了一种基于径向基神经网络的扰动观测器实时估计和补偿系统的未知扰动力。再次,结合反步设计原理,针对液压支架推移油缸拉架过程提出了一种鲁棒输出反馈控制器,并利用Lyapunov理论对整个闭环控制系统进行了稳定性验证。然后,基于ZY3200/08/...

为解决小尺寸涡轮钻具扭矩小带来的弊端,建立一种基于BP神经网络和非支配排序多目标遗传算法(NSGA-II)优化模型,通过对涡轮结构尺寸进行优化,得到高效率下扭矩更大的涡轮。采用权重估算和Garson算法,对涡轮的扭矩和效率进行敏感性分析,再通过比较多种机器学习算法构建回归模型的拟合度,选用反向传播神经网络(BPNN)建立扭矩和效率与设计参数之间的回归模型,最后结合非支配排序多目标遗传算法(NSGA-II)寻求Pareto最优解集。结果表明安装角对输出扭矩的影响最大,叶片数对输出效率的影响最大;采用BP神经网络构建的回归模型最为准确;优化后的涡轮与初始涡轮相比,扭矩提高1.2倍,效率提升1.35%。

面向半导体等领域的超洁净流控需求,提出了一种基于磁性薄膜标记的柔性隔膜变形场重构技术。利用磁性薄膜标记柔性隔膜形变,建立磁性薄膜激励空间磁场与柔性隔膜变形场之间的映射关系,基于长短期记忆神经网络构建磁性薄膜磁场和变形场的预测模型,实现了磁性薄膜在不同形变状态下的变形场重构,间接监测超洁净流控柔性部件隔膜的运行工况。通过COMSOL Multiphysics仿真平台获得训练样本数据,并根据训练完成的神经网络模型对预测变形场数据进行了分析,验证了方案的可行性。

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。

为提高3D打印机出丝的连续性与稳定性,提出送丝机构和喷嘴协同优化方法,克服了已有的打印机喷嘴和送丝机构单独优化而忽略两者之间耦合效应的不足。以喷嘴加热段长度、散热段长度、出口长度、送丝速度为优化参数,以喷嘴截面平均速度和平均温度为优化目标,设计正交试验,进行流体仿真。为快速得到最优方案,基于神经网络与NSGA-Ⅱ算法进行优化分析,结果表明:加热段长度为6 mm、散热段长度为4 mm、出口长度为0.7 mm、送丝速度为4.5 mm/s时,最大喷嘴截面

以VK2-70FA变量叶片泵为研究对象,利用脉宽调制(PWM)高速电磁阀开关,通过对该泵变量机构的调节,改进了这种变量泵的控制方式,达到了恒功率控制的目的.改进后的数字变量泵具有抗污染能力强,重复性好,与计算机接口方便,价格低廉的优点;同时由它所组成的系统不需要像模拟机那样的D/A转换环节,摩擦力、非线性和滞后现象对数字控制系统的影响比模拟系统小,是一种很有前途的流控元件.

针对斜轴式柱塞泵零部件故障信息被耒本身的流体冲击、机械振动所淹没的问题，采用小波包将振动信号分解到不同的频带以提取有关部件的故障信息，并将小波包分解在不同频带反映斜轴泵工作状况的振动特征信息作为故障样本，研究人工神经网络结合小波分析对斜轴泵进行故障诊断的方法，建立了相应的ＢＰ神经网络。研究结果表明训练成功的ＢＰ网络可作为智能分类器对斜轴泵的常见故障进行识别和诊断。

说明了基于神经网络的故障诊断的学习系统的原理,分析了多层感知器的隐层节点数的确定和对BP算法的改进.并以液压泵的故障诊断为例,解释了此学习系统的实现过程.在对BP算法改进之后,系统能很好地实现学习功能,完全达到了预期的结果.

针对液压伺服系统中直接用测量的方法来建立伺服阀死区非线性的模型非常困难的现状,该文充分利用了现有的对液压伺服系统模型的认识,用RBF神经网络来代替伺服阀死区非线性部分的模型,设计了一个带神经网络的辨识器.该辨识器采用了迭代最小方差(RLS)学习算法对系统进行建模.最后,用Matlab/Simulink中的S_Function模块实现了上述辨识器的编程,并进行了仿真.仿真结果表明,所设计的辨识器能较好的解决液压伺服系统的建模问题.

利用神经网络方法解决液压马达多故障诊断的问题,文中通过对1液压马达故障机理的分析,针对液压马达多故障模式提出了利用神经网络进行多故障诊断的策略.理论和试验结果分析表明,利用神经网络方法可以有效地诊断和识别液压马达多故障模式,其识别率随着学习样本量的增大而提高.