基于FARX模型的工程机械液压系统故障特征提取方法研究

为了提高工程机械的可靠性水平和智能化程度,研究了FARX(Fuzzy Auto-Regressive witheXtra inputs)模型非线性特征及其故障特征参数的提取过程,提出了基于FARX模型的工程机械液压系统故障特征提取方法。相对于普通的ARX模型,FARX模型具有的非线性特征提取能力。实验分析中,该方法以目标故障特征为分类参考,使用FCM(Fuzzy Clustering Means)分类器对故障特征进行分类,判断系统的故障状态。5类典型液压系统故障作为目标故障对故障诊断方法进行验证。基于FARX模型的故障诊断方法准确地诊断出了90%以上的系统故障。

基于FARX和RBFNN模型的压铸机液压系统故障诊断

提出了一种基于FARX和RBFNN的压铸机液压系统故障诊断新方法。模糊化之后的ARX模型不仅保留了其自回归系数对故障状态变化规律反映非常敏感的特性,而且能够实现对非线性故障特征更准确的描述。故障诊断中首先对目标系统的故障状态建立FARX模型,提取其故障特征作为RBF网络训练样本,根据RBF网络的输出结果确定故障类型。仿真实例验证了此方法的准确性和有效性。

船舶操纵的FARMA模型模糊控制器研究

船舶操纵是一个非线性过程，传统控制方式的操纵性能不能令人满意。本文提出了一种不依靠任何系统模型的模糊控制器设计方法。传统模糊控制基于专家经验得出控制规则，而这种新型模糊控制器无需专家经验，控制规则依靠过去的输入-输出数据推出，并且提出了新的推理和反模糊化方法。仿真结果表明了它在船舶操纵应用中切实可行，在一定程度上改善了操纵性能。

卫星钟差中长期预报的NAR动态神经网络法

针对中长期钟差预报中现有模型预报精度和运算效率相互制约的问题,提出一种非线性自回归(NAR)动态神经网络模型,以提高中长期钟差预报精度和运算效率。该模型选择Levenberg-Marquardt(LM)作为网络训练方法并采用递归预测的方法来预报中长期钟差,设计了基于钟差变化的建模数据预处理方案。利用NAR模型对GPS卫星钟差进行中长期预报,并与二次多项式(QP)、灰色模型(GM(1,1))、小波神经网络模型(WNN)及T-S模糊神经网络模型(T-SFNN)进行实验对比。实验结果表明:所提方法的中长期预报性能优于QP和GM(1,1)两种模型,其60天的钟差预报精度分别提高了64.5%和93.7%;相比WNN和T-SFNN两种模型,其60天钟差预报的模型运算时间分别缩短了约430s和459s,验证了所提方法在预报精度和运算效率方面具有较好的综合性能。

金融资产收益率的模糊双线性回归

已有文献中对金融市场的区间观测数据利用模糊线性规划方法讨论动态模型结构(FAR(p)),这里引入模糊双线性回归模型(FBR(p,q)),利用模糊最小二乘法来估计未知参数。基于平均平方误差(MSE)与平方绝对误差(MAE)考察了两个模型的拟合效果,并在样本期内和样本期外分别评价了两个模型的实际拟合与预测能力。

基于MAR与FCM聚类的声呐图像分割

针对模糊C均值聚类算法中,聚类效果往往受到聚类中心数目和初始聚类中心的影响这一问题,提出一种基于多尺度自回归(MAR)模型与模糊C均值(FCM)聚类的声呐图像分割方法。引入MAR模型,建立层与层之间以及相邻层像素点间的数学关系,利用粗尺度图像的灰度-邻域均值二维直方图中的峰值个数来确定聚类中心数目,通过MAR得到的预测分割结果引导初始聚类中心的确定。实验结果表明,改进后的算法能准确、快速地确定聚类中心数目,并较好地解决初始聚类中心问题;与传统的FCM聚类方法相比,具有分割准确和收敛速度快的特点。

插电式混合动力汽车车速预测及整车控制策略

本文针对插电式混合动力汽车(plug-in hybrid electric vehicle,PHEV)这一典型混杂系统,提出了一种基于车速预测的混合逻辑动态(mixed logical dynamical,MLD)模型预测控制策略.首先,通过对发动机和电动机能量消耗模型进行线性化,建立双轴并联插电式混合动力城市公交车的动力传动系统数学模型;其次,运用模糊推理进行驾驶意图分析,提出基于驾驶意图识别和历史车速数据相结合的非线性自回归(nonlinear auto-regressive models,NAR)神经网络车速预测方法进行未来行驶工况预测.然后,以最小等效燃油消耗为目标建立PHEV的混合逻辑动态模型,运用预测控制思想对车速预测时域内最优电机转矩控制序列进行求解.最后,通过仿真实验验证了本文所提出控制策略在特定的循环工况下与电动助力策略相比,能够提高燃油经济性.

基于PNN与FNN模型神经网络控制器设计与分析

模糊神经网络和预测神经网络分别是基于经验和学习的新型神经网络控制系统,通过在卧式电液仿真转台中框控制器上分别采用这2种控制方法来研究它们的控制特性和应用范围.其中,模糊神经网络结合了模糊控制的经验和神经网络的学习能力,但控制精度取决于人为经验;所研究的预测神经网络采用了基于非线性自回归滑动平均模型建立预测模型,实现在线学习和在线控制,但初始阶段控制精度不高.仿真研究证明,根据具体的控制对象采用适当的控制方法或是将2种方法合理地结合起来将会达到较高的控制精度.

电液仿真转台控制系统设计与仿真研究

针对影响三轴电液仿真转台动、静态性能最大的同步驱动、摩擦和大惯量负载干扰三个问题,采用了模拟人脑基于经验控制的FNN(模糊神经网络)控制器和基于学习校正的PNN(预测神经网络)控制器分别对应转台内环(角速度环)和外环(角度环)反馈系统。FNN同步控制器分为等同和主从同步控制模式,两种模式相互切换,提高了系统同步性能;PNN摩擦干扰控制器采用了基于双网络模型的NARMA(非线性自回归滑动平均)预测模型,具有较强的非线性系统辨识能力,提高了系统抗干扰能力。软件仿真结果表明,当转台外框负载发生变化或外框两马达转速相差较大时,使用PNN-FNN模型的智能控制系统仍具有较高的位置跟踪精度和动态性能。

木材干燥微波-真空木材干燥过程ARMA模型建立及其控制器仿真

结合模糊控制的智能性与常规PID控制的可靠性,针对花旗松的微波-真空干燥工艺建立时间序列下的自回归滑动平均数学模型,设计一种Fuzzy-PID自整定控制器,采用模糊推理的方法实现PID参数的在线整定。应用Matlab/SIMULINK工具对干燥窑常规PID控制和fuzzy-PID自整定控制进行仿真,通过分析与比较得到:fuzzy-PID自整定控制器的阶跃响应曲线具有上升快,稳态性能好,过渡过程时间短,超调量小的优点,控制特性满足系统的要求。能够提高木材干燥过程的控制水平,有效地保证木材干燥质量和降低能源消耗。

基于混合控制的网络系统随机时延补偿

针对网络控制系统中普遍存在的随机时延和数据丢包等会导致系统的控制性能下降甚至不稳定的问题,提出了一种新的时延补偿控制算法。首先建立了网络时延的自回归模型并采用最小均方算法对随机时延进行在线预估,然后采用一种新的Fuzzy-PID+JGPC混合控制算法对网络时延进行补偿。采用该算法在时延较小时具有更好的系统实时性,在时延较大时具有更高的系统鲁棒性和稳定性。仿真实验结果表明,该混合控制方法能很好地网络时延进行补偿,具有较好的实时性。

基于天气预报估算参考作物蒸发蒸腾量的预测模型比较

参考作物蒸发蒸腾量(ET0)是计算作物需水量和进行灌溉预报的基础要素。利用天气预报可测因子和Penman Monteith公式计算ET0,分别建立多元线性回归模型(MLR)和自适应神经模糊推理系统模型(ANFIS),两种方法的估算值与Penman Monteith公式计算值没有明显的差异,自适应神经模糊推理系统预测值相对于多元线性回归模型具有整体吻合度好,相关性高。两种预测模型的输入项完全可以从当前短期气象预报中获得,程序运行操作简单,具有实用价值,为实时灌溉预报提供了理论基础。

ANFIS与多元回归模型在ET_0实时预报中的对比研究

以气象数据为自变量,Penman Monteith方程计算值ET_0为应变量,分别建立了多元回归模型和自适应神经模糊推理系统(ANFIS)模型,对ET_0预测结果对比分析,ANFIS预测ET_0结果相对于多元线性回归具有精度高(1<ET_0<5)。预测结果与输入的Penman Monteith方程计算得ET_0相关性高。ANFIS预测ET_0模型输入项完全可以从当前短期气象预报中获得,程序运行操作简单,在辽阳市实时灌溉预报中有一定的推广意义,具有实用价值。

基于有源自回归模型与模糊C-均值聚类的挖掘机液压系统故障诊断

为了提高挖掘机的可靠性水平和智能化程度,提出了基于有源自回归(ARX)模型与模糊C-均值(FCM)聚类的挖掘机液压系统故障诊断方法。该方法将故障诊断分成故障特征提取和故障分类两个部分。在故障特征提取中,针对已知故障和测试故障分别建立ARX模型,提取ARX模型的自回归系数作为故障特征。在故障分类中,以FCM聚类作为故障分类器,将测试故障归入已知故障的某个分类中,判断系统的故障类型。仿真和实验结果表明,ARX模型与FCM聚类相结合的故障诊断方法能有效地应用于挖掘机液压系统。

改进模糊自回归模型在预测网络接通率中的应用

针对通信网络中性能指标预测的需要,提出了基于改进的模糊自回归模型的接通率预测方法,研究了拟合度门限自适应的模糊自回归模型。将中值滤波应用于模糊自回归模型的数据预处理中,在此基础上,针对部分应用拟合度门限不明确的特点,将拟合度门限计算式加入预测模型中,实现模型拟合度门限的自适应。仿真实验表明:基于Fuzzy AR模型的预测方法可以用于对接通率的预测,预测结果拟合度较高。

基于向量模糊模式识别的纹理图像分割方法

提出了一种基于同步自回归（ＳＡＲ） 模型和模糊信息原理进行纹理分割的方法．利用二阶ＳＡＲ模型对图像纹理进行描述，用最小平方误差方法对模型参数进行估计，将估计的参数作为纹理的特征向量．根据模糊信息原理，分析了纹理图像的模糊特性，给出了一种基于向量模糊集合簇模糊模式识别的纹理分割方法．实验结果表明，用所提出的方法进行图像纹理分割取得了较好的分割效果．

基于RBF-ARX模型的多变量系统非线性预测控制

提出了基于RBF-ARX模型的压铸机多变量压射过程非线性预测控制算法。在参考历史数据和机理模型建立RBF-ARX全局非线性动态模型的基础上,以快速收敛的结构化非线性参数优化策略离线辨识估计和优化模型参数,确定了预测控制系统的结构和多步向前预测控制输出。与传统PID控制算法的速度设定值跟踪效果对比表明基于RBF-ARX模型的非线性预测控制算法动态特性好,控制精度高。

基于多因子融合的水质异常检测算法

为了及时有效地发现偶发或蓄意的水质异常,保障饮用水供水安全,在总结现有异常检测算法的基础上,提出基于自回归(AR)模型和模糊C-均值聚类(FCM)的多因子融合水质异常检测算法.通过AR模型实现水质背景信号的高精度跟踪,采用FCM算法融合多种水质指标的AR预测残差,与设定阈值作比较并判断异常.实验结果表明,与单因子算法、直接融合水质指标监测值的算法、利用多维欧氏距离融合AR预测残差的算法相比,提出的多因子融合水质异常检测算法具有更高的异常检出率和较低的误报率.

卫星S频段下行链路频谱占用建模与预测

目前提出的频谱占用模型能够在时域上描述和重现基本的统计特征,如传统的地面移动通信的频谱占用/空闲周期长度可以用经典的广义帕累托(GP)分布、指数分布等分布来拟合。然而在某些复杂的如卫星链路频谱占用场景中,传统的参数估计分布无法给出良好的拟合。为此提出了用核密度估计(KDE)的方法来进行概率密度分布的拟合,在此基础上,分别采用差分整合移动平均自回归模型(ARIMA)和模糊神经网络对频谱占用模型的时间序列进行预测并进行对比。结论表明,核密度估计的使用可以更加准确地描述并再现卫星下行链路所使用S频段的占用时间序列的统计特征,而模糊神经网络的预测比ARIMA模型预测更加精确。

复杂天气条件下光伏电站太阳辐射量短期预测

复杂天气条件下,天气变化波动较大;光伏电站传统太阳辐射量预测模型无法很好地处理复杂的非线性关系,存在精度不足的缺陷,给电力系统的保护和并网安全带来了挑战。为了应对这一挑战,建立了一种基于自适应模糊神经网络(adaptive-network-based fuzzy inference systems,ANFIS)的太阳辐射量预测模型。该模型引入了卫星遥感数据作为输入量,以补充传统的气象数据。首先,使用样本熵计算法对复杂天气进行判定;其次,采用自回归移动平均(auto regression integrated moving average,ARIMA)模型,预测未来24 h的云团光学厚度和气溶胶光学厚度这两种关键的卫星遥感数据。结合大气层上界的太阳辐射量和大气平均温度,建立了基于ANFIS的太阳能辐射量预测模型,从而得到未来24 h的太阳能辐射量预测结果。在算例研究中,将ANFIS模型与多层前馈(back propagation,BP)神经网络预测模型、长短期记忆(long short-term memory,LSTM)神经网络预测模型在不同天气类型中的精度进行了对比。结果表明,在简单天气条件下,ANFIS模型、BP模型、LSTM模型的均方根误差分别为0.1122、0.3184、0.2534 W/m^(2),三者相对较小且相差不大;在复杂天气条件中,ANFIS模型的均方根误差为0.8606 W/m^(2),比BP模型和LSTM模型分别降低了4.0396、2.0252 W/m^(2),这说明ANFIS模型在复杂天气条件下表现较好,能够适应具有较强波动性的数据。研究同时表明,在考虑气象数据的基础上计及卫星遥感数据,可将预测的均方根误差降低0.132 W/m^(2),进一步改进了预测精度。