基于径向神经网络的故障诊断分析研究——以比亚迪汉仪表盘故障显示为例

新能源汽车逐渐普及,使得汽车行业发生了翻天覆地的变化。但随着新能源汽车的使用,故障问题也逐渐增多,相比与传统的燃油汽车已经经过多年的研究和使用,其故障诊断方式也相当完善,而新能源汽车在设计与结构等方面与燃油车不同,其检测故障手段和理论研究不足,是目前亟待进行探讨的话题。为此,以比亚迪汉仪表盘故障提示为例,结合径向神经网络的故障诊断分析,研究新能源汽车故障根源和有效的故障处理办法,实现新能源汽车故障有效诊断和准确维护。

利用径向神经网络和Volterra级数滤波器进行海杂波非线性预测

本文利用非线性预测理论建立基于径向神经网络和Volterra级数滤波的海杂波预测,利用IPIX雷达和Logisic混沌映射信号采集海杂波,然后进行非线性预测。实验结果表明,对于Logisic混沌映射信号产生的海杂波,通过设定阈值能够较好的将目标检测出来。在今后的研究中会进一步探究海杂波中变化缓慢的目标的检测,以及高效的基于径向神经网络和Volterra级数滤波器算法的海杂波消波方式。

耦合布料模拟滤波与径向神经网络DEM自动生成研究

DEM插值指利用已知的采样点数据重构整个区域的三维结构。其中DEM插值方法的选取是当前DEM快速生成的研究热点之一。选取具有代表性的地貌数据进行实验。首先,利用布料模拟滤波将SfM与SGM技术生成的密集点云过滤出地面点;其次,利用简单克里金插值算法、自然邻域插值算法、不规则三角网、径向神经网络4种方法重构DEM;最后,将平均绝对误差及均方根误差作为本文的精度评价指标。试验表明,耦合布料模拟滤波算法和径向神经网络的方法相比于传统方法,其平均绝对误差及均方根误差分别提高了0.11 m和0.28 m,适用于低空摄影测量DEM快速生成。

基于广义回归径向神经网络的工业超纯水智能远程运维系统

为了满足通过远程运维系统控制电力、电子等制造业用水等质量,降低能耗的要求,文章针对电子工业超纯水制造,构建了超纯水智能化远程运维系统,利用径向基神经网络和广义回归神经网络对超纯水出水水质进行拟合预测。通过数据分析,采用上述算法实现了对超纯水系统的精确预测,以及智能自适应控制,提升了算法精度和收敛速度。结果表明,在所建模型仿真基础上,通过回水利用、变频调速,达到提升产水质量和节能降耗的目的。

基于径向基神经网络预测日参考作物需水量

为了利用有限的气象数据准确预测蓄水坑灌果园的日参考作物需水量,利用蓄水坑灌试验基地逐日温度与湿度数据,构建了基于径向基神经网络的ET0预测模型,并将其模拟结果及Hargreaves、Priestley-Taylor两种常用ET0计算模型的计算结果同FAO-56 Penman-Monteith(FAO56-PM)公式计算的标准值进行对比。结果表明:径向基神经网络预测模型的模拟结果与标准方法FAO56-PM公式的计算结果最接近,而Hargreaves、Priestley-Taylor两个常用计算模型的计算结果比标准值偏大,在实际应用中应对其进行校正。

基于混合双层自组织径向基函数神经网络的优化学习算法

针对传统方法采用先训练后测试两阶段学习机制极易导致的过拟合或欠拟合问题,提出一种基于混合双层自组织径向基函数神经网络的优化学习(hybrid bilevel self-organizing radial basis function neural network optimization learning,Hb-SRBFNN-OL)算法。首先,将训练过程和测试过程集成到一个统一的框架中,规避过拟合或欠拟合问题。其次,基于进化学习机制,提出上下2层的交互式优化学习算法,上层基于网络复杂度和测试误差自组织调整网络结构,下层采用列文伯格-马夸尔特(Levenberg Marquardt,LM)算法作为优化器对自组织径向基函数神经网络(self-organizing radial basis function neural network,SO-RBFNN)的连接权值进行优化。最后,利用来自多个子网络的综合信息生成模型的最终输出,加速网络全局收敛。为验证所提方法的可行性,分别在多个分类和预测任务中进行了测试实验。结果表明,在与传统神经网络结构相似甚至更好的测试和分类精度下,该方法不仅能实现更快的训练收敛,而且能进化成更精简紧凑的径向基函数神经网络(radial basis function neural network,RBFNN)模型。尤其在污水处理过程中总磷的质量浓度预测实验中,测试集中均方根误差(root mean squared error,RMSE)最高可降低48.90%,实际场景实验结果验证了所提算法的精确性更佳且泛化能力更强。

基于递归径向基神经网络滑模的多功能柔性多状态开关控制方法

近年来,新能源和电动汽车的渗透比例逐渐增高,给配电网的潮流优化和电能质量治理带来严峻挑战。针对分布式电源的随机性和间歇性问题,设计一种基于递归径向基神经网络(RRBFNN)滑模的多功能柔性多状态开关(FMS)控制方法,在实现功率交互和多端单相接地故障柔性消弧的同时,增强FMS的抗扰能力。首先考虑扰动的影响,设计一种改进RRBFNN滑模控制方法,以克服传统滑模控制固有的抖振现象和对系统精确数学模型的依赖,并减小并网暂态冲击;柔性消弧控制采用微积分型滑模面,理论推导出0轴电压控制律,提高故障电流抑制率;进一步通过李雅普诺夫定理证明所设计方法的稳定性和收敛性。最后,在Matlab/Simulink中搭建三端口FMS及其控制系统的仿真模型,通过对比仿真验证了所提策略的可行性和有效性。

基于多变量相空间重构和径向基函数神经网络的综合能源系统电冷热超短期负荷预测

为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦合特性。提出了一种基于多变量相空间重构(multivariate phase space reconstruction,MPSR)和径向基函数神经网络(radial basis function neural network,RBFNN)相结合的IES超短期电冷热负荷预测模型。首先,分析了IES中能源子系统之间的耦合关系,运用Pearson相关性分析定量描述多元负荷和气象特征的相关性。然后,采用C-C法对时间序列进行MPSR以进一步挖掘电冷热负荷和气象特征在时间上的耦合特性。最后,利用RBFNN模型对电冷热负荷间耦合关系进行学习并预测。实验结果表明,所提方法有效挖掘并学习电冷热负荷在时间上的耦合特性,且在不同样本容量下具有良好且稳定的预测效果。

基于径向基函数神经网络的大学生体测成绩预测研究

大学生体质健康测试成绩是评价学生体质健康的重要标准,科学有效地对体测成绩进行预测分析是其他研究的基础。该研究运用径向基函数神经网络对某大学XX学院学生2022年体质健康测试数据进行预测和分析,并与BP神经网络、支持向量机等方法分类预测结果进行对比。试验结果表明,该预测模型具有较高的预测准确率和较好的泛化性能,为后续体育教师开展教学,相关学者开展研究提供了科学有效的分析方法。

基于粗糙径向基神经网络的刮板输送机负载预测方法研究

刮板输送机负载的准确预测对实现采煤机和刮板输送机的协同控制至关重要。刮板输送机短期负载受工作面环境、冲击载荷等不确定性因素的影响,具有很强的非线性和非平稳性,难以准确预测。针对此问题,本研究提出一种基于粗糙径向基神经网络的刮板输送机负载预测方法。该方法首先建立刮板输送机电流去噪模型,得到反映综采工作面刮板输送机真实负载的电流分量;然后针对刮板输送机负载电流波动大导致的神经网络预测模型训练误差增大、预测精度低的问题,引入表征负载变化波动的上下输入粗糙神经元,提出一种粗糙径向基神经网络(RRBFNN)模型;最后基于粗糙径向基神经网络建立刮板输送机短期负载预测模型,并进行仿真实验验证。结果表明:本研究提出的RRBFNN刮板输送机短期负载预测模型,比传统RBF模型的平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RMSE)分别降低26.22%,25.39%和14.72%,该方法能有效提高刮板输送机负载的预测精度。

基于改进的径向基神经网络模型的水库异重流泥沙淤积量模拟

文章结合改进的径向基神经网络模型对石佛寺水库异重流泥沙淤积量进行模拟,并结合水库泥沙淤积量测定值对模型进行检验。结果表明:相比于传统模型,改进模型对模型变量进行优化调整,对于水库异重流泥沙淤积量预测的精度有明显改善。研究成果对于水库泥沙淤积的趋势预测方法具有参考价值。

基于径向基神经网络代理模型的贝叶斯损伤识别方法研究

提出了一种将径向基神经网络作为代理模型用于贝叶斯框架的损伤识别方法。首先采用拉丁超立方抽样技术,选取一定数量的结构输入输出样本,训练出一个径向基神经网络。然后将其用于基于马尔科夫链蒙特卡洛抽样的贝叶斯损伤识别方法。其中抽样方法采用吉布斯抽样。数值算例显示,在考虑测量误差的情况下,提出的方法能准确识别出简支梁的损伤,有效避免了损伤识别反问题的不适定性。其计算效率较传统的方法提高了数十倍,是一种很有潜力的损伤识别方法。

基于神经网络的地铁列车速度传感器自动化诊断

基于列车运行稳定可靠的需求,提高传感器数据检测的准确性以及及时性的目的,采用以径向神经网络为基础依据,进行双通道传感器数据检测的自动化故障诊断方法,构建地铁列车速度传感器自动化诊断系统。以传感器的工作原理为依据设置两组检测通道,其中一组作为备用通道进行信号检测。同时结合径向神经网络构建速度传感器自动诊断系统,经过精确度阈值以及相角对传感器故障进行诊断。通过实际的验证试验可知,传感器自动化诊断系统能够保证较高的精确度,可对地铁列车速度传感器的工作状态进行及时有效的判断。

基于分数阶自适应神经网络的电动舵机伺服系统摩擦干扰补偿控制

摩擦干扰力矩影响电动舵机伺服系统的跟踪性能,造成位置和速度跟踪偏差,甚至可能导致伺服系统不稳定。针对摩擦力矩干扰下的电动舵机伺服系统跟踪性能差的问题,本文提出了一种分数阶自适应神经网络摩擦补偿算法(FOANN),估计并补偿摩擦干扰力矩。首先,建立基于LuGre模型的电动舵机伺服系统模型,利用径向基神经网络估计模型中的不可测状态变量。其次,设计FOANN摩擦补偿控制器,利用李雅普诺夫稳定性理论证明电动舵机闭环系统的稳定性。最后,利用仿真和实验平台,对比分析了FOANN、传统PD控制和模型自适应控制的性能。结果表明,基于本文所提出的FOANN摩擦力矩补偿控制算法,电动舵机伺服系统的位置跟踪误差和速度跟踪误差均大幅减小,FOANN算法能够有效估计并补偿摩擦力矩,降低摩擦干扰对电机舵机伺服系统的影响,提高伺服系统的动态性能。

带有神经网络干扰观测器的视线角约束制导

针对具有终端视线(line-of-sight, LOS)角约束的机动目标拦截问题,提出一种基于径向基函数(radial basis function, RBF)神经网络干扰观测器的LOS角约束制导方法。首先,考虑目标机动过程中加速度信息无法获取的情况,给出了一种基于RBF神经网络的干扰观测器,实现了对目标机动的高精度估计;其次,充分考虑终端角度约束,结合超螺旋算法思想,通过幂次项的引入设计了一种改进的滑模制导律,从而有效提升了有限过载情况下的制导精度;在此基础上,通过Lyapunov定理对算法的收敛性和稳定性分别进行了证明;最后,通过仿真验证对比了3种不同方法在4种拦截场景下的制导性能,同时针对所提方法进行了蒙特卡罗打靶仿真,仿真结果表明所给出的LOS角约束制导律对机动目标拦截精度高、鲁棒性强。

混合神经网络用于滚珠丝杠热误差预测

为了减小数控机床热致定位误差影响,提高机床加工精度,这里建立了径向基神经网络(RBFNN)和时间序列(ARIMA)混合模型的变权值热误差预测方法。综合两个单一模型对数控机床热误差进行预测,利用逆向辨识优化算法分别获取两个单一模型的优化权值,得到变权值混合模型,使得热误差预测精度得到提高。将这里混合模型与RBFNN模型和ARIMA模型分别进行对比分析,结果表明混合模型(RBFNN-ARIMA)的预测精度明显优于单一RBFNN和单一ARIMA模型,证明了此算法的有效性。

基于深度神经网络的船舶系泊受灾预报研究

为避免船舶系泊于码头时遭受恶劣海况而发生的缆绳断裂等问题,通过深度神经网络建立了系泊受灾预测模型,来快速获得系泊船舶所有系泊缆绳的受力。模型输入特征数量为11个,涵盖风、浪、流、涌、船舶吃水及船舶系泊方式等基本参数,输出特征为系泊系统中所有缆绳的受力。对模型的测试结果表明,相比于径向基神经网络,模型具有较高的预测精度,每组测试工况下的平均相对误差不超过10%。可将该模型用于在恶劣海况来临前对系泊系统的安全评估和风险分析,有助于相关人员及时采取应对措施,从而保证系泊系统的稳定性与可靠性。

基于RBF神经网络整定PID的电液比例系统位置控制研究

针对凿岩机械臂的电液比例系统位置控制精度问题,提出了一种基于径向基函数(RBF)神经网络整定PID的电液比例系统位置控制方法。首先,在AMESim中搭建了阀控非对称液压缸的电液比例系统简化模型,设置了各个模块的参数;然后,利用MATLAB/Simulink搭建了系统闭环控制模型,通过不断更新RBF网络模型并修正PID参数,实现了基于RBF神经网络整定PID的电液比例系统位置控制目的;结合AMESim搭建的电液比例系统模型和Simulink下搭建的控制器进行了联合仿真;最后,基于凿岩台车机械臂实验平台,进行了电液比例系统位置控制实验。仿真结果表明:在受到外部干扰的情况下,RBF神经网络整定PID控制系统能够在0.3 s内控制活塞杆重新运行至目标位置,平均响应时间为1.5 s,位置精度误差不超过5 mm。实验结果表明:与常规PID控制方法相比,RBF神经网络整定PID控制活塞杆位置精度误差降低了75%,位置精度误差在工程实际要求的10 mm范围以内,因此,RBF神经网络整定PID算法可以有效提高电液比例系统的位置控制精度,满足凿岩机械臂实际工作中对电液比例系统位置精度的控制要求。

基于平滑因子引入和神经网络优化的锂电池SOC估计方法

为提高锂电池荷电状态(SOC)的估计精度,提出了一种基于平滑因子引入和神经网络优化的锂电池SOC估计方法。将黄金分割优选法和模糊C均值聚类算法应用于RBF神经网络,分别用来确定最佳隐含层神经元个数和径向基中心;采用遗传算法对高斯核函数宽度及连接权值进行优化,解决了RBF神经网络结构和初始参数难以确定的问题。将滑动时间窗口内的放电容量作为平滑因子引入神经网络模型,增强了RBF网络对锂离子电池非线性特性拟合的能力。基于实验获得的锂离子电池在联邦城市行车计划(FUDS)工况下的数据,对所提出的方法进行仿真和验证,结果表明,所提方法显著提升了锂电池SOC的估计精度。

基于递归神经网络的人体下肢运动意图识别方法

采集下肢两通道的表面肌电信号和相应的关节运动信息,对原始表面肌电信号进行预处理。建立基于径向基函数神经网络的开环估计模型,以预处理后的表面肌电信号为输入,关节运动量为输出。在此基础上,归零神经网络作为一种特殊的递归神经网络被应用到开环模型中,形成一个混合的闭环预测模型。实验结果表明,所提出的闭环模型能够有效地消除开环模型的预测误差,进而能够更加准确地识别出人体的主动运动意图,为后续康复机器人的人机交互系统提供有价值的参考。