基于改进RBF神经网络的机械臂运动轨迹跟踪控制方法

机械臂运动轨迹跟踪控制在工业自动化领域具有重要应用价值。为了提高机械臂运动轨迹跟踪的精度和稳定性,提出了一种基于改进径向基函数(radial basis function, RBF)神经网络的控制方法。在改进的RBF神经网络中,引入了自适应学习率和动态节点数量调整机制,以增强网络的适应能力和泛化能力。此外,针对机械臂运动控制中的非线性特性,提出了基于误差反向传播算法的网络训练方法,以优化网络权重。最后结合实际应用案例对相关方法进行解析。

基于结构改进RBF神经网络的NO_(x)预测模型比较

针对燃煤电厂选择性催化还原(selective catalytic reduction,SCR)脱硝系统入口氮氧化物浓度测量准确性的问题,提出基于结构改进的径向基函数神经网络(improvedradial basis functionneural network,IRBFNN)预测模型。采用互信息选取辅助变量作为模型的输入变量,避免变量过多或过少导致模型精度降低;利用k近邻互信息估计辅助变量的延迟时间,解决时序问题;采用调整时序的辅助变量和主导变量建立结构改进的RBF神经网络(RBFNN)预测模型;采用人工鱼群算法(artificial fish swarm algorithm,AFSA)和粒子群优化(particle swarm optimization,PSO)算法加速验证结构改进模型的优越性,并对2种优化算法的优化能力进行分析。仿真结果表明,结构改进的RBF神经网络模型的均方根误差和平均绝对百分比误差明显高于原模型;AFSA优化后的模型精度高于PSO算法,然而其需要调节的参数较多。

基于改进RBF神经网络PID控制的液压起重机节能仿真

液压起重机在驱动小负载时,导致液压泵输出功率较大,造成能源浪费。对此,提出了改进径向基函数(RBF)神经网络PID控制方法,并对液压泵输出功率进行仿真。创建液压起重机平面简图,设计了负载敏感平衡阀,推导液压起重机驱动动力学方程式。对传统RBF神经网络结构进行改进,设计了动态自适应RBF神经网络PID控制器,采用Matlab软件对液压起重机改进RBF神经网络控制效果进行仿真。结果表明:在空载或轻载工况下,悬臂在上升过程中,采用RBF神经网络PID控制与改进RBF神经网络PID控制方法,液压泵输出功率几乎一样;悬臂在下降过程中,采用改进RBF神经网络PID控制方法,液压泵输出功率较小。在空载或轻载工况下,液压起重机采用改进RBF神经网络PID控制方法,能够降低液压泵能耗损失,节约资源。

基于MIV-改进RBF神经网络的大坝变形监测模型

针对常规径向基函数(RBF)神经网络模型无法选择显著预报因子和易陷入局部最优解的问题,建立一种融合平均影响值(MIV)、改进果蝇算法(FOA)和RBF神经网络的大坝变形监测模型.通过引入MIV对水压、温度、时效三类预报因子进行筛选,并利用改进FOA算法获得RBF神经网络模型中最佳的spread值,以提高模型的稳定性和预报精度.为验证模型的有效性,以某混凝土重力坝位移监测数据为例,分别建立多元线性回归模型、常规RBF模型、MIV-RBF模型和MIV-改进RBF模型.研究结果表明MIV-改进RBF神经网络大坝变形监测模型预测稳定、精度高,预报效果好.

基于改进RBF神经网络的电动机直接转矩控制研究

针对低速运行时电动机存在转矩脉动大的实际问题,在传统电动机直接转矩控制的基础上,采用改进RBF神经网络控制器替代PID控制器,利用GA找出RBF网络的最优参数值,得到最优的网络结构,用该网络结构进行电动机直接转矩控制。实验结果表明,该方法克服了网络参数选择的随机性,具有更强的适应能力;同时能降低电动机的转矩脉动,改善磁链的波形。

基于改进RBF神经网络模型的气象能见度监测方法研究

气象能见度实时监测是确保气象预报贴近现实气象情况的重要组成部分,是高精确度气候预测技术手段中必不可少的环节。目前主要采用的方法为模糊识别和BP神经网络分析,在气象能见度监测方面效果并不理想。为此,提出了改进RBF神经网络模型的气象能见度监测方法,综合考虑了SO2,NO2两种气体,以及气温,气压,温度,湿度等因素采集方法,计算各因素的权重和相关系数后,在改进RBF神经网络模型的基础上确立了具体的监测方法,最后检验了两种气象能见度监测方法的准确性,新的能见度监测方法具有更高的准确性,在气象监测方面具有应用前景。

基于改进RBF神经网络的泵站机组故障诊断

泵站机组故障诊断是指在一定的工作环境下查明泵站机组系统某种功能失调的原因或性质,判断劣化状态的部位或部件,以及预测状态劣化的发展趋势等。利用改进的RBF神经网络,对经过不变矩处理的轴心轨迹特征参数进行了故障模式的自动识别,针对RBF神经网络隐层节点难以选择的的难题,提出了一种新的聚类算法改进RBF混合聚类算法。该算法,可自动确定最优的聚类区数,同时可使最终的聚类中心合理地分布在数据空间中。仿真结果验证了该方法的可行性。

基于改进型RBF神经网络多变量系统的PID控制

针对工业控制中多输入多输出非线性时变系统,提出了基于改进型RBF神经网络的智能PID控制方法.采用最近邻聚类算法在线构造RBF神经网络辨识器并在线辨识被控对象,对PID控制器参数进行在线调整,实现了多变量非线性时变系统的解耦控制.仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制规律下的PID参数,解耦后的系统具有较好的动态和静态性能,与常规RBF神经网络PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性.

基于改进型RBF神经网络辨识的PID控制

针对工业控制领域复杂非线性时变系统,提出了基于改进型RBF神经网络的PID参数在线自整定方法。采用改进型RBF神经网络辨识器在线辨识系统模型,自动调整PID控制器参数,实现系统的智能控制。仿真结果表明,与常规RBF神经网络PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性。

旋转机械故障诊断中的改进型RBF神经网络算法研究

为克服BP网络在机械故障诊断中存在的训练收敛速度慢且容易陷入局部极小、网络初值对学习性能影响比较大等缺陷,提出了一种基于最近邻聚类学习算法的改进型RBF神经网络模型,并将该模型应用于旋转机械的故障诊断中.应用结果表明,改进型RBF网络训练速度快、分类性能良好,在设备故障诊断领域具有很好的实用性.

基于改进型RBF神经网络震灾伤亡人数预测

地震发生后,准确、快速地预测受灾地点的人员伤亡情况,对于有效开展救援工作具有重要指导意义。针对现有预测方法的不足,设计基于PSO优化算法的改进型RBF神经网络预测模型,以震级、地震破坏烈度、发生时间等7个指标作为输入,以人员伤亡数作为输出,经过对比验证,该方法较传统预测方法具有更好的时效性和准确性。

基于改进的径向基函数神经网络混合控制在电液伺服系统中的应用

由于电液伺服系统中存在扰动和干扰,一般的控制器很难在各种条件下都取得良好的输出响应。为了解决此类问题,提出了一种基于改进的RBF神经网络混合控制策略。使用基于群组优化理论的离线优化算法来选择RBF神经网络的隐节点数目,用各种在线学习算法来调节隐节点的中心和估计连接权值。该混合控制器结合了改进的RBF神经网络与传统PID控制的优点,被广泛适用于船舶试验台的电液伺服系统中。试验仿真结果表明,使用这种混合控制器的伺服系统具有良好的动态特性和鲁棒性。

应用改进的RBF方法预测粘土料力学指标的研究

坝土料力学指标是土石坝结构稳定分析的重要依据,其传统获取方法为实验方法。本文尝试采用改进RBF神经网络模型,以不同物理指标组合为输入因子,力学指标为输出项。然后,通过改进最近邻聚类算法训练模型进行测试样本模型效果检验。结果表明,改进RBF神经网络模型可以较为快速、准确地预测粘土料力学指标。

基于径向基神经网络的新型齿轮故障诊断方法

非平稳工况下的齿轮故障检测是一项非常困难的工作,由于齿轮振动信号的复杂性,导致故障特征提取和故障诊断困难.针对这些问题,基于径向基(radial basis function, RBF)神经网络,提出一种在变速条件下齿轮的故障诊断方法 CIHDRFD.首先利用自适应白噪声的完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),将原始振动信号分解为多个固有的模态函数(intrinsic mode function, IMF),并通过计算其信息熵(information entropy, IE)筛选出IE最小的4个IMF作为特征IMF;然后利用希尔伯特变换(hilbert transform, HT)处理特征IMF并求出Hilbert包络谱,利用Hilbert包络谱构建故障特征向量;最后利用改进的双RBF神经网络进行故障检测.通过搭建齿轮故障检测平台验证CIHDRFD方法的有效性,实验结果表明, CIHDRFD方法适用于齿轮故障诊断,在速度波动为3%的情况下,诊断准确率和诊断时间分别为98.21%和74.53 s.

基于IGWO-RBF的LTE-R切换算法研究

针对高速铁路LTE-R越区切换中,A3事件下的越区切换算法容易出现乒乓效应(PPE)和无线链路连接失败(WLF)的问题,提出了粒子群优化(PSO)灰狼算法改进的RBF神经网络(IGWO-RBF)的越区切换优化算法。该算法采集大量列车以不同速度(0~100 m/s)运行在特定环境中时切换成功率高的切换迟滞门限(Hys)和触发延迟时间(TTT)参数集,送入改进的RBF神经网络,训练完成后得到不同速度下的Hys和TTT的拟合曲线。根据列车接收到的参考信号接收质量(RSRQ),加入自矫正项对Hys和TTT进行二次优化调整。在matlab上进行仿真实验,结果表明提出的算法减小了掉话率和乒乓切换率,提高了列车在高速环境下的切换成功率及鲁棒性。

基于多源信息融合的电网故障诊断方法研究

考虑到电力系统自动化水平及通信、广域测量技术的发展,提出了一种综合SCADA开关量、故障录波器电气量及WAMS系统电气量的多源信息融合电网故障诊断方法。该方法将蕴含故障信息的电气量分析与开关量诊断相结合,对电网故障采集的电气量通过小波能量分析提取故障特征,采用蕴含时序贝叶斯网络对保护、断路器开关量进行故障推理,定义了能量畸变故障度、能量故障度、改进RBF神经网络故障度及时序贝叶斯故障度衡量线路故障程度,并作为证据体采用改进D-S证据理论进行信息融合,进而通过模糊C-均值聚类方法给出故障诊断决策。PSCAD仿真及Matlab与Java混合编程计算表明,所提出的电网故障辅助诊断新方法相对传统开关量诊断,准确度得到了提高,具有工程实用价值和良好的应用前景。

采用分层多源信息融合的电网故障诊断方法

鉴于调度自动化水平及通信、广域测量技术的发展,提出了一种分层多源信息融合的电网故障诊断方法,以开关量诊断层和多源信息融合诊断层2个层次,在基于SCADA系统开关量实现电网单一故障快速诊断的同时,综合开关量信息与故障录波器及WAMS的电气量信息,着力解决保护、断路器拒动、误动造成的多元件停电的故障诊断。仿真算例计算表明,此方法的分层模式增强了故障诊断针对性,并在多源信息融合诊断时减少了对电气量数据的需求,能有效降低保护、开关拒动误动对电网故障诊断的影响,提高了准确度,具有良好的工程实用价值。

基于集成学习的铁路隧道空洞敲击检查声音识别

隧道衬砌空洞敲击检查方法是目前铁路隧道中应用最多的检查方法,但其空洞识别和数据的记录均靠人工完成。为实现铁路隧道空洞敲击检查声音智能识别,将采集到的隧道敲击检查音频文件进行预处理,选取645个声音样本,提取24维梅尔频率倒谱系数(Mel frequency cepstrum coefficients,MFCC)作为声音样本的声学特征参数,通过集成算法(梯度提升决策树GBDT)训练样本声学特征,建立隧道空洞敲击检查声音分类模型,最后将该模型应用于实际铁路隧道空洞敲击检查声音识别分类。实例研究表明:与优化的支持向量机(cross-validation-support vector machine,CV-SVM)模型和改进径向基神经网络(particle swarm optimization algorithm-radial basis function neural network,PSO-RBF)模型相比,GBDT集成算法模型具有更高的准确率和更少的运算时间,在面对异常数据时具有更强的稳定性,能够准确地根据铁路隧道空洞敲击检查声音诊断衬砌后是否存在空洞。