基于递归小脑模型神经网络和卡尔曼滤波器的锂电池荷电状态预测

由于储能系统被广泛应用到新能源汽车、分布式发电等领域,其在运行过程中的可靠性是研究的重点之一。荷电状态(SOC)是反映电池续航能力的关键参数。为保证储能系统的正常运行,提出了一种锂电池SOC估计的方法,将递归小脑模型神经网络(RCMNN)和卡尔曼滤波器(KF)都用于荷电状态估计。为了强化RCMNN的捕获动态特征的能力,在联想记忆层和权值记忆层均加入了递归单元。将采集的电压、电流和温度作为模型的输入,用于模拟储能系统的不同充、放电情况。考虑到实际工况下电池放电的复杂性,在不同的放电条件和不同SOC初值的情况下将SOC的实际值与预测值进行对比。试验结果表明,该预测方法在不同条件下都具有较高的精度和鲁棒性。

自适应多保真数据融合的神经网络模型

数据驱动的深度学习建模在力学、材料等不同学科中得到了较多应用。深度学习建模的精度依赖大量高保真数据。在实际应用中,高保真数据往往是少量且昂贵的,而低保真数据却是成本低廉且数量较多的。当高保真数据量过少时,深度学习建模精度较低。近期发展的多保真深度神经网络,通过融合不同保真度的数据,在高保真数据较少时,依然保持了较高的建模精度。然而,已有的多保真深度神经网络模型的精度较为依赖针对模型参数的正则化调节。当添加的正则化过强时,网络对非线性关联式的拟合能力不足;当添加的正则化强度不够时,在学习多保真数据间的线性关联关系时又会出现过拟合现象。两者都会严重影响模型的预测精度。在缺乏高保真验证数据集时,较难得到最优的正则化系数。为此,通过改进已有多保真网络模型的损失函数,引入一个与线性关联式相关的参数,提出了自适应多保真数据融合的神经网络模型。该模型能根据给定数据自适应地拟合不同保真度数据间的线性或非线性关系,对正则化依赖较小,从而提高了建模的鲁棒性。在多个标准测试案例及实际应用的翼型气动参数的预测中,该模型均能表现出较高的精度和稳定性。

神经网络阻尼比模型及工业机器人导纳控制

在工业机器人打磨过程中,环境刚度随未知环境的变化,将对力控制精度产生不利的影响,针对环境刚度变化的问题,该文提出一种基于神经网络阻尼比模型的自适应导纳控制方法。在导纳控制设计中,根据力误差与系统阻尼比之间的机理关系,设计激励函数,构造神经网络阻尼比模型;通过该模型使阻尼比在线调整,适应末端环境的刚度变化,实现力到位置自适应转换的导纳控制。与常规导纳控制进行仿真比较,结果表明所提出的力控制策略力误差更小,响应速度更快,能适应变刚度的未知打磨环境。

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。

基于混合优化算法和深度神经网络模型结合的致密砂岩气藏裂缝参数优化

水平井分段压裂是致密砂岩气藏的主要开发方式,其中水力压裂裂缝参数的合理设计对于气藏的经济效益开发至关重要。基于群智能优化算法和机器学习代理模型的自动优化方法存在所需数值模拟次数多、收敛速度慢和代理模型更新复杂等问题,且依靠现场工程师经验和正交实验等传统方法难以获得最佳的裂缝参数设计。为此,建立了一种新的基于混合优化算法和自适应深度神经网络(DNN)结合的致密气藏裂缝参数优化方法。首先,混合优化算法采用遗传算法(GA)和贝叶斯自适应直接搜索(BADS)之间循环迭代的混合策略。在自适应学习过程中,提出了以“最大平均距离点”作为最不确定解,同时辅以最有希望解和少量拉丁超立方采样解共同更新优化过程中的DNN代理模型。随后,将建立的优化方法用于非均质致密砂岩气藏裂缝参数优化。研究结果表明:(1)在标准测试函数和低维裂缝参数优化问题上,GA+BADS混合优化算法表现出了显著优于GA的寻优速度;(2)针对高维裂缝参数优化问题,GA+BADS混合优化算法在约1/2的GA总数值模拟次数下提高了131万元的经济净现值(NPV),收敛速度和寻优精度都明显增加;(3)相比于GA+BADS混合优化算法,在获得相同NPV时,自适应DNN代理加速优化可再减少24.54%的数值模拟运算次数。结论认为,该优化方法显著提升了优化效率,为解决非常规油气藏中水力压裂裂缝参数设计问题提供了一套可行且高效的智能优化方法,将有力促进非常规油气的规模效益开发。

用于训练神经网络的自适应梯度下降优化算法

由于神经网络规模的扩大,模型训练变得越来越困难.为应对这一问题,提出了一种新的自适应优化算法——Adaboundinject.选取Adam的改进算法Adabound算法,引入动态学习率边界,实现了自适应算法向随机梯度下降(SGD)的平稳过渡.为了避免最小值的超调,减少在最小值附近的振荡,在Adabound的二阶矩中加入一阶矩,利用短期参数更新作为权重,以控制参数更新.为了验证算法性能,在凸环境下,通过理论证明了Adaboundinject具有收敛性.在非凸环境下,进行了多组实验,采用了不同的神经网络模型,通过与其他自适应算法对比,验证了该算法相比其他优化算法具有更好的性能.实验结果表明,Adaboundinject算法在深度学习优化领域具有重要的应用价值,能够有效提高模型训练的效率和精度.

基于AGA-RBF神经网络模型的叶绿素a质量浓度预测研究

叶绿素a质量浓度是预测湖泊水华形成的重要影响因子,但常用的径向基(radial basis function,RBF)神经网络存在容易陷入局部极值,导致预测精度欠佳.针对这一问题,采用自适应遗传算法(adaptive genetic algorithm,AGA)对RBF神经网络进行优化,构建基于AGA-RBF神经网络预测模型,以莆田东圳水库为应用案例,对叶绿素a质量浓度进行预测,通过采集到的数据对预测模型进行仿真,对比均方根误差(RMSE)、相对误差(RE)以及平均相对误差(MRE),验证改进后的AGA-RBF模型具有更好的预测精度,以期对叶绿素a质量浓度进行长期预测.

基于自适应神经网络的工业机器人双臂协同鲁棒控制

为了克服机械摩擦、外界干扰和模型误差等不确定性对工业机器人双臂运动轨迹控制精度的影响,设计了一种基于自适应神经网络的工业机器人双臂协同鲁棒控制方法。首先,建立了带有各类不确定性的工业机器人双臂动力学模型;然后,通过构造障碍Lyapunov函数设计了带有不确定性的协同控制律,并设计了自适应神经网络对系统中的不确定性进行估计,从而得到工业机器人双臂协同鲁棒控制律;最后,利用Lyapunov稳定性理论证明了设计的协同鲁棒控制律能够将工业机器人双臂的轨迹跟踪误差、速度跟踪误差和不确定性估计误差约束在一个任意小的邻域内。仿真结果表明,设计的自适应神经网络可准确估计出工业机器人双臂系统中的不确定性,最大估计误差仅为0.04 N·m,提出的协同鲁棒控制律能够稳定、准确地跟踪轨迹控制指令,最大轨迹跟踪误差仅为1.3 mm,从而验证了设计方法的合理性。在三维空间固定坐标定位测试中,提出的协同鲁棒控制律与其他几种方法相比具有更高的控制精度,平均定位误差和最大定位误差分别仅为1.1 mm和1.4 mm,表现出了更强的鲁棒性和更优的工程适用性。

船舶类量化神经网络自适应运动控制方法研究

研究船舶类航向自适应运动控制方法有助于加快解决船舶在海上通讯带宽受限情况下航向跟踪检测困难和控制效果差的问题。基于RBF神经网络,采用一种经典非线性运动解析模型来描述通信信号输入量化过程,无限逼近于航向控制系统中的未知非线性项来消除隐性不确定项因子对控制系统的影响,与此同时模型中所设计的RBF自适应量化控制器不需要对先验信息进行量化参数处理,不仅可以保证有效跟踪和控制的同时,还可以减轻通信的传输负担、减少执行频次和降低系统控制幅度。本文基于Lyapunov稳定性理论证明了所提出的带有输入量化的RBF神经网络自适应闭环控制系统的稳定性,并在Matlab Simulink环境中构建仿真模型分析,论证了所设计的运动控制方法的有效性。

基于埃尔曼神经网络的区域公路网交通适应性分析方法

为分析判定区域公路网交通适应性,从交通安全分析入手,考虑路网交通适应性与路网结构的关系,基于埃尔曼神经网络模型对区域公路网交通适应性进行分析。首先,构建了区域公路网安全度指数,公路网交通适应性的评价以公路网安全度指数作为评价依据,模型初始变量通过对影响区域公路网交通适应性的影响因素进行分析获得。然后,采用粗糙集理论中可辨识矩阵的约简算法,对显著影响区域公路网交通适应性的特征变量进行筛选,筛选出来的变量即作为最终模型的输入变量。最后,建立了基于埃尔曼神经网的区域公路网交通适应性分析判别模型,实现通过高速路网各项指标即可对区域高速公路网的交通适应性进行综合评价。

对称NARMA-U模型及其神经网络自校正控制器

带预测误差补偿的改进NARMA-L2模型是由NARMA模型在自适应滤波动态工作点处一阶泰勒展开逼近得出的,在自适应滤波动态工作点处二阶泰勒展开逼近可得到对称NARMA-U模型,采用BP神经网络辨识对称NARMA-U模型参数,提出一广义目标函数,基于对称NARMA-U模型的非线性系统的神经网络自校正控制器,应用直接极小化指标函数自适应优化算法对BP神经网络连接权重值进行在线学习。仿真研究表明算法的响应优良。

在线优化参数的无模型预测神经网络自抗扰控制

关于难以建模的非线性系统的控制问题,提出具有辅助变量的全格式动态线性化方法逼近非线性系统模型,基于其构建系统的预测模型,给出采用直接极小化指标函数自适应优化算法的参数估计算法,在扩张状态观测器中引入控制输入的微分项,并将控制输入和其微分的系数改进为关于观测状态的函数,因其未知,使用RBF神经网络逼近,利用非线性递推最小二乘法同时优化RBF神经网络参数和自抗扰控制器参数,综上研究提出在线优化参数的无模型预测神经网络自抗扰控制算法。仿真研究验证了上述研究的合理性和有效性,系统响应精度高。

多变量系统神经网络辨识的无模型自校正控制器研究

针对多变量NARMA模型,将其转化为具有耦合的子系统,采用具有辅助变量的多变量紧格式动态线性化方法逼近多变量NARMA模型,利用BP神经网络辨识其参数,基于多变量广义目标函数提出多变量NARMA模型的神经网络辨识的无模型自校正控制器,算法为关于控制输入的非线性方程组,通过非线性数值分析的牛顿法对其进行求解,根据非线性递推最小二乘法对BP神经网络的连接权重值进行在线学习。仿真研究表明系统的响应具有优良的性能。

BP神经网络优化参数的螺杆点胶阀无模型自适应控制技术

螺杆点胶阀因点胶效率高、精度高、胶点均匀性高等优点,广泛应用于微电子封装等领域,而电机转速的控制性能是决定螺杆点胶阀点胶质量的重要因素。针对点胶阀在外部干扰和负载扰动情况下,PID速度控制效果不理想,参数难以整定的问题,采用BP神经网络-无模型自适应控制(BP-MFAC)算法,通过BP神经网络在线整定无模型自适应控制器参数来实现对电机速度的自适应控制,无需人工整定参数。仿真和实验对比结果表明,该算法相较于PID控制算法,在电机速度控制上具有更小的超调量和稳态误差,更短的调节时间;在外部干扰和负载扰动的情况下,具有更好的抗扰动能力。

基于气动人工肌肉的自适应模糊小脑模型神经网络位置跟踪控制

针对一种气动人工肌肉驱动的弹簧质量位置控制系统,设计了一种自适应模糊小脑模型神经网络(AFCMAC)控制器.离散抗饱和PID(DASPID)并行监督控制设计保证了控制运行初期不会出现较大的跟踪误差和气压波动,使AFCMAC的在线实时学习调整成为可能.在线实时的自适应算法逐步提高了AFCMAC的控制性能,从而最终完全过渡到AFCMAC控制.通过规划AF-CMAC的输入空间,保证了AFCMAC对迟滞力和气压波动等不确定因素的感知能力,为实现AF-CMAC控制奠定了基础.对DASPID与AFCMAC控制器的位置跟踪控制性能进行了对比实验.结果表明,在非线性系统条件下,AFCMAC较之DASPID有着更好的跟踪控制性能和较低的实现难度.

基于自适应深度神经网络的永磁同步直线电机定位力计算模型

为了提高永磁同步直线电机(PMSLM)定位力计算模型的训练效率和精度,提出一种基于自适应深度神经网络(ADNN)的定位力计算模型。利用有限元参数化计算出不同结构PMSLM的定位力作为样本数据;使用一种k折训练方式结合神经网络结构搜索算法使ADNN模型结构自适应,再对ADNN模型训练得到定位力计算模型。实验结果表明,该ADNN模型精度达到99.86%;相较于人工调参,时间消耗减少85.17%;ADNN模型计算结果与样机测试结果总体一致,证明了此模型的有效性。

基于改进小波神经网络的新型PMSM速度控制

采用传统PI控制策略的永磁同步电机调速系统无法兼顾良好的动态响应性能与抗扰动能力,且在实际应用中参数整定繁琐。为改善以上问题,对速度环设计一种改进型小波神经网络PI控制器,该控制器基于自适应学习速率的梯度下降法并引入惯性项在线更新网络参数,通过权重因子扩大PI参数输出范围,以增强控制器性能;为消除电流环比例参数对速度环的影响,设计无差拍电流预测控制器,进一步提升系统动态响应性能。仿真结果表明,上述控制方案能够实现速度环PI参数在线自整定,明显提升系统动态响应性能,且具有良好的抗扰动能力。

基于小脑模型的机器臂自适应神经网络控制

研究了在不可测干扰下的机器手臂的自适应神经网络控制。利用反推的方式提出了一种基于小脑模型的神经网络控制策略。利用小脑模型轻便、拟合迅速的性能,达到了时间快速响应、轨迹精确追踪且能量极小消耗的在线控制效果。最终利用李雅普诺夫稳定定律证明了控制策略的稳定性,其有效性也通过仿真进行了验证。

模糊小脑模型神经网络在多辊冷连轧机轧制力预报模型中的应用

针对宽带钢多辊冷连轧机组特点,为提高轧制力的预报精度,在结合传统轧制压力模型的基础上把模糊算法和神经网络有机结合,设计出基于模糊小脑模型神经网络的多辊冷连轧机轧制力预报模型.通过对传统轧制力模型计算值、小脑模型预报计算值与实测值进行对比分析可知,基于模糊小脑模型神经网络的多辊冷连轧机轧制力预报模型具有较高的计算精度,更适合于多辊轧机在线计算机过程控制的应用,满足现场在线生产的要求,取得良好的板形板厚控制效果.

模糊小脑模型神经网络

提出输入层具有一定隶属度的模糊小脑模型神经网络（ＦｕｚｚｙＣＭＡＣ），它比小脑模型ＣＭＡＣ（ＣｅｒｅｂｅｌａｒＭｏｄｅｌＡｒｔｉｃｕｌａｔｉｏｎＣｏｎｔｒｏｌｅｒ）能更真实地描述客观世界．给出ｎ维ＦｕｚｚｙＣＭＡＣ算法，仿真结果表明ＦｕｚｙＣＭＡＣ比小脑模型ＣＭＡＣ具有如下优点：学习收敛速度快得多，可以学习模糊规则．ＦｕｚｙＣＭＡＣ比ＣＭＡＣ优越，使ＣＭＡＣ成为ＦｕｚｚｙＣＭＡＣ的特例．