厉勇[1]2008年在《基于模糊神经网络的离心压缩机性能研究》文中研究说明离心式压缩机是工业上广泛应用的高速大型设备,运行性能与实际生产关系密切,其实际工作状态与其设计工作条件往往存在某种差异,需要根据机组的实际条件对性能曲线进行重新计算和评价。传统理论计算模型不是需要依赖于相似性假设的准确性及其被满足的程度,就是需要经验公式,或者建立非常复杂的流体力学数学模型。但离心式压缩机影响因素众多,采用传统方法建模往往精度低、通用性差。本论文将模糊神经网络用于离心式压缩机性能模型的建立,其本身所特有的优点有利于解决上述问题。论文探讨采用以模糊神经网络为核心及其应用中的相关问题,建立了离心式压缩机性能的模糊神经网络模型,为离心式压缩机的性能预测和控制提供更好的模型。建立了Elman动态递归人工神经网络的压缩机性能模型,计算结果显示:输出为二时,当隐含层和结构层节点个数为四时,检验误差取得最小,训练误差为3.12201,检验误差为0.5906,基本能够反映系统的运行状况,但模型精度不够高。建立了基于Takagi-Sugeno模糊推理的具有自适应功能的模糊神经网络模型,模糊聚类算法采用MMC算法,计算结果显示,当潜能半径r_a取0.6而r_b取1.1时,网络有较佳的性能。训练误差为0.52844,检验误差为0.59579,生成的模糊规则数少,精度更高,计算量更少。通过采用模糊C均值聚类建立了能够反映压缩机基本运行趋势的主模型,再利用模糊主控制模型的输出与其他输入向量通过最速梯度下降法训练模糊神经网络,初始值不再选取为随机数,极大地改善了网络的训练时间或陷入非要求的局部极小值的问题。计算结果显示,模型能够反映压缩机的运行状况,整个网络对训练样本的误差为0.2618,对检验样本的误差为0.3622,结果令人满意。本文将透平与离心式压缩机看作一体,简化为一阶惯性系统,将此一阶惯性系统叠加到模糊神经网络模型中,建立模糊控制模型,分析计算显示:(1)单独调整偏差量化因子或偏差变化量化因子,系统的响应性能都不够理想。而综合调整二者的值,在一定范围内,系统响应时间和超调逐步改善,性能较优;(2)增大控制增量的比例因子,或增加规则表对偏差变化的敏感程度,响应时间减少,响应过程超调增加,收敛时间变长;(3)调整各变量的隶属函数向中间收缩,响应时间变长,超调减少,系统收敛时间变长。本文在基本模糊控制器的基础上,加入一积分因子自调整机构,仿真结果显示,被控对象能够迅速响应期望值的变化,整个过程响应时间几乎不超过5秒,且到达期望值以后,迅速稳定下来。
胡莹坚[2]2007年在《粗糙集理论及其在神经网络中的应用研究》文中认为粗糙集理论是一种较新的软计算方法，可以有效地分析和处理不完备信息，近年来日益受到国际学术界的重视，被成功地应用于人工智能、模式识别等诸多领域。本文主要对粗糙集中的基本问题——知识约简问题和连续属性离散化问题进行了研究，对粗糙集的扩展模型进行了探讨，并在此基础上提出了三种不同领域中粗糙集与神经网络相结合的方式。本文系统地阐述了粗糙集的基本理论和概念，在这些基本理论的框架下，主要做了以下几个方面的研究：1．粗糙集理论的知识约简问题。本文首先对经典的属性约简的方法——基于区分矩阵的方法进行了分析。接着利用在理论说明中提出的信息熵的概念，从信息的角度，对决策表中属性的重要性给出度量；在此基础上，提出了一种基于信息熵的知识约简的启发式算法。2．粗糙集理论的连续属性离散化问题。本文对原有的贪心算法及其改进算法进行了分析，综合了前几种算法的优势，提出了利用互信息对信息系统决策表中断点的重要性给出度量；并融入断点核的概念来判断断点的重要性，提出了一种新的基于互信息的贪心算法改进方法，有效地解决了前几种算法的局限性。3．针对经典粗糙集理论在实际应用中的不足，介绍了常见的两种扩展模型：模糊粗糙集模型和变精度粗糙集模型。分别阐述其理论概念，研究了各模型的属性约简算法。4．研究了粗糙集与神经网络的结合方式。本文利用粗糙集在处理不精确性和不确定性问题上的优势，对数据样本进行预处理，约简样本属性，降低样本维数，得出近似值，获得最优约简后的决策规则，以此来映射到神经网络的训练样本中去，构建神经网络的隐层数及隐层内神经元数，使神经网络更富有逻辑性，并减少了神经网络的训练时间，提高训练精度及泛化能力。针对不同的实际应用类型，提出了不同的耦合方式以及训练算法，均取得了满意的效果。
李明钊[3]2008年在《基于神经网络的电控汽油发动机的智能故障诊断研究》文中进行了进一步梳理随着汽车工业的迅速发展,汽车生产量和保有量不断增长,而且汽车制造技术的不断进步,使汽车发动机的越来越复杂。2008年将在全国实施机动车污染物排放国Ⅲ标准(相当于欧Ⅲ)标准,并强制要求安装车载诊断系统(简称OBD)。在现代化社会中,车用汽油机的故障诊断技术越来越受到重视,如果车用汽油机的某些部位出现故障而未能及时地发现和排除,其结果不仅会导致汽油机本身的损坏,甚至可能会造成车毁人亡的严重后果。近年来,我国汽车工业得到了迅速的发展,给人们生活带来了极大的方便,但是由于设备更复杂与数量更多给汽车维修人员带来了难题。因此研究车用汽油机的智能故障诊断技术具有实际意义。而且汽车的安全运行问题受到越来越多的关注,加强汽车的安全技术检测,成为有待研究解决的重要课题。在这样的背景下,本文针对传统故障诊断专家系统获取知识的瓶颈,不具备自学习的功能,采用人工神经网络和模糊理论来研究电控汽油机的智能故障诊断。针对电控汽油机的的怠速或怠速控制阀故障、点火线圈故障、点火正时不对、火花塞故障、节气门故障、进气管漏气、空气滤清器故障、喷油器故障、燃油供给系统故障、冷却系统故障及润滑系统故障,设计了BP诊断网络和模糊BP诊断网络。根据神经网络的特点,指出采用神经网络进行故障诊断的可行性。仿真结果表明对于电控汽油机的故障诊断而言,BP网络确实为一种较为实用的神经网络,它具有很强的模式识别和分类能力。由于电控汽油机故障的复杂性和模糊性,采用传统的以布尔代数为基础的二值逻辑显得过于粗糙不精确,因此引入模糊逻辑的概念,构造了模糊神经网络,并用它进行电控汽油机的故障诊断。仿真结果表明,将模糊逻辑引入神经网络后,对知识的表示更加准确,不仅对输入故障现象的描述更加细致,而且对输出故障的原因也有明确的解释,更符合人们的思维习惯。
姚巍[4]2008年在《自行车机器人系统辨识及MATLAB仿真》文中研究指明作为设计各种控制系统的基础,建立高精度的受控对象动力学模型具有重要意义。由于受控对象往往具有时延,非惯性等特点,用传统的方式建立受控对象动力学模型时,往往出现模型精度不高甚至难以建立系统模型的问题,这极大地限制了各种控制理论的应用和控制性能的提高。在自行车机器人控制系统设计这一课题中,为了建立高精度的系统动力学模型以提高控制系统的性能,我们引入系统辨识理论对自行车机器人展开系统辨识。实验仿真结果证明该理论是可行的,并且取得了很高的辨识精度,具有一定的推广价值。本文主要介绍基于ARX模型结构和模糊神经网络模型结构的自行车机器人动力学系统辨识原理及基于MATLAB的仿真实现。文章首先对系统辨识理论的基本原理、经典方法进行介绍,并有针对性地介绍了神经网络系统辨识和模糊模型系统辨识原理;接着对模糊理论及神经网络理论的基本概念、算法结构进行了系统的介绍;在此基础之上,又详细介绍了模糊模型系统辨识具体方法;最后应用前面所述理论及MATLAB系统辨识工具箱,完成了基于ARX模型结构和模糊神经网络模型结构的自行车机器人系统辨识,同时对两种辨识结果进行比较分析,判断不同辨识方法应用于自行车机器人系统辨识时的优缺点。文章的最后还对论文的主要内容进行了总结,并对下一步工作方向进行展望。
郭晓岩[5]2015年在《基于神经网络的建筑电气节能关键问题研究》文中研究指明建筑是重要的能耗源,如何降低建筑物的综合能耗,提高其内部能源系统的使用效率,改善建筑环境的舒适性,对我国国民经济长远的发展至关重要,为此,运用人工智能的理论和方法,开展建筑电气节能控制研究,降低建筑电气能耗,具有重要的理论意义和工程实践价值。本文从谐波源识别和纯电容无功补偿的谐波抑制、变风量空调系统的预测控制及解耦控制、建筑电气节能评价三个方面,开展建筑电气节能关键问题研究。为了减少谐波对建筑电气的危害,降低建筑电气的能耗,本文开展了谐波源识别和纯电容无功补偿的谐波抑制研究,然而,谐波治理的关键是如何实时监测供电系统的谐波电压、电流以及单次谐波含有率等谐波畸变率参数并进行全面的分析评估。为此,建立了基于改进BP神经网络的谐波源诊断方法,以畸变率实测数据为神经网络提供输入特征向量,实现对谐波干扰源的诊断分类。结果表明,网络输出值与期望值接近,最大误差为0.09%。同时,论文采用了纯电容无功补偿的谐波解决策略,经测试和分析发现,当系统中含有高次谐波时,使用常规的纯电容补偿作为无功补偿策略存在缺陷,为此提出在无功补偿回路中,采用电抗器与电容器串联的方法,改变其在谐波作用下的阻抗特性,使无功补偿回路不呈现容性,避免谐波的放大和谐振的产生。在谐波抑制研究的基础上,开展了变风量空调系统的预测控制及解耦控制结构的研究。分析可知,中央空调系统是一个多变量、复杂、时变的系统,其过程要素之间存在着严重的非线性、大滞后及强耦合关系,导致中央空调系统控制困难,因而造成电能大量浪费的问题。为此,本文设计了神经网络预测控制器结构,构建了控制模型,该模型针对Tcm关于T的偏导不可求的问题,采用△t对NNC的权值进行调整,实现了单隐层三入单出结构,同时提出模糊神经网络预测控制方法,该方法中结构层记忆隐含层单元前一时刻的输出值,具有动态记忆功能,使预测输出与输入量有机结合,强化动态记忆功能,提高预测精度。进一步,建立了神经网络预测控制器结构,该空调系统的控制部分主要由控制器和预测器两部分组成。其中控制器采用模糊神经网络控制器,预测器采用递归小波神经网络结构。仿真结果表明,采用模糊神经网络预测控制方法,改善了系统的超调量、调节时间和稳态精度,提高了系统的自适应性和鲁棒性,消除了静差,使系统具备良好的适应能力、较强的学习能力和自适应能力。另外,针对变风量空调系统非线性和温湿度控制存在严重的耦合的现象,本文在建立神经网络解耦控制器结构的基础上,采用神经网络和模糊控制相结合的控制理论方法,建立了控制器模型,该模型具有全局逼近能力,且具备拓扑结构紧凑、结构参数分离且收敛速度快的特点,构建了基于Elman神经网络的预测器模型,该模型具有反应动态特性的能力,提出了一种新的多变量空调神经网络解耦控制方法,其中解耦控制器由神经网络完成,即由模糊神经网络控制器得出的温度控制量和湿度控制量作为解耦控制器的输入,再结合耦合通道的输入,经过神经网络解耦后转变为两个单入单出的控制,降低了变风量空调系统由于温度和湿度产生耦合的影响。实验结果表明,该方法提高了空调系统的控制效果,使得变风量空调控制系统的稳态和动态性能得到改善,取得了更显著的电气节能效果。为评价本文提出的谐波抑制和中央空调节能控制方法,同时也为了解决传统建筑电气节能评价方法综合评价结果精度不高的问题,本文基于建筑电气节能评价指标体系建立原则,建立了建筑电气节能评价指标体系,从技术指标、经济指标和功能指标三个方面对该指标体系进行了描述,同时,采用层次分析法,通过建立判定矩阵,根据每个指标对上级指标至总目标的“贡献”大小,计算相对权重,从而构建了完整的评价指标体系。在此基础上,建立了基于BP神经网络的建筑电气节能评价模型,获得了量化的综合评价结果。另外针对BP算法在最小化求解过程中可能会陷入局部极小,得不到最优解的问题,构建了基于混沌神经网络的建筑电气节能评价模型,该模型用人工神经网络对样本建筑进行评价,即对评价模型进行训练网络层包括输入层、输出层和隐含层3层；网络输入层节点数与评价指标个数相对应,共包括三项大指标20项子指标,即输入层神经元个数20；隐含层节点数为8；输出层神经元个数为1,即评价结果。实验结果表明,该评价模型简化了评价过程,降低了误差率,评价软件性能稳定,可操作性强。
李晔[6]2007年在《基于一种改进遗传算法的神经网络》文中认为随着时代的发展，科技的进步被控对象变得越来越复杂，其过程机理有许多不明之处，致使基于数学模型的传统控制方法难以奏效，因此提出很多智能控制方法，其中神经网络控制是解决这些问题的有效途径，可用来处理不确定性的复杂系统，神经网络虽然具有自学习能力，但其内部机理不很明确，知识表达困难。针对神经网络存在的不足，又考虑现在优化算法中，遗传算法具有鲁棒性、随机性、全局性、适于并行处理的优点，本文提出用遗传算法优化神经网络，弥补神经网络的不足。遗传算法是目前应用最广的优化搜索算法之一。目前，遗传算法已经在许多领域得到了应用，如函数优化、模型优化、结构优化、工业生产、图像处理等等。但基本遗传算法易于陷入局部最优，在有些时候收敛速度过慢，这使得基本遗传算法很难找到全局最优。如何能够使遗传算法尽可能快地跳出局部最优和如何能够提高遗传算法的收敛速度，是近年来遗传算法研究领域的热点。本文针对简单遗传算法(SGA)应用过程中所存在的不易收敛、结果常常陷入局部最优、编码方式存在解码误差、收敛速度慢等缺点，提出使用一种基于排序选择的改进遗传算法，并用其进行智能控制器的参数寻优。遗传算法的选择、交叉以及变异，每个环节的实现策略的改变都会对整个遗传算法的寻优性能产生重要影响；而且需要其它环节做出相应的调整，才能达到比较理想的提高遗传算法寻优能力的目的。基于上述原因，提出基于排序选择的改进遗传算法。所谓排序选择方法是指在计算出每个个体的目标值后，根据目标值的大小顺序对群体中的个体进行排序，适应度仅取决于排序后的个体在种群中的位置，并且每个个体的选择概率等于根据它所处的位置按某种规律计算出来的概率。用改进的遗传算法优化调整神经网络的权值，将优化所得参数作为神经网络的初始权值。这种针对神经网络控制器的结构特点，用遗传算法训练优化网络权重，得到的复合智能控制器具有很好的特性，既保留了遗传算法的强全局随机搜索能力，又具有神经网络的鲁棒性和自学习能力，并且可兼有神经网络广泛映射能力和遗传算法快速全局收敛等性能。将基于改进遗传算法的神经网络控制器用于二级倒立摆系统，通过仿真结果的研究表明，基于排序选择的改进遗传算法在神经网络权值寻优中，能够充分发挥其全局寻优的特点，且能够很好的弥补BP算法训练时间长，响应速度慢的不足。
于沙家[7]2016年在《基于模糊神经网络的热电厂脱硫系统建模与控制研究》文中研究说明热电厂中SO2的排放给环境造成很严重的危害,因此合理控制二氧化硫的排放,提高脱硫效率,成为热电厂中的重要问题。由于热电厂中脱硫过程具有多变量、非线性、不确定性以及延迟性等特点,这就导致其建模和控制会存在困难。为了提高脱硫系统中脱硫效率并合理控制脱硫过程,保证系统能平稳高效运行,所以对脱硫过程中的智能建模和智能控制方法进行研究将会具有重要的理论和实际意义。在石灰石/石膏湿法烟气脱硫系统中,浆液PH值对脱硫效率影响较大,因此本文从脱硫效率建模和浆液PH值控制两个方面进行分析与研究。由于在脱硫工程中影响脱硫效率的因素比较多,所以本文将T-S模糊神经网络引入到软测量建模中,进而对脱硫效率进行建模,通过仿真说明了该模型的有效性,通过数据分析表明了该模型具有良好的性能。在浆液PH值控制过程中,由于此过程具有惯性大、延迟性以及非线性的特点,所以本文选用了Mamdani模糊神经网络来建立控制器并用于浆液PH值控制中,并且在控制中为了进一步提高网络的寻优能力以达到更好的控制效果,又提出将DEBP算法的模糊神经网络用于脱硫系统PH值控制优化中,通过仿真表明了基于此算法的模糊神经网络在脱硫系统控制中更显其优势,本文对于模糊神经网络在工程上的应用具有一定的参考价值和工程意义。
郭萍[8]2008年在《小波模糊神经网络在轴承故障诊断中的研究与应用》文中提出汽轮发电机组的振动过大将直接威胁着机组的安全运行,长时间的振动还会造成地基及周围建筑物的损坏;振动所产生的噪声对操作人员的生理及精神状况也十分有害。而轴承的故障则会加速汽轮发电机组的振动,因此对气轮发电机组的轴承进行故障诊断是必要的。小波变换具有多分辨率特性和时频局部化特性,特别适合于对非平稳信号的分析;而模糊LMBP神经网络不仅具有神经网络极强的非线性映射能力,还具有模糊逻辑刻画分类边界模糊性的优势。本论文首先使用小波分析对故障信号进行特征提取,然后把提取的特征向量作为模糊神经网络的输入——形成所谓的小波模糊神经网络进行故障诊断。本论文利用MATLAB进行仿真,借助由模拟汽轮机振动的振动试验台上所得的轴承故障数据,使用提出的小波模糊神经网络进行诊断,从而证明了该故障诊断系统可以极大地提高诊断系统的适应能力。本研究主要分成以下两个部分:1.轴承故障信号的特征提取采用小波分析对故障信号进行特征提取。主要利用小波变换的多分辨率特性和时频局部化特性,对原始故障信号进行小波分解,选取分解后每层最能代表原始故障信号细貌的高频系数的第一个数组成特征向量,作为神经网络的输入。2.轴承故障信号的模式识别其故障模式识别主要采用了以下几种方法:①采用LMBP神经网络进行故障模式识别。通过与Elman神经网络、使用梯度下降法的典型BP神经网络的实例比较,Elman网络的识别误差比LMBP神经网络大:而使用梯度下降法的典型BP神经网络所使用的训练时间较长,不利于诊断的实时性要求。②采用小波神经网络进行故障模式识别。通过实例证明:该设计方法虽然在一定程度上能满足故障信号的诊断,也满足故障诊断实时性要求,但是也存在着不精确性。③采用了小波模糊神经网络进行模式识别。该识别方法具有一定的有效性,并且该方法一定程度上满足故障诊断的实时性要求。通过以上的故障诊断方法仿真比较,采用小波模糊神经网络进行故障诊断,并采用两类故障模式进行验证,其诊断结果表明与实际的故障模式相符,从而证明了该故障诊断技术适用于故障模式识别,满足故障诊断实时性要求,具有很强的识别能力。
李慧静[9]2017年在《基于智能控制算法的中央空调变风量控制系统研究》文中提出随着世界对全球变暖问题的重视,节能成为了近年来的被重点关注的问题。建筑物能耗一直在国家能耗里占有重要比重,而其中空调系统占用的比重是建筑物能耗里最大的,所以如何降低空调系统的能耗是近年来众多研究学者研究的课题,无论是独立式空调还是中央空调都出现了大量的新思路用于降低空调的能耗,本文关注的内容就是其中对降低变风量中央空调能耗的问题。传统的变风量中央空调主要使用PID作为末端控制器的控制算法,在面对复杂或者多变的环境时,不能很好的适应。为了解决这个问题,近年来模糊控制方法被应用在了变风量空调系统的末端控制器上,经过了理论研究阶段后应用的越来越普及,但是模糊控制往往很依赖模糊规则与专家经验,不具备自我学习适应能力。本文从变风量中央空调系统中的末端控制装置入手,在分析了变风量中央空调的系统特性后,探索研究用模糊控制技术和神经网络技术实现变风量中央空调系统的末端控制器。根据模糊控制技术与神经网络技术的特点,结合成为模糊神经网络,它以实际温度与设定温度的温度差、温度变化速率作为模糊控制的输入,通过神经网络的自学习能力不断的修正语言值论域和对应的隶属度函数,完善模糊控制算法的输出结果,进而提升变风量中央空调末端控制器的智能化程度。本文依据现有的变风量中央空调系统,实现了使用模糊神经网络的末端控制器,并对其进行了测试。测试的结果表明在抗干扰能力、过渡时间以及降低能耗上,该末端控制器都优于使用PID作为控制算法的末端控制器,验证了模糊神经网络在变风量中央空调末端控制上的有效性。
平玉环[10]2007年在《多变量系统模糊神经网络解耦的研究》文中研究指明复杂的工业生产过程中,被控对象动态特性往往表现出非线性、时变性、大迟延、和多变量强耦合等特点,这使得常规的单回路及传统的多变量解耦设计难以达到预期的控制效果。目前这一主要的研究课题受到了广泛的关注,一些学者将模糊逻辑系统、神经网络、模糊神经网络等智能方法应用到多变量过程控制中。本文在这些研究成果的基础上,提出了一种多变量系统模糊神经网络解耦的控制方法。该方法结合了基于模糊自适应整定PID控制算法和改进型模糊神经网络解耦算法,用于球磨煤机制粉系统和循环流化床锅炉床温-主汽压力系统中,对解耦设计方案进行了仿真研究,结果表明,该方案比传统的PID解耦控制方案的控制效果明显要好。
参考文献：
[1]. 基于模糊神经网络的离心压缩机性能研究[D]. 厉勇. 昆明理工大学. 2008
[2]. 粗糙集理论及其在神经网络中的应用研究[D]. 胡莹坚. 浙江大学. 2007
[3]. 基于神经网络的电控汽油发动机的智能故障诊断研究[D]. 李明钊. 昆明理工大学. 2008
[4]. 自行车机器人系统辨识及MATLAB仿真[D]. 姚巍. 北京邮电大学. 2008
[5]. 基于神经网络的建筑电气节能关键问题研究[D]. 郭晓岩. 东北大学. 2015
[6]. 基于一种改进遗传算法的神经网络[D]. 李晔. 太原理工大学. 2007
[7]. 基于模糊神经网络的热电厂脱硫系统建模与控制研究[D]. 于沙家. 青岛科技大学. 2016
[8]. 小波模糊神经网络在轴承故障诊断中的研究与应用[D]. 郭萍. 西华大学. 2008
[9]. 基于智能控制算法的中央空调变风量控制系统研究[D]. 李慧静. 吉林建筑大学. 2017
[10]. 多变量系统模糊神经网络解耦的研究[D]. 平玉环. 华北电力大学（河北）. 2007
标签：自动化技术论文; 遗传算法论文; 故障诊断论文; 模糊神经网络论文; 系统辨识论文; 网络模型论文; 模糊理论论文; 系统仿真论文; 过程控制论文; 模糊算法论文; 系统评价论文; 谐波电流论文; 变风量系统论文; 能力模型论文; 网络结构论文; 误差分析论文; 建筑电气论文; bp神经网络算法论文;