电静液作动器(Electro-hydrostatic Actuator,EHA)作为一种高性能集成化的动力执行器,广泛应用于航天航空、工业生产和军事领域。在不同油液温度下,液压油的体积弹性模量、黏度等性质会发生变化,从而对EHA的控制精度产生影响。针对此问题,首先建立了EHA数学模型;其次,设计了反向传播(BP)神经网络对比例积分控制器(PI)控制参数进行在线调节,补偿温度变化对跟踪精度的影响;最后,通过实验验证了传统PI控制的EHA跟踪精度与温度变化有着密切关系,并将BPPI控制器与PI控制器进行实验对比。实验结果表明,所设计的BPPI控制器在不同油液温度下平均跟踪误差之间的差值较PI控制器降低80%以上;且在相同温度下,平均跟踪误差较PI控制器降低60%以上。

针对传统车床主轴振动对其他零部件造成不利影响甚至造成损坏等难题,提出了一种基于平均经验模态分解(EEMD)算法以及反向传播(BP)神经网络的车床主轴振动故障在线诊断方法。以某数控车床主轴振动为研究对象,首先介绍了EEMD和BP神经网络方法的原理,并对传感器采集的主轴振动信号进行预处理;然后对处理后的信号进行EEMD,计算出有效的固有模态分量函数(IMF),再以峭度、峰值、均方根值作为选取标准,对故障信号较多的几个IMF分量进行重组;最后将重组后的特征向量输入BP神经网络、支持向量机等两种分类器中进行样本分类识别和对比。试验结果表明,基于EEMD-BP的车床主轴振动在线故障诊断方法具有很好的判别效果。

为解决数控铣削加工参数的高效优选问题,以DMC60H机床为研究平台,以某航空企业发动机壳体类零件为研究对象,建立基于Web的数控铣削参数优选模型。此模型主要采用反向传播(BP)神经网络建模,通过优选算法,反复训练,有效解决了一定加工条件下铣削参数高效优选问题。验证结果表明,所开发基于Web的数控加工铣削参数优选模型预测精度高,很好地实现了企业数控铣削参数的网络化优选查询。

针对产品装配序列规划所面临的自动化和智能化不足、人工干预较多等问题,结合人工神经网络等智能算法,设计了一种基于反向传播(BP)神经网络的产品装配序列规划方法。首先使用装配参数信息表表达装配体零件信息与装配序列的映射关系,建立BP神经网络模型,进行神经网络训练并推理产品装配序列;然后利用子装配体识别算法进行子装配体划分,降低装配序列求解难度,实现基于子装配体识别的装配序列优化。最后分别以蜗杆减速器与圆柱齿轮减速器作为训练样本和验证样本,验证了所提方法的有效性。

以往的研究中,只针对调节阀迷宫流道结构和内部流场特性进行了分析,但对迷宫流道抗空化性能和流通性能的优化设计较欠缺。为了满足阀门实际工程中的设计需求,迷宫式调节阀需要具有流道抗空化性能和流通性能。为此,提出了一种基于多目标遗传算法(MOGA)和反向传播神经网络(BPNN)的方法,对调节阀迷宫流道进行了结构优化,提高了迷宫流道的抗空化性能和流通性能。首先,基于对冲耗能原理和多级降压原理,设计了弧形对冲式迷宫流道,并建立了流体力学仿真计算的数学模型;然后,利用计算流体动力学(CFD)仿真软件,对模型进行了空化仿真,根据仿真的数据构建了BPNN代理模型,通过结合Sobol敏感度分析方法与代理模型,分析了迷宫流道各参数对仿真结果的影响,采用多目标遗传算法,优化了迷宫流道的结构;最后,搭建了实验测试平台,测量了迷宫流道的阻塞流曲线...

设计了一种气动人工肌肉驱动的串联弹性关节,基于气动人工肌肉Chou模型,建立了串联弹性关节的动力学模型,推导出关节刚度,获得了关节刚度与肌肉内部气压、弹性体刚度的关系。设计反向传播(back propagation,BP)神经网络整定PID参数的BP-PID控制算法,开展了气动串联弹性关节的位置与刚度控制研究。仿真结果表明BP-PID控制优于PID控制,关节位置跟踪精度由0.58°变为0.10°,关节刚度跟踪精度从0.026 Nm/rad变为0.005 Nm/rad。实验结果表明关节位置跟踪平均误差由0.347°减小到0.117°,关节刚度跟踪平均误差从0.024 Nm/rad减小到0.019 Nm/rad。

为提高液压系统的故障诊断准确率,分析了液压系统的数据特征,明确了液压系统的数据处理方式及故障类型;以反向传播神经网络(BPNN)算法为基础,采用一次指数平滑法(SES)改进了BPNN算法的梯度优化过程;基于粒子群算法(PSO)对BPNN算法的主要超参数和SES的平滑系数进行了优化,获取了最优超参数模型;以UCI的公共数据对基于PSO-SES-BPNN算法的液压系统故障诊断模型进行了实验验证。实验结果表明,该模型对有144种故障状态的液压冷却过滤系统的故障诊断准确率为98.06%,诊断性能远高于同类文献研究结果,有助于提高液压系统运行过程的故障诊断效率。

为实现射流管阀控液压马达故障诊断的精准预判与分析,需要准确建立数学模型以提升仿真研究的有效性。根据射流管阀控液压伺服作动器(Hydraulic Servo Actuator, HSA)关键部件即力矩马达、射流放大器和阀控作动元件的工作原理,建立射流管阀控液压马达数学模型。基于AMESim软件构建仿真模块,利用阶跃特性实验数据进行仿真模型参数辨识。采用反向传播神经网络实现基于此仿真模型的射流管阀控液压马达故障诊断,包括对实验数据预处理获取有效样本的故障特

为了提升不确定环境下的再制造装配质量,在分析再制造装配与原始制造装配差异的基础上,提出一种＂因件制宜＂再制造装配过程优化控制方法;以再制造零部件的不确定性特征为输入,再制造装配工位操作补偿值为输出,构建了基于反向传播神经网络的再制造装配过程耦合模型,实现对再制造装配工位进行＂因件制宜＂的操作指导,保障再制造产品质量。将本方法集成在再制造发动机装配车间制造执行系统中,验证了所提方法的有效性和可行性,为再制造装配过程控制的精准化和实时化提供了理论和方法支持,也为再制造产品可靠性和服役安全性提供了技术支持。

采用聚晶立方氮化硼刀具对精密液压阀芯进行超声辅助车削试验,并建立基于反向传播神经网络的液压阀芯表面粗糙度预测模型,以及基于优化遗传算法的遗传算法-反向传播神经网络的液压阀芯表面粗糙度预测模型,对结果进行对比。结果表明,遗传算法-反向传播神经网络预测模型的预测精度高于反向传播神经网络预测模型的预测精度,且遗传算法-反向传播神经网络预测模型的预测结果与试验值的吻合性好于反向传播神经网络预测模型。