针对现场中电子皮带秤运行动态准确度低的问题,在理论上建立了电子皮带秤测量的数学模型,验证其准确性后,用B-P神经网络去近似此模型,通过神经网络来校正测量值,克服系统的动态误差.设计中考虑了工程中应用的可能性,不需要现场做大量实验,具有较好的实用价值.

利用小波变换技术对辐射信号进行预处理和去噪,实现了辐射信号的高精度检测;进而,设计了一种组合神经网络发射率模型,依据测温仪测得的亮温可以高精度地辨识出被测目标的发射率模型,这种建模方法不需给定发射率固定的样本数据,给出具体理论推导过程.仿真结果表明,此方法是获知连续光谱发射率及真温的一种有效的方法.

大攻角气动特性预测与气动建模是新型飞行器提升飞行性能的重要内容.以轴对称导弹简化模型为研究对象,首先采用计算流体力学方法,对70°大攻角状态的非定常气动特性进行数值模拟,计算方法基于RANS的N-S方程,湍流模型采用SA模型,对流场采用有限体积法离散,无黏项采用Roe通量差分分裂格式,黏性项采用中心差分,时间推进采用LU-SGS格式的双时间步法.飞行器运动模式采用强迫振荡的方式,对5种不同振荡频率进行了非定常数值计算,并记录每一内迭代周期最终的气动力和力矩数值.其次,以CFD预测结果作为气动建模的样本,采用动导数模型、多项式模型等传统方法,进行气动建模,并分析其有效性和精度.最后采用神经网络方法对大攻角非定常气动力进行建模,并和动导数模型、多项式模型进行精度对比.结果表明,基于神经网络的人工智能气动建模方法具有较高的...

针对风力机翼型优化计算量大的问题,提出了一种基于计算流体力学和神经网络气动性能近似计算的翼型优化方法。首先根据茹科夫斯基翼型理论构造了翼型参数化表达方法,以多工况条件下的翼型气动性能为目标函数,选取翼型表达式中的12个参数为设计变量,建立了翼型气动性能优化模型。然后用优化拉丁方采样方法获得翼型样本设计空间,通过计算流体力学方法获取每个样本的气动性能,利用神经网络对样本集进行非线性拟合,构建神经网络翼型气动性能近似计算模型。遗传算法在寻优时,用近似计算模型代替耗时的流场计算,最终得到最优解。并通过此方法对FFAW3-301翼型进行优化,优化后翼型具有更佳的气动性能,优化结果表明此优化方法具有可行性。

利用递归神经网络(RNN)模型具有时间记忆性,且会考虑之前的输入输出对当前输出影响的特点,以递归神经网络方法建立了NACA0012翼型在跨音速阶段的非定常气动力模型;利用CFD计算NACA0012翼型绕其刚心作变频俯仰运动的跨音速气动力系数为训练数据,建立跨音速非定常气动力模型。以建立的跨音速非定常气动力模型预测NACA0012翼型作俯仰简谐振动的气动力系数,并与CFD计算的气动力系数进行对比。结果表明,该模型具备优良的逼近非线性非定常气动力的能力;针对跨音速二维翼型,该模型相比CFD可以更快速地构建,并能迅速且较为准确地预测不同频率下作简谐振动时的气动力。

发动机中存在上下游干涉作用,上游叶片的尾迹流会引起下游叶片发生强迫振动。针对这一现象,提出了采用神经网络模型的方法辨识尾流激励下的叶片气动力。通过计算流体力学(computational fluid dynamics,CFD)方法获得时域尾流压力波及其叶片气动力作为训练信号和测试信号,分别用BP(back propagation)神经网络和线性自回归神经网络(onlinear auto-regressive with exogenous input neural network,NARX),建立尾流激励下的叶片气动力辨识模型,对测试信号的叶片气动力进行辨识,并与CFD结果进行比较,探究这两种辨识模型的计算精度。算例结果表明:基于NARX神经网络的叶片气动力辨识模型较基于BP神经网络的叶片气动力辨识模型计算精度更高,泛化能力更强。基于NARX神经网络的尾流激励叶片气动力辨识模型,可以快速准确地辨识不同振幅的随机尾流激励和周期尾流激励下的叶片气动力。

针对传统建模只能解决一对一的映射关系,而气动肌肉的参数之间是一种多对多迟滞关系的问题,引用了一种基于多项式拟合算法的神经网络建模方法。首先,搭建实验平台,获取迟滞数据;然后,利用曲线拟合构建多项式拟合模型,得到合模型的输出位移数据;最后,采用曲线拟合与神经网络相结合的方法,建立了迟滞模型。通过仿真结果对比发现基于多项式拟合的神经网络模型各项误差均优于现有模型。

为了实现对低真空管道中运行列车的最大阻力预测研究,本文采用数值仿真和神经网络结合的方法。选取不同阻塞比、运行速度和管道压力,利用流体仿真软件计算100种运行工况下列车的最大阻力;以96组仿真数据作为网络模型训练样本,选取RBF和BP两种三层神经网络,经多次调试确定最佳隐层神经元数目,利用训练函数训练两种预测模型;利用随机选取的4组验证样本验证两种网络模型。研究表明:RBF和BP神经网络模型能较好的预测列车在真空管道中运行的最大阻力,其中RBF神经网络预测值的最大误差不高于5%,相比BP神经网络,RBF预测精度更优。

轴流风扇被广泛应用于如刀片服务器等机械设备的通风散热中,在工作时风扇旋转形成的湍流与自身以及固壁发生耦合作用,进而诱发气动噪声.湍流尺度极小,稳定性差,所以对气动噪声模型的数值计算需要耗费大量的计算资源.将人工神经网络与传统的数值模拟方法相结合,首先基于k-ε两方程模型求解纳维-斯托克斯方程得到轴流风扇的流场解,再通过FW-H声类比理论得到其声场解,然后对轴流风扇搭建人工神经网络模型,同时在声远场选取气动噪声声压级样本点,通过BP神经网络算法进行学习,最后利用训练好的人工神经网络模型对轴流风扇工作时的噪声场进行预测,实现了良好的预报效果.该方法可以有效节省计算资源,在工业上有一定的应用价值.

为了提高液压油污染状况检测的准确性,本文采用数据融合技术,使用人工神经网络处理数据,对某型装备的液压油的污染状况进行了进一步分析,并根据检测数据完成了神经网络的训练和效果的检验工作.