磁流变阻尼器在振动控制中有广阔的应用前景,建立其精确的力学模型是取得良好控制效果的关键因素之一。文中对某磁流变阻尼器进行了动力学性能测试;并通过统计学方法确定了该阻尼器正向、逆向模型的BP神经网络结构;针对传统遗传神经网络(GA-BP)早熟和收敛速度慢的问题,提出一种结合适应度线性变换、自适应交叉和变异概率的改进遗传神经网络(IGA-BP)算法;在此基础上,分别用BP神经网络、GA-BP神经网络和IGA-BP神经网络对阻尼器正向、逆向非参数化模型进行辨识。研究结果表明文中提出的改进遗传神经网络算法收敛速度更快,模型精度更高,该非参数化模型能更准确地反映磁流变阻尼器的动力学特性。

由于电阻炉温度控制具有非线性、大滞后、时变性等特点，提出了一种采用遗传算法作为神经网络的学习算法，设计出一种神经网络PID控制器，使电阻炉炉温控制系统具有较高的控制精度和良好的动态特性与鲁棒性。采用MATLAB仿真及试验结果表明，该方法有效可行，可以推广到其他温度控制系统的应用上。

提出了一种液压推土机节能用变量泵遗传神经网络控制方法.在设定一定油门位置的条件下,根据发动机外部负载的变化,控制系统实时调整变量泵的排量,从而实现发动机与变量泵的合理匹配.试验结果显示,它对推土机变量泵控制具有较好的效果.

详细讨论了某爆破扫雷器电液伺服系统的建模方法。采用机理建模法,构造了电液伺服系统的传递函数;采用遗传神经网络,实现了电液伺服系统的智能建模。介绍了此种爆破扫雷器电液伺服系统工作原理,提出了获取建模数据的方法,详述了传递函数、遗传神经网络的具体建模方法。最后,以爆破扫雷器电液伺服系统为例,构造了伺服系统的模型,并对所获得的模型进行了分析,为进一步实现爆破扫雷器电液伺服系统的控制奠定了基础。

基于AMEsim建立了牵引-制动型液力变矩器液压系统仿真模型，通过注入不同故障信息，分析变矩器进口压力不稳定的故障原因，生成了仿真故障样本。通过试验，采集待检测的液压故障样本，基于遗传神经网络以仿真故障样本为训练样本，对待检测故障样本进行了模式识别。试验结果表明，故障仿真模型可以较好的模拟液压系统故障，将其与遗传神经网络相结合可以实现故障的智能诊断。