针对传统故障诊断方法存在的诊断准确性不高的问题，提出了基于D—S证据理论的多传感器信息融合技术与BP神经网络相结合的方法．实现对汽轮机的机械故障诊断。由多个传感器采集振动信号．分别经小波变换特征提取后获得故障特征值．再经BP神经网络进行故障局部诊断．得到相应传感器对故障类型的基本可信任分配函数值．即获得彼此独立的多个证据．然后运用D—S证据理论对各证据进行融合．最终完成对汽轮机机械故障的准确诊断。实验结果表明．该方法克服了单个传感器的局限性和不确定性．是一种有效的故障诊断方法。

介绍了红外测温系统温度标定方法和BP算法神经网络，将BP算法神经网络应用于温度标定物理实验中的灰度与温度的特性曲线拟合，并在MATLAB下通过训练和仿真验证了应用BP算法神经网络拟合实验曲线的优越性，其拟合精度远高于最小二乘拟合，为测温数据的软件处理提供了新的方法。

流量计在使用过程中由于受到噪声、电磁脉冲等因素的干扰,在使用时常会出现仪表显示不稳、显示数字失真等现象,有时会严重影响计量精度。文中深入分析了相关信号调理模块与软件滤波方法对该类信号处理过程中所存在的缺陷,结合神经网络等方法提出了一种流量计输出信号智能化整形识别技术,并结合实际信号对该方法进行了检验。结果表明,该方法能有效克服传统方法存在的缺陷,为流量计输出信号的整形与识别分析开辟了一条有效的途径。

针对液压四足机器人在坚硬路面行走时,足端位置易受刚性冲击,导致运动姿态平稳性差的问题,提出一种液压四足机器人足端力预测控制方法。在分析液压四足机器人结构的基础上,根据运动学与力学模型构建了液压伺服系统的力控制模型;采用改进自适应布谷鸟优化BP神经网络算法建立足端力预测控制模型,通过仿真对比分析验证了该算法的可行性。最后通过液压四足机器人KL样机进行足端力及刚性地面行走测试,结果表明该方法能有效增强液压四足机器人腿部的力柔顺性,提高运动姿态平稳性。

激光熔覆再制造是实现绿色开采的重要环节。实现激光熔覆材料组分对熔覆层性能影响的预测可以减少材料设计过程中的试错成本,提高研发效率。针对矿用液压油缸激光熔覆材料,通过灰色关联度分析法,筛选出Fe基激光熔覆材料中对熔覆层性能影响较大的组分,建立3层反向传递(back propagation,BP)神经网络模型进行训练和预测;利用遗传优化算法对BP神经网络初始权值和阈值进行优化,并将优化后的遗传算法-反向传递(genetic algorithms-backpropagation,GA-BP)神经网络模型与BP神经网络模型的预测结果进行对比。结果表明:遗传优化算法可以大幅度提高BP神经网络模型的预测精度,在少量训练样本条件下,模型输出的预测值与实际值接近,预测误差从5.60%~710.37%降低至2.04%~18.43%,证明了GA-BP神经网络用于液压油缸激光熔覆层性能预测的可行性。

[目的]为了提高液压机械无级变速器(HMCVT)换段液压系统的平稳性和安全性,设计了一种应对换段液压故障的诊断方法。[方法]利用自主研发的液压机械无级变速器试验平台,获得5种油路故障状态模式数据集;通过数据预处理及随机抽取的方法得到120组单一故障样本集和21组组合故障样本集,基于天牛须搜索算法(beetle antennae search,BAS)和BP(back propagation)神经网络,对处理后的120组单一故障样本建立了故障诊断模型;对标准BP神经网络模型和优化型BP神经网络模型进行试验测试和比对研究。[结果]所使用的BAS-BP方法对试验样本实现了5种油路状态模式分类;与标准BP神经网络相比,BAS-BP方法可以更好防止网络受限于局部极小值,且故障诊断正确率提升10%。[结论]与常规优化算法相比较,BAS-BP方法所需训练时间短、收敛速度快,算法运行速率提升85.76%,拥有更好的稳定性和判别精...

设计性能优良的阀块对提升液压系统性能具有重要意义。利用计算动力学方法对7500T大型压铸机增压阀块的流阻特性进行分析,计算得到两种不同压铸机增压阀块结构在不同流量时的压力损失。结果表明:增压阀块压力损失随着流量的增大呈现出近似线性增大的变化情况;加设倾斜流道的压力损失比没有倾斜流道的压力损失小,且减阻效果随着流量的增大而增大。利用正交试验建立了4因素5水平的正交试验数据库,对斜流道增压阀进行多参数单目标优化,然后基

针对非对称缸位置跟踪控制精度较差,提出了一种基于非线性自回归平均滑动离散模型(NARMAX)和量子粒子群算法的神经网络预测控制策略(QPSO-NNMPC)。利用NARMAX模型表示阀控非对称缸的动态模型,使用粒子群算法优化BP神经网络(PSO-BP)对阀控非对称缸系统在线预测,使用量子粒子群算法(QPSO)对目标函数非线性优化。仿真结果表明,在不同频率期望信号与变干扰力情况下,该控制策略具有良好的跟踪效果和鲁棒性。

锻造液压机在工作过程中需要有良好的刚性,因此一般采用两个液压缸进行同步驱动。为保证锻造液压机在工作过程中两个驱动液压缸具有精确的同步性,采用BP神经网络PID自适应控制方式对锻造液压机驱动液压缸进行同步控制。使用AMESim与MATLAB搭建锻造液压机仿真模型,针对两个驱动液压缸所受负载恒定、负载连续变化以及负载阶跃变化工况时,对两个驱动液压缸的同步性能进行分析。仿真结果表明:在锻造液压机两个驱动液压缸各种受力情况下,该系统均能

该文介绍了BP神经网络技术举例分析了在舰炮液压系统故障诊断中的应用。