为提高装有液压机械式变速器(hydraulic-mechanical transmission,HMT)拖拉机的行驶平稳性,使拖拉机能以目标车速稳定行驶从而提高拖拉机的作业质量,文章对装备HMT拖拉机的小波神经网络PID控制进行了研究。通过Matlab/Simulink建立液压机械传动系统模型、拖拉机动力学模型及小波神经网络PID控制模型,根据拖拉机目标车速、实际车速及其误差,通过小波神经网络对PID控制参数进行在线整定,使实际车速有效追踪目标车速。将小波神经网络PID控制与常规PID控制进行比较,验证了小波神经网络PID控制方法可以使拖拉机始终稳定在目标车速进行作业,避免了因车速变化对作业质量的影响,提高了拖拉机的行驶平顺性和作业质量。

提出了一种新的动态精度理论--动态测试误差溯源理论,将测试系统的输出总误差分解并溯源到系统内部各组成单元以及外界干扰因素,并给出了其建模方法.小波神经网络是现代信号处理中一种重要的分析方法,它结合了小波变换和神经网络两者的优点.文中利用小波神经网络,根据系统的白化模型,对仿真动态测试系统的输出误差进行了溯源研究,并得到了理想的结果.

介绍了一种基于小波分析的神经网络模型－小波神经网络，提出了一种基于小波神经网络的心理数据压缩方法。经过研究表明，采用小波网络 心电数据压缩模板的方法可以大幅加快网络的收敛速度。与基于BP网络的压缩法相比，具有较大的优点。

为使所建立的气动力模型能够准确刻画复杂动态特性,提出一种基于改进UKF算法的小波神经网络(Wavelet Neural Network,WNN)飞行数据失速气动力建模方法。引入一种自适应因子来改善无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的性能;按照飞行数据的气动力建模流程,利用改进UKF算法对WNN参数进行最优化估计,构建失速现象的气动力模型。实验结果表明,针对飞行器失速的气动力建模问题,基于改进UKF算法的WNN建模方法,在建模精度和速度方面,优于传统神经网络和其他现有WNN方法,因此,使用提出飞行器失速的气动力建模方法是可行和有效的,得到预测结果也能准确刻画飞行器失速的动态特性。

针对在我国各大矿区广泛应用的EBZ160悬臂式掘进机,基于声发射原理及技术,设计一套掘进机故障诊断声发射检测系统,获得各种故障的声发射数据样本,同时借助小波神经网络的迭代收敛性质,对故障数据样本的精确度进行验证,正确率较高,能够较好地应用于井下掘进机的故障诊断。

针对传统液压机泵阀控制系统传动效率低、节能效益差的问题,本文设计了多级压力源液压机泵阀复合智能控制系统。并分析了多级压力源系统组成结构以及泵阀复合控制的原理,根据液压泵能耗组成构建多级压力源液压机能耗模型,选择多级压力源液压机泵的变频节流方式时进行调速。考虑负载扰动、流量脉动等因素对多级压力源液压机的制约,采用小波神经网络对液压缸进行双闭环的控制。实验结果表明,该系统能够在载荷扰动情况下对静压力成型线上的液压缸进行良好的控制,液压缸的位移跟踪响应准确性好,液压缸两端的压力响应在0.4 s左右达到稳定位置,平均节能量为88 J。

针对目前铸件砂芯表干炉温度控制性能差、燃烧效率低,设计一种新型热风循环温控系统。该系统以变限幅双交叉燃烧策略为基础,采用改进灰狼优化(GWO)算法的小波神经网络对PID控制参数进行自适应调整。系统仿真表明:与传统PID控制相比,超调量接近于0,系统调节时间减少了50%,温度切换控制速度提高了47%。最后通过砂芯烘干试验验证,与传统比值串级PID控制相比,变限幅双交叉燃烧策略和改进GWO小波神经网络PID对炉温的控制效果有很大的提升。

为提高数控车床主轴热误差的预测精度,以某型号数控车床主轴为研究对象,提出基于小波神经网络(WNN)的主轴热误差建模方法。利用K-means++聚类结合相关性分析理论,将温度测点从10个减小到2个。针对小波神经网络对初始值敏感的问题,采用蝙蝠算法(BA)将预测输出值与实验测量值之差的绝对值作为个体适应度函数,将蝙蝠个体的位置向量映射为小波神经网络的初始连接权值、尺度因子及平移因子,实现对小波神经网络初始值的优化。利用优化后的小波神经网络建立车床主轴热误差预测模型,与未优化的小波神经网络和BP神经网络预测模型对比。结果表明:BA-WNN对主轴轴向热误差的预测精度较高、残差较小、预测能力更强。

机床的生产加工过程中,会产生大量的碳排放,通过分析机床加工过程的碳排放相关量,预测碳排放值,从而达到降低碳排放的目的;将遗传算法对具有自适应性和函数逼近能力的小波神经网络的参数进行全局优化,来构建遗传小波神经网络模型,对机床加工过程的碳排放进行预测;并通过实验数据将遗传小波神经网络与传统小波神经网络的预测结果进行对比,结果显示,优化后的小波神经网络在机床碳排放的预测结果平均误差为0.48%,均方误差为20.5303,均优于传统神经网络,证实了在机床碳排放预测中遗传小波神经网络相对传统神经网络具有更高的逼近精度;从而能够较为准确地对机床碳排放进行预测和控制。

由于伺服直驱泵控缸压力与位置双闭环控制系统的结构复杂存在非线性、时变性等特点单纯通过数学模型进行分析比较繁琐结果也不精确。通过对泵控缸压力与位置双闭环控制工作原理的分析在AMEsim中搭建出系统控制回路的物理模型在Simulink中搭建小波神经网络控制部分模型然后进行联合仿真分析并进行实验验证。伺服电机采用三相交流永磁同步电机控制芯片采用DSP28335驱动器采用台达ASDA-A2伺服驱动器实验采用2种控制方式即普通PID控制和小波神经网络控制通过对额定负载情况下压力与位置的响应特性曲线进行分析结果表明采用小波神经网络控制可以显著提高伺服直驱泵控缸压力与位置控制系统的控制精度和稳定性。