基于BP神经网络的水轮机综合特性建模仿真

针对目前对水轮机特性曲线数据处理方法精度不高,不能真实地反映水力机组在过渡过程的流量特性和力矩特性的问题,利用BP神经网络与Matlab相结合,对水轮机综合特性曲线进行建模仿真。由已知综合特性曲线结合边界控制点经神经网络训练获得低效区的流量延拓、力矩延拓和导叶浆叶协联关系仿真曲面。BP神经网络模型大大提高了水轮机综合特性曲线数据处理效率与精度,是研究水轮机控制系统的一种新的非线性建模仿真模型。     

基于GA-BP神经网络的水轮机非线性建模方法研究

建立精确的水轮机模型是水轮机调节系统有效建模仿真的关键。运用基于遗传算法改进反向传播神经网络的GA-BP神经网络对水轮机工作特性进行非线性拟合建模。详细介绍了利用水轮机模型综合特性曲线与飞逸特性曲线获取水轮机流量特性与力矩特性样本数据的方法,并对基本样本数据进行补充延伸。结合BP神经网络与遗传算法两者优点构建了GA-BP神经网络,利用所得样本数据进行训练,获得了基于GA-BP神经网络的水轮机非线性模型,并与传统BP神经网络在水轮机流量特性和力矩特性拟合效果上进行对比试验。仿真结果验证了论文提出方法的可行性和优越性。     

混流式水轮机综合特性的Adaboost_LMBP集成神经网络模型

为提高基于模型综合特性曲线的混流式水轮机非线性模型精度,提出了一种适合描述水轮机综合特性的Adaboost _LMBP集成神经网络模型构建方法。该方法首先分别根据混流式水轮机单位力矩、单位流量特性数据,利用Levenberg -Marquardt算法反复训练出若干个BP神经网络弱学习器,然后采用Adaboost增强学习算法对全部BP神经网络弱学习器进行集成,最终构建出水轮机单位力矩、单位流量特性的Adaboost_LMBP集成神经网络模型。计算结果表明,相较于一般的神经网络模型,混流式水轮机综合特性的Adaboost_LMBP集成神经网络模型具有更高的拟合精度,更好的泛化性能,能够有效提升基于模型综合特性曲线的混流式水轮机非线性模型的计算精度。     

轴流转桨式水轮机神经网络建模与非线性仿真

针对水轮机非线性特性难以准确描述及轴流转桨式水轮机调节系统非线性仿真的复杂性，利用前馈神经网络强大的非线性逼近能力，首先建立轴流转桨式水轮机综合特性神经网络模型NZZM，然后建立水轮机飞逸特性神经网络模型，并据此迅速、准确地求得空载开度和空载流量，作为水轮机特性曲线向小开度特性扩展的控制点，进而得到全面描述大开度及小开度下流量特性和效率特性的综合特性神经网络模型NZZM。最后建立了轴流转桨式水轮机协联特性神经网络模型NZZC。NZZC与ZNNM及其他一些计算模块一起构成了轴流转桨式水轮机神经网络模型ZZ587。上述神经网络模型均采用Levenberg-Marquardt算法，进行离线训练，收敛速度快、模型精度高。采用Matlab语言及Simu-link仿真软件，对已建立的ZZ587进行非线性仿真，能快速、准确地得到系统以及轴流转桨式水轮机内部各种参数的变化规律。     

水轮机特性曲面型值点延拓神经网络仿真研究

为获得小流量、小开度区域水轮机调节特性数据,采用遗传算法优化BP网络神经元连接参数,同时联合比例间隔型值点延拓算法,对水轮机的力矩和流量特性相对值数据进行学习训练和全工况区延拓仿真。实验结果表明,将水轮机多值非线性复杂调节特性转换为空间特性曲面,经神经网络系统自动学习训练,实现综合特性曲线的数值化、智能化延拓处理。建立的水轮机非线性神经网络模型,能预测生成全工况准确数据,为机组调节保证计算及控制决策提供详细数据支撑。     

混流式水轮机神经网络模型非线性仿真

针对水轮机非线性特性难以准确描述及混流式水轮机调节系统(FTGS)非线性仿真复杂性，利用前馈神经网络强大的非线性逼近能力，建立混流式水轮机神经网络模型(FTNNM)。描述流量和效率特性的FTNNM采用Levenberg—Marquardt算法进行离线训练，收敛速度快、模型精度高。训练后的FTNNM作为一个非线性环节和其他模块构成了在MATALAB的SIMUUNK环境下的非线性仿真系统。该系统实现了各种运行工况的非线性仿真，并能快速、准确地得到系统以及混流式水轮机内部各种参数的变化规律。为混流式水轮机调节系统(FTGS)控制策略的研究提供了一个良好的基础。     

基于Labwindows/CVI的水轮机选型计算软件设计

介绍一种基于Labwindows/CVI的混流式水轮机选型计算软件。建立了包括水轮机型谱、模型综合特性曲线、设计资料和已建电站数据在内的较为详细的数据库。软件利用电站原始数据自动选择水轮机模型,计算转轮直径、额定转速、吸出高度等参数,再利用样条插值方法,从水轮机模型综合特性曲线上读取额定工况点的单位转速和单位流量,计算额定工况下的流量、出力等参数,最终绘制水轮机运转综合特性曲线。实例验证表明:设计开发的水轮机选型计算软件能够提高水电站水力机械设计工作质量与效率,优化工程设计,并达到自动统计电站数据目的。     

油气减振器非线性特性的神经网络识别研究

利用神经网络的非线性逼近能力，设计了用于识别油气减振器非线性特性的结构化神经网络模型，并介绍了该模型的具体应用方法，即利用试验数据组成学习样本，对网络模型进行训练，识别出其非线性特性。识别结果表明，结构化神经网络可有效地识别油气减振器的非线性特性。     

水轮机综合特性的可视化建模

提出了一种处理水轮机综合特性曲线的三维曲面可视化建模方法。作为算例，建立了某水电站混流式水轮机模型综合特性曲线的可视化三维图形, 并运用等值线法还原为等效率线与模型综合特性曲线进行对比。结果表明，运用该方法生成的数据误差小、精度满足工程要求。该方法简单易行,物理意义明确直观,特别适用于水轮机选型设计及水力机组水力过渡过程计算。     

水泵水轮机全特性的集成PSO_BP神经网络模型

为提高抽水蓄能调节系统仿真中水泵水轮机模型精度,提出了一种集成PSO_BP神经网络模型来描述水泵水轮机全特性。首先利用改进Suter变换对水泵水轮机全特性进行处理得到样本数据,然后采用PSO算法优化BP神经网络的初始权值和阈值,反复训练出若干个PSO_BP神经网络,最后将单个PSO_BP网络作为自适应Boosting集成算法的弱学习器,最终构建出水泵水轮机的集成神经网络模型。计算结果表明,与单个BP网络模型相比,该模型具有更好的拟合精度及泛化性能,为进一步研究抽水蓄能调节系统性能奠定了基础。     

基于BP神经网络的高速开关阀多级电压控制策略

为了提高液压系统控制精度,通过分析几种常用驱动策略下阀芯的动态特性以及进油口压力对动态特性的影响,提出了一种可适应进油口压力变化的多级电压激励驱动策略,与常用的双电压激励策略相比具有更好的动态特性,阀芯开启、关闭时间分别降至2. 2、1. 7 ms,线圈热功率降低了68. 5%。设计了一种通过PWM调制、可输出0～60 V之间任一电压的驱动电路。采用BP神经网络对PID参数进行整定,可实现液压缸位移的精确控制。在自适应电压激励与BP神经网络联合控制策略下,恒流量液压系统液压缸位移误差在-0. 3～0. 3 mm之间,变流量液压系统液压缸位移误差在-0. 5～0. 5 mm之间。     

液压系统故障诊断的高阶统计量-模糊神经网络法

利用高阶统计量-模糊神经网络方法对液压系统故障进行诊断，解决低信噪比故障特征信号下的故障诊断问题。介绍了高阶统计量和模糊神经网络的基本原理，阐述了利用高阶统计量-模糊神经网络诊断液压系统故障的方法，给出了以阀控液压缸系统为研究对象的诊断实例。试验结果表明，利用该方法对液压系统进行故障诊断可以有效地提高故障特征信号的信噪比，提高液压系统故障诊断的准确性和诊断效率。     

基于小波分析和BP神经网络的滚动轴承的故障诊断

提出了一种基于小波分析和BP神经网络的滚动轴承故障诊断方法，首先采用小波包对滚动轴承振动信号进行分解与重构，然后提取重构后振动信号的峭度值，将峭度值作为特征参数输入神经网络，进行故障模式识别。通过对实验数据的分析信号表明，能有效地识别滚动轴承工作状态与故障类型。     

基于灰色BP神经网络的农业机械总动力预测

为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。     

径向基神经网络在猪胴体瘦肉率预测中的应用

猪胴体瘦肉率(LMP)是评价猪肉品质的重要指标之一,在生产线上快速而准确地预测出其数值并进行分级是并不可少的。目前,国内大部分厂家依然采取屠宰后人工称重测量的方法,耗时耗力,且存在相当大的误差。为此,随机抽取了116头皖北地区商品猪,选定眼肌面积、背膘厚及腿臀比作为参考数据,以Mat Lab工具箱作为研究工具,利用BP、Elman和RBF等3种不同的神经网络建立预测模型,统计后进行比较分析。实验表明:3种模型的神经网络均可用于瘦肉率预测,但RBF网络误差最小,训练速度最快,学习能力最强,最适合用于建立瘦肉率的预测模型。     

神经网络在农业专家系统中的应用

介绍了专家系统的特点及农业专家系统的发展现状;提出了将神经网络理论应用于农业专家系统的设计方法,并分析了其优点;论述了基于神经网络的农业专家系统的结构、知识表示与获取、推理机制等;结合具体实例,给出了神经网络学习方法及专家系统运行过程。     

基于改进BP神网络的离心泵性能预测

采用改进神经网络(贝叶斯正则化算法)对IB型单级离心泵水力模型的性能进行了预测,通过工程实践中得到的100组离心泵最优几何尺寸来训练网络,并用训练好的网络对需生产的水泵进行工况预测。结果显示,用改进神经网络来预测单级离心泵的性能,预测误差不超过6%。     

基于BP神经网络的柴油发动机特性建模

建立连续的发动机燃油特性和调速特性数学模型作为液压机械无级变速器虚拟试验平台的动力源。根据虚拟平台对不同特性区域的精度需求对柴油发动机不同特性区域的试验数据进行不同的密度选取、乱序和归一化处理,采用单隐层BP神经网络对试验数据进行训练,对比不同隐层节点数网络的训练误差和测试误差,选取误差最小的网络,求解出网络的数学表达式。通过该方法以ISLe310柴油发动机为例建立燃油特性和调速特性的连续数学模型,这两个简单的数学表达式准确反映了发动机万有特性和外特性,连续模型避免了虚拟试验中出现信号的突变和奇异点。通过和经典的最小二乘法拟合得到的最优特性模型进行对比,其具有更小的误差、更强的泛化能力,能够更好地反映柴油发动机的相关特性。