基于BP网络和遗传算法的蜗杆传动优化设计CAD系统

基于遗传算法的BP网络优化研究
姚文俊
【期刊名称】《武汉工程大学学报》
【年(卷),期】2004(026)003
【摘要】提出了一种改进的自适应遗传算法(IAGA),它利用网络结构的特点,采用前向自适应技术,实现对神经网络的有效训练.仿真实验表明,该算法优于BP算法和标准遗传算法(BGA),网络训练质量和效率都有很大提高.
【总页数】4页(P72-75)
【作者】姚文俊
【作者单位】中南民族大学电子与信息工程学院,湖北,武汉,430074
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于BP神经网络与遗传算法的强光爆震弹装药优化研究 [J], 王草山;单宁;蒋贤沛
2.基于BP人工神经网络和遗传算法的葛根总黄酮提取工艺优化研究 [J], 石磊;高卫红;吕莉莉;赖小波
3.基于BP神经网络与遗传算法的高压共轨柴油机喷油器结构参数优化研究 [J], 秦建文;陈小敏;徐铁强
4.基于BP神经网络与遗传算法的高压共轨柴油机喷油器结构参数优化研究 [J], 秦建文;陈小敏;徐铁强
5.基于BP网络和遗传算法组合优化的门式起重机主梁优化研究 [J], 宿爱香;宋继震;田洪根
因版权原因，仅展示原文概要，查看原文内容请购买。

基于CAD技术的齿轮传动系统设计与仿真随着现代工业的发展，机械传动系统在各个领域中的应用越来越广泛。

而齿轮传动作为一种常见且重要的传动方式，其设计与仿真在机械领域中具有着极大的意义。

本文将从基于CAD技术的角度出发，讨论齿轮传动系统的设计与仿真。

一、CAD技术在齿轮传动系统设计中的应用CAD技术，即计算机辅助设计技术，是指利用计算机软件辅助进行各种设计工作的一种技术手段。

在齿轮传动系统的设计中，CAD技术可以帮助工程师们实现快速、高效的设计过程。

首先，CAD技术可以帮助工程师们进行齿轮参数的自动计算。

通过输入齿轮的模数、齿数等参数，CAD软件可以自动计算出齿轮的齿宽、齿顶高度等参数，并生成相应的设计图纸。

其次，CAD技术可以实现齿轮的三维建模。

传统的齿轮设计往往需要进行大量的手绘和繁杂的计算，难以准确地描述齿轮的形状和结构。

而借助CAD软件，工程师们可以将齿轮的设计图纸转化为三维实体，准确地展现齿轮的形态，并进一步进行仿真分析。

最后，CAD技术还可以进行齿轮传动系统的装配和调整。

通过CAD软件提供的装配功能，工程师们可以模拟齿轮传动系统的实际装配过程，确保各个齿轮之间的配合精度，从而提高系统的工作效率。

二、齿轮传动系统的仿真分析齿轮传动系统的仿真分析是指采用计算机仿真技术，对齿轮传动系统进行运动学、动力学等方面的模拟与计算。

通过仿真分析，可以在设计阶段就对系统性能进行评估和优化。

首先，齿轮传动系统的仿真可以帮助工程师们分析系统的运动学性能。

通过对齿轮的齿面曲线、传动比、转动速度等参数进行仿真，可以得到齿轮传动系统的运动学性能曲线，从而评估系统是否满足设计要求。

其次，齿轮传动系统的仿真还可以进行系统动力学分析。

通过对齿轮传动系统各个传动环节的力学特性进行仿真，可以获得系统的动态响应、振动特性等关键参数，为系统的设计和优化提供依据。

最后，齿轮传动系统的仿真还可以进行失效分析。

通过对齿轮传动系统在不同工况下的仿真，可以评估齿轮的疲劳寿命、齿面接触疲劳等关键指标，为设计阶段的可靠性评估提供支持。

基于遗传算法优化的BP神经网络侧翻预警算法曾小华;李广含;宋大凤;李胜;朱志成【摘要】Proposed in this paper is a rollover warning control strategy based on the genetic algorithm-optimized BP neural network (GANN) for hydraulic in-wheel motor hybrid heavy truck .In the investigation, first, a rollover refe-rence model of the heavy truck with three degrees of freedom was established , and the rollover warning indicator was selected.Next, based on the rollover reference model , an observer of rollover warning indicator was presented . Then, a new rollover warning algorithm named GANN-TTR was proposed by introducing genetic algorithm-optimized BP neural network to optimize the traditional TTR (Time-To-Rollover) algorithm.Moreover, a system model was conducted on the Trucksim platform, a hydraulic system model was presented on the AMESim platform , and a roll-over warning algorithm was achieved on the Matlab/Simulink platform .Finally, a co-simulation platform was con-structed on the basis of Matlab/Simulink, AMESim and Trucksim platforms to simulate the truck under step steering and hook steering conditions , and the warning precision of the traditional TTR algorithm , the BP algorithm and the proposed GANN-TTR algorithm werecompared .Simulated results show that , with the proposed GANN-TTR rollover warning algorithm , the warning precision effectively improves , and the minimum error between the revised warning curve obtained through vertical velocity and driver steering angle and the ideal warningcurve is low to 5%.%针对轮毂液压混合动力重型商用车,引入基于遗传算法优化的BP神经网络算法建立侧翻预警控制策略.首先,建立重型车辆3自由度侧翻参考模型,选取车辆侧翻预警算法的侧翻指标,并结合参考模型建立侧翻指标观测器;然后,在传统TTR(Time-To-Roll-over)侧翻预警算法研究的基础上,引入遗传算法优化的BP神经网络(GANN)对传统的TTR预警算法进行优化,建立基于GANN-TTR的侧翻预警算法;最后,利用TruckSim仿真软件建立整车模型,利用AMESim仿真软件建立轮毂液压系统模型,在Matlab/Simulink环境下实现侧翻预警算法,并通过Matlab/Simulink、Trucksim和AMESim三软件搭建联合仿真平台,选取阶跃转向和鱼钩转向两种典型工况进行仿真,对比传统TTR、传统BP神经网络以及基于GANN-TTR的侧翻预警算法的预警精度.仿真结果表明,基于GANN-TTR的侧翻预警算法能够有效提高预警精度,通过方向盘转角和纵向车速进行算法修正后得到的曲线与理想预警曲线误差最小达5%.【期刊名称】《华南理工大学学报（自然科学版）》【年(卷),期】2017(045)002【总页数】9页(P30-38)【关键词】重型车辆;侧翻预警算法;预警精度;遗传算法;BP神经网络【作者】曾小华;李广含;宋大凤;李胜;朱志成【作者单位】吉林大学汽车仿真与控制国家重点实验室,吉林长春130025;吉林大学汽车仿真与控制国家重点实验室,吉林长春130025;吉林大学汽车仿真与控制国家重点实验室,吉林长春130025;一汽解放青岛汽车有限公司,山东青岛266043;吉林大学汽车仿真与控制国家重点实验室,吉林长春130025【正文语种】中文【中图分类】U469.7商用车轮毂液驱系统凭借其集成度高、工况适应性好、经济性良好以及对环境污染小等优点，目前已成为国内外商用车，尤其是中重型卡车装备的先进技术之一[1- 3].然而，由于重型车辆尺寸和质量较大、质心较高，致使其侧翻稳定性较差，尤其是在较高车速、较大转向和紧急避障的工况下，侧翻事故发生的几率大大增加，是道路交通安全的重要隐患[4].美国国家公路交通安全管理局(NHTSA)的统计数据显示，在美国重型车辆的侧翻事故每年高达5 200起，由此造成的死亡人数每年高达5 300人，死亡率居高不下[5].因此提高重型车辆的侧倾稳定性，对于提高汽车主动安全性，降低汽车侧翻事故的发生率，提高人身安全起着至关重要的作用. 针对车辆侧翻的研究主要包括侧翻预警以及主动防侧翻控制两方面.其中，侧翻预警技术不仅能为驾驶员提供提前的警示以使其采取及时有效的操作，避免侧翻事故的发生，而且可以作为主动防侧翻控制系统的触发控制条件.目前传统车辆侧翻预警技术的研究主要基于信号的简化预测模型进行实现[6]；Yu等[7]提出一种基于模型的实时动态TTR(Time-To-Rollover)侧翻预警算法，并将此算法应用于重型车辆；王健等[8]提出一种基于侧倾观测器的侧翻预警算法，通过基于超螺旋算法的滑膜观测器估计车辆侧倾状态；赵健等[9]提出一种基于多参量修正的神经网络侧翻预警系统，提高了侧翻预警的实时性和精确性；陈毅华等[10]基于TTR的侧翻预警方法计算侧翻过程中车辆侧倾角变化，可有效预测汽车可能发生侧翻的时间；金智林等[11]提出动态稳定性的汽车侧翻预警算法降低了侧翻危险的误报警率，并建立车辆侧翻动态稳定性评价指标；朱天军等[12]则将卡尔曼滤波技术与传统TTR 技术相结合建立改进的TTR侧翻预警算法，实现动态侧翻特性的精确预测.上述研究多围绕乘用车或者传统重型车辆实现了较好的预警精度，而针对液压混合动力商用车应用的预警精度仍然有待于进一步提高.本研究以某轮毂液压混合动力重型卡车为研究对象[13- 15]，利用车辆3自由度侧翻参考模型建立侧翻指标观测器，同时在传统TTR预警算法基础上，引入基于遗传算法优化的神经网络算法(GANN)建立侧翻预警控制策略，通过TruckSim、AMESim以及Matlab/Simulink动力学仿真软件建立三软件联合仿真平台，在阶跃转向工况与鱼钩转向工况下对建立的预警算法进行仿真测试，并对传统TTR、传统BP神经网络以及文中建立的GANN-TTR侧翻预警算法的预警精度进行对比分析.研究车辆侧倾稳定性的基础是建立理想的、反映车辆侧翻规律性的侧翻预警参考模型，同时建立侧翻预警参考模型也是研究车辆侧翻预警算法的前提.为简化算法，建立模型时需做如下假设：(1)该模型以前轮转角为输入(忽略转向系的影响)；(2)假设车辆质心纵向速度为常数;(3)不考虑车辆的垂向运动(假设车辆在理想的水平路面行驶)；(4)不考虑空气动力学影响；(5)忽略车辆的俯仰动力学特性；(6)不考虑轴荷转移造成的轮胎特性的变化以及轮胎回正力矩；(7)将悬架简化成等效侧倾刚度和等效侧倾阻尼，不考虑其非线性影响；同时忽略轮胎的非线性影响.基于上述假设，建立线性三自由度车辆侧翻参考模型，如图1所示.该模型描述了车辆侧倾运动、横摆运动和侧向运动.其中，整车侧向运动平衡方程如式(1)所示：横摆运动的平衡方程如式(2)所示：簧载质量侧倾运动平衡方程如式(3)所示：φφ车辆侧向加速度如式(4)所示：前后轮胎侧偏力如式(5)所示：由于车辆侧翻的影响，对车轮侧偏角进行修正，如式(6)所示：其中：m表示整车质量；ms表示簧载质量；Fr表示后轮总侧向力；Ff表示前轮总侧向力；β表示质心侧偏角；vx表示纵向速度；vy表示侧向速度；kf表示前轮总侧偏刚度；kr表示后轮总侧偏刚度；ay表示质心处侧向加速度；γ表示横摆角速度；δ表示前轮转角输入；φ表示侧倾角；lf表示质心距前轴距离；lr表示质心距后轴距离；Ix表示簧载质量绕x轴转动惯量；Iz表示横摆转动惯量；cf表示汽车侧倾转向对汽车前、后轮侧偏角的影响系数；cr表示侧倾外倾对汽车前、后轮侧偏角的影响系数；h表示侧倾中心到质心距离；cs表示悬架等效侧倾阻尼系数；αf表示前轮侧偏角；αr表示后轮侧偏角；ks表示悬架等效侧倾刚度.2.1 侧翻预警指标侧翻指标的选取直接影响车辆侧翻预警系统的精度.侧翻指标通常选取侧向加速度、侧倾角、车辆质心位置、侧翻能量值以及轮胎垂向载荷等影响车辆侧翻因素的参数来表示，其中侧向加速度和侧倾角是最常用的侧翻指标.然而由于车辆发生侧翻前的运动状态往往非常剧烈，同时不同的车型和车辆行驶条件下的侧翻阈值存在较大差异，因此采用上述参数作为侧翻指标存在一定的局限性.文中选取横向载荷转移率(LTR)作为车辆侧翻预警指标[16].LTR定义为左右车轮垂向载荷之差的绝对值与左右车轮垂向载荷之和的比值，其定义式如式(7)所示：其中,FL表示左车轮垂直反力,FR表示右车轮垂直反力.根据式(7)，LTR参数值处于0～1之间.当车辆在良好路面上安全行驶时，左右车轮垂直载荷相等，LTR=0；当车辆在极限工况下发生侧翻时，车辆的一侧车轮举离地面，LTR=1.同时，LTR作为侧翻指标，属于无量纲参数，与车型或者车速等无关，具有较好的普适性.2.2 侧翻指标观测器由于车辆左右车轮垂向载荷不断变化，难于实时采集，因此文中通过建立LTR观测器，将LTR转化为更容易测量的参数来表达.将LTR表达式代入车辆三自由度侧翻参考模型当中进行变换.对图1中右侧两车轮接地点连线的中点S取矩，可得力矩平衡方程，如式(8)：φ)-ksφ其中，为轮距,hcm为质心高度.进一步可得：φ)+ksφ进而建立车辆侧翻指标LTR的观测器，如式(10)：φ)+ksφ根据建立的观测器即可以通过车辆结构参数和行驶状态参数实时计算侧翻预警指标LTR.3.1 基于传统TTR的侧翻预警算法侧翻预警算法可以通过实时预测侧翻时间TTR来精确报告车辆侧翻危险程度.TTR 定义为从当前时刻到车辆一侧车轮离开地面，即LTR=1时所需的时间.图2描述了TTR的概念，理想的TTR曲线为一条斜率为-1的直线.基于TTR的侧翻预警算法是以侧翻指标LTR的推导公式为基础的.图3所示为基于TTR的侧翻预警算法流程图，以当前车速和方向盘转角为输入，通过三自由度侧翻参考模型计算当前状态变量值.选取步长Ts，根据模型计算出未来时刻n×Ts的LTR值，当LTR首先满足侧翻条件时的步数为N，则预警时间TTR=N×Ts，即车辆将在N×Ts后发生侧翻，此时将触发主动防侧翻预警系统.为了保证侧翻预警的实时性，预设侧翻预警阈值为X，如果X时间内不满足侧翻条件，则进入下一周期的预警计算.3.2 基于GANN-TTR的侧翻预警算法由于理想的TTR曲线为一条斜率为-1的直线，而依据传统TTR算法以及BP神经网络优化算法得到的预警曲线往往偏离理想曲线，有可能会造成侧翻预警的不准确，无法精确触发主动防侧翻控制系统，从而导致驾驶员由于过分紧张而不能采取有效的控制措施.基于此，引入遗传算法优化的人工神经网络，建立基于GANN-TTR的侧翻预警算法，提高侧翻预警算法的精确性以及人工神经网络权值的收敛速度. 根据图4，基于GANN-TTR的侧翻预警结构，即由车辆当前状态变量，通过基于TTR的侧翻预警算法得到传统的TTR侧翻预警时间，再将传统侧翻预警时间和车辆状态参数通过基于GANN-TTR的侧翻预警算法进行修正，最终得到更加精确的侧翻预警时间值.3.2.1 遗传算法优化的BP神经网络算法通过遗传算法优化BP神经网络的初始权值和阈值来提高神经网络的学习收敛速度，使优化后的BP神经网络能够更好地预测函数输出[17].具体优化过程分为3个部分：(1)根据常规的方法确定网络的结构，即优化系统输入和输出的个数；(2)将连接权值阈值进行编码，即将网络中所有的初始权值阈值输入到遗传算法每个个体中进行遗传算法操作，最后筛选出最优个体，最优个体即为BP网络最优权值阈值；(3)不改变BP网络的拓扑结构，将经过遗传算法操作的最优权值阈值赋予BP神经网络，通过优化后的新的神经网络就可以更好地进行仿真预测.遗传算法优化的BP神经网络算法示意图如图5所示.遗传算法优化BP神经网络有如下5个步骤：(1)种群初始化确定神经网络的结构、权值和阈值，将初始权值阈值都赋予每个个体中.(2)适应度函数适应度函数为预测输出和期望输出之间的误差绝对值，如式(11)所示：其中，yi和oi分别为BP神经网络第i个节点的期望输出和预测输出；w为BP神经网络输出节点数；Γ为系数.(3)选择操作遗传算法选择操作选用基于适应度比例的策略对适应度值求倒数，如式(12)和式(13)所示：fi=Γ/Fi其中，pi为每个个体的选择概率,Q为种群中个体的总数.(4)交叉操作交叉操作用采用对个体进行实数编码方式——实数交叉法，则j位的第个染色体aj 和j位的第l个染色体alj进行交叉操作,如式(14)所示：其中，b为[0,1]之间的随机数.(5)变异操作选取基因进行变异操作，如式(15)：其中：amax和amin分别为基因aij的上下界；函数f(κ)=r2(1-κ/Gmax)2，r是[0,1]之间的随机数，r2是一随机数，κ为当前迭代次数，Gmax是最大进化次数.3.2.2 车辆状态参数对GANN-TTR侧翻预警算法修正文中选取3组影响车辆稳定性的参数作为防侧翻预警算法的修正量，对传统基于时间预警的算法进行修正.最终通过仿真验证对比，选取效果最接近理想TTR曲线的预警曲线，应用到主动防侧翻控制中.Case1：纵向车速和前轮转角，是三自由度侧翻参考模型输入参数.当车辆车速很大，车轮转角的变化会对车辆的行驶方向造成很大的改变，使得车轮发生载荷转移，进而导致车辆出现侧翻危险.Case2：横摆角速度和侧向加速度，根据上文所述的三自由度侧翻参考模型中的整车侧向运动平衡方程可知，这组参数对车辆侧向运动的影响较大.Case3：侧倾角和侧倾角速度，会很大程度上影响车辆两侧车轮的垂直载荷分配，是表征车辆侧倾状态的重要参数.分别采用上述3种方案对遗传算法优化的BP神经网络，在车速为80 km/h的阶跃转向工况、车速为70 km/h的鱼钩转向工况下进行训练，从而使TTR预警更加接近理想状态.神经网络训练方法如图6所示.4.1 模型搭建为了验证所建立的侧翻预警算法的有效性，利用TruckSim和AMESim软件联合建立轮毂液压混合动力卡车整车动力学模型,如图7所示；其中，应用TruckSim软件建立重型卡车动力学模型，应用AMESim建立主动制动执行机构——液压系统模型.基于上述建立的卡车模型，在Matlab/Simulink仿真软件平台上建立侧翻预警控制算法，并通过TruckSim、AMESim与Matlab/Simulink联合仿真平台进行仿真验证.4.2 仿真分析文中通过在阶跃转向和鱼钩转向两种典型工况下，对比分析传统TTR、传统BP神经网络以及基于多变量修正的GANN-TTR的侧翻预警算法，验证文中建立的侧翻预警算法的实时性和精确性.4.2.1 仿真参数文中研究的轮毂液压混合动力卡车整车基本参数如表1所示.4.2.2 不同工况侧翻预警算法仿真分析(1)阶跃转向工况阶跃转向工况下的方向盘转角随时间的变化曲线如图8所示.该工况下仿真设置初始车速分别为80 km/h、路面附着系数0.85、仿真步长0.01 s.阶跃转向工况下，传统TTR、传统BP神经网络以及基于GANN-TTR的侧翻预警算法仿真结果对比如图9所示.其中Case1、Case2、Case3分别表示不同车辆状态参数修正的侧翻预警算法.(2)鱼钩转向工况鱼钩转向工况是一种比较恶劣的行驶工况，车辆高速行驶在鱼钩转向工况下极易发生侧翻，所以此工况能够更好地反应车辆在极限工况下的行驶稳定性.鱼钩转向工况的方向盘转角最大为294°，如图10所示.该工况分别在车速为70 km/h、路面附着系数为0.85的条件下，进行侧翻预警算法的离线仿真.鱼钩转向工况下，传统TTR、传统BP神经网络以及基于GANN-TTR的侧翻预警算法仿真结果对比如图11所示.4.2.3 仿真结果分析根据仿真结果，计算不同侧翻预警算法在阶跃转向工况以及鱼钩转向工况下得到的侧翻预警曲线的斜率，分别如表2和表3 所示.根据表2、表3中的斜率数据，与理想预警曲线斜率-1进行对比，可得：(1)阶跃转向工况下，传统TTR侧翻预警算法与理想曲线斜率误差达到100%，传统BP算法在Case3(侧倾角与侧倾角速度)参数修正下的优化结果与理想预警曲线误差为25%，而在引入GANN-TTR算法之后，3种修正方案的预警曲线都要比传统TTR、传统BP算法预警曲线更接近理想预警曲线且Case1(纵向车速和前轮转角)方案的预警曲线误差最小为20%.(2)鱼钩转向工况仿真结果与阶跃转向相似，传统TTR预警曲线误差达到150%，传统BP算法误差最小为25%，而文中提出的GANN-TTR算法在Case1方案修正状态下，误差最小为5%，与理想预警曲线非常接近.文中结合轮毂液压混合动力重型卡车三自由度侧翻参考模型，建立侧翻预警指标观测器，实现车辆侧翻预警指标LTR的实时计算；然后针对轮毂液压混合动力重型卡车，在传统TTR侧翻预警算法研究的基础上，引入基于遗传算法优化的神经网络侧翻预警控制算法，并与传统TTR和传统BP神经网络侧翻预警算法进行对比.对比结果表明：基于传统TTR的侧翻预警时间曲线与理想的预警曲线误差较大，不能保证预警的实时性和精确性；基于传统神经网络的侧翻预警曲线仿真结果有一定的趋势趋于理想状态，但是误差仍然较大、不够精确；而基于遗传算法优化的BP神经网络侧翻预警算法能够有效提高预警的精度，通过方向盘转角和纵向车速进行算法修正后得到的曲线与理想预警曲线误差最小达到5%.通过应用遗传算法优化的神经网络算法建立重型车辆侧翻预警控制策略，为后续车辆主动防侧翻控制系统开发奠定了良好基础.† 通信作者: 宋大凤(1977-)，女，博士，副教授，主要从事车辆地面力学与底盘电子集成控制研究.E-mail:**************【相关文献】[1] 曾小华,蒋渊德,李高志,等.重型车辆液压辅助驱动系统的前馈+反馈复合控制 [J].华南理工大学学报(自然科学版),2016,44(9):116- 122. ZENG Xiao-hua,JIANG Yuan-de,LI Gao-zhi,etal.Feedforward+feedback control for hydraulic assistance drive system of heavy truck [J].Journal of South China University of Technology(Natural ScienceEdition),2016,44(9):116- 122.[2] TOSHIYUKI Hasegnwa,NORIHIRO Ishii,KOJI Iwaki,et al.Four-wheel drivevehcile:US2005/0230171A1 [P].2005- 10- 20.[3] 罗念宁,赵立军,姜继海,等.一种混联式液压混合动力系统及控制策略 [J].华南理工大学学报(自然科学版),2014,42(9):134- 139. LUO Nian-ning,ZHAO Li-jun,JIANG Ji-hai,et al.A series-parallel hydraulic hybrid system and its control strategy [J].Journal of South China University of Technology(Natural Science Edition)，2014,42(9):134- 139.[4] 张不扬,宗长富,王德平.车辆侧翻预警研究现状与关键技术 [J].汽车技术,2010(8):27- 31. ZHANG Bu-yang,ZONG Chang-fu,WANG De-ping.Status and research and key technology of vehicle rollover warning system [J].Vehicle Technology,2010(8):27- 31.[5] LINDA Jarossi,ANNE Matteson,JOHN Woodrooffe.Trucks involved in fatal accidents factbook 2007 [M].Michigan:Center for National Truck and Bus Statistics,University of Michigan Transportation Research Institute 2901 Baxter Road Ann Aebor,2010.[6] 赵志国,王冬冬.重型车辆侧翻预警技术研究现状及发展趋势 [J].河北科技大学学报,2013,34(2):108- 112. ZHAO Zhi-guo,WANG Dong-dong.Research status and development trend of side tumbling pre-warning technology of heavy vehicle [J].Journal of Hebei University of Science and Technology,2013,34(2):108- 112.[7] YU Hai,GUVENC L,OZGUNER U.Heavy duty vehicle rollover detection and active roll control [J].Vehicle System Dynamics,2008,46(6):451- 470.[8] 王健,余贵珍,张为,等.基于滑模观测和模糊推理的车辆侧翻实时预警技术 [J].农业机械学报,2010,41(6):1- 6. WANG Jian,YU Gui-zhen,ZHANG Wei,et al.Real-time rollover prediction for vehicle based on principles of sli-ding mode and fuzzy inference system[J].Transactions of the Chinese Society for Agricultural Machinery,2010,41(6):1- 6.[9] 赵健,郭俐彤,朱冰,等.基于神经网络和侧翻时间算法的轻型汽车侧翻预警 [J].吉林大学学报(工学版),2012,42(5):1083- 1088. ZHAO Jian,GUO Li-tong,ZHU Bing,et al.Rollover war-ning for light vehicles based on NN-TTR algorithm [J].Journal of Jilin University(Engineering and Technology Edition),2012,42(5):1083- 1088.[10] 陈毅华,徐健康,毛建国,等.基于 TTR 的汽车侧翻预警研究 [J].重庆理工大学学报(自然科学版),2014,28(7):11- 14. CHEN Yi-hua,XU Jian-kang,MAO Jian-guo,et al.Vehicle rollover warning based on TTR [J].Journal of Chongqing University of Technology(Natural Science),2014,28(7):11- 14.[11] 金智林,张鸿生,马翠贞.基于动态稳定性的汽车侧翻预警 [J].机械工程学报,2012,48(14):128- 133. JIN Zhi-lin,ZHANG Hong-sheng,MA Cui-zhen.Vehicle rollover warning based on dynamic stability [J].Journal of Mechanical Engineering,2012,48(14):128- 133.[12] 朱天军,宗长富,吴炳胜,等.基于改进TTR算法的重型车辆侧翻预警系统 [J].机械工程学报,2011,47(10):88- 94. ZHU Tian-jun,ZONG Chang-fu,WU Bing-sheng,et al.Rollover warning system of heavy duty vehicle based on improved TTR algorithm [J].Journal of Mechanical Engineering,2011,47(10):88- 94.[13] 贺辉.重型卡车轮毂马达液压驱动系统建模与控制策略研究 [D].长春：吉林大学,2014.[14] 贺辉,宋大凤,杨南南,等.轮毂马达液驱系统控制与仿真 [J].吉林大学学报(工学版),2012,42(S1):27- 31. HE Hui,SONG Da-feng,YANG Nan-nan,et al.Control and simulation of hydraulic in-wheel motor propulsion system [J].Journal of Jilin University(Engineering and Technology Edition),2012,42(S1):27- 31.[15] 李胜,宋大凤,曾小华,等.重型卡车轮毂马达液压驱动系统建模与仿真 [J].农业机械学报,2012,43(4):10- 14. LI Sheng,SONG Da-feng,ZENG Xiao-hua,et al.Modeling and simulation of hydraulic wheel motor propulsion system for heavy truck [J].Transactions of the Chinese Society for Agricultural Machinery,2012,43(4):10- 14.[16] BEHROOZ Mashadi,MORTEZA Mokhtari-Alehashem,HAMID Mostaghimi.Active vehicle rollover control using a gyroscopic device [J].Proceedings of the Institution of Mechanical Engineers,Part D:Journal of Automobile Engineering,2016:0954407016641322.[17] 王崇骏,于汶滌,陈兆乾,等.一种基于遗传算法的BP神经网络算法及其应用 [J].南京大学学报(自然科学版),2003,39(5):459- 466. WANG Chong-jun,YU Wen-di,CHEN Zhao-qian,et al.A BP neural network algorithm based on genetic algorithms and its application [J].Journal of Nanjing University(Natural Sciences),2003,39(5):459- 466.。

基于遗传算法和BP神经网络的PID控制方法的交流伺服系统研究【摘要】BP网络模型己成为神经网络的重要模型之一，在很多领域得到了应用，但它也存在一些不足。

如从数学上看，它是一个非线性优化问题，这就不可避免地存在局部极小点问题；BP网络学习算法收敛速度较慢，且收敛速度与初始权值的选择有关；网络的结构设计，即隐层及节点数的选择尚无理论直到，而是根据经验选取。

本文针对BP算法局部极值的缺点，考虑将遗传算法和BP 算法结合，进行对BP神经网络进行优化。

用遗传算法优化神经网络，主要包括三个方面：连接权的进化、网络结构的进化，学习规则的进化。

【关键词】GA-BP神经网络；遗传算法；学习规则1 遗传算法基本原理遗传算法（Genetic Algorithm，简称GA），最初由美国Michigan大学J.Holland 教授于1975年提出，模拟达尔文生物进化论的自然选择，遵循“生存竞争、优胜劣汰、适者生存”的竞争机制和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。

GA的特点是演算简单，并行搜索，直接对结构对象进行操作，不存在求导和函数连续性的限定，搜索效率高，不存在局部收敛问题。

遗传算法的基本操作有选择、交叉和变异。

（1）选择选择不能创造出新的染色体，只能从旧种群中选择出优秀的个体，生物遗传基因的重组在自然界的生物进化过程中起着非常重要的核心作用。

（2）交叉交叉是指把两个父代个体中的部分结构加以替换，重组而生成新的个体的操作。

遗传操作的交叉算子在遗传算法中起着核心作用。

交叉策略可分为单点交叉、多点交叉、均匀交叉等，最常用的交叉算子为单点交叉。

（3）变异将变异引入遗传算法后，不但可以使遗传算法具有局部的随机搜索能力，又能使遗传算法维持群体的多样性，这样可以防止出现未成熟收敛现象，采用变异操作可以在尽可能大的空间中获得质量较高的优化解。

遗传算法中，交叉算子是因其全局搜索能力强而著称的主要算子，而变异算子是局部搜索能力较强辅助算子的。

基于遗传算法优化BP神经网络的变压器故障诊断一、本文概述随着电力系统规模的不断扩大和复杂性的增加，变压器的故障诊断和性能优化成为了一个重要的研究领域。

变压器作为电力系统的关键设备之一，其故障可能导致整个系统的瘫痪，因此，对变压器的故障诊断技术进行深入研究具有重要的现实意义。

近年来，和机器学习技术的发展为变压器故障诊断提供了新的解决思路。

其中，BP（反向传播）神经网络由于其强大的自学习和非线性映射能力，被广泛应用于故障诊断领域。

然而，BP神经网络在训练过程中容易陷入局部最优解，导致诊断精度的提升受限。

为了解决这个问题，本文提出了一种基于遗传算法优化BP神经网络的变压器故障诊断方法。

遗传算法是一种模拟生物进化过程的优化算法，它通过选择、交叉、变异等操作，在搜索空间中寻找最优解。

本文首先构建了一个BP神经网络模型，用于变压器的故障诊断。

然后，利用遗传算法对BP神经网络的权值和阈值进行优化，以提高网络的诊断精度和泛化能力。

通过对比实验，验证了优化后的BP神经网络在变压器故障诊断中的有效性。

本文的研究工作为电力系统的故障诊断和性能优化提供了新的方法和技术支持。

二、BP神经网络的基本原理BP神经网络，即反向传播神经网络，是一种基于误差反向传播算法的多层前馈网络。

该网络通过模拟人脑神经元的连接方式，构建由输入层、隐藏层和输出层组成的多层网络结构。

BP神经网络的学习过程包括前向传播和反向传播两个阶段。

在前向传播阶段，输入信号从输入层进入网络，经过各隐藏层的处理后，最终到达输出层并产生输出结果。

每一层的神经元都根据前一层神经元的输出和自身的权重进行加权求和，并通过激活函数产生输出。

在反向传播阶段，网络根据输出层的实际输出与期望输出之间的误差，计算误差函数对权重的梯度，并将误差反向传播到前一层。

通过不断调整各层神经元的权重，使得网络的总误差逐渐减小，从而实现网络的优化。

BP神经网络具有自学习、自适应和较强的容错能力等特点，能够处理复杂的非线性问题。

基于遗传算法改进的BP神经网络加热炉控制系统参数优化摘要以加热炉控制系统为研究对象，提出了一种基于遗传算法改进的BP网络优化PID控制参数方法，并与经典的临界比例度―Ziegler-Nichols方法进行比较。

仿真结果表明该算法具有较好的控制效果。

关键词 PID控制；BP神经网络；遗传算法；参数优化1 引言由于常规PID控制具有鲁棒性好，结构简单等优点，在工业控制中得到了广泛的应用。

PID控制的基本思想是将P（偏差的比例），I（偏差的积分）和 D （偏差的微分）进线性组合构成控制器，对被控对象进行控制。

所以系统控制的优劣取决于这三个参数。

但是常规PID控制参数往往不能进行在线调整，难以适应对象的变化，另外对高阶或者多变量的强耦合过程，由于整定条件的限制，以及对象的动态特性随着环境等的变化而变化，PID参数也很难达到最优的状态。

神经网络具有自组织、自学习等优点，提出了利用BP神经网络的学习方法，对控制器参数进行在线调整，以满足控制要求。

由于BP神经网络学习过程较慢，可能导致局部极小点[2]。

本文提出了改进的BP算法，将遗传算法和BP算法结合对网络阈值和权值进行优化，避免权值和阈值陷入局部极小点。

2 加热炉的PID控制加热炉控制系统如图1所示，控制规律常采用PID控制规律。

图1 加热炉控制系统简图若加热炉具有的数学模型为：则PID控制过程箭图可以用图2表示。

其中，采用经典参数整定方法――临界比例度对上述闭环系统进行参数整定，确定PID控制器中 K p=2.259， K i=0.869， K d=0.276。

参考输入为单位阶跃信号，仿真曲线如图3所示。

图2 PID控制系统图3 Z―N整定的控制曲线仿真曲线表明，通过Z―N方法整定的参数控制效果不佳，加上PID参数不易实现在线调整，所以该方法不宜用于加热炉的在线控制。

3 基于遗传算法改进的BP神经网络PID控制器参数优化整定对于加热炉控制系统设计的神经网络自整定PID控制，它不依赖对象的模型知识，在网络结构确定之后，其控制功能能否达到要求完全取决于学习算法。

基于BP神经网络和遗传算法的智能配煤系统开发与应用目录一、内容概括 (2)1.1 背景与意义 (2)1.2 研究目标与内容 (3)二、相关理论与技术概述 (4)2.1 BP神经网络理论 (5)2.2 遗传算法理论 (6)2.3 智能配煤系统研究现状 (7)三、基于BP神经网络的智能配煤系统设计 (9)3.1 系统结构与功能设计 (10)3.2 神经网络构建与训练 (11)3.3 系统软件设计与实现 (13)四、基于遗传算法的配煤优化模型构建 (14)4.1 优化问题描述与模型建立 (15)4.2 遗传算法参数选择与优化 (16)4.3 优化结果评价与分析 (17)五、智能配煤系统的开发与应用 (18)5.1 系统开发环境与平台选择 (20)5.2 系统实现与调试 (21)5.3 系统应用效果分析与评价 (24)六、结论与展望 (25)6.1 主要研究成果总结 (26)6.2 研究不足与改进方向 (27)6.3 未来发展趋势与展望 (27)一、内容概括本文档主要研究了基于BP神经网络和遗传算法的智能配煤系统开发与应用。

介绍了BP神经网络的基本原理和应用，分析了BP神经网络在智能配煤系统中的应用优势。

详细阐述了遗传算法的基本原理、优化策略以及在智能配煤系统中的应用方法。

结合实际案例，对基于BP神经网络和遗传算法的智能配煤系统进行了设计与实现，包括数据预处理、模型构建、参数优化等步骤。

通过实验验证了所设计系统的性能优越性，并对未来研究方向进行了展望。

本文档的研究结果对于提高煤炭资源的利用效率、降低环境污染具有重要意义。

1.1 背景与意义随着工业技术的不断进步和智能化水平的不断提高，煤炭行业作为国家经济发展的重要支柱，面临着转型升级的巨大挑战。

在煤炭的生产、加工和使用过程中，配煤技术是影响煤炭资源高效利用的关键环节。

传统的配煤方法主要依赖于人工经验和实验分析，不仅耗时耗力，而且精度和效率受限。

开发一种能够自动化、智能化进行配煤的系统显得尤为重要。