一、BP网络学习参数模糊自适应算法的实现（论文文献综述）
祁泉淏[1]（2021）在《地下油气管网异常数据识别及智能监测研究》文中提出地下油气运输管道是一种重要的油气运输装置,在国民经济和建设中发挥着不可或缺的作用。但由于管道中运输的油气属于甲类危险品,具有易燃易爆的特点,且地下环境也相对复杂,导致管道极易发生损伤和破坏,可能造成严重的资源损失和环境污染,甚至带来重大的人身伤亡。目前学术界关于地下油气管网管理的研究,多限于建立其安全评估体系和“事发-预警”类型监测系统,只能被动地降低埋线管道发生事故时的损失,并未充分挖掘油气管道运行数据所蕴含的潜在信息。因此如何运用数据分析及处理技术对地下油气管网各关键节点建立智能在线监测和评估体系,实现对风险的提前预警,是当前需要深入研究的问题。本研究以地下油气管网风险处置的端口前移为目的,结合休哈特控制图理论和概率神经网络（PNN）的特性,融合BP神经网络建立风险判定模型,最终通过挖掘油气管网数据的潜在规律实现对地下油气管网的智能监测。本文的研究工作主要体现在如下四个方面:首先,针对传统地下油气管网“预防-处置”、“事发-预警”的管理模式,利用休哈特控制图筛选异常数据,并结合概率神经网络实时处理数据的特点,通过探测危险源逐步演化的转化行为,实现风险处置端口前移;其次,提出误差反馈型概率神经网络（EF-PNN）,通过优化输入层与模式层的权重矩阵改进概率神经网络,同时实现空间复杂度的降低和计算精度的提升,并通过开源数据集算例验证了EF-PNN在计算效率和精度两方面都有显着提升;第三,结合EF-PNN和BP网络,提出新的分类准则。其中将EF-PNN作为前置异常数据划分决策器,并通过将训练数据进行有效划分训练多个BP网络,提高了BP网络处理其对应数据的运算效率和识别精度;最后,应用本系统方法对实际工业中的油气管网数据进行处理,通过结果进一步说明改进模型在实际工业当中应用的有效性。本研究通过管理学思想与机器学习方法结合,为解决地下油气管网设施安全的智能监测提供新方法、新思路,为智能在线预警理论领域提供新的研究方法,为改进机器学习算法处理数据能力提供新的途径。
章志浩[2]（2020）在《基于局部回归神经网络的柴油机燃油喷射系统故障诊断研究》文中认为航运是国际主流的运输方式,柴油机是船舶的主要动力来源。柴油机燃油喷射系统作为船用柴油机重要组成部分,有必要对它的故障诊断技术进行深入研究。目前已应用的柴油机燃油喷射系统故障诊断方法往往存在缺陷和不足。例如油液分析法仅能判断使用润滑油的部件的相关故障、振动分析法信号采集困难、瞬时转速监测法只能确定故障位置但无法判断故障原因。神经网络拥有强大的并行计算能力,可以将输入向量迅速传递至神经元中进行计算和学习,其网络结构适用于解决线性空间至非线性空间的映射问题,在机械故障诊断方面表现优异。因此,本文采用将自适应遗传算法和神经网络结合的方法对柴油机燃油喷射系统进行故障诊断。在网络模型的选取方面,BP神经网络是一种多层前向模型学习算法,在结构上较为松散,有着诊断不精确、容易陷入局部极值的缺点。Elman神经网络作为一种局部回归神经网络,引入了负反馈机制,网络结构更加完整,诊断精度和速度比BP神经网络均有提高。同时,通过改进Elman神经网络的学习算法、激励函数和网络结构提高了Elman神经网络动态信息处理能力。结果表明,改进型Elman神经网络适用于在线诊断,整体诊断效果比BP神经网络更好。对遗传算法（GA）进行了详细研究,考虑到遗传算法容易陷入局部极值和鲁棒性差的缺点,提出了一种自适应遗传算法,对选择算子、变异算子和交叉算子进行了改进,有效避免了算法陷入局部最小值。利用个体适应度自适应调节遗传算法中的算子,将参数优化结果作为神经网络中的初始权值和阈值,提高了 Elman神经网络的诊断精度,避免了陷入局部最小值的情况。采用大连海事大学轮机模拟器主机系统中的VLCC型船舶进行参数提取,针对实验数据较多的情况,利用平均影响值法（MIV）剔除部分对网络输出影响较小的参数,减少了神经网络输入量,并在MATLAB环境下对船舶柴油机燃油喷射系统进行了故障仿真实验。对比三种神经网络在相同故障数据下对故障类型的辨识结果,从隶属度和诊断结果两方面对结果评价。仿真实验的结果表明:经过改进遗传算法优化的Elman神经网络诊断精度高,收敛速度快,可以有效诊断柴油机燃油喷射系统典型故障。
许振兴[3]（2020）在《基于深度强化学习的自适应光学波前控制研究》文中研究说明自适应光学（Adaptive Optics,AO）技术通过改变波前校正器相位来补偿入射畸变波前,从而改善光学系统的性能,被广泛应用于天文观测、激光通信系统、视网膜成像、激光光束净化等光学系统。AO系统作为有效的主动补偿技术,虽然在各领域取得了很好的校正效果,但传统闭环控制方法将AO控制系统视为线性时不变系统,这使得传统控制方法无法处理各类误差带来的不确定性,无法发挥系统潜力获得最优性能。本文从传统AO控制方法与深度强化学习找到结合点并做探索性研究,建立自学习智能控制模型。深度学习与强化学习的结合将感知环境和系统控制无缝连接,使AO能够自动感知不确定的环境状态并完成自适应控制。该AO智能控制模型具有通用性,不依赖于建立准确模型,只需与环境互动学习,利用从外界反馈的回报信号和采集的环境状态不断调整控制策略,使其在线自学习最优控制策略或次优控制策略,可根据系统状态保持或逼近最佳性能。具体来说,传统基于离线建模的线性时不变控制方法无法处理以下三种情形:（1）AO控制平台在长时间运行过程中,受机械平台振动等时变因素的影响,波前校正器与波前传感器的相对位置发生偏移导致对准误差,使得系统参数发生异变无法自适应对准误差。（2）哈特曼传感器缺光引起的斜率信息缺失或噪声引起的斜率测量误差。这类误差直接耦合控制模型,斜率测量误差的传递造成控制性能下降或不稳定。（3）AO系统中时滞普遍存在,时滞校正误差对系统的性能影响很大,因此具有静态控制策略的控制方法无法实现自适应预测控制。本文围绕上述三种情形,展开理论分析和实验研究,建立线性和非线性两种针对AO的智能控制模型。该模型根据当前AO的环境特性进行在线策略优化,始终满足性能约束指标,为解决传统控制手段难以处理误差带来的控制性能下降,以及难以建立准确的系统模型和湍流模型提供了新思路。本文的主要研究内容如下:1.基于哈特曼传感器的AO系统其误差传递过程不可避免,误差传递将影响系统的校正性能,最大程度的补偿或抑制误差传递可显着提高系统的校正性能。AO主要误差来源分为五类:（1）H-S透镜阵列对波前的有限分割采样带来的空间采样误差;（2）斜率测量过程中噪声因素引入的斜率测量误差;（3）强闪烁条件下H-S子孔径斜率探测不理想或信息缺失;（4）H-S与变形镜的空间失配导致对准误差;（5）系统时滞因素导致的时滞校正误差。通过对上述五类误差进行分析,将其转化为组合目标函数的优化问题,推导出了利用组合目标函数的梯度信息作为误差补偿手段,为后续基于梯度信息的在线学习模型提供了理论基础。2.提出了AO系统的线性学习模型,该模型将远场性能指标和估计误差平方和的线性组合作为目标函数,能够自适应系统参数变化,不依赖于建立准确的系统模型。为使得学习模型保持良好的跟踪特性,引入了梯度动量项,动量项累积了之前迭代时的梯度信息,逐步弱化了历史梯度信息对当前模型训练的影响,提高了当前梯度信息的影响,动量项的引入避免了在线样本存储。同时还给出了模型的并行异步优化方法以及模型参数的初始化策略。最后,搭建了AO实验平台来验证线性学习模型的性能,实验结果表明该模型兼顾了斜率信息缺失补偿和自适应抑噪能力,显着提高了系统控制精度。数值分析表明,在不需要重新测量响应矩阵的情况下,实现了对准误差下的自适应性。该模型简单高效,具有一定的工程意义,但由于线性模型学习能力有限,当存在多对一映射关系时其学习过程容易产生线性偏移。3.针对线性学习模型存在的学习能力有限问题以及对湍流扰动的预测控制问题进行建模。提出了基于深度强化学习理论的非线性动态学习模型,该模型采用神经网络的泛映射性拟合策略函数,并通过强化学习的确定性策略梯度方法实现在线滚动优化策略。但是在实际在线策略优化时,若模型目标函数的梯度矩阵测量不准确或突增,则可能导致梯度爆炸使得学习模型不能正常工作。为避免梯度爆炸,保证网络模型稳定收敛,在该梯度反向传入网络模型之前,将梯度矩阵投影至较小的尺寸上,进行裁剪和约束。同时为了避免学习速率衰减过快,能够对每个网络参数自适应不同的学习速率,采用三点解决方案:一是使用历史窗口;二是对参数梯度动量项的历史窗口序列（不包括当前）使用均值;三是最终梯度项为历史窗口序列均值与当前梯度动量项的加权平均。最后,通过搭建AO实验系统来验证非线性动态学习模型对静态像差以及动态像差的校正能力,实验中引入了HT200热风式大气湍流模拟器来产生不同强度的大气湍流。实验结果表明,非线性动态学习模型具有建模方便以及过程描述可在线获得的特点,能及时弥补由于模型失配、畸变、干扰等因素引起的不确定性,模型通过在线误差补偿和噪声抑制提高了系统的控制精度,其自适应性提高了系统的稳定性。由于模型可在线学习湍流统计特性,无需离线建立湍流模型,实现了自适应预测控制模型,具有明显的工程和理论意义。
陈健[4]（2020）在《并联型APF谐波检测及控制策略研究》文中认为随着现代工业技术的快速发展,对电力的需求量逐年增高,人们对电网质量的要求也越来越高。与此同时,电力电子技术的蓬勃发展间接导致了日益严重的谐波污染问题,严重威胁到电力系统的安全性和稳定性。并联型有源电力滤波器（Shunt Active Power Filter,SAPF）是一种普遍使用的滤波装置,跟无源滤波器（Passive Power Filter,PPF）相比,可控性强,便于操作,适用面较为广泛。通常一个完整的SAPF系统包含4个环节:锁相环（Phase-Locked Loop,PLL）、谐波检测、输出电流控制和直流侧电压控制。大多数传统软件锁相环（Software Phase-locked loop,SPLL）只能按照正向顺序锁定精确的电压,而无法按反向顺序准确锁定,结合所讨论的锁相环电压原理,考察了电压矢量角反序变化的性质,分析了产生这种现象的原因,针对反向顺序设计出一种自适应锁相环,可以在正确的正序电压和反序电压下完成锁相。利用人工神经网络（Artificial neural network,ANN）具有强大的自适应性以及对任意非线性逼近能力的特点,提出一种基于BP神经网络的谐波电流检测方法,在神经网络的输入端增加一附加量,将检测到的三相负载电流和虚拟磁链空间位置角作为神经网络系统输入,以改善神经网络的检测性能,提高检测的准确性。针对传统模型预测算法存在局限性的问题,本文结合预测模型预测的优缺点提出一种多步预测模型算法,并给出其具体实现方案,来提高预测精度,同时详细说明了多步预测算法的优越性。在传统有源电力滤波器直流侧电压的PI控制的基础上,设计了一种新型参数自整定模糊PI控制方法。与传统的PI控制方法相比,在参数自整定模糊PI控制下,直流侧电压的超调量更小其响应时间更短,能够满足负载突变情况下直流侧电压控制的要求。并且使用参数自整定模糊PI控制对直流电压控制时,电压环对2次谐波的抑制能力要强于PI控制对直流电压控制时的情况。
林豪[5]（2020）在《基于磁流变阻尼器的车辆座椅悬架系统控制技术研究》文中提出随着科学技术的进步与生活水平的改善,汽车已逐渐成为人们出行中不可或缺的代步工具,同时人们对车辆的乘坐舒适性及行驶平顺性也提出了更高的要求,其中座椅悬架系统在抑制振动传递中起着至关重要的作用。磁流变阻尼器是应用磁流变液的流变机理而开发的一种新型隔振器件,相比传统的液压元件,具有不受故障影响、耗电量低及输出阻尼力可调控的优点,使得采用磁流变阻尼器的车辆半主动座椅悬架备受专家学者的青睐。通过安装磁流变阻尼器装置来衰减由外界激励传递到驾乘人员身体上的振动能量,继而改善车辆座椅的乘坐舒适性,已成为当前抑制车辆座椅悬架系统振动传递行之有效的手段。然而关于磁流变阻尼器动力学建模与座椅悬架半主动控制方法等方面的研究尚未成熟完善,许多相关的理论知识和关键技术仍需亟待深入探讨。基于此,本文展开了如下几个方面的研究工作。（1）磁流变阻尼器力学性能试验及动力学建模。参照相关试验标准要求,利用疲劳拉伸机对课题组自行研制的磁流变阻尼器进行力学性能试验。设计了一种粒子群优化算法与非线性最小二乘法相结合的参数识别方法,基于采集的阻尼器示功特性与速度特性试验数据对修正Dahl模型中的未知参数进行辨识。通过对比分析不同工况下的试验数据与仿真数据,验证该模型表征磁流变阻尼器力学性能与滞回特性的可行性,同时其较高的精确度为后续半主动座椅悬架系统的建模及仿真研究提供了有力保障。（2）车辆半主动座椅悬架系统建模及其动力学特性分析。考虑车辆行驶道路真实工况,分别建立了随机输入与凸块输入两种路面模型。简要阐述了1/4车、1/2车及全车半主动座椅悬架系统各自的动力学特性及其优缺点,并应用牛顿第二定律和拉格朗日方程推导了三种模型的运动微分方程。在MatlabSimulink平台上搭建了五自由度1/2被动座椅悬架系统仿真模型,选取六个指标来表征其在时域内的动力学特性,同时运用拉普拉斯变换分别计算座椅加速度和座椅悬架动行程相对于路面输入的传递函数,利用幅频特性曲线分析了四个系统参数变化对被动座椅悬架自身动力学性能的影响。（3）车辆半主动座椅悬架系统控制策略的设计及仿真验证。结合半主动座椅悬架系统复杂的非线性振动特性,在详尽介绍模糊控制理论与PID控制理论的基础上,针对模糊控制中制定的模糊规则过于依赖专家经验而导致其控制精度偏低的不足,设计了一种基于模糊推理的变论域模糊控制器。另外,为了弥补PID控制中比例、积分和微分三个参数不能随系统误差而自适应调节的缺陷,设计了一种模糊-PID控制器,并在此基础上,利用BP神经网络算法和最小二乘法相结合的混合学习算法对模糊-PID控制器中制定的模糊规则进行离线训练,构建了三个并列的两输入单输出T-S型的神经模糊网络结构,即ANFIS-PID控制器。选取座椅加速度和座椅悬架动行程作为性能评价指标,在随机路面和凸块路面输入下,联合搭建好的磁流变阻尼器修正Dahl模型与五自由度1/2车半主动座椅悬架系统模型对所提两种控制策略的隔振效果进行仿真验证及对比分析。仿真结果表明,两种半主动控制策略均能够有效地提升车辆座椅悬架系统的乘坐舒适性,而且ANFIS-PID策略的控制效果相比变论域模糊策略的要更优一些。
李国锴[6]（2020）在《永磁真空断路器同步控制关键技术的研究》文中认为断路器分合电力设备的瞬间,系统电流或者电压的初相角并不确定,分合闸过程易产生涌流和过电压,对设备和系统产生较大冲击。同步控制技术又称选相控制技术,其实质是根据不同的负载特性,控制开关触头在电压或电流的最佳相位处完成分合闸操作,以缩短甚至避免出现开关分合闸电磁暂态过程,提高断路器的开断能力及系统的稳定性,已然成为当前开关智能化的前沿课题之一。本文分析了同步控制的重要性及其实现机制,首先对永磁断路器的结构和工作原理进行了研究分析,其结构简单、运动部件少、高可靠、免维护,为同步控制的实现打下了物质基础。其次阐述同步分合闸控制的动作过程,分析同步控制技术的原理,探讨控制电压、环境温度、预击穿特性等外界因素对实现同步控制技术的影响。通过Matlab仿真验证了同步控制技术在关合三个典型对象电容器、空载线路、空载变压器时对过电压和涌流的抑制作用,肯定了同步控制的必要性和可行性。随后针对目前实现同步控制技术所主要面临着的两大问题:分合闸目标电压、电流过零点的精确预测和操动机构动作时间的精确预测分别进行了研究。同步关合方面本文对干扰信号去噪处理后,经所设计的FIR数字滤波器滤波以准确提取基波分量,采用线性插值法提取目标信号零点。同步开断方面则以故障电流相控开断最为困难,本文以分断单相接地故障电流为研究对象,故障电流数学模型通过泰勒级数简化后,采用自适应最小均方差算法来求取故障电流特征参数,进而准确预测开断过程中电弧熄灭时的电流过零时刻,MATLAB仿真验证了此故障电流相控开断算法的时效性和可行性。最后本文提出云遗传算法（CGA）优化BP神经网络的操动机构动作时间预测模型。将全局寻优能力突出的云遗传算法融入于BP神经网络,通过优化BP神经网络在建立模型时的初始权值和阈值,来弥补BP网络迭代步数过多、收敛速度慢、易陷入局部极小值而未能全局寻优的缺点,在遗传算法中引入能有效处理模糊信息的云理论,形成云遗传算法,计算过程中交叉及变异概率不是一成不变,而是处于动态自适应变化的。MATLAB仿真证明相较于标准BP神经网络模型,本文提出的CGA-BP网络模型预测操动机构动作时间的速度更快、误差更小、精确度更高。
崔国栋[7]（2020）在《基于神经网络的磁悬浮控制研究》文中进行了进一步梳理在大中型风电机组中,水平轴风力发电机占据主导地位,偏航系统是其重要组成部分。传统偏航系统基于齿轮驱动技术,存在结构复杂、故障率高、占用空间大等弊端,而基于磁悬浮技术的一种新型风电磁悬浮偏航系统具有无摩擦、结构简单、无需润滑、安装维修方便、停电时间短等优势。但因存在侧风作用的不确定性和磁悬浮系统本身的非线性,这种风电磁悬浮偏航系统的悬浮控制面临巨大挑战。人工神经网络具有自适应、自学习、非线性适应性信息处理能力,为此,本文基于神经网络控制理论对新型磁悬浮偏航系统的悬浮控制开展研究。本文主要研究工作如下:1、基于力学分析和电磁学理论,建立了风电磁悬浮偏航系统悬浮过程的动态数学模型。为了方便后续控制器的设计,本文研究了系统模型的开环稳定性和能观能控性。2、本文根据传统BP神经网络PID控制器的工作原理,针对其存在的BP网络参数调节范围太小的局限性,提出了一种含有量化因子的新型BP神经网络结构,并基于BP神经网络的新结构进行BP-PID控制器的设计。为验证新结构的有效性,我们将所设计的BP-PID控制器用于磁悬浮偏航系统干扰情况下的悬浮控制,并与常规级联PID控制器进行对比。仿真结果表明,基于新结构的BP-PID控制器不仅能够有效调节PID控制器的参数,而且与常规级联PID控制器相比,它的动态性能更好,鲁棒性更强。3、对新的BP-PID控制器而言,其存在鲁棒性相对较弱,电流跟踪性能相对较差的弊端。为此,本文将径向基神经网络（RBF神经网络）与滑模控制（SMC）相结合进行气隙外环的控制器设计,并对电流内环提出了自适应控制器。此外,为进一步解决滑模控制中存在的抖振问题,本文提出了一种基于双曲正切函数的新型指数趋近律。为验证所提控制器的有效性,我们将其与BP-PID控制器分别应用于磁悬浮偏航系统干扰情况下的悬浮控制。仿真结果表明,新设计的控制器在鲁棒性和电流跟踪性能方面均优于BP-PID控制器。
马晓辉[8]（2019）在《谐振型逆变电源在线诊断系统研究》文中认为随着科技的进步和生产应用的不断发展,谐振型逆变电源在民用电磁加热、航空电源、工业熔炼等领域中发挥着越来越重要的作用,逆变电源性能的改善不仅能提高感应加热的效率,而且对电力系统的稳定运行起着重要作用。对谐振型逆变电源中的主回路运行情况进行实时在线监测,不仅能够及时发现逆变电源运行过程中的问题,而且能够找出是逆变器中哪一个器件出现了问题,并进行相应的保护操作,避免因逆变器故障造成电网的波动以及对其他设备造成损坏。论文的主要内容是针对电压型逆变器来进行故障诊断研究的,在建立逆变器模型的基础上,对各种故障类型进行理论分析与实验验证,对比各种故障现象以及产生故障的原因,给出基于改进后的神经网络故障诊断方法。本课题首先通过对谐振型逆变电源正常工作和发生故障时的输出电压波形进行采样,然后通过MATLAB软件对其进行小波分解,提取出故障特征参数,并对其进行归一化处理后得到其特征向量以作为神经网络样本数据。在此基础上对逆变器的典型故障进行归类编码,然后以1种正常情况和10种故障情况下的编码作为神经网络的输出目标,结合样本数据对神经网络进行学习训练,训练完成后利用剩余的样本数据对其训练的结果进行检验校核。在以上理论基础上,以ARM的STM32CPU芯片为核心,设计了具有数据采集、信息传输、在线监测、故障诊断、数据存储等功能的逆变电源故障诊断系统。通过对谐振型逆变电源工作时的交流电压、交流电流等典型参量进行检测,经过数据处理后,应用BP（Back Propagation）神经网络算法,实现了对谐振型逆变电源在线监测、故障诊断、人机交互操作。经过实验验证结果证明,系统的在线诊断速度明显提高,诊断正确率达到90%以上,达到了课题预期的目标。
丁宁[9]（2019）在《基于混合神经网络的风机齿轮箱润滑油性能分析方法研究》文中研究表明绿色制造和环境保护是可持续发展的必由之路。经济发展依赖燃烧矿物质发电受到了越来越多的限制,随着各种新能源产业的崛起,风力发电技术日臻成熟,逐步处于新能源的主导地位。齿轮箱作为风力发电机组关键零部件之一,不仅健康状态对于风机的整体性能起着决定性作用,而且使用寿命的长短直接影响到风力发电机的使用寿命。通常齿轮箱能否正常运转与箱内的润滑状况息息相关,因此对齿轮箱的润滑油性能进行预测及实时评估就显得尤为重要。本文采用神经网络与灰色系统以及模糊系统结合,实现对润滑油参数的预测以及性能的综合评估。具体工作如下:1)对润滑油样本实测理化指标进行归纳筛选,根据各项指标在风机齿轮箱实时工况下的重要程度,在众多指标中优先选择了七种指标着重进行分析计算。首先对数据进行清洗,采用强化因子处理已选定的指标数据集,降低数据的随机性以及降低误差;继而通过层次分析法确定各个指标的权重,并通过归一化的方法计算指标的劣化度。2)对已经处理后的数据集进行灰色关联度分析,得到润滑油性能状况的初步结果;建立灰色GM（1,1）预测模型以及BP神经网络预测模型,对润滑油参数分别进行预测评估;建立并联灰色BP神经网络预测模型,实现对润滑油参数的并联混合预测与综合指标评价。得到下面结论:第一,所建模型可以实现对润滑油性能随时间线变化的量化指标预测,以及由部分已知参数值对关联度较大的其它参数值的预测;第二,结果对比显示,所建立的并联灰色BP神经网络可以并且准确的预测润滑油参数变化,可以显着降低单个模型预测所产生的误差。3)根据所计算的各指标劣化度,以及各参数相对于健康程度的权重,建立一种基于模糊神经网络的润滑油健康状态评估模型。得到下面结论:第一,对润滑油指标的劣化度及相对于健康程度权重的分析,可以准确获得油品的实时劣化程度及健康情况;第二,所建立的模糊神经网络预测模型可以预测油品的综合劣化度变化趋势。
张树梅[10]（2015）在《基于磷酸铁锂单体电池荷电状态的均衡算法研究》文中进行了进一步梳理电动汽车具有低噪声、几乎零排放的优点,是解决能源、环境等问题的重要途径。动力蓄电池是电动汽车的重要组成部分,在很大程度上决定了电动汽车的性能。由于磷酸铁锂电池具有功率密度高、单体电压高等特性,在电动汽车应用中倍受青睐。单体电池在制造中不可避免地存在不一致性,电动汽车频繁且不规则的起步停车、加速爬坡及减速制动等工况切换造成了电池组的充放电方式、电流大小及历时长短的不确定性,导致了电池组内热环境的不均匀性,因而加剧了电池间不一致性,这对大容量串联电池组尤为明显。这种不一致性的加剧将致使单体电池寿命急速衰减,直至失效。要实现大容量磷酸铁锂电池的广泛应用,有效的电池均衡系统是改善电池组性能、延长电池组寿命的关键技术,也是电池管理系统研究的热点。本文的主要研究内容如下:1)针对当前耗散型均衡电路能耗大以及非耗散型均衡电路结构复杂、效率低的缺陷,结合磷酸铁锂串联电池系统的特点,提出兼有充电模式与放电模式的复合均衡电路,同时也对放电电阻与DC/DC转换器进行参数设计,为获得良好的均衡性能提供了可靠的硬件基础;2)采用Digatron多功能电池测试仪对磷酸铁锂电池进行恒流充放电特性、脉冲充放电特性、循环寿命特性、内阻特性、迟滞特性、开路电压特性及效率特性的实验研究,并建立相应的回归模型。通过上述各项特性的研究,获得磷酸铁锂电池各项特性的物理表现和数学表达及其演变规律,为电池荷电状态（SOC）的动态估算以及均衡控制算法的优化提供强大的数据基础;3)考虑到电压均衡易造成过度均衡,容量均衡不宜在线实施的缺陷,本文采用SOC均衡。针对目前电池SOC估算存在的适用性差、精度低的问题,结合对磷酸铁锂电池的电化学机理及其动态特性演变规律研究,提出基于加权反馈模型与动态修正模型的加权反馈自适应融合算法以实现电池动态SOC的估算。针对单一算法的局限性,采用遗传模糊控制算法对安时积分法与Thevenin等效电路模型进行加权反馈从而形成加权反馈模型;考虑到电池实时工况下电池温度、SOH、自放电因子、自恢复因子等参数对SOC的影响,建立基于QPSO-BP神经网络的动态修正模型以实现对加权反馈模型的修正。为了验证加权反馈自适应融合算法的有效性,对磷酸铁锂电池进行不同初始SOC、不同电池温度及不同老化条件下的试验验证,并获得较好的估算精度,为均衡控制提供了有效的评价指标;4)针对目前均衡算法存在的过度均衡、均衡能量损耗以及均衡时间浪费的问题,通过解决单体电池SOC估算中采样参数时间不一致性与噪声等难题,本文提出基于单体电池SOC的自适应遗传算法以实现均衡控制,同时对均值-差值均衡算法、模糊控制均衡算法进行比较研究。考虑到自适应遗传算法实时性差的缺陷,采用数据驱动参数辨识法实现算法的在线优化。为了验证自适应遗传算法对均衡控制的有效性,对磷酸铁锂电池组进行仿真及实验研究,研究结果表明自适应遗传算法在改善动力电池组一致性的基础上,能有效提高均衡能量效率与时间效率。
二、BP网络学习参数模糊自适应算法的实现（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、BP网络学习参数模糊自适应算法的实现（论文提纲范文）
（1）地下油气管网异常数据识别及智能监测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 地下油气管网监测的研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 相关研究现状 |
| 1.2.1 监测地下油气管网方法 |
| 1.2.2 地下油气管网应急事故的处置 |
| 1.3 研究方法与研究框架 |
| 1.4 论文创新点 |
| 2 地下油气管网数据的智能监测方法 |
| 2.1 地下油气管网的数据问题 |
| 2.2 地下油气管网数据监测方法 |
| 2.2.1 常用监测方法 |
| 2.2.2 监测方法存在的问题 |
| 2.3 地下油气管网数据在线监测方法 |
| 2.3.1 地下油气管网数据特征 |
| 2.3.2 休哈特控制图理论 |
| 2.3.3 BP网络原理与应用 |
| 2.3.4 BP网络存在的问题 |
| 2.4 本章小结 |
| 3 实时在线的数据划分决策器 |
| 3.1 概率神经网络相关特性 |
| 3.1.1 概率神经网络的原理 |
| 3.1.2 概率神经网络处理地下油气管道数据的特性 |
| 3.1.3 概率神经网络相关研究现状 |
| 3.2 误差反馈型概率神经网络 |
| 3.3 EF-PNN开源数据集验证算例 |
| 3.4 本章小结 |
| 4 PNN-BP网络结构 |
| 4.1 PNN-BP网络的模型搭建 |
| 4.2 开源数据集验证算例 |
| 4.3 聚类划分处理BP网络回归 |
| 4.3.1 聚类算法前置处理原始数据 |
| 4.3.2 k-means聚类实现BP网络回归过程 |
| 4.3.3 开源数据集验证算例 |
| 4.4 本章小结 |
| 5 实际工业中油气管网应用实例 |
| 5.1 实际工业案例 |
| 5.2 案例模型计算 |
| 5.3 地下油气管网智能监测技术路线 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（2）基于局部回归神经网络的柴油机燃油喷射系统故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 柴油机燃油系统故障诊断的难点 |
| 1.4 神经网络在故障诊断中的应用 |
| 1.5 研究内容与论文结构 |
| 1.5.1 主要研究内容 |
| 1.5.2 论文结构 |
| 2 神经网络基本理论 |
| 2.1 神经网络概论 |
| 2.1.1 神经网络的产生和发展 |
| 2.1.2 神经元模型及其学习机理 |
| 2.2 BP神经网络 |
| 2.2.1 BP神经网络结构 |
| 2.2.2 BP网络学习算法 |
| 2.3 Elman神经网络 |
| 2.3.1 Elman神经网络结构 |
| 2.3.2 Elman神经网络计算流程 |
| 2.3.3 Elman网络学习算法 |
| 2.4 Elman神经网络的改进 |
| 2.4.1 学习算法的改进 |
| 2.4.2 激励函数的改进 |
| 2.4.3 网络结构的改进 |
| 2.5 本章小结 |
| 3 自适应遗传算法优化Elman神经网络 |
| 3.1 遗传算法简介 |
| 3.1.1 传统遗传算法的流程 |
| 3.1.2 传统遗传算法的缺点 |
| 3.2 自适应遗传算法 |
| 3.2.1 自适应遗传算法简介 |
| 3.2.2 选择算子的改进 |
| 3.2.3 交叉算子的改进 |
| 3.2.4 变异算子的改进 |
| 3.2.5 利用Shubert函数验证自适应遗传算法 |
| 3.3 神经网络的遗传算法优化 |
| 3.3.1 遗传算法优化Elman神经网络的必要性 |
| 3.3.2 遗传算法优化Elman神经网络的实现 |
| 3.4 本章小结 |
| 4 船舶柴油机燃油喷射系统故障诊断研究 |
| 4.1 船舶柴油机燃油喷射系统介绍 |
| 4.1.1 柴油机燃油喷射系统的分类 |
| 4.1.2 柴油机燃油喷射系统的组成 |
| 4.1.3 柴油机燃油系统的工作过程 |
| 4.1.4 柴油机燃油喷射系统部件要求 |
| 4.2 柴油机燃油喷射系统故障诊断 |
| 4.2.1 燃油喷射系统常见的几种故障 |
| 4.2.2 柴油机燃油系统故障诊断的常见方法 |
| 4.2.3 特征向量的提取及样本数据 |
| 4.2.4 变量筛选方法 |
| 4.2.5 结果分析 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 原始数据 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（3）基于深度强化学习的自适应光学波前控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 波前控制技术国内外研究历史与现状 |
| 1.2.1 有波前探测控制技术 |
| 1.2.2 无波前探测控制技术 |
| 1.3 论文结构安排 |
| 第二章 传统线性控制模型的误差传递 |
| 2.1 像差表述 |
| 2.2 哈特曼斜率计算 |
| 2.3 波前复原 |
| 2.3.1 区域法 |
| 2.3.2 模式法 |
| 2.3.3 直接斜率法 |
| 2.4 传统线性控制模型 |
| 2.5 控制模型的误差传递 |
| 2.5.1 斜率测量误差 |
| 2.5.2 斜率信息缺失 |
| 2.5.3 空间采样误差 |
| 2.5.4 波前测量误差的敏感度分析 |
| 2.6 H-S与波前校正器的对准误差 |
| 2.7 本章小结 |
| 第三章 远场指标梯度抑制误差传递 |
| 3.1 远场指标梯度估计 |
| 3.2 梯度信息补偿误差传递分析 |
| 3.3 梯度信息补偿对准误差分析 |
| 3.4 本章小结 |
| 第四章 在线自学习线性控制模型 |
| 4.1 线性动态学习模型 |
| 4.2 模型的训练方法 |
| 4.3 递归最小二乘参数估计 |
| 4.4 学习模型流程及优化 |
| 4.5 模型参数初始化策略 |
| 4.6 实验与分析 |
| 4.6.1 测量噪声抑制 |
| 4.6.2 斜率信息缺失补偿 |
| 4.6.3 自适应对准误差及其数值分析 |
| 4.7 模型的线性偏移 |
| 4.8 本章小结 |
| 第五章 深度强化学习控制模型 |
| 5.1 非线性动态学习模型 |
| 5.2 神经网络基本原理 |
| 5.2.1 前馈计算 |
| 5.2.2 误差反向传播 |
| 5.3 模型的训练方法 |
| 5.4 梯度约束及其优化 |
| 5.5 强化学习理论框架 |
| 5.5.1 马尔科夫决策过程 |
| 5.5.2 值函数与最优性原理 |
| 5.5.3 TD方法与值函数逼近 |
| 5.5.4 策略梯度 |
| 5.6 策略优化流程 |
| 5.7 实验与分析 |
| 5.7.1 测量噪声抑制 |
| 5.7.2 斜率信息缺失补偿 |
| 5.7.3 动态波前预测控制 |
| 5.7.4 自适应对准误差及其数值分析 |
| 5.8 抑制线性偏移 |
| 5.9 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 论文主要创新点 |
| 6.3 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（4）并联型APF谐波检测及控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究目的及意义 |
| 1.2 并联型 APF 相关技术与研究现状 |
| 1.2.1 谐波检测技术 |
| 1.2.1.1 基于时域的谐波检测方法 |
| 1.2.1.2 基于频域的谐波检测方法 |
| 1.2.1.3 基于智能算法的检测法 |
| 1.2.2 锁相环技术 |
| 1.2.3 有源电力滤波器控制技术 |
| 1.2.3.1 谐波电流控制策略 |
| 1.2.3.2 直流侧电压控制技术 |
| 1.3 本文的主要研究内容 |
| 第2章 SPAF锁相环策略 |
| 2.1 引言 |
| 2.2 传统基于同步旋转坐标系的软件锁相环 |
| 2.2.1 软件锁相环原理 |
| 2.2.2 三相软件锁相环结构框图与性能分析 |
| 2.3 基于分数积分控制器的三相软件锁相环 |
| 2.3.1 基于分数积分控制器的三相软件锁相环设计 |
| 2.3.2 实验与仿真 |
| 2.4 小结 |
| 第3章 SAPF谐波电流检测方法研究 |
| 3.1 引言 |
| 3.2 BP神经网络 |
| 3.2.1 BP网络结构 |
| 3.2.2 BP网络学习算法 |
| 3.3 基于BP神经网络的谐波检测 |
| 3.4 仿真验证和分析 |
| 3.5 小结 |
| 第4章 基于多步模型预测的电流控制策略研究 |
| 4.1 引言 |
| 4.2 传统模型预测电流控制技术 |
| 4.2.1 预测模型及价值函数的建立 |
| 4.2.2 价值函数的建立 |
| 4.3 多步模型预测控制策略 |
| 4.3.1 传统模型预测的保守性分析 |
| 4.3.2 多步模型预测算法 |
| 4.4 仿真验证 |
| 4.5 小结 |
| 第5章 SPAF直流侧电压控制策略研究 |
| 5.1 引言 |
| 5.2 传统PI控制和模糊控制方法 |
| 5.2.1 直流电压PI控制 |
| 5.2.2 模糊控制概念 |
| 5.2.3 模糊控制器的设计 |
| 5.3 直流电压的参数自整定模糊PI控制方法 |
| 5.3.1 参数自整定模糊控制器原理 |
| 5.3.2 参数自整定模糊PI控制规则 |
| 5.3.3 参数自整定模糊PI控制器的设计 |
| 5.4 仿真验证与分析 |
| 5.5 小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（5）基于磁流变阻尼器的车辆座椅悬架系统控制技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 磁流变液与磁流变阻尼器简介 |
| 1.2.1 磁流变液的研究发展现状 |
| 1.2.2 磁流变阻尼器的研究发展现状 |
| 1.3 磁流变阻尼器力学模型研究发展现状 |
| 1.3.1 磁流变阻尼器正向力学模型 |
| 1.3.2 磁流变阻尼器逆向力学模型 |
| 1.4 车辆半主动座椅悬架的研究发展现状 |
| 1.5 磁流变阻尼器的控制方法研究进展 |
| 1.6 本文主要研究内容 |
| 第二章 磁流变阻尼器性能试验与力学建模 |
| 2.1 磁流变液的流变特性 |
| 2.2 磁流变阻尼器的工作原理及模式 |
| 2.3 磁流变阻尼器的性能试验 |
| 2.4 磁流变阻尼器模型建立及其参数辨识 |
| 2.4.1 粒子群优化算法基本原理 |
| 2.4.2 基于粒子群优化算法的参数识别方法 |
| 2.4.3 基于粒子群优化算法与非线性最小二乘法相结合的参数识别方法 |
| 2.4.4 修正Dahl仿真模型验证 |
| 2.5 本章小结 |
| 第三章 车辆座椅悬架系统建模与动力学分析 |
| 3.1 路面输入模型 |
| 3.1.1 随机路面输入模型 |
| 3.1.2 凸块路面输入模型 |
| 3.2 车辆半主动座椅悬架系统建模 |
| 3.2.1 三自由度1/4车半主动座椅悬架系统模型 |
| 3.2.2 五自由度1/2车半主动座椅悬架系统模型 |
| 3.2.3 十自由度整车半主动座椅悬架系统模型 |
| 3.3 五自由度1/2车被动座椅悬架动力学分析 |
| 3.3.1 五自由度1/2车被动座椅悬架系统模型 |
| 3.3.2 五自由度1/2车座椅悬架时域仿真分析 |
| 3.3.3 五自由度1/2车被动座椅悬架幅频特性仿真分析 |
| 3.4 本章小结 |
| 第四章 车辆半主动座椅悬架系统控制策略研究 |
| 4.1 变论域模糊控制策略研究 |
| 4.1.1 模糊控制基本理论 |
| 4.1.2 模糊控制器设计 |
| 4.1.3 变论域模糊控制基本原理 |
| 4.1.4 基于模糊推理的变论域模糊控制器设计 |
| 4.1.5 基于模糊推理的变论域模糊控制仿真研究 |
| 4.2 ANFIS-PID控制策略研究 |
| 4.2.1 PID控制器设计 |
| 4.2.2 模糊-PID控制器设计 |
| 4.2.3 ANFIS-PID控制器基本原理 |
| 4.2.4 ANFIS-PID控制器设计 |
| 4.2.5 ANFIS-PID控制仿真研究 |
| 4.3 两种控制策略仿真结果对比分析 |
| 4.4 本章小结 |
| 第五章 总结 |
| 5.1 主要工作回顾 |
| 5.2 本课题今后需进一步研究的地方 |
| 参考文献 |
| 个人简历在读期间发表的学术论文 |
| 致谢 |
（6）永磁真空断路器同步控制关键技术的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 实现同步控制的关键技术及研究现状 |
| 1.2.1 预测过零点 |
| 1.2.2 预击穿对同步关合的影响 |
| 1.2.3 预测操动机构动作时间 |
| 1.3 本文的主要研究内容 |
| 2 永磁机构及同步控制技术的原理 |
| 2.1 永磁断路器的工作原理 |
| 2.2 同步控制基本原理 |
| 2.3 同步控制的影响因素 |
| 2.3.1 因素一预击穿 |
| 2.3.2 因素二控制电压 |
| 2.3.3 因素三环境温度 |
| 2.3.4 因素四老化磨损 |
| 2.4 本章小结 |
| 3 同步控制技术分析及其仿真 |
| 3.1 空载变压器的同步关合分析及仿真 |
| 3.2 电容器的同步关合分析及仿真 |
| 3.3 空载线路的同步关合分析及仿真 |
| 3.4 本章小结 |
| 4 同步控制关键技术之电压/电流目标过零点的预测 |
| 4.1 基波信号的提取及过零点的检测 |
| 4.1.1 信号去噪处理 |
| 4.1.2 线性相位FIR滤波器的设计 |
| 4.1.3 电压电流的零点检测 |
| 4.2 基于自适应法的短路故障电流目标零点预测 |
| 4.2.1 故障电流同步开断基本原理 |
| 4.2.2 自适应算法预测电流过零点 |
| 4.2.3 仿真验证 |
| 4.3 本章小结 |
| 5 同步控制关键技术之操动机构动作时间的预测 |
| 5.1 BP神经网络 |
| 5.1.1 BP神经网络的基本原理 |
| 5.1.2 BP神经网络的参数设定 |
| 5.1.3 BP神经网络的局限性 |
| 5.2 云遗传算法 |
| 5.2.1 云遗传算法的原理 |
| 5.2.2 遗传算法 |
| 5.2.2.1 遗传算法的流程 |
| 5.2.2.2 遗传算法的特点 |
| 5.2.3 云理论 |
| 5.2.4 云理论优化遗传算法 |
| 5.3 云遗传算法优化BP神经网络 |
| 5.4 CGA-BP网络预测操动机构动作时间的仿真 |
| 5.4.1 获取数据样本集及预处理 |
| 5.4.2 仿真分析 |
| 5.4.2.1 BP神经网络模型 |
| 5.4.2.2 CGA-BP网络模型 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 参考文献 |
| 附录一：云遗传算法优化 BP 神经网络主程序代码 |
| 作者简历 |
| 学位论文数据集 |
（7）基于神经网络的磁悬浮控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 神经网络的理论基础 |
| 2.1 神经网络构成的基本原理 |
| 2.1.1 人工神经元模型 |
| 2.1.2 连接权 |
| 2.1.3 神经网络状态 |
| 2.1.4 神经网络的输出 |
| 2.2 神经网络的拓扑结构与学习规则 |
| 2.2.1 神经网络的拓扑结构 |
| 2.2.2 典型的神经网络学习规则 |
| 2.3 常用的前馈型神经网络模型 |
| 2.3.1 BP神经网络 |
| 2.3.2 径向基神经网络 |
| 2.4 本章小结 |
| 第3章 磁悬浮偏航系统的悬浮建模与分析 |
| 3.1 磁悬浮偏航系统的结构和工作原理 |
| 3.1.1 磁悬浮偏航系统的结构 |
| 3.1.2 磁悬浮偏航系统的工作原理 |
| 3.2 磁悬浮偏航系统的悬浮建模 |
| 3.3 磁悬浮系统的性能分析 |
| 3.3.1 开环稳定性分析 |
| 3.3.2 能观能控性分析 |
| 3.4 本章小结 |
| 第4章 基于BP-PID的磁悬浮偏航系统悬浮控制研究 |
| 4.1 常规PID控制器 |
| 4.1.1 常规PID控制原理 |
| 4.1.2 PID控制器的两种控制算法 |
| 4.2 神经网络的量化因子 |
| 4.3 基于BP-PID的悬浮控制器设计 |
| 4.3.1 悬浮控制器的结构设计 |
| 4.3.2 悬浮控制器的控制算法设计 |
| 4.3.3 悬浮控制器的参数选择 |
| 4.4 数值仿真及性能分析 |
| 4.5 本章小结 |
| 第5章 基于RBF-ASMRC的磁悬浮偏航系统悬浮控制研究 |
| 5.1 滑模变结构控制的基本原理 |
| 5.2 基于RBF-ASMRC的悬浮气隙控制器设计 |
| 5.2.1 滑模控制器的初步设计 |
| 5.2.2 基于RBF神经网络的未知参数逼近器的初步设计 |
| 5.2.3 神经网络滑模控制器的设计 |
| 5.2.4 鲁棒补偿器和悬浮气隙控制器的设计 |
| 5.3 基于李雅普诺夫稳定性定理的悬浮电流控制器设计 |
| 5.4 悬浮控制器的稳定性分析 |
| 5.5 数值仿真与性能分析 |
| 5.5.1 系统未知参数逼近效果的仿真分析 |
| 5.5.2 悬浮控制效果的仿真分析 |
| 5.5.3 励磁电流和励磁电压的仿真分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在读期间发表的学术论文及研究成果 |
| 致谢 |
（8）谐振型逆变电源在线诊断系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 论文的结构安排 |
| 2 谐振型逆变电源故障诊断系统方案设计 |
| 2.1 逆变电源的原理及基本结构 |
| 2.2 逆变电源的主要故障类型分析 |
| 2.3 常用故障诊断方法研究 |
| 2.3.1 故障诊断的要求分析 |
| 2.3.2 基于传统模式识别技术的故障诊断方法 |
| 2.3.3 基于信号处理的故障诊断方法 |
| 2.3.4 基于知识的故障诊断方法 |
| 2.3.5 基于神经网络的方法 |
| 2.4 系统方案设计 |
| 2.4.1 系统总体需求分析 |
| 2.4.2 故障诊断系统结构 |
| 2.4.3 故障信号检测与处理 |
| 2.5 本章小结 |
| 3 逆变器故障诊断算法研究 |
| 3.1 BP神经网络算法整体设计 |
| 3.1.1 样本的选取 |
| 3.1.2 BP神经网络模型结构设计 |
| 3.2 逆变器的故障特征提取 |
| 3.2.1 逆变器的故障特征 |
| 3.2.2 逆变器故障特征参数的提取方法研究 |
| 3.2.3 逆变器故障特征的提取实现 |
| 3.3 BP网络的学习与训练 |
| 3.4 改进的BP网络学习与训练 |
| 3.5 改进的BP神经网络故障诊断实现 |
| 3.6 本章小结 |
| 4 系统设计与实现 |
| 4.1 系统硬件设计 |
| 4.1.1 主控电路及外部接口设计 |
| 4.1.2 状态检测电路设计 |
| 4.1.3 通信电路设计 |
| 4.1.4 离线器件级检测电路设计 |
| 4.1.5 系统硬件抗干扰设计 |
| 4.2 系统软件设计 |
| 4.2.1 下位机软件设计 |
| 4.2.2 上位机软件设计 |
| 4.2.3 通信协议及消息帧格式 |
| 4.3 系统的整体实现 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
| 致谢 |
| 附录 A |
| 附录 B |
| 附录 C |
（9）基于混合神经网络的风机齿轮箱润滑油性能分析方法研究（论文提纲范文）
| 摘要 |
| Abstrcat |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外关于润滑油理化指标预测的研究现状 |
| 1.2.2 国内外润滑油健康状况研究现状 |
| 1.3 本文研究主要内容 |
| 第2章 润滑油的理化指标、模糊系统、灰色系统及神经网络简介 |
| 2.1 润滑油理化指标 |
| 2.1.1 润滑油理化指标简介 |
| 2.1.2 润滑油理化指标的选择 |
| 2.2 灰色系统的基本原理 |
| 2.2.1 灰色系统简介 |
| 2.2.2 灰色系统的原理 |
| 2.3 模糊系统的基本原理 |
| 2.3.1 T-S模糊系统简介 |
| 2.3.2 T-S模型的原理 |
| 2.4 BP神经网络基本原理 |
| 2.4.1 BP神经网络简介 |
| 2.4.2 BP网络学习算法 |
| 第3章 灰色神经网络润滑油理化指标预测 |
| 3.1 引言 |
| 3.2 强化缓冲算子 |
| 3.3 灰色关联度分析 |
| 3.3.1 初值化关联算子 |
| 3.3.2 关联度计算 |
| 3.3.3 实例分析 |
| 3.4 并联型灰色神经网络 |
| 3.4.1 建立灰色GM(1,1)模型 |
| 3.4.2 检验灰色GM(1,1)模型 |
| 3.4.3 建立BP神经网络预测模型 |
| 3.4.4 并联预测结果 |
| 3.5 本章小结 |
| 第4章 模糊神经网络评价润滑油健康程度 |
| 4.1 引言 |
| 4.2 润滑油健康状况评估体系 |
| 4.3 评价指标归一化处理 |
| 4.3.1 越小越优型指标 |
| 4.3.2 越大越优型指标 |
| 4.3.3 中间型指标 |
| 4.4 指标权重确定 |
| 4.5 模糊神经网络预测模型 |
| 4.5.1 模糊神经网络简介 |
| 4.5.2 模糊神经网络结构 |
| 4.5.3 自适应模糊推理系统 |
| 4.6 实例分析 |
| 4.6.1 原始数据说明 |
| 4.6.2 原始数据归一化 |
| 4.6.3 原始数据归一化 |
| 4.6.4 预测润滑油综合劣化度 |
| 4.7 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（10）基于磷酸铁锂单体电池荷电状态的均衡算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 电动汽车的发展和意义 |
| 1.1.2 动力电池的发展及意义 |
| 1.1.3 本文电池均衡研究的意义 |
| 1.2 电池均衡的关键性问题分析 |
| 1.2.1 均衡评价指标 |
| 1.2.2 均衡电路设计 |
| 1.2.3 均衡算法研究 |
| 1.3 动力电池SOC估算研究现状 |
| 1.4 动力电池均衡电路研究现状 |
| 1.5 动力电池均衡算法研究现状 |
| 1.6 本文的主要研究内容 |
| 第二章 电池均衡电路研究 |
| 2.1 均衡电路方案的提出 |
| 2.1.1 均衡电路硬件系统概述 |
| 2.1.2 两级DC/DC复合均衡电路方案的提出 |
| 2.2 两级DC/DC复合均衡电路模块参数设计 |
| 2.2.1 放电电阻参数设计 |
| 2.2.2 放电均衡功率MOSFET参数设计 |
| 2.2.3 充电均衡功率MOSFET参数设计 |
| 2.2.4 降压型DC/DC转换器参数设计 |
| 2.3 本章小结 |
| 第三章 磷酸铁锂电池特性研究 |
| 3.1 磷酸铁锂电池特性影响因素 |
| 3.2 磷酸铁锂电池特性实验系统 |
| 3.2.1 实验设备 |
| 3.2.2 实验研究内容与目的 |
| 3.3 磷酸铁锂电池特性研究 |
| 3.3.1 磷酸铁锂电池恒流充放电特性 |
| 3.3.2 磷酸铁锂电池脉冲充放电特性 |
| 3.3.3 磷酸铁锂电池循环寿命 |
| 3.3.4 磷酸铁锂电池内阻特性 |
| 3.3.5 磷酸铁锂电池迟滞特性 |
| 3.3.6 磷酸铁锂电池开路电压特性 |
| 3.4 本章小结 |
| 第四章 加权反馈自适应融合电池SOC估算算法研究 |
| 4.1 加权反馈自适应融合电池SOC估算算法的提出 |
| 4.2 SOC估算加权反馈模型研究 |
| 4.2.1 基于等效电流系数的Ah积分法研究 |
| 4.2.2 基于在线参数辨识的等效电路模型研究 |
| 4.2.3 基于遗传模糊控制的自适应加权因子研究 |
| 4.3 动态修正模型研究 |
| 4.3.1 动态修正模型的影响因素分析 |
| 4.3.2 电池SOH估算研究 |
| 4.3.3 基于QPSO-BP神经网络的动态修正模型研究 |
| 4.4 电池SOC估算验证 |
| 4.4.1 常温稳态工况SOC估算验证 |
| 4.4.2 动态工况SOC估算验证 |
| 4.5 本章小结 |
| 第五章 基于单体电池SOC的均衡算法研究 |
| 5.1 单体电池SOC估算研究 |
| 5.1.1 磷酸铁锂电池参数采集模块 |
| 5.1.2 基于时间对准与去噪声技术的多源数据预处理研究 |
| 5.1.3 基于数据预处理的单体SOC估算研究 |
| 5.2 基于单体电池SOC的自适应遗传均衡算法的提出与研究 |
| 5.2.1 均值-差值均衡算法分析 |
| 5.2.2 模糊控制均衡算法分析 |
| 5.2.3 自适应遗传均衡算法的提出与研究 |
| 5.2.4 自适应遗传算法在线均衡优化 |
| 5.3 基于PWM的MOSFET均衡控制 |
| 5.4 均衡算法的仿真研究 |
| 5.4.1 基于均值-差值法的均衡算法仿真分析 |
| 5.4.2 基于模糊控制的均衡算法仿真分析 |
| 5.4.3 基于自适应遗传算法的均衡算法仿真研究 |
| 5.4.4 仿真研究结果分析 |
| 5.5 自适应遗传算法实验验证 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术本文 |
四、BP网络学习参数模糊自适应算法的实现（论文参考文献）
- [1]地下油气管网异常数据识别及智能监测研究[D]. 祁泉淏. 大连理工大学, 2021(02)
- [2]基于局部回归神经网络的柴油机燃油喷射系统故障诊断研究[D]. 章志浩. 大连海事大学, 2020(01)
- [3]基于深度强化学习的自适应光学波前控制研究[D]. 许振兴. 电子科技大学, 2020(03)
- [4]并联型APF谐波检测及控制策略研究[D]. 陈健. 湖北工业大学, 2020(08)
- [5]基于磁流变阻尼器的车辆座椅悬架系统控制技术研究[D]. 林豪. 华东交通大学, 2020(01)
- [6]永磁真空断路器同步控制关键技术的研究[D]. 李国锴. 河南理工大学, 2020(01)
- [7]基于神经网络的磁悬浮控制研究[D]. 崔国栋. 曲阜师范大学, 2020(01)
- [8]谐振型逆变电源在线诊断系统研究[D]. 马晓辉. 西安工业大学, 2019(03)
- [9]基于混合神经网络的风机齿轮箱润滑油性能分析方法研究[D]. 丁宁. 华北电力大学(北京), 2019(01)
- [10]基于磷酸铁锂单体电池荷电状态的均衡算法研究[D]. 张树梅. 上海交通大学, 2015(02)