柱塞泵畢業(yè)設計外文文獻翻譯--利用神經網絡預測軸向柱塞泵的性能譯文(編輯修改稿)
2025-06-25 13:43 本頁面
【文章內容簡介】 控制腔的體積 10?7 m3 V3 第三控制腔的體積 10?5 m3 α min 缸體最小傾斜角 4176。 α max 缸體最大傾斜角 23176。 泵的瞬態(tài)響應的測量 圖 2 所示的待研究的泵的瞬態(tài)響應的實驗測定是通過測量不同控制腔的工作壓力來進行的。在泵體的不同位置安裝著三個電控壓力傳感器，該泵體是和體積分別為 V V2和 V3 的控制腔直接連接在一起的，如圖 3所示。另一個壓力傳感器被安裝在泵出口體積 V 的管路上來測量供給壓力 P。這些傳感器都是壓阻式的，可以測量的壓力范圍為 400bar之間。每個傳感的輸入電壓 為 10? 30V，而輸出電壓是在 0 到 5V 之間。這些傳感器是用來測量控制壓力 P P P3 和 P（參照圖 3）的 。 壓力信號的時域圖譜是使用 PC機和數(shù)據(jù)采集板采集的。轉換時間為 12μ s 的 12位逐次逼近轉換器的數(shù)據(jù)采集板能實現(xiàn) 70 kHz 的最大吞吐率。泵的出口管路上安裝有節(jié)流口大小固定的節(jié)流閥（ 18）和方向控制閥 DCV（ 17）（參照圖 1和圖 4）。這些閥可以使泵的出口管路的壓力 P 快速變化。當 DCV 的電磁閥通電時，閥門迅速關閉，泵的排出流量 Qp 就被迫流經節(jié)流閥。這樣設置試驗臺就能使電磁閥中的電流能觸發(fā)數(shù)據(jù)采集系統(tǒng)，從 而拾取瞬間變化的壓力 P P P3和 P 的值。這些數(shù)據(jù)的測量是在泵的轉速為 550、 800 和 1000 rpm 的情況下進行。測量結果如圖 圖 10 和圖 11 所示。 神經網絡 在本文中，用于預測斜軸式軸向柱塞泵的動作的裝置是一個被稱為神經網絡的計算工具。這些網絡都只是一些相互聯(lián)接在一起的被稱為神經元的元素。這些神經元或處理單元是精心挑選的線性或非線性函數(shù)，這些函數(shù)可以處理任何應用輸入以得到其輸出。 神經元的輸入是外部輸入的加權總和，或是緊挨著它的上一個神經元的輸出。一個小的加權施加到神經元的輸出上就會使接下來的神經元不能處理其輸入。人們就能以這種方式建立每個模式或輸入的具體路線圖。這種類型的模型就能使神經網絡能夠捕捉通常未能被普通建模技術發(fā)現(xiàn)的非線性信號。 一個特定的神經元的輸出是關于三個主要因子：加權輸入、該神經元的偏壓和傳遞函數(shù)（參見圖 5）的函數(shù)。任何神經元的輸出都可按下式計算： a=f(x+β ) 其中 傳遞函數(shù) f可以選自一組現(xiàn)成可用的函數(shù)。在我們的研究中所選用的是 S型函數(shù)： 該函數(shù)以能 得到理想的結果而著名，特別是對于給定的輸入其輸出是已知的情況。 圖 5 單個神經元的示意圖 任何網絡通常都可劃分為各個子網或我們通常所稱呼的層。每個網絡包含兩個基本層即輸入層和輸出層，而且如果任務需要就會有一個或多個隱藏層。圖 6顯示出了一種典型的前饋式結構的神經網絡。輸出層的輸出是網絡中所有神經元的組合效果的結果。 圖 6 多層、前饋式神經網絡的示意圖 、 測驗 設計一個神經網絡至少需要四個主要步驟：（ 1）確定網絡層的層數(shù)：（ 2）確定神經 元數(shù)量：（ 3）確定傳遞函數(shù)的類型：（ 4）確定一個能描述系統(tǒng)行為實驗數(shù)據(jù)組。測驗過程非常耗費時間但對于網絡的成功非常關鍵。測驗中要應用幾項技術，其中有一項是勢能的反向傳播。每一個神經元的每一個輸入的權重都是從輸出層和工作反饋開始連續(xù)變化更新的。在此過程中，要使目標函數(shù)最小化，而目標函數(shù)通常是誤差的平方和函數(shù)。文獻中應用到了幾項優(yōu)化技術，包括鮑威爾算法和 LevenbergMarquardt算法。本文所使用的是 LevenbergMarquardt算法。這種算法是在著名的梯度下降算法（見附錄）和高斯 牛頓算 法之間進行切換。LevenbergMarquardt 算法中所謂的新規(guī)則的計算公式如下： 其中ψ為每一個權重的誤差的衍生物的矩陣，α是一
畢業(yè)設計相關推薦
鄂ICP備17016276號-1