基于BP神经网络PID算法的斗轮机自动取料流量控制优化

为解决斗轮取料机自动取料流量控制难题,提高干散货码头生产作业效率,采用BP神经网络PID控制算法对取料机取料流量控制进行优化。分析目前斗轮机取料流量控制现状,在常规PID控制方法的基础上采用BP神经网络进行改进优化,利用BP神经网络的自学习、自适应等特性,实现对PID控制参数的在线整定和优化。采用MATLAB Simulink仿真软件,建立BP神经网络PID控制模型,通过在天津某煤炭码头进行现场工程应用,证明模型的有效性和可靠性,表明BP神经网络PID算法能进一步提高干散货码头整体生产作业效率,延长大机设备使用寿命。     

基于IGA-BP算法的船舶航向智能自适应控制系统设计

在深入研究基于BP学习算法的前向神经网络以及模糊神经网络控制器的基础上,针对模糊神经网络控制器难以设计以及传统BP学习算法易于陷入局部收敛的不足,结合免疫遗传算法的全局收敛特性以及BP学习算法局部收敛的快速性,提出了一种基于混合计算智能方法的IGA-BP算法的神经网络参数的优化设计方法.将设计的控制器用于建立船舶航向控制系统模型,仿真结果表明,在船舶无干扰和存在随机干扰的情况下,基于IGA-BP算法设计的船舶航向控制系统均能使船舶转向控制无超调,跟踪快,比BP学习算法的控制效果更理想.     

基于动态BP算法的非线性系统预测控制

以包含滞后环节的非线性系统为对象,提出一种增加动态特性的动态BP（Back Propagation）学习算法。该算法以传统BP算法为基础,在多层感知机网络的第1隐层和输出层分别引入可调节的自适应延迟参数,并通过误差梯度对其进行修正,实现了对滞后系统的建模和延迟时间的辨识。进而将该算法与神经网络自适应控制器相结合,提出了一种基于神经网络模型的预测控制结构。仿真结果证明了方法的有效性。     

船用计程仪信号传输系统的神经网络故障诊断算法

计程仪信号传输系统是由步进电机通过齿轮带动多个旋转变压器。为实现对其故障的智能诊断,提出一种基于BP神经网络算法的故障诊断方法,并采用LM(Levenberg-Marquardt)最优化算法对BP网络进行训练。通过Matlab神经网络工具箱仿真计算,结果表明LM算法提高了BP神经网络的学习效率及稳定性,明显加快了网络的收敛速度。使用BP神经网络对步进电机带动多旋变系统故障诊断的方法行之有效,在减少故障诊断人员工作量同时提高了系统故障诊断的效率。     

基于PSO-BP神经网络的燃气轮机结垢性能预测

针对传统BP神经网络存在的学习速度慢,容易陷入局部极小的问题,为了提高诊断效率和非线性拟合能力,提出利用粒子群算法、遗传算法和布谷鸟算法优化BP神经网络对燃气轮机积垢性能预测,将各算法所得误差和拟合度进行对比。结果表明:粒子群算法优化BP神经网络的非线性拟合度为0.934 4,优于其他算法,相较于其他算法具有更低的绝对误差平均值,有效避免了局部最优情况。     

基于有源滤波器的电力推进系统谐波抑制

船舶综合电力推进系统中,电力电子装置产生的大量谐波电流注入电网,已成为最主要的谐波源。本文在分析了电力推进系统中12脉波变频调速系统在电网侧产生的谐波电流特点的基础上,采用基于ip-iq的谐波检测算法和电流滞环跟踪算法相结合的有源滤波器解决方案,利用MATLAB建立系统仿真模型进行分析,仿真结果证明该方案补偿效果良好,使电网谐波电流达到相关谐波标准要求。     

电动船舶电力系统的谐波抑制

针对电动船舶中电力系统的谐波抑制问题进行研究。首先分析电动船舶电力系统中谐波产生的主要原因及谐波特点;其次,针对船舶推动电力系统中的整流器对谐波产生的影响,采用了三相电压型PWM整流器对其进行改进,抑制电力系统中谐波的产生;由于高次谐波成分并没被滤除干净,因而在供电网侧与PWM整流器之间增加了L型滤波器对剩余谐波进行滤除。最后,利用Simulink仿真器对本文算法进行仿真验证,结果证实算法对谐波滤除的有效性。     

基于改进PSO的BP神经网络在船舶设计中的应用

针对船舶设计中需要的大型BP（BackPropagation）神经网络的特点,加入了改进的粒子群优化算法（ParticleSwarmOptimization,PSO）。该改进方法将粒子群的初始粒子分布在边界面上,因此能有效的搜寻高维空间,同时在速度公式等方面进行一些改进使得它更适合该环境。分别利用基于改进PSO的BP神经网络和标准的BP神经网络对泰勒系列船模试验数据进行拟合,结果表明基于改进PSO方法的BP神经网络训练更加高效和稳定。     

基于BP神经网络与L-M算法的潜艇声纳自噪声预报

L-M（Levenberg-Marquart）算法与BP（Back-Propagation）神经网络相结合，使神经网络在多样本、大变量输入的情况下，具有更快的收敛速度和更高的逼近精度。将BP神经网络与L-M算法相结合应用于潜艇声纳自噪声预报；分析了影响潜艇声纳自噪声的各种声源参数；利用潜艇声纳实测数据进行网络训练，训练好的神经网络可以对潜艇声纳自噪声进行精确预报。     

基于改进的神经网络的船舶碰撞危险度的模型

针对船舶碰撞危险度具有模糊性、不确定性等特点,依据模糊理论方法建立的船舶碰撞危险度的数学模型,直接采用来船航速、来船航向、来船对本船的相对舷角和来船对本船距离作为神经网络的输入,采用Levenberg-Mrquardt优化算法这种改进的BP神经网络进行训练和仿真,并与标准BP算法和动量BP算法进行比较,发现经过改进的网络求得碰撞危险度比标准BP算法和动量BP算法具有更好的效果,网络能够更有效收敛,大大提高了网络的收敛速度和泛化能力。