数。在我们研究中所选用是型函数该函数以能得到理想结果而著名，特别是对于给定输入其输出是已知情况。图单个神经元示意图任何网络通常都可划分为各个子网或我们通常所称呼层。每个网络包含两个基本层即输入层和输出层，而且如果任务需要就会有个或多个隐藏层。图显示出了种典型前馈式结构神经网络。输出层输出是网络中所有神经元组合效果结果。图多层前馈式神经网络示意图测验设计个神经网络至少需要四个主要步骤确定网络层层数确定神经元数量确定传递函数类型确定个能描述系统行为实验数据组。测验过程非常耗费时间但对于网络成功非常关键。测验中要应用几项技术，其通过孔和分别连通。控制柱塞连通开口孔该开口孔大小是由活塞参照图和图控制。当操作压力超过了弹簧预设值，控制元件和就会推压弹簧。与此同时，液压油通过节流孔和从泵出口流出。在体积为腔体内高压油就从开口孔流到了控制柱塞大端面上。如果作用在控制柱塞上压力大于弹簧力，控制柱塞就会移动，直到液压力和机械力恢复平衡。缸体柱塞和配流盘在球形滑动表面以相反方向移动，以减少旋转角度。此运动会导致泵流速降低。数据测量装置利用神经网络设计模型必须要使用从上述系统获得些实际数据进行检验。检验过程对于神经网络了解它试图预测模型是必要。数据是从图所示实验装置中收集。此数据是通过测量图所示轴向柱塞泵稳态和瞬态响应获得。图实验装置照片图斜轴式轴向柱塞泵示意图图柱塞泵控制单元示意图实验研究是在如图所示测试平台上进行，液压回路图如图所示。试验泵进油管和出油管分别与吸油管和高流量计端口和直接连接在起。试验泵是由个高功率可控速度液压马达驱动。液压回路工作过程如下油从油箱流入增压泵进油口。减压阀是用来保护增压泵回路以避免其压力过高。增压泵溢出液压油通过个单向阀流入主泵吸油和供油线路。减压阀是用于保护主泵回路防止压力过高。从主泵流出液压油通过用于控制主泵流向方向控制阀和流入主驱动马达回路。试验泵流速由数字式流量计显示。试验泵从动轴转速是由转速计测量，可以通过改变电动机速度来控制从动轴速度。在操作过程中工作油温度要保持在范围内。图液压系统示意图在稳态测量期间，当开关阀完全关闭时供给压力变化是由控制阀调节。压力计用来测量进油管路中油压，数字压力计测量出油线路中油压。减压阀是用来保护试验泵回路以防过载。而在瞬态测量期间，阀是完全打开而阀是完全关闭。泵稳态响应测量所研究泵稳态性能实验测定是通过测量不同供给压力下泵排出流量来进行。试验泵参数如表所示。供给压力是由节流阀控制，其压力值由数字压力计测得。相应泵排量是由数字流量计测量。测量时预设压力相同而泵转速不同，泵转速分别为和。泵排量也是在不同预设压力值下测量。测量值如图和图所示。表泵参数参数描述数值控制柱塞大端面柱塞面积控制元件面积控制柱塞小端面面积泵输油管道体积−第控制腔体积−第二控制腔体积−第三控制腔体积−缸体最小倾斜角缸体最大倾斜角泵瞬态响应测量图所示待研究泵瞬态响应实验测定是通过测量不同控制腔工作压力来进行。在泵体不同位置安装着三个电控压力传感器，该泵体是和体积分别为和控制腔直接连接在起，如图所示。另个压力传感器被安装在泵出口体积管路上来测量供给压力。这些传感器都是压阻式，可以测量压力范围为到之间。每个传感输入电压为〜，而输出电压是在到之间。这些传感器是用来测量控制压力和参照图。压力信号时域图谱是使用机和数据采集板采集。转换时间为位逐次逼近转换器数据采集板能实现最大吞吐率。泵出口管路上安装有节流口大小固定节流阀和方向控制阀参照图和图。这些阀可以使泵出口管路压力快速变化。当电磁阀通电时，阀门迅速关闭，泵排出流量就被迫流经节流阀。这样设置试验台就能使电磁阀中电流能触发数据采集系统，从而拾取瞬间变化压力和值。这些数据测量是在泵转速为和情况下进行。测量结果如图图和图所示。神经网络在本文中，用于预测斜轴式轴向柱塞泵动作装置是个被称为神经网络计算工具。这些网络都只是些相互联接在起被称为神经素。这些神经元或处理单元是精心挑选线性或非线性函数，这些函数可以处理任何应用输入以得到其输出。神经元输入是外部输入加权总和，或是紧挨着它上个神经元输出。个小加权施加到神经元输出上就会使接下来神经元不能处理其输入。人们就能以这种方式建立每个模式或输入具体路线图。这种类型模型就能使神经网络能够捕捉通常未能被普通建模技术发现非线性信号。个特定神经元输出是关于三个主要因子加权输入该神经元偏压和传递函数参见图函数。任何神经元输出都可按下式计算其中传递函数可以选自组现成可用函数。在我们研究中所选用是型函数该函数以能得到理想结果而著名，特别是对于给定输入其输出是已知情况。图单个神经元示意图任何网络通常都可划分为各个子网或我们通常所称呼层。每个网络包含两个基本层即输入层和输出层，而且如果任务需要就会有个或多个隐藏层。图显示出了种典型前馈式结构神经网络。输出层输出是网络中所有神经元组合效果结果。图多层前馈式神经网络示意图测验设计个神经网络至少需要四个主要步骤确定网络层层数确定神经元数量确定传递函数类型确定个能描述系统行为实验数据组。测验过程非常耗费时间但对于网络成功非常关键。测验中要应用几项技术，其过交叉验证过程。神经网络建模技术准确地预测了柱塞泵在多种转速和压力设定值下稳态响应。实验值和理论值之间误差不超过参照图和图。图泵转速为时不同设定压力下稳态流速实验和预测点划线设定压力为，实验和预测实线设定压力为，试验和预测虚线为设定压力为。图设定压力为时泵不同转速下稳态流速。实验和预测点划线为，实验和预测虚线为，并实验和预测实线为。可以看出对于压力预测是准确，特别是在秒以后。开始时，数据非常杂乱，这时如果用最常见拟合技术就可能会出现问题。使用了正确类型传递函数神经网络可避免这类问题，并确保不发生过度拟合。尽管测验数据有杂乱特性，所设计神经网络会以种我们可以接受方式来预测压力。图和图显示出了神经网络预测值与实验数据之间良好致性。在实验开始阶段，即秒之前，数据看起来很杂乱，很难适应。所设计网络会近似化处理该区域数据而并不是顺从其杂乱。图压力预测值孔口直径毫米实验和预测固体泵转速为，实验和预测实线泵转速为。图压力预测值孔口直径毫米实验和预测实线泵转速为，实验和预测虚线泵转速为。图压力预测值孔口直径毫米实验和预测实线泵转速为，实验和预测虚线泵转速为。图压力预测值泵转速和孔直径毫米实验和预测实线。同样，图显示了神经网络模型能很好地预测压力值。预测值和实验值之间误差小于。这是个很好迹象，表明神经网络建模技术在模拟复杂系统，如斜轴式轴向柱塞泵时是个可行工具。结论人们已经开始用神经网络建模技术来预测斜轴式轴向柱塞泵稳态和动态响应。实验数据是从个用来测验网络实验装置收集来。所得出模型能准确地预测压力。因此，神经网络对于模拟复杂系统，如斜轴式轴向柱塞泵具有很大潜力。附录梯度下降法梯度下降法常用于在测验阶段更改权重系数。假定网络有层而网络输入向量有个分量。层中神经元输出计算方法如下其中对于方程当设定时，就可以获得输出层输出。网络误差平方和由下式给出其中和分别是输出层中神经元期望和实际输出。下标表示个特定输入矢量。测验过程目是获得组合适能得到最小误差平方和权重。层梯度下降计算公式如下其中表示转置矩阵输入向量为时神经元梯度矩阵如下式所示相应权重矩阵如下式所示输出层梯度下降值如下式所示其中按照上面描述过程，我们可以从输出层开始层层地计算出所有层梯度下降值。当所有层所有梯度下降值都计算出来后，就可使用以下更改规则来计算以对权重进行调整常数η称为学习速率。实际权重可以如下计算当误差平方和函数最小而且没有出现过度拟合时就得到了组最好权重值。参考文献，弗朗西斯，仿射控制非最小相非线性过程控制神经网络方法过程控制期刊，第版年，页，斜盘式轴向柱塞泵动态特性动态系统测量和控制期刊页，，用于预测不混溶洪水表现人工神经网络能源和燃料，第版，页，，正排量轴向柱塞泵动态吸油过程动态系统期刊，测量与控制页，轴向柱塞变量泵压力控制建模与仿真机械原理，页采用神经网络对长方形气体轴承压力分布模型摩擦学，年，页，研究斜盘式轴向柱塞泵运行状态流体控制杂志页，，应用鲍威尔理论学习三个未知动态系统神经网络控制最优控制应用与理论，页，，，应用神经网络来建模普拉德霍湾流体接触情况第届技术大会及展览会，达拉斯，德克萨斯州，月日年中文字出处利用神经网络预测轴向柱塞泵的性能就读于科威特的科威特大学工程与石油学院就读于埃及开罗的军事科技大学摘要本文推导了应用于轴向柱塞泵斜轴式的神经网络模型。该模型采用的数据是由个实验装置获得的。这个正在进行的研究的目的是降低柱塞泵在高压下工作时的能量损耗。通过孔和分别连通。控制柱塞连通开口孔该开口孔大小是由活塞参照图和图控制。当操作压力超过了弹簧预设值，控制元件和就会推压弹簧。与此同时，液压油通过节流孔和从泵出口流出。在体积为腔体内高压油就从开口孔流到了控制柱塞大端面上。如果作用在控制柱塞上压力大于弹簧力，控制柱塞就会移动，直到液压力和机械力恢复平衡。缸体柱塞和配流盘在球形滑动表面以相反方向移动，以减少旋转角度。此运动会导致泵流速降低。数据测量装置利用神经网络设计模型必须要使用从上述系统获得些实际数据进行检验。检验过程对于神经网络了解它试图预测模型是必要。数据是从图所示实验装置中收集。此数据是通过测量图所示轴向柱塞泵稳态和瞬态响应获得。图实验装置照片图斜轴式轴向柱塞泵示意图图柱塞泵控制单元示意图实验研究是在如图所示测试平台上进行，液压回路图中文字出处利用神经网