论文部分内容阅读
加工过程智能控制是智能制造技术的重要内容，也是当前的一个重要的研究课题。本文应用信息论和小波分析等新兴理论，着重研究了加工过程的对角递归神经网络控制、复合递归神经网络控制、小波神经网络控制和模糊小波神经网络控制。
加工过程模型及其不确定信息度量。加工过程模型一般有传递函数模型、零极点增益模型和状态空间模型。加工过程存在着模型不确定性、参数不确定性和测量不确定性等，这些不确定性可能是随机性的，也可能是模糊性的，还可能是复合不确定性，而且它们的发生是有差异性的，分别可用信息熵、模糊熵、复合熵和广义熵来度量。为表示取不同的权重来衡量Kullback-Leibler距离(又称交叉熵)对系统状态的影响程度，提出了广义熵的概念。研究加工过程不确定性信息及其度量，对加工过程智能控制的研究具有重要意义。
基于广义熵的加工过程递归神经网络建模与控制。提出了广义熵方误差的概念及广义熵方误差准则，并在理论上证明了广义熵方误差函数的有效性。BP网络是静态网络，采用静态网络建模不能准确地描述系统的动态性能；BP算法收敛速度慢、产生局部极小点的原因之一是该算法采用了均方误差准则。为了克服BP算法的不足，提出基于广义熵方误差准则的复合递归神经网络，而递归神经网络是具有处理非线性问题的动态网络。把基于广义熵的复合递归神经网络应用于加工过程的建模与控制。仿真结果表明，基于广义熵的复合递归神经网络建模，其辨识精度优于一般BP算法神经网络建模和对角递归神经网络建模；基于广义熵方误差准则的复合递归神经网络控制，其控制效果也优于基于均方误差准则BP算法的神经网络控制和对角递归神经网络控制。
基于广义熵方误差和小波分析的加工过程神经网络自适应控制。把信息熵、小波分析和神经网络相结合，提出了基于广义熵方误差和小波分析的加工过程神经网络自适应控制系统及其自适应控制算法。用广义熵方误差准则取代BP算法的均方误差准则，用自适应地搜索小波基函数和自适应地调整小波的尺度参数、平移参数和神经网络权值的方法对参数变化的切削力进行在线控制。车削加工仿真结果表明，该系统响应快、调节时间短、超调小；比传统的加工过程神经网络自适应控制具有更好的控制效果。
基于模糊小波神经网络的加工过程自适应控制。为了克服模糊控制的缺点，将小波分析优异的局部控制性能、神经网络的定量学习能力和模糊控制的定性知识表达能力相结合，提出了一种模糊小波神经网络控制器，并将其用于加工过程控制。对变切削深度的铣削加工过程的仿真结果表明，基于模糊小波神经网络的加工过程控制，其控制效果优于一般的模糊控制和小波神经网络控制，具有很好的动、静态性能，是一种有效的控制方法。
全文采用理论探讨、计算机仿真和实验研究相结合的研究方法，研究了基于广义熵和小波分析的智能控制理论及其在加工过程控制中的应用。计算机仿真和智能控制加工实验都验证了本文所提出的理论和方法的可行性和优越性，为复杂系统的智能控制提供有效的技术依据和理论基础。