柱塞泵毕业设计外文文献翻译--利用神经网络预测轴向柱塞泵的性能译文(编辑修改稿)

柱塞泵毕业设计外文文献翻译--利用神经网络预测轴向柱塞泵的性能译文(编辑修改稿)内容摘要：

控制腔的体积 10−7 m3 V3 第三控制腔的体积 10−5 m3 α min 缸体最小倾斜角 4176。 α max 缸体最大倾斜角 23176。 泵的瞬态响应的测量 图 2 所示的待研究的泵的瞬态响应的实验测定是通过测量不同控制腔的工作压力来进行的。 在泵体的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 V V2和 V3 的控制腔直接连接在一起的，如图 3所示。 另一个压力传感器被安装在泵出口体积 V 的管路上来测量供给压力 P。 这些传感器都是压阻式的，可以测量的压力范围为 400bar之间。 每个传感的输入电压 为 10〜 30V，而输出电压是在 0 到 5V 之间。 这些传感器是用来测量控制压力 P P P3 和 P（参照图 3）的。 压力信号的时域图谱是使用 PC机和数据采集板采集的。 转换时间为 12μ s 的 12位逐次逼近转换器的数据采集板能实现 70 kHz 的最大吞吐率。 泵的出口管路上安装有节流口大小固定的节流阀（ 18）和方向控制阀 DCV（ 17）（参照图 1和图 4）。 这些阀可以使泵的出口管路的压力 P 快速变化。 当 DCV 的电磁阀通电时，阀门迅速关闭，泵的排出流量 Qp 就被迫流经节流阀。 这样设置试验台就能使电磁阀中的电流能触发数据采集系统，从 而拾取瞬间变化的压力 P P P3和 P 的值。 这些数据的测量是在泵的转速为 550、 800 和 1000 rpm 的情况下进行。 测量结果如图 图 10 和图 11 所示。 神经网络 在本文中，用于预测斜轴式轴向柱塞泵的动作的装置是一个被称为神经网络的计算工具。 这些网络都只是一些相互联接在一起的被称为神经元的元素。 这些神经元或处理单元是精心挑选的线性或非线性函数，这些函数可以处理任何应用输入以得到其输出。 神经元的输入是外部输入的加权总和，或是紧挨着它的上一个神经元的输出。 一个小的加权施加到神经元的输出上就会使接下来的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的具体路线图。 这种类型的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的非线性信号。 一个特定的神经元的输出是关于三个主要因子：加权输入、该神经元的偏压和传递函数（参见图 5）的函数。 任何神经元的输出都可按下式计算： a=f(x+β ) 其中 传递函数 f可以选自一组现成可用的函数。 在我们的研究中所选用的是 S型函数： 该函数以能 得到理想的结果而著名，特别是对于给定的输入其输出是已知的情况。 图 5 单个神经元的示意图 任何网络通常都可划分为各个子网或我们通常所称呼的层。 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一个或多个隐藏层。 图 6显示出了一种典型的前馈式结构的神经网络。 输出层的输出是网络中所有神经元的组合效果的结果。 图 6 多层、前馈式神经网络的示意图 、 测验 设计一个神经网络至少需要四个主要步骤：（ 1）确定网络层的层数：（ 2）确定神经 元数量：（ 3）确定传递函数的类型：（ 4）确定一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的成功非常关键。 测验中要应用几项技术，其中有一项是势能的反向传播。 每一个神经元的每一个输入的权重都是从输出层和工作反馈开始连续变化更新的。 在此过程中，要使目标函数最小化，而目标函数通常是误差的平方和函数。 文献中应用到了几项优化技术，包括鲍威尔算法和 LevenbergMarquardt算法。 本文所使用的是 LevenbergMarquardt算法。 这种算法是在著名的梯度下降算法（见附录）和高斯 牛顿算 法之间进行切换。 LevenbergMarquardt 算法中所谓的新规则的计算公式如下： 其中ψ为每一个权重的误差的衍生物的矩阵，α是一。