液压油泵流量和转矩建模训练结果
对于给定的液压泵，这里采用该液压柱塞泵少量的试验测试数据作为神经网络的学习样本，经过学习建立起描述该比例变量柱塞泵A系列04型流量和转矩特性的模型，从而可计算出该液压泵各个工况点下的各种效率。若液压泵排量己知，要计算其在给高压定量叶片泵SQP1～SQP4差和转速工况条件下的各种效率，则只需要通过基于该泵少量的试验测试数据而建立的神经网络模型，预测该工况下的输出流量和输入转矩，就可由式(1)~(3)计算效率r／，、77。和仇。因此，在网络结构的设计中，选取压差和转速作为网络输入层的神经元。由于流量和转矩有自身的规律特点，因此对这两个参数需要分别建模。对流量进行建模时，选取流量作为网络输出层的神经元，而对转矩进行建模时，选取转矩作为网络输出层的神经元。对网络隐层神经元个数的选取可按经验公式[6] Mh=√ˉMi+Mo+X (1)~(3) 式中mh、mi、m。分别为隐层、输入层和输出层的神经元数目，义为0～10之间的一个整数。由式(1)~(3) 可确定隐层单元数的范围为2～12。隐层单元数过少，则网络的推广能力和容错性较差，而隐层单元数过多，则会出现拟合、训练时间变长。因此，对流量和转矩分别进行建模时，设计了隐层单元数目可变的BP网络，通过误差对比，确定合适的隐层单元数目。选排量为39．57 cm3／r的柱塞液压泵作为建模对象，并以该泵转速0．5、1．5、2．5 kr／min下的试验数据组作为训练样本数据。
上一篇：液压泵流量和转矩建模训练结果 下一篇：液压单动作子系统方案设计模型
