电动拖拉机驱动电机系统故障诊断模型研究

驱动电机系统的故障可能导致电动拖拉机失控或发生意外情况,从而危及驾驶员和周围环境的安全,准确诊断故障可以帮助驾驶员及时采取措施,避免潜在的危险。为了进一步提高电动拖拉机驱动电机系统的故障诊断准确率,基于驱动电机系统的数据特征及故障类型,以BP人工神经网络模型为基础,通过PSO-BP优化后的人工神经网络模型构建电动拖拉机电机驱动电机系统故障诊断模型,并对传统BP神经网络模型的阈值和权重进行优化,以更快地收敛到全局最优解。通过采集驱动电机系统的数据,对基于PSO-BP故障诊断模型进行试验验证,结果表明:模型对5种故障状态诊断准确率较高,特别是退磁故障和IGBT故障这两种复杂的故障类型。研究内容能够为电动拖拉机驱动电机系统的故障诊断提供一种有效的方法和技术支持,可提高诊断准确率、保障驾驶员和周围环境的安全,提高了工作效率,降低了维修成本。

基于PSO-BP模糊PID的变距取苗机构控制系统设计

为满足番茄、辣椒等蔬菜作物的移栽需求,基于向下取苗原理设计了一种适用72穴和128穴两种主要番茄钵苗穴盘规格的变距取苗机构,通过建立数学模型获得了取苗机械手参数的目标函数,并利用粒子群和模拟退火混合算法对其结构参数进行优化。同时,为实现变距取苗机构的精确控制,提出了一种基于PSO-BP的模糊PID算法以提高控制精度,介绍了系统的结构与工作原理,并通过选型计算与分析建模建立了控制系统的数学模型。针对传统PID控制器稳定性差、响应速度慢等不足之处,利用PSO-BP模糊PID对控制器的参数进行在线调整,以满足控制过程中对参数的不同需求。仿真结果与试验数据的分析表明:在参数相同条件下,基于PSO-BP模糊PID控制系统系统稳定性更好、响应速度更快,具有良好的鲁棒性,提升取苗成功率的同时降低了基质损伤率,能够满足变距取苗机构高精度快速稳定控制的需求。

正交实验结合AHP和GA-BP神经网络优化益黄散醇提工艺

目的 优化益黄散的醇提工艺。方法 采用回流提取法,以乙醇体积分数、液料比、提取时间为考察因素设计正交实验,以橙皮苷、川陈皮素、橘皮素、没食子酸、诃黎勒酸、诃子酸、甘草苷、甘草酸、丁香酚含量和干浸膏得率为指标,采用层次分析法(AHP)进行赋权并计算综合评分。通过验证正交实验和遗传算法(GA)-反向传播神经网络(BP神经网络)所预测的结果确定益黄散最佳醇提工艺参数。结果 正交实验优选的最佳醇提工艺参数为乙醇体积分数60%、液料比14∶1(mL/g)、提取时间90 min、提取2次,验证所得综合评分为79.19分;GA-BP神经网络优选的最佳醇提工艺参数为乙醇体积分数65%、液料比14∶1(mL/g)、提取时间60 min、提取2次,验证所得综合评分为85.30分,高于正交实验所得结果。结论 采用正交实验结合GA-BP神经网络的寻优方法较传统的正交实验寻优方法效果更佳,其优选出的益黄散最佳醇提工艺稳定可靠。

基于遗传算法优化下棉花的产量预测模型研究

棉花是我国重要的经济作物与棉纺织业发展的主要原材料之一,是我国经济发展的支柱产业。在棉花种植过程中,农田措施、气象环境等都会对棉花生产产生影响。对棉花生长因子进行分析,建立棉花预测模型,预测我国棉花产量,对于指导棉花生产和促进我国经济发展具有重要意义。为此,针对传统BP神经网络在预测中存在测试精度低、鲁棒性差等问题,利用遗传算法(Genetic Algorithm, GA)对BP神经网络模型进行优化,构建GA-BP神经网络模型;同时,基于湖北省2011-2021年棉花播种面积、气象因子、自然灾害和棉花产量,构建BP神经网络、GA-BP神经网络模型,对湖北地区棉花产量进行预测。研究结果表明:GA-BP神经网络模型精度明显高于BP神经网络模型,R2达到0.991。因此,通过GA-BP预测能够更加科学、合理地进行棉花产量预测,对棉花生产及管理措施的调整具有重要的指导意义。

基于机器学习的软土压缩模量预测及沉降分析

目前,常规土体试验及预测方法都难以准确获得压缩模量E_(s)。现基于机器学习理论建立一种非参数集成优化法计算E_(s),并与传统回归模型对比分析。从昆明地铁5号线会展中心场地选取203组泥炭质土物理力学指标样本,结合工程经验,选取其中8个重要的物理指标作为输入集,利用遗传算法优化BP神经网络输入层、隐含层及输出层之间的权值及阈值,采用相关系数R、正确率ACC及均方根误差RMSE多个评估指标优化确定算法的重要参数,将建立好的模型应用于多种土体,并与目前应用较多的方法对比分析,最后比较经验公式与本文方法预测地基沉降的性能。结果显示,GA-BP神经网络方法对分析样本适应性强、算法收敛快、所得结果精准可靠,具有较大优越性。该方法对软土场地多参数预测具有一定的指导意义。

基于机器视觉的火箭贮箱焊缝射线检测

针对当前火箭贮箱焊缝采用工业机器人作为射线检测系统的执行机构,通常按照“示教-再现”进行既定轨迹运动,不能适应小批量多品种的柔性与智能生产线的问题,将伺服机构、图像处理技术与智能机器人相结合,采用基于图像的视觉伺服控制(IBVS)方法反馈当前图像特征信息,与期望图像特征进行对比形成图像特征偏差,再基于SSA-BP的控制方法,将得到的特征误差用于火箭贮箱焊缝检测中的焊缝位置误差补偿,以提高射线检测系统的作业精度。最后通过试验,验证了该方法具有良好的自适应性和鲁棒性。

无蜂窝大规模MIMO系统接入点动态选择算法

在无蜂窝大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中,所有接入点(Access Point,AP)为用户提供服务的方式会造成较大的功率消耗和增加前传链路压力。以“用户为中心”的AP选择方案为每个用户选择最佳的AP集合,使系统频谱效率和能量效率得以提升。为了给每个用户选择最佳的AP集合,提出了一种基于反向传播(Back Propagation,BP)神经网络的接入点动态选择算法。将AP与用户之间的大尺度衰落向量作为输入,AP与用户之间的连接关系作为BP神经网络输出的预测向量,同时,针对BP神经网络初始化权值,提出了一种改进的自适应遗传算法以提高算法的收敛速度和收敛性能。仿真结果表明,改进后的BP神经网络预测结果更接近于实际值,并且比全连接和启发式的AP选择方案具有更高的系统和速率。

基于CSSA-BPNN模型的胶结充填体动态抗压强度预测

充填采矿法二步骤回采时胶结充填体稳定性受爆破扰动而降低。为快速准确地获得充填体动态抗压强度,利用分离式霍普金森压杆(SHPB)进行了40组不同应变率的单轴冲击实验,以灰砂比、充填体密度、养护龄期和平均应变率作为输入参数,充填体动态抗压强度作为输出参数,建立了一种基于Logistic混沌麻雀搜索算法(CSSA)优化BP神经网络(BPNN)的预测模型,并与传统BPNN和麻雀搜索算法优化的BPNN进行了对比分析。结果表明:CSSA-BPNN模型的平均相对误差为4.11%,预测值与实测值之间拟合的相关系数均在0.96以上,模型预测精度高。CSSA-BPNN模型的均方根误差为0.395 0 MPa,平均绝对误差为0.359 2 MPa,决定系数为0.995 2,均优于另外两种预测模型。实现了对充填体动态抗压强度的准确预测,可大幅减小物理实验量,为矿山胶结充填体的强度设计提供了一种新方法。

基于BP神经网络算法的异步电机故障诊断系统研究

为了确保电机安全可靠地运行,研究了BP神经网络算法对异步电动机进行故障诊断。通过MATLAB平台,分别使用附加动量因子和自适应学习率两种梯度下降法进行网络训练,搭建故障诊断BP网络模型。以MSE值为指标优化最佳隐含层节点数、动量因子与学习率,并通过遗传算法来优化BP网络的初始权值,对故障测试样本进行仿真测试。结果表明,GA-BP网络模型比MF-BP和AG-BP的MSE值更低,仅为0.009163,优化后的诊断预测结果与目标值几乎没有差别。基于遗传算法改进的故障诊断系统模型能够满足异步电动机故障诊断的应用需求。

基于NB-IoT技术的环境监测系统优化设计

为进一步提升工业生产过程的安全系数,提出一种基于窄带物联网NB-IoT的环境监测系统。其中,以NB-IoT技术作为系统的主要通信,以传感器为主要的环境数据采集工具,以改进的BP神经网络作为预测方法进行环境风险预测。实验结果表明,与传统的BP神经网络相比,经过粒子群算法PSO优化的BP神经网络具有更高的预测精度,且稳定性较好,将其应用于环境风险的预测时误差始终保持在1%的误差范围内。设计的基于NB-IoT的环境监测系统能够进行准确的数据采集和风险预测,能够进一步保障生产安全,可行性较高。

紫外光谱结合BP神经网络算法建立食用油掺伪煎炸油的快速鉴定模型

为建立一种快速食用油掺伪煎炸油检测方法,采用紫外光谱法鉴别其掺伪,本研究选取大豆油、玉米油和葵花籽油为代表分别煎炸,在纯油中掺入相应煎炸时间0~6 h及掺假梯度0%~90%的煎炸油制备掺伪油样,进行紫外光谱及二阶导数预处理,经处理后的光谱特征峰与BP(Backpropagation)神经网络算法结合建立食用油掺伪煎炸油模型,对掺入煎炸油类别、煎炸时间和煎炸油含量进行鉴别分析。结果表明二阶导数预处理后掺伪煎炸油的光谱特征峰中大豆油为446、462 nm、玉米油为268、274 nm、葵花籽油为280、288 nm,根据其特征峰位与峰值建立Levenberg–Marquardt算法(LMA)、动量梯度下降法(MGD)及弹性梯度下降法(EGD)掺伪模型识别率分别为98.15%、91.67%、95.52%。

基于改进GWO-BP神经网络的电磁线圈温升预测

针对差速器运转时电磁线圈温升的非线性与复杂性以及传统BP神经网络在预测中存在的问题,采用改进后的灰狼算法(gray wolf optimization,GWO)对BP神经网络进行优化,并根据室温环境下现场跟踪试验的数据建立以运行时间、直流电流、运转功率为输入,以某型电子锁式差速器电磁线圈连续工作8 h后的实时温度与初始环境温度间的温升差值为输出的网络预测模型。选取平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、均方误差(mean square error,MSE)作为系统评价指标,分别与传统BP网络模型、粒子群算法优化后的网络模型(PSO-BP)进行对比,结果表明GWO-BP神经网络模型具有更好的预测能力和更小的误差精度。为实现汽车轴间差速器上电磁线圈温升变化的精准预测提供了方法和思路。

β成核聚丙烯/蒙脱土纳米复合材料的结构与力学性能

本文使用双螺杆挤出机制备了β成核聚丙烯(β-PP)/有机蒙脱土(OMMT)纳米复合材料。采用FTIR、XRD和SEM分析了复合材料的微观结构与形貌特征,考察了OMMT、β成核剂(β-NA)及增容剂用量对复合材料冲击强度和弯曲强度的影响,并对比研究了标准BP神经网络模型和LM-BP神经网络模型对力学性能的预测能力。结果表明,增容剂与OMMT表面形成了强相互作用,提高了复合体系的相容性,黏土片以插层结构分散在β-PP基体内。OMMT、β-NA及增容剂用量对复合材料的力学性能均产生了一定影响,其中添加30%增容剂时复合材料的冲击强度约为不添加时的4倍,而弯曲强度仅降低了28.39%。此外,与标准BP神经网络模型相比,LM-BP神经网络模型具有更快的收敛速度和更高的预测精度。该研究为优化PP基纳米复合材料的制备及力学性能预测提供了参考。

基于FA-BP神经网络的生姜干燥含水率预测

为探索生姜的干燥特性,并实现生姜干燥的含水率预测,研究了不同干燥温度(50、55、60℃)、干燥风速(1.0、2.0、3.0m/s)、切片长度(30、35、40mm)对生姜干燥时间和干燥速率的影响。结合BP神经网络自适应能力、泛化能力、学习能力强和萤火虫算法(FA)参数少、寻优能力强、收敛速度快等特点,将干燥温度、干燥风速、切片长度和干燥时间作为输入层,隐藏层个数为10,输出层为生姜的含水率,搭建一个拓扑结构为“4-10-1”的FA-BP神经网络模型。研究结果表明:干燥温度、干燥风速、切片长度都是影响生姜含水率的关键因素,增加干燥风速、提高干燥温度和减少切片长度能有效缩短生姜的干燥时间,提高干燥效率。选用萤火虫算法优化BP神经网络的权值和阈值,减少了神经网络的训练时间,提高了精准度,其含水率预测值与试验值之间的决定系数R2=0.999 02,均方根误差RMSE为0.002 99,含水率预测结果准确且迅速,能够为生姜干燥过程中的含水率在线预测提供科学依据。

MPCVD设备样品台温控系统的设计

由于传统MPCVD设备样品台温度控制需要使用手动调节样品台距等离子源的距离,且调节精度差,为此设计一种样品台温控系统,同时设计了样品台温控系统硬件控制器。该控制器以STM32F407单片机为核心,步进电机、丝杠、金属波纹管为执行机构,通过控制样品台在腔体内距等离子源的距离,实现温度控制。并提出一种将改进鲸鱼算法(WOA)与神经网络PID控制算法结合的控制方法,实现PID参数的自适应调整。仿真和实验结果表明:相对于传统PID算法,使用该温控系统进行温度控制时,超调量更小,控制精度更高,控制效果有很大提升。

车轴滚齿加工工艺参数GA-BP模型NSGA-Ⅱ优化

研究了高速条件下的滚齿工艺参数设置与优化方面的工作,采用新的非支配遗传算法NSGA-Ⅱ设计了相应的优化数学模型,优化达到最低能耗以及最长的刀具使用期限,再以遗传反向传播算法(GABP)神经网络为目标设置预测模型并建立适应度函数,完成迭代优化后获得匹配滚齿工艺的Pareto最优条件。研究结果表明:这里预测模型经过5次循环计算后,均方差为10-5,得到0.000425的最优值,推断上述网络满足良好的稳定性。刀具寿命误差相对后者降低16%,降低了36%的能量损耗,发现GABP算法具备更优收敛能力。Pareto解集获得了比相近加工样本集更优的性能,因此采用多目标优化模型可以确保加工能耗和刀具使用寿命同时达到最佳状态。该研究对提高的滚齿加工工艺参数以及提高机加工效率具有很好的实际应用价值。

BP神经网络算法结合超高效液相色谱-质谱联用技术研究红花治疗慢性酒精性肝损伤的作用机制

临床上,红花对慢性酒精性肝损伤(chronic alcoholic liver injury,CALI)有很好的疗效,但治疗机制不甚明确。因此,阐明红花治疗CALI的分子作用机制对药物的进一步开发及应用具有重要意义。以雄性Wistar大鼠为研究对象,模型组大鼠以8 mL/kg酒精连续灌胃28天,建立CALI模型;给药组大鼠分别以高(4.290 3 g/kg)、中(1.430 1 g/kg)、低(0.476 7 g/kg)剂量灌胃红花提取物。采用大鼠血清代谢组学分析方法结合超高效液相色谱-质谱技术鉴定与CALI相关的潜在生物标志物,并研究红花对这些生物标志物的调控机制。利用MATLAB软件建立BP神经网络模型处理组学数据的分类问题。从苏木精和伊红(H&E)染色实验发现,高剂量红花提取物减轻了肝细胞的损伤程度;与模型组相比,高剂量红花组中的丙氨酸氨基转移酶(ALT)和天冬氨酸氨基转移酶(AST)的表达水平降低,表明高剂量红花提取物具有肝保护作用。BP神经网络模型的分类准确率为95.8%,分类效果良好。通过火山图分析共鉴定出20种与CALI相关的生物标志物,红花可以对这些生物标志物产生回调效果。研究表明,红花可能通过对甘油三酯、脂肪酸、磷脂、胆汁酸、氨基酸、维生素E代谢的调控作用而对CALI产生治疗效果。本研究可为红花的推广和临床应用提供了理论基础。

卷烟配方模块价值计量分析模型研究

针对传统配方模块质量评价方法存在主观性、盲目性等缺点,以及其所造成的配方模块质量与其实际生产、使用存在较大偏差,提出了一种基于历史生产数据的配方模块价值计算方案,挖掘由配方模块实际使用情况衡量配方模块价值与配方模块质量的关系,以该方案计算结果作为表征配方模块综合质量的指标,并运用BP神经网络算法和统计分析方法验证计算结果的合理性。结果表明,感官指标(香气、烟气、味感、香型)与档次显著正相关,化学指标(烟碱CV、糖碱比)与档次无显著相关性,档次作为配方模块质量的评估方案太过主观。而配方模块价值与感官指标、化学指标均显著相关,说明配方模块价值是结合了主观指标与客观指标的综合体现,因此更适合用来代表配方模块的质量;配方模块价值计算方案充分考虑了卷烟实际生产运作的特点,更加贴合生产实际,能够更好地为卷烟配方模块的生产和使用提供指导。

基于遗传算法优化BP神经网络的生石膏超细磨预测效果研究

为提高BP神经网络对生石膏超细磨效果的预测准确性,采用Pearson相关系数对超细石膏粉体正交试验产品细度与影响因素的显著性进行分析,并利用遗传算法优化BP神经网络对超细石膏粉体试验产品的d_(50)和d_(90)进行预测,结果表明:超细石膏粉体制备过程中影响细度因素的显著性由大到小依次为排矿口宽度、矿浆质量分数和超细磨时间。利用排矿口宽度和矿浆质量分数两个主要影响因素,利用遗传算法对BP神经网络进行优化,与未优化的BP神经网络相比,经遗传算法优化的BP神经网络具有更高的精度,预测误差也更小,其d_(50)平均绝对误差为0.7575,均方误差为0.7977,均方误差根为0.8931,平均绝对百分比误差为4.4838%;d_(90)平均绝对误差为0.7870,均方误差为0.8294,均方误差根为0.9107,平均绝对百分比误差为1.6658%。研究成果可为超细粉体的制备提供参考。

基于改进 PSO-BPNN 的拖拉机液压油品质监测

为实现对拖拉机液压油品质的有效监测,保障拖拉机液压系统的平稳运行,基于改进PSO-BPNN设计一种针对拖拉机液压油品质的监测方法。首先,为研究拖拉机液压油品质恶化情况,在液压油新油的基础上配制不同比例的液压油油样。随后,搭建拖拉机液压油品质监测试验装置,并依据试验装置采集与监测液压油粘度、介电常数和温度参数。然后,设计并搭建一种基于改进PSO-BPNN的拖拉机液压油品质监测模型,该模型利用正弦调整惯性权重的PSO算法优化BPNN的权值和阈值初始值,提高模型收敛效率。最后,为验证基于改进PSO-BPNN的液压油品质监测方法的可行性,与基于传统BPNN、标准PSO-BPNN的拖拉机液压油品质监测模型进行对比。结果表明,基于改进PSO-BPNN的拖拉机液压油品质监测方法具有较快的收敛速度,监测正确率达到97.78%,为优化拖拉机液压油品质监测方法提供参考。