综掘面风流调控下的瓦斯与粉尘浓度双目标预测模型研究

针对综掘面瓦斯和粉尘浓度预测能力不足,导致瓦斯粉尘积聚难以提前解决,造成风筒出风口风流调控降尘排瓦效果不佳的问题,采用层次分析法确定了瓦斯和粉尘浓度分布的关键影响因素,建立了7-11-3结构的双目标预测神经网络模型,并进行出风口距端头5 m和10 m工况下的应用测试,结果表明:模型误差率最大9.85%,最小0.27%。瓦斯浓度最高降低了45%,粉尘浓度最高降低了40%,有效预防了瓦斯和粉尘浓度的积聚问题。

基于GRU-CNN双网络输出构建BP模型的径流预测方法

提高径流预测精度是避免洪水灾害发生的重要手段,由于预测阶段并无已知有效样本,给预测工作带来难度,因此,提出以双网络输出为预测阶段提供数据参考,结合训练阶段双网络输出与真实值之间的关系,对预测阶段采用二次多变量建模实现径流预测。首先,构建GRU和CNN深度学习网络,同步输出2条径流预测序列;其次,在已知时段内,构建2条预测结果与实测值之间的多变量BP模型;最后,基于双网络输出预测值,通过确定的BP模型输出径流预测结果。经测试,该方法给预测时段提供了可靠的先验样本,高效学习了网络输出与真实值之间关系,预测精度显著提升。

基于双激光视觉成像与BP算法的微小位移测量

针对现有单激光视觉微位移测量方法中利用的图像特征信息不丰富,导致测量结果不精确的问题,本文提出了一种直射与斜射结合的双激光微小位移测量方法,配合BP(Back Propagation)神经网络实现位移的高精度测量。论文采用透镜成像和小孔成像的原理对双激光模型进行理论分析,使用ZEMAX对测距模型进行数值模拟,以验证所提方法的理论可行性与优越性;其次,根据数值模拟结果设计并搭建实验平台进行图像采集实验,提取一系列图像特征作为BP网络的输入,以位移参数为输出,构建位移预测模型。实验结果表明,相比单激光模型,本文提出的双激光位移模型有更高的测量精度,引入BP神经网络后,测量准确度达到99以上。本文为微小位移高精度测量提供了新方法与新思路。

基于残差BP神经网络的Baxter机器人逆运动学分析方法

提出1种基于残差BP(back propagation)神经网络的自适应逆运动学分析方法,围绕数据采集至实时控制的整个运动规划流程,采集140组位置和欧拉角数据,利用残差BP神经网络对Baxter机械臂进行逆运动学分析,拟合得到机械臂7个关节角度;将训练好的关节角度以话题的形式发布,通过在抓取物体的脚本中订阅该话题实现通讯;结合Rviz进行可视化展示和实物双臂协同实验,对4种物体模型分别用残差BP神经网络和普通BP神经网络进行抓取实验,验证所提方法的有效性。结果表明:所提方法的计算单点时间约8.1 ms,远小于机械臂的控制周期,可实现实时性的要求;在进行1500次训练的情况下,残差BP神经网络模型的均方误差为0.006,相比普通BP神经网络模型,误差降低0.077,提高了模型的准确性;所提方法的抓取成功率为87.5%,比普通BP神经网络提高了22.5%,验证了本文所提方法的有效性和实用性。

重型减速器在线监测与故障诊断研究

针对重型减速器故障诊断方法中故障特征不显著、易受外界干扰等问题,提出一种基于多维特征选择和BP神经网络的故障诊断方法。首先设计并布置重型减速器故障模拟实验台,使用多源传感信息采集平台进行信号采集;然后基于采集的振动信号,提出双树复小波变换和多维特征选择的轴承故障诊断方法作为底层诊断逻辑,并搭建BP神经网络模型进行故障识别。结果表明,该方法的诊断准确率为94%,能够满足在实际工况中对重型减速器的故障诊断需求。

基于BP神经网络的独立节流口阀流量-压力复合控制方法

相较传统比例阀,独立节流口阀因阀口独立控制,更易实现流量-压力复合控制功能。但由于流量、压力控制过程为多级闭环控制,仅采用传统PID控制算法难以满足流量-压力复合控制的要求。针对某型双阀芯独立节流口阀,提出了基于BP神经网络PID的流量-压力复合控制策略,利用BP神经网络算法可以逼近任意非线性函数的特性,实时调整PID控制器的参数值,并进行了理论分析和实验研究。结果表明:采用BP神经网络PID控制算法在流量-压力复合控制时,流量、压力控制精度分别为1.8%和2.1%,可以满足大多数流量-压力复合控制场合的需求。

基于神经网络的双模盾构复合地层掘进参数预测模型

依托深圳市轨道交通12号线怀德站-福永站区间隧道工程,基于EPB/TBM双模盾构穿越地质参数和现场掘进监测数据,采用BP神经网络方法建立双模式盾构掘进参数预测模型,分别对地层参数及掘进模式进行量化,将刀盘扭矩、刀盘转速、螺旋机转速、总推进力、隧道埋深、围岩等级、岩石单轴饱和抗压强度及不同掘进模式作为输入参数,预测出在不同掘进模式及不同地层条件下的设备掘进速率,针对3类典型地层的预测结果进行可视化分析验证,并对预测模型精度进行改进分析。结果表明:神经网络预测模型在TBM模式下的微风化段平均相对误差为8.6%,EPB模式下的强风化段平均相对误差为10.6%,EPB模式下的中风化段平均相对误差26.2%;该模型对强风化段及微风化段等地层强度变化较为稳定的地层预测精度较高,同时,该预测模式适用于22个隐层神经元并对掘进速率采用直接放缩的方法。

基于UFELM的DHP在水泥回转窑系统中的应用

水泥是建筑等行业必不可少的原材料之一,回转窑是水泥烧成的核心设备。水泥回转窑烧成系统是典型的多扰动、强耦合、大时滞的非线性系统,其导致回转窑温度难以控制,为克服这一难题,建立了基于遗传算法改进BP网络水泥烧成系统模型。在此基础上,利用全反馈极限学习机的双启发式动态规划(UFELM-DHP)算法设计回转窑烧成系统优化控制器。仿真结果表明,此算法可以实现回转窑烧成系统的稳定控制,且具有更快的控制速率。

基于神经网络的天然气双燃料发动机性能预测

基于柴油/天然气双燃料发动机测试台架试验数据,以发动机扭矩、转速、喷油时刻、喷油压力和天然气替代率、过量空气系数为模型输入参数,以发动机燃油消耗率和CO、NO_(x)、总烃(THC)排放体积分数和碳烟排放量为模型输出,构建了基于逆向传播(BP)神经网络和遗传算法(GA)优化的GA-BP神经网络的预测模型,并将预测结果与试验值进行对比验证。研究结果表明:GA-BP神经网络模型相比BP神经网络模型具有更好的预测性能;GA-BP神经网络模型对5个输出参数预测的平均绝对百分比误差M_(APE)均小于6%,并且决定系数R^(2)均大于0.97,模型具有较高的预测精度和泛化能力。

并联基追踪稀疏分解在齿轮箱弱故障诊断中的应用

为了提取齿轮箱振动信号淹没在强背景噪声中的早期微弱冲击故障信息,先利用不同长度的窗函数的短时傅里叶变换对信号进行稀疏分解,得出初始分解系数,再利用并联基追踪对处理得到的系数进行优化处理,最后对得到的系数进行重构,分别得到信号的持续振荡成分及故障冲击成分,进一步对故障冲击成分分析得出诊断结果。仿真信号分析及应用实例分析结果表明了算法的可行性及有效性,为强噪声环境下的机械故障信号提取提供了一种新的思路。

基于DSP的便携式气体检测仪系统

以新型处理器DSP TMS320F28335为核心,提出一种新型的便携式气体检测系统研究方案。该方案选用6个气敏传感器和温湿度测量模块共同组成传感器阵列,结合优良气体检测模式识别算法的选取原则,运用改进的具有温湿度补偿能力的新型双BP网络对含有甲烷(CH4)和氢气(H2)两种混合气体中单一气体成分和混合气体成分分别进行定性识别和定量检测。实验结果表明:该方案克服了其它某些模式识别方法存在的一些不足之处,并提高了气体定性识别和定量检测的准确率,具有较高的工程应用价值。

老年患者置入新型药物洗脱支架术后6个月与12个月双联抗血小板治疗的有效性和安全性比较

目的比较老年患者置入新型药物洗脱支架(BP-SES)术后,应用6个月与12个月双联抗血小板治疗(DAPT)的疗效和安全性。方法纳入I-LOVE-IT 2研究中置入BP-SES老年患者(≥65岁)627例,其中接受6个月DAPT治疗319例(6个月DAPT组),12个月DAPT治疗308例(12个月DAPT组)。本研究的主要终点为12个月的靶病变失败(TLF,包含心源性死亡、靶血管心肌梗死和临床驱动的靶病变再次血运重建的复合终点),次要终点为12个月净不良临床事件(NACE,包含全因死亡、心肌梗死、缺血性卒中或全部出血的复合终点)以及12个月支架内血栓形成发生率。结果两组患者年龄、性别、体重指数、糖尿病、高血压病等方面比较,差异均无统计学意义(均P>0.05)。基线SYNTAX评分、靶病变个数、靶血管位置等基线造影特征方面比较,差异均无统计学意义(均P>0.05)。随访12个月Kaplan-Meier累积事件,6个月DAPT组主要终点TLF发生率(7.2%比7.1%,P=0.980),次要终点NACE发生率(14.1%比13.0%,P=0.726),支架内血栓形成发生率(2.8%比1.0%,P=0.101)与12个月DAPT组比较,差异均无统计学意义。明确或极可能的支架内血栓形成共5例,其中6个月和12个月DAPT组分别有3例和2例(0.9%比0.6%,P=0.682),差异无统计学意义。界标分析结果显示,在6至12个月随访期间,6个月DAPT组TLF(2.3%比1.7%,P=0.593),NACE事件发生率(4.2%比2.9%,P=0.392),出血发生率(1.0%比1.0%,P=0.961)与12个月DAPT组比较,差异无统计学意义。结论在接受新一代药物洗脱支架置入的老年患者中,术后接受6个月DAPT治疗者,有效性和安全性与接受12个月DAPT的患者差异无统计学意义。

节气负荷预测方法研究

针对电力负荷预测的实际困难,提出了一种进行负荷预测的新思路,即采用节气负荷作为建模数据,并根据负荷呈现出的较为明显的时序性、周期性特点,将数据分离成趋势分量、节气周期分量,以及时间噪声及白噪声,采用双因子ARIMA模型对数据进行拟合,并以BP网络方法完成负荷预测。据此,着重论述了电力负荷预测中建模数据的选择、预处理方法及其对预测精度的影响。

基于BP神经网络双燃料发动机放热率计算与试验

利用BP神经网络理论,建立预测生物制气-柴油双燃料发动机放热规律的BP神经网络模型,经试验验证,预测模型误差在工程允许范围内,可以作为一种新型的预测双燃料发动机放热规律的方法.同时研究了双燃料发动机性能参数对放热规律的影响.结果表明,转速降低,燃烧始点相对提前,放热率峰值对应相位相对提前;转速不变负荷增加时,燃烧始点相对提前,引燃柴油的滞燃期缩短,最大放热率升高,对应的曲轴转角提前,但后燃现象严重.

BP网络在双燃料发动机排放预测中的应用研究

利用改进后的 BP算法 ,分别对改装前后的 LPG/柴油双燃料车用发动机的转矩和烟度建立了神经网络模型 ,并利用该神经网络模型对比分析和预测了烟度的变化情况 ,说明在保证车用柴油机的动力性能不变的情况下 ,为减少烟度的排放而采用的掺烧 LPG的机械装置和控制策略是成功的 .

变压器局部放电信号检测与类型识别

为实现变压器局部放电信号检测和类型识别,设计基于超高频(UHF)法的变压器局部放电检测系统,针对4种典型的变压器放电模型进行了局部放电实验,获得相应的局部放电包络信号数据,并通过以太网通信将数据上传至电脑。利用提升双树复小波变换对包络信号数据进行消噪,从消噪后的信号不难看出,同一放电模型的局部放电包络信号形状大致相同,不同放电模型存在差别。提取6种包络信号的特征参数,结合外部加载电压,采用BP神经网络对变压器局部放电类型进行识别,当训练误差δ=0.02时,变压器放电类型识别平均正确率在98%以上。

基于BP神经网络的土壤容重预测模型

土壤容重是农业生产和研究的重要参数,但因成本高、工作量大等原因,其获取仍是一个紧迫的问题。数学建模技术使得科研人员尝试使用土壤传递函数PTFs间接获取土壤容重值。本研究以复合圆锥指数仪为工具,探讨应用BP神经网络建立PTFs预测土壤容重。选取粘土和粉质壤土作为实验对象,在MATLAB2008a上建立、并评价预测土壤容重的BP神经网络,即PTFs模型。研究中以均方根误差RMSE和决定系数R2为性能指标来评价所建BP神经网络。结果表明,针对复合圆锥指数仪的测量结果,应用BP神经网络算法建立PTFs可以有效预测土壤容重。粘土容重预测的决定系数R2达到0.6973,粉质壤土容重预测的决定系数R2达到0.6868。实验结果还证实土壤容重预测与测量深度无关,但与土壤类型显著相关。

新型混合有源电力滤波器的特性分析和控制方法

本文针对某变电站35kV高压侧存在谐波超标、无功不足的情况,研究了一种适用于高电压等级的大功率双谐振注入式混合有源电力滤波器。在分析了其拓扑结构的基础上,讨论了该滤波器的滤波性能特性、双谐振注入支路的无功补偿特性和其分压分流特性。为了增强整个系统的稳定性,提出了谐波电流双闭环控制策略,内环以逆变器输出电流为控制目标采用传统PI控制器;外环以电网谐波电流为控制目标,针对外环控制目标为非直流量的特性,提出了基于改进PSO-BP神经网络的递推积分PI控制方法,使用改进的PSO-BP神经网络来调整控制器的比例、积分系数,具有很好的稳态和动态性能。实例分析验证了本文研究内容的有效性和正确性。

基于BP神经网络实现普通电阻率和双侧向电阻率的转化

老油田开发时间长,不同年代测井系列差异大,为开展储层定量解释,电阻率测井资料十分关键。基于BP神经网络的基本原理,根据某地区同时测有普通电阻率和双侧向电阻率曲线的多口井资料,选取合理的输入层参数,训练了合适的BP神经网络模型,建立普通电阻率曲线和双侧向曲线的非线性的映射关系。利用所训练的神经网络模型对该地区其他井进行了普通电阻率的转换,对转化的电阻率曲线和双侧向的深浅电阻率曲线进行对比,验证了BP神经网络实现新老2种电性曲线转化的可行性和准确性。

基于BP神经网络的电控LPG-柴油双燃料内燃机碳烟排放的预测

建立了一个基于BP神经网络的碳烟排放模型,用它来预测电控LPG-柴油双燃料的碳烟排放。模型将转速、油泵齿条位置、油门开度、LPG喷气时间、冷却水温度、转矩作为输入变量。本文采用准牛顿反向传播算法,对试验样本数据进行训练,并对此模型进行了泛化检验,将预测结果与试验结果进行了比较。此排放模型可以指导双燃料内燃机的排放性能优化试验,减少试验工作量。