机器视觉系统中光源位移误差分析与优化

为了采集多类型工况的图像,扩大神经网络的学习样本。改变光源的高度能显著影响图像的差异,为此对影响光源位移准确度的步进电机和驱动结构进行误差分析并提出对应的优化补偿方法。经由对四台步进电机所需负载分析研究,建立负载模型,优化负载驱动电路。针对传动结构中轴心定位误差以及丝杆应力的干扰分别设计优化方案并完成对整体方案的验证。实验表明优化方法能有效地减小装置误差,四组传动丝杆的定位精度分别提升了88.896%、98.336%、45.081%、31.479%,优化效果明显,为图像采集提供位移精度保证。

计及误差补偿的两阶段短期电力负荷预测方法

针对短期电力负荷预测中的不确定性和波动性问题,提出了一种计及误差补偿的两阶段短期电力负荷组合预测方法:第一阶段,采用变分模态分解将电力负荷数据分解为若干个简单模态,利用基于萤火虫扰动优化的麻雀搜索算法对双向长短时记忆神经网络的超参数进行寻优,建立负荷预测模型,得到初始负荷预测功率值;第二阶段,综合考虑误差序列以及外界影响因素,建立误差补偿模型,得到误差补偿值,将两个阶段的值相加即为最终的负荷预测结果。以两个地区小区的实际负荷数据进行算例仿真,与其他的组合预测方法相比,本研究提出的方法具有更高的预测精度,平均绝对百分比误差和均方根误差分别达到1.26%、16.20 kW,验证了所提方法的有效性。

基于SRDHLGRU神经网络和差分误差补偿的短期电力负荷预测

为解决短期电力负荷预测模型中迭代训练过程的误差累积,预测结果精度低的问题,基于双向门控循环单元(BiGRU)在短期电力负荷预测中的理论基础,在BiGRU的底层结构上进行改进,并对预测过程中产生的误差进行补偿,提出一种基于SRDHLGRU神经网络和差分误差补偿的短期电力负荷预测方法。第一阶段,建立堆叠的反向双层高低级门控循环单元(SRDHLGRU)网络模型,得到模型预测过程中产生的误差序列。第二阶段采用差分分解(DD)方法将第一阶段产生的误差序列进行一阶前向差分得到误差变化量序列,再次建立SRDHLGRU模型进行训练和预测,从而对第一阶段结果进行误差补偿。结合西部某市负荷数据集,基于Python算法开展短期电力负荷预测的仿真,对比几种主流预测算法,仿真结果表明该组合模型的预测精度和稳定性比传统模型都有一定提升。

伺服加载系统非线性建模及间隙补偿控制研究

分析机械间隙误差对于伺服加载系统加载液压缸位移、负载压力和流量的影响,提出了伺服加载系统机械间隙误差的补偿控制方法,建立了机械间隙误差影响下的伺服加载系统非线性模型。通过Simulink系统仿真和系统实验,对伺服加载系统非线性模型和机械间隙补偿方法的精确性进行验证。实验结果显示:低航速小负载工况时的输出负载力精度误差由18%降低至10%,高航速大负载工况时的输出负载力精度误差由21%降低至8%,被测产品伺服机构在全行程内的输出负载力滞后误差基本消除。

工件载荷对机床定位误差的影响分析及补偿研究

影响机床精度的因素众多,其中,工件载荷对机床产生的误差同样不可忽视。通过对机床的受载情况进行静力学分析,并利用激光干涉仪对机床的定位误差及其他各项几何误差进行测量,其结果显示,工件载荷对机床的几何误差存在很大影响,尤其在定位精度上,加载100 kg与空载相差10%左右,并且在进行误差补偿之后,这一差距会提升到40%左右,在此基础上提出了结合载荷的定位误差补偿方法。该方法解决了螺距误差补偿在实际工况下会产生欠补偿或过度补偿的问题。

基于误差补偿LSTM-GRU的综合能源系统多元负荷预测

为实现对综合能源系统的日前调度,需要对综合能源系统的电负荷、热负荷、冷负荷进行联合预测。针对综合能源系统多元负荷的复杂影响因素,首先,通过灰色关联度分析筛选出对多元负荷影响较大的影响因素;随后,采用传统长短期记忆(Long short-term memory,LSTM)神经网络对负荷进行预测;其次,通过门控循环单元(Gated recurrent unit,GRU)对预测误差进行训练,得到误差补偿值;最后,通过负荷预测值与误差预测值的重构,获得更精确的负荷预测值。通过实例对比误差补偿对预测精度的影响,验证了误差补偿模型的可行性,将所提预测方法与其他两种预测模型进行比较,该方法可以提高多元负荷预测的精确度,证明了该方法的优异性。

基于多储备池相关向量回声状态机和误差补偿的短期负荷预测研究

针对相关向量机核函数存在计算复杂度高、无法体现数据全部特点的问题,提出一种基于多储备池相关向量回声状态机和误差补偿的模型。多储备池具有稀疏性强、内部状态稳定的特点,采用多储备池加权组合代替核函数对数据进行高维映射,并通过稀疏贝叶斯理论求解模型参数。综合考虑多储备池初始化与训练过程的随机性,提取训练产生的误差并结合多种影响因素构建误差补偿环节,对预测结果进行修正。根据某地电网实际负荷数据进行仿真验证,结果表明该模型具有良好的精度与稳定性。

大型龙门导轨磨床工作台运动精度控制方法研究

大型龙门导轨磨床工作台整机运动场、主轴漂移量、补偿误差均会对控制精度产生影响,因此研究新的大型龙门导轨磨床工作台运动精度控制方法;根据大型龙门导轨磨床基本结构连接形态,求解主要技术参数,实现龙门导轨磨床工作台设计;从静态、动态两个角度出发,分析立柱部件、横梁部件受力情况,确定多目标拓扑与模态有限元条件,以此分析磨床工作台的运动特性;以动静态参数求解结果和整机运动场为基础,计算主轴漂移量的取值范围,结合相关运动参数计算补偿误差数值,结合对补偿误差数值计算以及PDDF控制器结果对工作台运动精度进行控制;实验结果表明,所提方法可以将工作台运动路径拟合误差控制在0~0.07 mm范围之内,满足龙门导轨磨床工作台运动精准控制的要求,实际应用效果好。

基于优化隶属度函数的电能分项计量误差补偿方法

在对电能分项计量误差进行补偿时,误差影响因素具有动态属性,以固定值进行补偿往往存在偏移较大的问题,因此提出基于优化隶属度函数的电能分项计量误差补偿方法。在分析了电网电流、补偿器输出电流以及非线性负载输出电流之间关系的基础上,采用傅立叶级数对非线性负载输出电流进行展开处理,并将其中的谐波电流值作为电能分项计量误差。在误差补偿阶段,构建了以电能分项计量误差影响因素为基础的典型隶属度函数集合,并计算了隶属度函数权重,将影响因素动态变化下的谐波残余作为补偿结果。测试结果表明,该补偿方法的补偿偏移稳定在0.111%以内,谐波减少率达到了65.23%以上。

数控机床误差补偿技术及应用载荷误差补偿技术

利用有限元法对机床的结构进行受力变形的分析，并用接触理论对导轨的受力变形进行分析计算，提出了计及载荷误差的机床空间误差通用计算模型。用此计算模型在多种载荷下对ＸＨ７１５加工中心的空间误差进行计算，其结果与实测值基本吻合。

螺距误差对套管螺纹载荷传递特性的影响

根据套管螺纹接头的结构和受载特点，在先期建立的套管接头螺纹旋合接触的有限元分析模型和分析程序的基础上，研究了因加工误差而造成套管接头内、外螺纹螺距不一致时对其载荷传递特性的影响；给出了在内、外螺纹具有不同的螺距配合时，载荷在套管接头各扣螺纹上的分布规律曲线，为设计时合理选择套管接头内、外螺纹的螺距公差提供了依据．

航空薄壁件与铣刀的加工变形误差补偿研究

基于三维铣削力数学模型,应用实验对铣削力系数进行辨识。以刀具和工件的加工变形为研究对象,仿真出刀具与工件的变形量,并绘制不同约束下的工件变形曲线。通过对曲线的分析,求出加工过程中刀具与工件变形对精度变化影响的因素和规律。提出一种基于有限元加工变形的计算误差补偿方案,实现铣削参数的优化,提高铣削加工精度。

1m望远镜俯仰轴系精度检测误差的修正

针对1 m望远镜俯仰轴系检测精度未达到系统指标,而系统运转性能优异的问题,研究了系统可能存在的可消除误差项。通过对影响1 m望远镜俯仰轴系精度的主要因素—中间体(四通)的有限元分析和运算,得出了四通在不同俯仰角度的变形曲线,并与实际检测结果进行对比,找出两者的相同特征并进行了补偿。按此方法使得望远镜俯仰轴系晃动误差PV值从2.42″降到0.95″,RMS值从0.7″降到了0.3″,提高了系统精度模型的准确性。推导出了设计过程中的检测指标,为更大口径望远镜轴系的设计和检测提供了理论依据。

基于基因表达式程序设计及误差循环补偿的电力系统短期负荷预测

将基因表达式程序设计(gene expression programming,GEP)算法应用于电力系统短期负荷预测中,并提出误差循环补偿模型,得到了较高的预测精度。预测过程先对负荷样本进行常规和滤波处理,消除伪数据,然后运用基因表达式程序设计的灵活表达能力,把不同日、同一时刻的负荷序列作为样本,对未来时刻的负荷进行分时短期预测。得到预测模型后,计算其与样本数据的误差,再把误差值作为样本进行演化,并把误差模型补偿到原模型上,如果达不到预测要求,则循环计算模型误差进行演化,直到满足要求为止。结果表明基因表达式程序设计算法具有较高的效率,且误差循环补偿模型能够有效补偿演化过程中的误差。经比较,基于基因表达式程序设计及其误差循环补偿的预测模型比时间序列和遗传程序设计算法具有更好的预测效果。

基于导数约束的称重传感器非线性误差补偿方法

电阻应变式称重传感器存在严重的非线性误差,直接影响称重结果的准确度。本文首先阐述了称重传感器的非线性误差机理与误差补偿原理,提出了一种基于导数约束的称重传感器非线性误差补偿方法。该方法根据称重传感器输入-输出特性曲线的单调递增性,构造神经网络补偿模型训练的约束条件,完成神经网络优化设计,弥补了因训练样本不足导致的网络泛化误差大的缺陷,同时讨论了惩罚因子对网络性能的影响。实验表明,采用这种基于导数约束神经网络补偿方法(DCNN方法)的称重传感器的非线性误差远小于补偿前的误差;同时当训练样本不足时,DCNN方法比传统训练方法(仅利用数据样本训练神经网络,DINN)具有更好的泛化能力,称重准确度更高。

切削载荷下数控机床误差分析及补偿方法研究

针对切削载荷对数控机床造成的动态误差,将在线检测和补偿技术应用到数控机床动态误差消除中。通过建立数控机床主轴系统的动力学模型,开展切削载荷下动态误差机理分析,建立了切削载荷跟动态误差之间的关系,提出了基于动态误差的非接触式在线检测和软件补偿方法。在该方法的基础上建立了基于在线检测的误差补偿系统,并利用该系统进行了动态误差检测和补偿的实验。研究结果表明,该补偿系统简单、可靠性高,有效地提高了机床的加工精度。

基于弹性补偿有限元法的无梁岔管安全评价

引入承载比和广义屈服准则,提出基于弹性补偿有限元法的无梁岔管安全评价方法,该法根据塑性极限分析原理,先利用承载比改进采用无量纲内力表达的板壳单元广义屈服准则,扩展了广义屈服准则的适用范围,同时利用弹性补偿有限元法设置了单元弹性模量调整的广义应力阈值,改进了传统弹性补偿法的收敛问题,提高了板壳结构极限分析的精度。方法的可靠性通过3个算例得到验证。在此基础上,对某大型水电站的四通无梁岔管通过求解岔管的壳体安全系统和破坏模式进行安全评价。实际应用表明,弹性补偿有限元法可应用于结构极限分析,其收敛性、计算精度和稳定性均较好,可用于无梁岔管的安全评价。

基于差分分解和误差补偿的短期电力负荷预测方法

基于序列分解的方法能够提高短期电力负荷预测精度,但会带来误差的积累。同时,现有方法忽略了历史预测误差与当前预测结果的相关关系。提出了一种基于差分分解和误差补偿的短期电力负荷预测方法(differential decomposition-error compensation-gated recurrent unit,DD-EC-GRU)。首先,对原始负荷序列进行一阶差分,将负荷的预测问题转化为负荷变化量的预测问题。基于此,在一组实际预测负荷序列的基础上引入多组辅助预测负荷序列,应用门控循环单元(gated recurrent unit,GRU)构建多目标迭代预测网络。最后综合考虑各序列迭代预测误差的变化趋势与平稳性,构建基于序列相似度和人工神经网络集成模型的误差补偿网络,提升预测精度。在3个实际负荷数据集上对DD-EC-GRU各环节有效性进行验证,并与多种主流算法对比,结果表明本文所提方法有较高的预测精度和较强的适应能力。

称重传感器非线性误差自适应补偿方法

额定量程内称重传感器的非线性误差不同,为此阐述了称重传感器的非线性误差特性,提出了一种非线性误差自适应分段补偿方法:在额定量程的上限区,采用基于径向基函数神经网络(RBFNN)的补偿网络完成传感器非线性误差补偿;在下限区,采用数字滤波器完成非线性误差补偿;在中间区,传感器不补偿。同时利用自适应选择网络,完成了分段补偿的选择。实验表明,采用这种方法补偿后的称重传感器下限区、中间区与上限区的最大相对误差分别由补偿前的0.2、0.4、1.37下降到0.16、0.04、0.07,补偿效果明显。

基于RBFNN的称重传感器温度误差补偿

称重传感器存在因环境温度不同导致的非线性误差,需要进行补偿。阐述了称重传感器的温度误差机理,提出了一种基于径向基函数神经网络(RBFNN)的称重传感器温度误差补偿方法,并给出了训练算法。采用该方法,利用量程为100 kg的称重传感器,在0～60℃范围内进行温度误差补偿实验。实验表明:采用这种方法补偿后,称重传感器温度误差大大减少,提高了称重准确度。