为提高离散元法对指导油菜薹有序采收装备设计与优化的准确性和可靠性,该研究以双行垄作移栽的“农大1号”双低甘蓝型油菜机械化适收期油菜薹夹段茎秆为对象,测定其本征参数、表面接触参数以及破碎力学参数,利用EDEM仿真软件Hertz-Mind...为提高离散元法对指导油菜薹有序采收装备设计与优化的准确性和可靠性,该研究以双行垄作移栽的“农大1号”双低甘蓝型油菜机械化适收期油菜薹夹段茎秆为对象,测定其本征参数、表面接触参数以及破碎力学参数,利用EDEM仿真软件Hertz-Mindlin无滑移模型和Hertz-Mindlin with bonding粘结模型建立夹段茎秆堆积仿真标定模型和破碎仿真标定模型。采用逐步调整仿真参数使仿真试验值与物理试验值逼近的方法,利用夹段茎秆堆积仿真标定模型,以休止角仿真试验值与实际物理试验值的相对误差为目标,完成夹段茎秆表面接触参数的标定与优化;利用破碎仿真标定模型,以轴向压缩和弯曲仿真试验与实际物理试验的最大轴向压缩力和最大弯曲力的相对误差为目标,利用标定后的表面接触参数完成夹段茎秆粘结参数的标定与优化。最后,利用夹段茎秆的径向压缩与剪切、内芯与表皮拉伸的破碎仿真力学试验和有序采收EDEM-Recurdyn耦合仿真试验验证标定后的表面接触参数和粘结参数。结果表明,仿真与实测试验的破碎力学参数相对误差在5%以内,且仿真与实测的“时间-载荷”曲线变化趋势一致,低速、中速和高速档的有序采收仿真试验结果与实际物理试验结果相对误差在7.0%以内。研究结果表明,采用离散元仿真方法研究油菜薹采收过程具有可行性,标定结果可用于指导油菜薹机械化生产。展开更多
针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使...针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。展开更多
针对工业机器人在高度制造领域精度不高的问题,本文提出了一种基于POE模型的工业机器人运动学参数二次辨识方法。阐述了基于指数积(Product of exponential, POE)模型的运动学误差模型构建方法,并建立基于POE误差模型的适应度函数;为实...针对工业机器人在高度制造领域精度不高的问题,本文提出了一种基于POE模型的工业机器人运动学参数二次辨识方法。阐述了基于指数积(Product of exponential, POE)模型的运动学误差模型构建方法,并建立基于POE误差模型的适应度函数;为实现高精度的参数辨识,提出了一种二次辨识方法,先利用改进灰狼优化算法(Improved grey wolf optimizer, IGWO)实现运动学参数误差的粗辨识,初步将Staubli TX60型机器人的平均位置误差和平均姿态误差分别从(0.648 mm, 0.212°)降低为(0.457 mm, 0.166°);为进一步提高机器人的精度性能,再通过LM(Levenberg-Marquard)算法进行参数误差的精辨识,最终将Staubli TX60型机器人平均位置误差和平均姿态误差进一步降低为(0.237 mm, 0.063°),机器人平均位置误差和平均姿态误差分别降低63.4%和70.2%。为了验证上述二次辨识方法的稳定性,随机选取5组辨识数据集和验证数据集进行POE误差模型的参数误差辨识,结果表明提出的二次辨识方法能够稳定、精确地辨识工业机器人运动学参数误差。展开更多
文摘为提高离散元法对指导油菜薹有序采收装备设计与优化的准确性和可靠性,该研究以双行垄作移栽的“农大1号”双低甘蓝型油菜机械化适收期油菜薹夹段茎秆为对象,测定其本征参数、表面接触参数以及破碎力学参数,利用EDEM仿真软件Hertz-Mindlin无滑移模型和Hertz-Mindlin with bonding粘结模型建立夹段茎秆堆积仿真标定模型和破碎仿真标定模型。采用逐步调整仿真参数使仿真试验值与物理试验值逼近的方法,利用夹段茎秆堆积仿真标定模型,以休止角仿真试验值与实际物理试验值的相对误差为目标,完成夹段茎秆表面接触参数的标定与优化;利用破碎仿真标定模型,以轴向压缩和弯曲仿真试验与实际物理试验的最大轴向压缩力和最大弯曲力的相对误差为目标,利用标定后的表面接触参数完成夹段茎秆粘结参数的标定与优化。最后,利用夹段茎秆的径向压缩与剪切、内芯与表皮拉伸的破碎仿真力学试验和有序采收EDEM-Recurdyn耦合仿真试验验证标定后的表面接触参数和粘结参数。结果表明,仿真与实测试验的破碎力学参数相对误差在5%以内,且仿真与实测的“时间-载荷”曲线变化趋势一致,低速、中速和高速档的有序采收仿真试验结果与实际物理试验结果相对误差在7.0%以内。研究结果表明,采用离散元仿真方法研究油菜薹采收过程具有可行性,标定结果可用于指导油菜薹机械化生产。
文摘针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。
文摘针对工业机器人在高度制造领域精度不高的问题,本文提出了一种基于POE模型的工业机器人运动学参数二次辨识方法。阐述了基于指数积(Product of exponential, POE)模型的运动学误差模型构建方法,并建立基于POE误差模型的适应度函数;为实现高精度的参数辨识,提出了一种二次辨识方法,先利用改进灰狼优化算法(Improved grey wolf optimizer, IGWO)实现运动学参数误差的粗辨识,初步将Staubli TX60型机器人的平均位置误差和平均姿态误差分别从(0.648 mm, 0.212°)降低为(0.457 mm, 0.166°);为进一步提高机器人的精度性能,再通过LM(Levenberg-Marquard)算法进行参数误差的精辨识,最终将Staubli TX60型机器人平均位置误差和平均姿态误差进一步降低为(0.237 mm, 0.063°),机器人平均位置误差和平均姿态误差分别降低63.4%和70.2%。为了验证上述二次辨识方法的稳定性,随机选取5组辨识数据集和验证数据集进行POE误差模型的参数误差辨识,结果表明提出的二次辨识方法能够稳定、精确地辨识工业机器人运动学参数误差。
