掘进机截割头截割特性数值模拟研究

为了解决掘进机各关键部件在工况环境下发生振动破坏的问题,利用数值模拟软件对掘进机截割头进行工况分析,发现随着模态的不断增加,此时的固有频率呈现逐步增大的趋势,当模态为31时,掘进机最大变形值出现在支撑架位置,在此位置的变形最大值为1.782 2 mm。同时对掘进机在钻进和横截工况下的振动特性以及受力特性进行分析,随着时间的变化,此时的横截和钻进工况下,截割头合外力均呈现无规律变化情况,两种工况下的合力最大值分别为86 kN和50 kN,钻进工况对于截割头截齿的影响要强于横截工况,为后续截割头截齿设计提供一定的参考。

基于GA优化BP神经网络的机床转台定位误差分析

为了提高数控机床转台误差补偿效果,设计了一种通过遗传算法(GA)来完成BP神经网络优化过程,并加入坐标参数、运动速度指标建立了转台定位误差模型。通过Matlab软件构建GA优化BP模型,得到优化权值与阈值后,将结果移植至DSP内开展建模与预测,促进预测速率的大幅提升。研究结果表明:机床转台处于各空间位置与速率下形成了不同定位误差,总体呈现较为复杂的变化特征采用GA优化BP神经网络构建的模型预测时达到了更高精度,误差残差范围在-0.5~0.5μm,满足实际需求。该研究有助于提高机床转台定位精度,增强加工精度。

基于GA-BP网络的数控机床工作台定位误差分析

为了提高数控机床对测试误差的补偿效果,开发一种通过遗传算法(GA)来完成BP网络的优化过程,并加入坐标参数、运动速度指标,建立工作台的定位误差仿真模型。先通过Matlab软件构建得到GA-BP模型,得到优化权值与阈值后,再将结果移植至DSP内开展建模与预测,由此促进预测速率的大幅提升。研究结果表明:以DSP构建的预测系统对各定位误差残差分布进行预测得到的范围是-0.69~0.51μm。采用GA-BP网络构建的模型进行预测时达到了更高精度。

网络数字雹雨分测仪技术试验研究

介绍了网络数字雹雨分测仪的传感器结构和工作原理:利用浮力定律,翻斗计量,微机记录,网络传输等工作原理,模拟实验了理论数值和实验数值间的计量误差,探讨了误差产生的原因及野外观测调节技术和蒸发补偿订正等。经试验表明,各种部件结构科学、稳定、误差小、整体性能良好。野外观测资料表明,网络雹雨分测仪所测雨量与自动站观测的雨量误差在可接受范围;由于能同时进行雹雨分测,对极端冰雹天气具有实时监测优势,在野外林果和农作物雹灾危害评估中有重要作用,具有与遥测雨量计和其他遥测气象要素仪器一样的现代化水平,可广泛应用于农业和林业灾害野外监测网络之中。

基于DSP的数控机床在机测量系统测量误差实时建模预测

数控机床在机测量系统测量误差的影响因素多、变化规律复杂,利用软件建模预测补偿时间长、实时性差。XY工作台是数控机床在机测量系统的重要组成部分,为了实时补偿其在不同测量速度下的定位误差,文章设计了一种基于数字信号处理器(digital signal processor,DSP)的XY工作台定位误差实时建模预测补偿系统,介绍了其建模原理和软、硬件组成,并利用双频激光干涉仪和数控XY工作台进行实验,测量了不同运动速度下的定位误差,进行了遗传算法-反向传播(genetic algorithm and back propagation,GA-BP)神经网络与BP神经网络建模效果的验证比较。实验结果表明,应用GA-BP神经网络的定位误差建模精度比BP神经网络的建模精度高。利用DSP建立的XY工作台误差实时建模预测补偿系统的每个定位误差的预测时间为29.6μs,残差分布为-0.688 190~0.512 744μm,实时性和鲁棒性好,可以用于后续的在机测量系统各组成部分误差和综合测量误差的精确补偿以及误差补偿器的实现。

一种优化的神经网络数字预失真方法

提出一种基于遗传算法和低阶广义记忆多项式实值神经网络的射频功率放大器数字预失真方法。该方法将遗传算法优化的低阶广义记忆多项式模型与神经网络模型进行级联来增强校正模型与功放失真的匹配程度。它不仅可以提升模型的校正能力,同时可以加快网络的收敛速度。采用60MHz的三载波LTE信号进行实验,通过与实值延时线神经网络模型对比,在收敛速度上有显著提升,同时在邻道功率泄露ACLR指标上有6 d B左右改善。

数字式雹雨分测仪的研制

重点介绍了数字式雹雨分测仪的工作原理:通过过滤的方式成功将冰雹和雨滴分离,再利用阿基米德定律测算出降雹量。该仪器充分利用了雨量测量、GPRS数据传输、太阳能供电等先进技术,具有全自动、数字化特点及良好的组网能力。经实际野外试验观测表明,该仪器性能稳定,使用便捷。通过野外试验观测数据分析,数字式雹雨分测仪观测的雨量与其他仪器观测的雨量相比,误差在可接受范围内。由于该仪器能够实时观测到降雹量,为冰雹的观测研究提供了仪器支持。

数字图像相关位移场测量的误差补偿

数字图像相关方法中,位移场测量的误差大小与算法的迭代次数通常成反比,要获得较低的误差,必须增加迭代次数,从而增加了计算量;而非迭代的方法误差相对较大。为解决这一问题,提出了一种基于BP神经网络的误差补偿方法。选择基于非迭代光流法的位移场测量方法为算法模型,详细分析了该算法本身存在的截断误差,以模拟散斑图的位移测量值及其误差为数据集,用训练好的神经网络误差预测模型对测量结果进行补偿。实验验证结果表明,补偿后的位移测量误差相较原来总体下降了50%左右,测量误差的统计分布也显著下降。