Analytical determination of flow resistance characteristic for combination channel inside hydraulic manifold block

Computational fluid dynamics(CFD)was used in conjunction with BP neural network to study theflow resistance characteristic of the combination-channel inside hydraulic manifold block(HMB).The in-put parameters of the combination-channel model were confirmed to have effect on the pressure-drop bythe numerical method,and a BP neural network model was accordingly constructed to predict the channelpressure-drops.The flow resistance characteristic curves of various channels were achieved,and a perfor-mance parameter was given to evaluate the through-flow characteristic of the channel according to thecurves.The predictions are' in agreement with the numerical computation,indicating that the method canbe utilized to accurately determine the flow characteristic of the combination channel with high efficiency.

联合收割机滚动轴承故障诊断系统研究--基于声场空间分布特征

首先,介绍了联合收割机滚动轴承振动机理和故障特征,并研究了基于声场空间分布特征的故障诊断流程;然后,对联合收割机滚动轴承的声音信号采集及特征提取进行了深入研究;最后,利用神经网络算法的模式识别对联合收割机滚动轴承的故障进行诊断。验证结果表明:系统对联合收割机滚动轴承故障的综合诊断率为91.67%,系统具有可行性。

高压直流输电线路单端智能故障定位方法

针对当前高压直流输电线路故障定位方法中存在的问题,提出一种基于S变换组合特征能量和改进一维卷积神经网络-门控循环单元混合神经网络模型的单端智能故障定位方法。首先,对直流输电线路故障电压、电流数据分别进行S变换,提取特征频率范围内的能量;然后归一化电压、电流特征能量并构成组合能量特征向量;最后将组合能量特征向量形成的数据集输入改进的一维卷积神经网络-门控循环单元模型进行训练和测试,实现故障定位。结果表明,该模型具有较高的定位精度和较好的鲁棒性。

基于时序特征的城市轨道交通客流预测

通过分析城市轨道交通客流量的时序特征和RBF神经网络的作用机理,将具有不同时序特征的数据分别用不同的神经网络进行处理,建立了基于客流时序特征的并行加权神经网络模型,并用该模型对北京市城市轨道交通各条线路的客流进行预测.结果表明,各线路客流量预测结果的平均绝对百分误差均在10%以下,小于单个神经网络的预测误差,提高了预测精度.

BP和RBF神经网络在水轮机非线性特性拟合中的应用比较

利用神经网络对水轮机综合特性曲线进行数据处理和延伸,不必建立具体的函数关系表达式,就可对已知的离散数据进行拟合。并且还可以结合边界约束条件对未知区域内的数据进行预测,从而提高了水轮机综合特性曲线数据处理的工作效率和数据精度。分别介绍了用BP神经网络和RBF神经网络对水轮机综合特性曲线数据处理和延伸的方法。并采用一机组的样本数据进行训练,比较2种方法的训练结果得出结论。

基于改进型BP网络的自动寻路设计与实现

针对静态环境下机器人的自动寻路问题,进行了研究与探索,设计了一类改进型BP神经网络。该网络在结构上以按功能分类的方式取代传统的分层模式,在权值的设置方面参照了组合逻辑电路的基本原理;分析了时序逻辑电路的信息记忆过程,从而进一步赋予神经网络良好的记忆特性;提出一种基于人类寻路思想的路径规划方法。实验结果表明,通过将该寻路算法融入到改进的BP网络中,不仅使寻路的实现变得简单和方便,而且具有较高的实时性与适用性。

基于量子神经网络和组合特征参数的玉米叶部病害识别

【目的】探索一种基于量子神经网络和组合特征参数的玉米叶部病害识别方法,以提高玉米叶部病害识别的准确率和效率。【方法】应用K_means硬聚类算法对玉米叶部病害图像进行彩色图像分割,得到彩色分割图像,分别利用提升小波变换和灰度共生矩阵从彩色分割图像中提取颜色和纹理特征参数,利用多重分形分析从灰度图像中提取病害的形状特征参数。【结果】根据提取的组合特征参数,利用量子神经网络进行玉米病害分类识别,对玉米灰斑病、玉米普通锈病和玉米小斑病的识别率分别达到92.5%、97.5%和92.5%,高于误差反向传播神经网络法的识别率(分别为90.0%、90.0%和92.5%)。【结论】设计的方法可用于玉米叶部病害识别,并为其他农作物病害的智能识别提供借鉴。

基于Elman神经网络的装备状态组合预测方法

针对单一预测模型在利用多维状态特征信息进行状态预测时效果常常不够理想的情况,提出以灰色理论等模型作为单项预测模型,运用Elman神经网络进行变权组合预测的建模方法;考虑神经网络容易因过拟合导致预测时泛化能力变差的问题,运用遗传算法对神经网络隐层节点数和训练误差阈值进行优化求解,建立了完整的基于Elman神经网络的组合预测建模方法;最后,通过案例分析验证了该预测方法的有效性,结果表明组合预测能够将三步以内的预测相对误差控制在10%以内,大大优于定权组合预测模型。

基于30m^3聚合釜的纳米CaCO_3原位聚合PVC树脂颗粒特性预测与优化

通过微乳化分散技术使CaCO3实现良好分散,通过氯乙烯原位悬浮聚合制得了纳米CaCO3微乳化法原位聚合PVC树脂(简称纳米PVC树脂)。为解决纳米PVC树脂的颗粒形态控制难题,提出了基于组合神经网络的软测量方法,建立了纳米PVC树脂颗粒特性的软测量预测模型,应用效果表明该软测量模型能较准确地预测纳米PVC树脂的平均粒径。利用该软测量预测模型在30 m3聚合釜上实现了纳米PVC树脂颗粒特性优化,制得具有较理想颗粒特性的纳米PVC树脂。

神经网络的一种新的组合优化算法

本文基于神经元的竞争机制提出了一种求解组合优化的神经网络算法并对其收敛性进行了详细的理论证明 ,算例验证表明 ,笔者的算法是收敛的和可靠的。

基于SDAE-BP的联合收割机作业故障监测

为了解决联合收割机作业故障的非线性特征信号难以提取的问题,该研究提出了一种基于堆叠去噪自动编码器(Stack Denoising Auto Encoder,SDAE)和BP神经网络(Back Propagation,BP)融合的联合收割机作业故障监测及诊断的方法(SDAE-BP)。以转速传感器采集联合收割机脱粒滚筒转速、籽粒搅龙转速、喂入搅龙转速、杂余搅龙转速、风机转速、输送链耙转速、割刀频率以及逐稿器振动频率,并将采集的数据集作为系统的输入。利用SDAE提取输入信号的深层次特征,并由BP神经网络辨识收割机作业状态,实现联合收割机故障监测。在SDAE-BP模型训练过程中,去噪自动编码器(Denoising Auto Encode,DAE)依次经带有不同分布中心噪声的原始数据进行训练,然后将其堆叠,并通过误差反向传播算法对模型参数进行优化,以提升模型识别故障性能和泛化能力。试验结果表明,对于2018年联合收割机田间试验数据,模型的故障诊断准确率达到99.00%,与SDAE和BP神经网络相比,分别提高了1.5和4.5个百分点。将SDAE-BP故障诊断模型用2019年的试验数据进行更新,并用2018年和2019年试验数据进行测试,结果表明,更新后的模型对2018年试验数据的故障识别准确率为99.25%,对2019年试验数据的故障识别准确率为98.74%,更新后模型在2019试验数据集上的故障识别准确率较未更新模型提高了6.52个百分点。该文所建模型能够准确识别联合收割机的故障类型,且具有较好的鲁棒性,对旋转型机械故障监测及预警具有参考价值。