新能源无人驾驶拖拉机自动变速电控系统设计

新能源纯电动拖拉机是发展环保绿色农业的重要工具,由于电池和电机技术的不成熟,为了提高电动拖拉机整车的动力性能和经济性能,还需要对变速器进行优化设计。为此,在电动拖拉机的变速器设计上引入了双离合变速器,并设计了自动变速器的电控系统。为了使电控系统发挥最佳性能,实现无人驾驶功能,提出了模糊神经网络PID智能控制算法,并对算法的控制性能进行了验证。仿真测试结果表明:模糊神经网络算法可以明显提高PID算法的控制精度,对于提高自动变速器的控制精度具有重要的作用。     

基于单片机和模糊PID的拖拉机空调电机控制系统

为了实现对拖拉机空调电机转速的精确控制,设计了一种基于单片机和模糊PID的转速单闭环无刷直流电机控制系统,可以对电机转速进行控制调节,从而驱动制冷压缩机工作,降低拖拉机车内温度。实验结果表明:基于单片机和模糊PID的拖拉机空调电机控制系统稳态误差较小,控制精度较高,与理论基础相符合,证明了该方法的可行性和正确性。     

基于模糊神经网络的农机自动转向系统的设计

现代农业生产中要求农业机械在田间工作过程中可实现实时、高效的控制性能。为此，基于模糊控制规则的模糊神经网络控制器，利用遗传算法(Genetic Algorithm, GA)进行人工神经网络模型的优化，对拖拉机转向系统进行优化设计，得到农业机械田间工作时目标输出和实际输出的仿真曲线。基于东方红拖拉机搭建试验平台，进行了输出响应测试和角度测试，并通过MatLab仿真对控制系统的性能进行了分析。研究结果表明：模糊控制规则的模糊神经网络控制器和基于遗传神经网络的改进算法能有效缩短农业转向系统的响应时间，减少超调量，提高转向精度，是一种更加有效的田间作业的控制方法。     

基于神经网络的柴油机共轨系统轨压控制方法

通过系统建模仿真的方法研究了柴油机高压共轨系统轨压控制方法,提出采用神经网络模糊PID控制可以提高轨压的控制精度和系统响应性.在Matlah/Simulink环境下进行了模糊PID控制和神经网络模糊PID控制的仿真比较,证实了神经网络模糊PID控制方法使得系统控制精度、响应时间、扰动抑制、鲁棒特性都明显优于模糊PID控制方法.     

基于补偿模糊神经网络的氧乐果合成控制研究

针对氧乐果合成反应过程温度具有时变、延时等非线性特性,研究了补偿模糊神经网络控制系统。首先确定了补偿模糊神经网络的初始结构和初始参数,再通过动态调整补偿的改进BP算法来调整参数,实现温度的实时控制。仿真结果表明:补偿模糊神经网络控制系统收敛速度快、适应性强,在温度控制方面取得了比较满意的控制效果。     

基于Simulink仿真的施肥机模糊神经网络PID控制方法

【目的】农用电气设备的部件十分复杂,易受到环境因素的影响,无法准确控制施肥量,故障频发。因此,需要一种成本低、运行稳定、施肥量控制精确、受工作环境影响小的施肥机控制系统。【方法】本研究采用模糊神经网络PID控制方法,将机器学习和非线性模糊控制方法引入传统PID控制器中,并基于MATLAB中Simulink仿真平台建立了模糊神经网络PID控制系统仿真模型。【结果】该模型可以根据模糊规则进行练习和学习,通过控制步进电机的转速和旋转角度来控制施肥量,神经网络还可以持续自动学习并动态改进系统的控制参数,以适应不断变化的农田作业环境。【结论】该模糊神经网络PID控制系统自我矫正能力强,可抵抗环境干扰,控制效果显著。     

双流耦合构型混合动力拖拉机旋耕工况控制策略研究

大功率拖拉机作业时载荷冲击会造成发动机的输出转矩大范围波动,为减小载荷冲击对拖拉机动力单元的影响,提出以发动机和双电机为动力源的拖拉机双流耦合动力系统构型,以减小载荷冲击引起的动力传动系统换挡频次。基于Haar小波分解提出了基于功率预测的转矩分配策略,首先记录拖拉机的作业参数,基于径向基神经网络对拖拉机旋耕作业时的功率需求进行预测,由Haar小波变换确定高频和低频转矩需求值的范围,并分别由电机和发动机提供。最后,通过硬件在环试验对提出的动态转矩分配进行了可行性验证,测试结果表明：提出的基于神经网络功率需求预测模型对行驶端和动力输出端 (Power take-off,PTO)的功率进行预测,实际值和预测值均方根误差分别占最大功率的7.6%和7.9%;提出的转矩分配策略能够应对拖拉机旋耕时的载荷波动。发动机转矩波动与传统构型相比减小35.0%,有效地缩小了发动机转矩波动范围,缓解了拖拉机作业时载荷冲击对发动机的影响。     

拖拉机自动换挡神经网络控制系统的研究

针对拖拉机在田间作业的复杂状况,分析了影响拖拉机换挡的因素,介绍了拖拉机自动换挡神经网络控制和挡位辨识原理。利用神经网络芯片ZISC036和PIC17C42单片机,建立了径向基函数神经网络（RBFNN）控制器。通过MATLAB样本数据仿真表明,该控制器可以较好地实现挡位辨识,从而为拖拉机自动换挡的设计与研究提供了理论依据。     

基于PID控制的拖拉机自动转向系统

为了提高自动行驶车辆转向系统的控制性能,以福田欧豹4040型拖拉机为研究对象进行拖拉机转向控制系统研究,以车辆目标前轮转角和实际转角的偏差为输入变量,设计车辆转向PID控制器,通过对转向驱动电机的控制实现拖拉机转向控制.仿真和实验结果表明,所设计的控制器具有良好的快速性和准确性,能够满足拖拉机转向控制的需求.     

拖拉机悬挂模糊控制的研究

介绍了拖拉机悬挂模糊控制系统结构及原理图以及模糊控制算法的实现,并利用MATLAB建立了拖拉机悬挂模糊控制系统仿真模型并进行了仿真,结果表明模糊控制用于拖拉机悬挂系统的控制是合适的。     

基于自抗扰技术的智能车横向控制

针对智能车辆横向控制问题,以二自由度车辆模型为研究对象,通过构造一个关于横向偏差和期望偏航角的理想偏航角,以控制车辆横摆角跟踪到理想偏航角为目的,设计自抗扰车辆横向控制器。自抗扰控制器能够将车辆的质量参数、侧偏刚度等不确定参数和外界扰度观测出来并进行补偿,保证控制系统的鲁棒性。Simulink/CarSim联合控制仿真实验表明:车辆跟踪双移线路径时,自抗扰控制器相较于模型预测控制器的路径跟踪精度更高;在不同道路附着条件和不同负载时,都具有良好的跟踪效果。     

异步电动机调速系统自适应辨识的CMAC-ADRC算法

针对异步电动机调速系统快速响应时启动超调量大的问题,提出了一种基于自适应参数辨识的小脑模型神经网络复合自抗扰控制(CMAC-ADRC)的控制算法。将CMAC与ADRC各自的优点相结合,利用CMAC神经网络实现前馈控制,通过在线学习来抑制系统的超调量,增强系统的鲁棒性能,提高系统的快速性能,利用ADRC技术实现反馈控制,进一步增强系统的抗干扰能力。利用参考模型自适应参数辨识技术对转动惯量进行辨识,优化自抗扰补偿系数。以变频器结合异步电动机为控制对象,进行仿真,基于自适应参数辨识的CMAC-ADRC控制算法的干扰响应幅度是一阶优化自抗扰控制下干扰响应幅度的44.57%,是小脑模型神经网络复合比例-微分(CMACPD)控制下干扰响应幅度的17.69%,干扰恢复时间是一阶优化自抗扰控制下干扰恢复时间的50%,是CMAC-PD控制下恢复时间的60%。搭建MCU-CPLD-DSP控制平台进行了实验,基于自适应参数辨识的CMAC-ADRC控制算法的超调量是一阶优化自抗扰控制的45.49%,上升时间是一阶优化自抗扰控制的53.33%,干扰响应幅度是一阶优化自抗扰控制干扰响应幅度的71%,干扰恢复时间是一阶优化自抗扰控制干扰恢复时间的76.47%。     

Real-time forecasting of short-term irrigation canal demands using a robust multivariate Bayesian learning model

In the lower Sevier River basin in Utah, the travel times between reservoir releases and arrival at irrigation canal diversions limit the reservoir operation in enabling delivery changes, which may not be compatible with the on demand schedule in the basin. This research presents a robust machine learning approach to forecast the short-term diversion demands for three irrigation canals. These real-time predictions can assist the operator to react promptly to short-term changes in demand and to properly release water from the reservoir. The models are developed in the form of a multivariate relevance vector machine (MVRVM) that is based on a Bayesian learning machine approach for regression. Predictive confidence intervals can also be obtained from the model with this Bayesian approach. Test results show that the MVRVM learns the input–output patterns with good accuracy. A bootstrap analysis is used to evaluate robustness of model parameter estimation. The MVRVM is compared in terms of performance and robustness with an Artificial Neural Network.     

新型太阳能干燥系统的智能控制系统研究设计

基于目前农牧业干燥装置太阳能利用率低、自动化程度不高的状况,研究了一种新型太阳能-辅助加热的干燥系统。针对该系统,设计以STC89C52单片机为核心的智能控制系统,采用模糊自适应PID控制和模块化结构软件,主程序通过调用子程序实现风机风量和干燥箱进口处温度自动监控,克服了干燥过程参数时变性、不确定性。仿真显示:该控制器具有较好的动态、稳态及抗干扰性能,超调量过渡过程等性能指标好于传统PID,具有很强的适应性和鲁棒性,能应对太阳能干燥系统对参数调变的需要,为干燥系统节约能耗及太阳能循环利用提供了新的创新视野。     

基于负载力补偿的自抗扰复合电液位置控制方法

由于电液位置控制系统存在严重的非线性、内部参数的时变性以及外负载的干扰性,严重影响了系统静、动态控制效果。为此,提出了一种基于负载力补偿的自抗扰复合控制方法。给出了复合控制策略的工作原理;设计了自抗扰控制器,利用扩张状态观测器来观测和补偿系统内部参数和外部负载力的不确定性,从而有效地抑制了内部扰动和外部扰动对系统的影响;设计了负载力补偿控制器并导出负载力的补偿模型,进一步削弱了外负载变化对系统的不良影响,同时提高了系统的位置控制精度。通过Matlab仿真和半物理仿真平台分别进行了复合控制策略的验证。仿真及实验结果表明:自抗扰控制器有效地抑制了内外扰动的干扰,而负载力补偿控制器的引入使系统在抑制了外负载力摄动的同时实现了位置的精确定位控制,验证了所提控制策略的有效性。     

基于卷积神经网络与奇异值分解的水电机组故障诊断方法研究

提出了一种结合卷积神经网络,小波变换和奇异值分解理论的水电机组故障诊断方法。利用卷积神经网络提取机组轴心轨迹的图像特征;通过离散小波变换对摆度信号进行分解,获得信号的小波分解系数,对各分支系数进行重构,构造奇异值分解输入矩阵,提取矩阵奇异值作为特征向量。将两种方法提取的特征进行组合,构建包含图像特征和波形特征的混合特征向量,通过概率神经网络进行识别分类。为验证该方法的有效性,将水电机组常见故障在转子试验台上进行模拟,用上述方法进行诊断。结果表明,文中所提出的故障诊断方法能很好地识别水电机组不同运行状态,可为水电机组的故障诊断提供有效依据。     

基于BP神经网络的汽车发动机故障诊断方法研究

介绍了BP神经网络学习算法,建立了汽车发动机振动测试系统,在对发动机振动数据进行分析处理的基础上,获取了学习样本的输入向量与目标向量,应用BP网络学习算法对新构的网络进行训练,建立了一种发动机机械故障诊断的新方法,实例分析结果表明,这种新方法是可行的。     

基于人工神经网络技术的蔬菜施肥决策研究

阐述神经网络的概念和特点，着重介绍BP神经网络并在Maflab环境下建立基于BP神经网络的施肥模型，以土壤养分（氮、磷、钾)和实际产量为模型输入，以氮肥、磷肥和钾肥的施用量为模型数输出．进行网络训练，直至获得满意的施肥模型。结合投入产出物的价格对模型功能进行扩展，按利润最大化目标进行施肥决策。     

基于模糊PID控制的无刷直流电机调速系统研究

无刷直流电机(BLDCM)是一个非线性、多变量、强耦合的系统,常规的PID控制难以达到良好的控制效果,模糊PID控制器依据模糊算法在线自整定PID参数,可弥补常规PID的不足之处,提高控制精度,取得更好的控制效果。论文对所设计的模糊PID控制器在Matlab/Simulink环境下进行了纯数学仿真的研究及调试。在数学仿真的基础上,采用dSPACE硬件平台对电机进行了硬件在环仿真,通过直接控制实物电机,验证了模糊PID控制系统具有良好的动、静态性能。     

人工神经网络在食品检测中的应用

近年来,人工神经网络的应用领域迅速扩大,在图像识别和语音识别方面展现了很好的智能特性.它在模式识别、数据处理、自动控制和预测中广泛应用,其优势在于不确定性系统的控制和预测.食品工业所涉及的食品加工过程、品质控制以及成分分析往往是属非线性和非稳态的系统,应用人工神经网络能够促进食品工业的发展.为此,首先简单介绍了人工神经网络的原理;然后,总结了国内外将人工神经网络应用于食品工业的一些情况,最后,展望了人工神经网络的应用前景.