数字化电机调速系统中神经元控制器的应用

神经网络具有自学习、自适应能力，用于控制时可不依赖控制对象的数学模型。为此，基于单神经元设计出用于交流电机矢量控制的自适应磁链和转速控制器，并应用于由数字信号处理器(DSP)实现的交流电机矢量控制系统中，实验表明：此方法设计的控制器结构简单，易于数字化实现，控制系统动态性能良好。     

采棉机器人的研究现状及关键技术

对国内外机械化采棉技术的研究现状进行了综述,构建出了基于计算机视觉的智能型采棉机器人原型系统,分析了采棉机器人的应用价值.同时,介绍了采棉机器人的作业环境和工作对象的特殊性,总结了采棉机器人所涉及的关键技术,包括采棉机器人本体的优化设计、棉花的自动识别和分类以及路径规划和运动控制技术等,最后指出了目前应用采棉机器人存在的主要问题并提出相应对策.     

喷雾机器人远程控制系统的设计与试验研究

结合喷雾机器人作业环境的要求,开发出基于客户端/服务器模式的远程控制平台.该平台实现了通过无线网络实时传输各类数据和控制命令,客户端再现了机器人的工作环境和状态.在此基础上进行了系统性能测试和轨迹测试.试验结果表明:为了保证良好的操控性,机器人所处区域信号强度必须大于30%,操作者根据反馈信息判断机器人是否偏离预定路径,并在偏离时给予有效的纠正,为解决喷雾机器人重喷、漏喷的问题提供了一种方法.     

城市交叉口公交优先信号协调模式探讨

对混合交通条件下基本车道饱和流量的各影响因素进行了分析,对比基本车道饱和流量影响因素修正方法,给出了基本车道饱和流量及各类车道通用校正系数常用计算方法。分析了公交车在连线上的运行特性,基于单点定时式公交优先信号配时模型,以人均延误最小为目标,建立了定时式两相邻交叉口公交优先信号协调配时模型;基于以人总延误最小为目标建立了定周期两相邻交叉口公交优先信号协调配时模型。利用实际调查数据,采用仿真分析方法验证本文提出的混合交通条件下定时式两相邻交叉口公交优先信号协调配时模型的正确性。     

泵用异步电动机直接转矩控制系统的设计

直接转矩控制（DTC）是一种高性能的控制方法，提出了一种基于TMS320C32的直接转矩控制系统实现方案。通过硬和软件设计，实现对异步电动机的直接转矩控制，实验结果表明了该方案的可行性，将其应用于水泵的调速系统中，能进一步提高水泵的运行效率。     

属性识别模型在水利水电规划方案综合优选中的应用

针对目前水利水电规划方案综合优选方法中存在的问题，提出了基于变异系数权重的水利水电规划方案综合优选属性识别模型。该模型采用反映评价指标特征值之间差异性的参数——变异系数作为评价指标的权重，减小了权重确定的主观性，且模型求解方法简单易学。实例分析表明，这一模型和方法是合理、可行的。     

气吸式免耕播种机种箱振动特性的研究——基于MatLab

利用振动信号采集系统PULSE软件,将加速度传感器安装于种箱附近,将振动信号通过六通道采集卡采集,通过无线网桥发射-接收信号,将信号传送到计算机;利用Mat Lab分析软件,将采集到的信号进行分析处理,得到每个通道的采集振幅图,选取振幅图中若干个频率-振幅坐标值进行Mat Lab数据拟合。结果表明:气吸式免耕播种机主要为低频振动,随着作业速度不同,频谱图的峰值就不同,速度越大,峰值越高且出现峰值的点越多;通过数据拟合可知,拟合直线越顺滑,表明此处振动对种箱排种效果越好。     

增压器转速适应性测量方法

提出一种以采集卡为测量平台的增压器转速测量方法。系统以软件方式实现了随转速变化进行自适应调整的数字滤波，给出一种基于转速信号极值点的周期识别方法。分析和实验结果表明，该方法能够在增压器转速信号受外界干扰而偏离的情况下，在较宽的范围内实时测量增压器转速。     

基于双池化与多尺度核特征加权CNN的典型牧草识别

针对自然背景下牧草难识别的问题,提出一种基于双池化与多尺度核特征加权的卷积神经网络牧草识别方法。双池化特征加权结构通过将卷积层输出的特征图分别进行最大值池化和均值池化得到两组特征图,引入特征重标定策略,依照各通道特征图对当前任务的重要程度进行加权,以增强有用特征、抑制无用特征;多尺度核特征加权结构通过在卷积层中同时使用3×3和5×5两种卷积核,并将网络的前几层特征复用后进行加权,以提高重要特征的利用率。对10类牧草图像进行识别实验,结果表明,该方法识别率为94. 1%,比VGG-13网络提高了5. 7个百分点,双池化与多尺度特征加权有效提高了牧草识别精度。     

基于PCA-GA-SVM的甘蔗收获机运行状态识别

由于甘蔗收获机在收获过程中智能化水平较低,依靠人工操作很容易对甘蔗收获机的运行状态产生误判,从而造成物流通道堵塞、能源浪费、收割效率低。针对这些问题,提出一种基于主成分分析(PCA)、遗传算法(GA)和支持向量机(SVM)状态识别模型。首先,通过实地采集甘蔗收获机刀盘轴、行走轴、切段轴和风机轴扭矩和行驶速度特征信息,然后通过PCA进行数据降维,最后利用GA优化参数C、γ,使用每个特性信息来训练SVM,对甘蔗收获机运行状态进行分类。结果表明:PCA-GA-SVM状态识别模型对甘蔗收获机运行状态的识别准确率为93.75%,建模时间为3.688 s,与SVM(81.25%,9.487 s)、PCA-SVM(87.5%,5.817 s)和GA-SVM(90%,8.969 s)进行对比,该模型具有最高准确识别率和最快建模速度,具有较大的应用价值。