拖拉机半轴的可靠性设计

重点介绍了拖拉机半轴的可靠性设计方法。在基本随机变量的概率特性已知的情况下，使用二阶矩方法对拖拉机半轴的可靠性进行设计，并且编制了实用的计算机程序，可以迅速准确地得到拖拉机半轴的可靠性设计参数。     

国产拖拉机可靠性水平及其影响因素

国产拖拉机可靠性试验结果表明,我国拖拉机及其配套发动机的现有可靠性水平较低。本文分析了主要影响因素,并提出了改进措施。     

可靠性工程在拖拉机产品中的应用

综述了可靠性工程在拖拉机产品中的应用、基本内容以及当前拖拉机可靠性工程的任务。     

拖拉机室内快速可靠性试验监测技术的研究

拖拉机室内快速可靠性试验监测技术的研究周长城，徐刚，辛伯全室外实际可靠性试验，在一定程度上反映了拖拉机的实际使用情况，但也存在一定的缺点（如工作繁重、费时间、条件难于控制等）。而室内整机模拟加载可靠性试验方法，则弥补了现场可靠性试验的一些缺点，有其独...     

基于人工神经网络的地下水流数学模型参数识别

基于人工神经网络技术 ,建立了地下水二维非稳定流数学模型的参数识别模型 ,用地下水长观孔水位降深资料识别模型参数。通过实例计算分析 ,结果表明此法适用于处理复杂条件下模型参数识别问题 ,且结果稳定可靠。     

拖拉机使用可靠性模糊综合评价

为了解决拖拉机可靠性评价因素多、定量难的问题，将模糊理论应用于拖拉机可靠性评价中。给出了拖拉机可靠性特征量，以履带式拖拉机故障跟踪试验为依据，得到了可靠性特征量的计算值，用模糊综合评价法对该拖拉机使用可靠性进行评价，得到了拖拉机使用可靠性的评价结果。     

基于人工神经网络的磨料水射流切割速度模型

磨料水射流切割的断面质量限制了,其应用。由于高速固液两相流本身的复杂性,很难建立一个有效的理论模型。基于人工神经网络理论,结合典型材料切割质量的实验结果,建立了磨料水射流切割速度的数值预测模型,给定切割工件、射流压力和切割质量后,该模型能快速、准确、可靠地预测切割速度。     

基于神经网络非线性模型的线控转向系统控制

进行汽车线控转向系统动力学分析及控制算法研究,需考虑动力学模型的非线性。首先建立基于魔术公式轮胎模型的非线性二自由度整车模型,然后基于神经网络方法训练逼近映射汽车模型输入与输出的关系,最后采用模糊控制方法由车速、转向盘转角等得到转向传动比控制算法。结果表明,基于神经网络的非线性整车模型与样本数据较好吻合,满足研究需要。转向传动比模糊控制算法考虑了转向轻便性和稳定性,提高了汽车操纵稳定性。     

可靠性实验数据混合威布尔分布的参数优化估计

分别采用单一威布尔分布和多个威布尔分布组合的混合威布尔分布,对齿轮传动的可靠性实验数据进行了寿命分布描述。在用最大似然函数法对这两种分布进行分布参数的估计过程中,提出了一种通过最优化方法求得最大似然函数的新算法。通过对实验数据的计算,得出如下结论：该法的原理简单,方便实用;对带有折点的失效概率分布曲线,混合威布尔分布更能准确真实地反映实验数据的统计特性;该法可以推广到多于3个以上子分布组合的混合威布尔分布的参数估计。     

人工神经网络模型应用于大坝变形

利用已有的垂线原型观测资料，建立了基于人工神经网络的大坝变形计算模型，并用原型观测数据对其进行了校核和检验。结果证明，用人工神经网络建立坝体变形的神经网络模型对大坝变形能够进行较高精度的预测，并具有一定的优越性。     

基于神经网络方法的季节性冻土Kostiakov入渗模型参数预测

以提高季节性冻土区农业冬春储水灌溉质量为研究目的,基于田间冻土入渗试验资料,建立了以冻融土壤基本理化参数为输入变量,Kostiakov累积入渗量模型参数为输出变量的BP预测模型。所建参数模型对入渗系数K和入渗指数α预测值的平均相对误差在4%以下,在可接受范围之内。结果表明,选择土壤黏粒量、体积质量、体积含水率、地表土壤温度和灌溉水温作为冻融土壤入渗参数BP预报模型的输入因子是合理的,建立的冻融土壤入渗参数BP预报模型是可靠的。     

基于NDWI和卷积神经网络的冬小麦产量估测方法

为进一步提高冬小麦单产估测的效率和准确性,利于宏观指导农业生产、制定冬小麦整个生长期的精准管理决策,针对目前已有的县域冬小麦单产估测方法存在时效性差、准确度低、成本高等问题,以中分辨率成像光谱仪（Moderate resolution imaging spectroradiometer, MODIS)为数据源,分别提取不同时段可见光与近红外波段信息,选择归一化差值植被指数（Normalized difference vegetation index, NDVI）、归一化差值水指数（Normalized difference water index, NDWI）、土壤调节植被指数（Soil adjusted vegetation index, SAVI）、调整土壤亮度植被指数（Optimal soil adjusted vegetation index, OSAVI)、绿色归一化植被指数（Green normalized difference vegetation index, GNDVI)、改进型土壤调节植被指数（Modified soil adjusted vegetation index, MSAVI)以及绿红植被指数（Green red vegetation index, GRVI）7个遥感植被指数,以其直方图分布信息作为输入变量,应用卷积神经网络（Convolutional neural network, CNN）回归预测冬小麦产量,对比分析NDWI在冬小麦产量估测上的表现并探究其在霜冻害影响下的精度变化。研究表明,相对于植被指数NDVI、SAVI、OSAVI、GNDVI、MSAVI、GRVI,NDWI对冬小麦生育早期的产量预测表现出更好的预测效果,单产去趋势前后的NDWI对产量的预测精度均高于NDVI、SAVI等植被指数,决定系数最高可达到0.79,且在霜冻害影响下仍能保持较好的预测效果;NDWI在抽穗—灌浆阶段对冬小麦最终产量影响最大,4月23—30日时间段内NDWI对产量的决定系数可达到0.72;空间分布上,研究区域冬小麦具有东部单产最高、中部次之、西部单产最低的空间分布特征,西部和北部山区与东部黄淮海平原交界处误差较大。研究结果可为冬小麦生育早期产量预测提供科学依据。     

人工神经网络NIR定量分析方法及其软件实现

在Visual C＋＋环境中采用面向对象技术,开发了PCA-MBP-NIR定量分析模型软件。通过40份小麦样品的原始光谱、加噪光谱（信噪比为14dB）与含水率所建立的PLS-NIR与PCA-MBP-NIR模型,对10份未知小麦样品的原始光谱、加噪光谱分别进行含水率的PLS-NIR与PCA-MBP-NIR预测分析。分析表明,对于含噪声的光谱,与PLS建模相比,使用PCA-MBP-NIR对未知样品预测结果具有更高的相关系数,更低的预测误差标准差。     

基于改进粒子群优化神经网络的拖拉机排放方法研究

针对农用拖拉机排放污染严重的问题,特别是限制氮氧化物（NOx）和碳烟（Soot）的排放,以中国一拖集团某型号农用柴油机为研究对象,采用系统建模仿真、台架试验验证和仿真分析结合的方法对发动机排放优化进行了研究。首先构建了农用拖拉机燃烧室三维模型并导入CONVERGE进行燃烧排放模拟与仿真,通过对模型缸内压力、热释放率试验值与仿真值的对比,证明该模型具有较高精确度,能够较好地描述发动机内部燃烧排放过程。之后以燃烧室的缩口率、凸台深度、燃烧室深度为输入,以发动机NOx和Soot排放量为输出建立人工神经网络作为代理模型。计算决定系数R2和平均相对误差（MRE）来验证人工神经网络的精确度。然后在此基础上提出一种改进的粒子群优化算法,从而获得燃烧室缩口率、凸台深度、燃烧室深度的最佳参数组合,形成新的燃烧室结构并导入CONVERGE软件中进行排放模拟计算并与原燃烧室的排放量进行对比。结果表明采用新的燃烧室结构后能够降低发动机NOx和Soot排放,可为相关农用拖拉机燃烧室系统设计和开发提供参考和思路。