共查询到20条相似文献,搜索用时 0 毫秒
1.
付仁杰 《农业装备与车辆工程》2021,59(9):121-123,152
在分析了多种粗糙度的预测建模方法后,鉴于之前的都是车削试验,选择了更加轻便简单的打磨试验.通过对6061铝合金试件进行砂纸打磨,利用SJ-210测量仪测量粗糙度值.考虑到影响其表面粗糙度的因素有打磨时间、压力、砂纸型号等因素,建立了卷积神经网络预测模型,构建出一个具有高精度、高标准、可靠性高的预报模型.抽取其中的部分实... 相似文献
2.
3.
神经网络技术在表面粗糙度检测中的应用 总被引:3,自引:0,他引:3
物体表面的粗糙度不同,则对光的反射与散射强度不同,因此利用光纤传感器检测反射光强和散射光强,建立表面粗糙度检测的神经网络模型。该模型以反射光强、散射光强、反射与散射光强之比、测量距离为输入信号,以Ra,Rx为输出信号,经网络训练后可正确检测表面粗糙度。 相似文献
4.
微细铣削表面粗糙度预测与试验 总被引:6,自引:0,他引:6
分别采用正交试验回归分析法和基于正交旋转组合设计的二次响应曲面法(RSM)建立了微细铣削表面粗糙度预测模型,并在微小型车铣中心上对硬铝合金进行了试验研究,分析了铣削参数对表面粗糙度的影响.分别对两种预测模型进行了显著性检验并进行对比分析后发现:二阶响应曲面法的预测精度明显优于正交回归分析法.根据二次响应曲面法的试验结果,对回归方程中的回归系数进行了显著性检验,得出了铣削参数影响表面粗糙度的线性效应、二次效应和交互效应的显著性并进行了排序.试验结果表明:在试验采用的工艺参数范围内,对微细铣削表面粗糙度影响重要程度依次是铣削速度、每齿进给量、切削深度. 相似文献
5.
为了提高农业机械化水平、农业生产效率和优化农业产业结构,保证在农业机械生产与实际需求的一致性,在制订农业机械化水平发展规划过程中需要对农业机械数量进行预测。为此,采用基于遗传算法的BP神经网络预测算法,对我国从1997-2013年期间以农机总动力、中大型拖拉机数量和小型拖拉机数量为内容的主要农业装备数量进行预测。预测结果表明,利用遗传算法与BP神经网络相结合的方法预测全国农业机械装备数量,农机总动力预测值与绝对值平均误差为1.080%、农用大中型拖拉机数量预测值与绝对值平均误差为1.352%、小型拖拉机数量预测值与绝对值平均误差为1.765%,预测精度稳定,该预测方法适用于本时间序列预测问题。 相似文献
6.
7.
8.
为解决零件表面粗糙度等级识别困难的问题。构建一套显微镜CCD图像采集系统,获取了不同表面加工类型和不同粗糙度值的零件表面图像。设计用于粗糙度等级识别的深度卷积神经网络,采用已知粗糙度等级的图像及其对应的粗糙度标签对网络进行训练。通过车削、平铣、立铣、平磨、磨外圆、研磨6种表面加工工艺来验证该方法。并且研究了不同放大倍数和不同光照强度对于识别结果的影响,确定了每种加工方式适宜的放大倍数和光照强度。实验证明所提出的粗糙度测量模型能以较高的准确率识别出零件表面粗糙度等级。 相似文献
9.
10.
为探索陈皮的热泵干燥特性,并实现热泵干燥过程中陈皮的含水率预测,研究了不同干燥温度(50、55、60℃)、干燥风速(1.0、2.0、3.0m/s)、堆叠厚度(20、30、40mm)对陈皮干燥时间和干燥速率的影响。将干燥温度、干燥风速、堆叠厚度和干燥时间作为输入层,隐藏层个数为10,陈皮的干燥含水率为输出层,搭建一个BP神经网络预测模型。研究结果表明:干燥温度、干燥风速和堆叠厚度都是影响陈皮干燥含水率的重要因素,提高干燥温度、增加干燥风速和减少堆叠厚度能够提高陈皮的干燥速率,缩短干燥时间。基于陈皮热泵干燥特性构建结构为“4-10-1”的BP神经网络模型,含水率预测值与实测值之间的均方误差MSE为0.004 21,决定系数R2=0.997,模型运行稳定,含水率预测结果准确且快速,能够为陈皮干燥过程中的含水率在线预测提供科学依据。 相似文献
11.
12.
13.
14.
基于BP神经网络的农机拥有量预测技术 总被引:11,自引:2,他引:11
应用BP神经网络技术预测农业机械的社会拥有量,证实了农机拥有量系统的非线性混沌特征,提出了预测的“窗口”最优化方法和预测操作技术。并对今后5年的农机拥有量进行了预测。 相似文献
15.
16.
17.
18.
在分析和研究了基于神经网络的农机总动力预测的基础上,指出了神经网络传统预测方法预测精度低的原因是神经网络训练阶段和预测阶段的矛盾性。通过一系列实验表明:随着拟合误差的逐渐减小,预测误差出现了先下降后上升的规律,即所谓的"过拟合"问题。为了解决这个问题,应用最佳停止法对农机总动力进行预测,该方法把样本集分成训练样本集、确认样本集及验证样本集3部分。在训练过程中监测训练样本集和确认样本集的误差,当确认样本集的误差连续20次不减小时,退出训练,返回最小确认样本集误差所对应的网络数据,并用验证样本集来检验最佳停止法的预测精度。实验数据表明:最佳停止法避免了网络出现的"过拟合"问题,有效提高了预测精度。最后,用这个训练好的网络模型预测了黑龙江省2015-2020年的农机总动力。 相似文献
19.
采用RBF网络与BP网络的方法,利用MATLAB工具箱并结合气象资料中的相对湿度、平均气温和太阳日辐射量,建立了预测核桃作物需水量的神经网络预测模型.两种预测模型通过实例证实了预测的准确性,并且将这两种网络模型进行了比较分析.RBF神经网络预测作物需水量的绝对误差平均值为0.254 7 mm/d、相对误差平均值为5.47%,BP神经网络预测作物需水量的绝对误差平均值为0.320 6mm/d、相对误差平均值为6.97%,由此可见,RBF网络预测的精度比BP网络高.并且,通过程序记时显示RBF网络训练用时0.063 0 s,比BP网络训练所需的时间要短的多,因此RBF神经网络具有较好的实用价值,实现了精度与实用性的统一. 相似文献