BP神经网络对孔表面粗糙度的输出预测

文章基于BP神经网络建立了3-16-1的网络结构模型来预测孔的表面粗糙度值。对提供的正交试验数据进行归一化处理,并且训练网络从而使网络误差达到期望值并输出预测值,在对预测值和实验值进行比较中,均方根误差平均误差百分比仅为2.72%,在平均误差百分比允许范围内。说明建立的BP神经网络结构预测精度较好,基本符合实际预测的要求,在实际加工前可以通过该结构预测孔的表面粗糙度值,从而能够很好地掌握工件加工质量以及优化切削参数。     

基于图像处理和GBRT模型的表土层土壤容重预测

针对传统的表土层土壤容重测量方法费时、耗力的问题,利用易获得的土壤物理参数实现农田大范围表土层土壤容重的快速、准确预测。通过分析表土层土壤容重与土壤表面粗糙度、土壤阻力的关系,构建了以土壤表面粗糙度和土壤阻力为输入的GBRT模型,土壤表面粗糙度利用图像处理技术获得,土壤阻力使用实验室车载式阻力测量系统获得。使用同态滤波技术对土壤表面图像进行预处理,提取图像灰度直方图的熵、平均值、方差、偏度和峰度表征图像的纹理特征参数,提取图像灰度共生矩阵的能量、熵、对比度和逆方差表征图像的区域特征参数。利用灰度关联分析,从9个表征土壤表面粗糙度的特征参数和土壤阻力中选取与表土层土壤容重关联度大于0.65的变量作为模型输入,将得到的GBRT模型预测结果与环刀法得到的结果进行相关性分析,R2达到0.878 2,平均绝对误差达到0.021 g/cm3。同时在相同的输入参数和运算环境下,与BPNN和SVR模型的预测精度和运算速度进行了对比,验证得到GBRT模型具有更高的预测精度和更短的运算时间。本文研究结果为科学指导农田表土层土壤容重的获取提供了思路。     

基于平衡水分模型的稻谷含水率实时监测系统

基于静力学谷物平衡水分模型,利用无线传感器网络及嵌入式技术设计了仓储中稻谷含水率实时监测系统.通过试验验证改进Henderson、改进Chung-Pfost和改进Owin模型及对应参数的稻谷含水率预测误差和精度,结果表明改进Chung-Pfost模型具有准确预测的精度,且当参数A=363.06、B=0.1804、C=26.674时该模型的预测精度较高.通过测试传感器节点的传输质量,表明系统能够实现数据稳定的传输.     

基于RFR和VMD-TCN的抽水蓄能机组劣化趋势预测方法

抽水蓄能机组具有结构复杂、工况复杂多变、故障复杂多样等特点。利用实时监测数据有效评价抽水蓄能机组的劣化状态并对劣化趋势进行准确地预测仍是一个难题。为此，提出一种基于随机森林回归（RFR）、变分模态分解（VMD）和时间卷积网络（TCN）的抽水蓄能机组劣化趋势预测方法。首先，基于健康状态下的历史监测数据，选择与状态监测数据关联性强的工况参数数据作为健康状态模型的输入，建立基于RFR的健康状态模型；其次，输入实时工况参数数据，根据健康模型输出的标准值与实时状态监测数据计算得到劣化趋势序列；最后，考虑到劣化趋势序列的非线性因数，设计了基于VMD-TCN的时序预测模型，以实现对劣化趋势的精确预测。为验证所提方法的有效性，采集位于中国浙江的抽水蓄能电站真实监测数据进行多组对比实验。结果显示，所提出的方法在建立健康模型时拟合精度达到了0.98，并且在劣化趋势预测任务中，基于VMD-TCN的时序预测模型相比于其他比较模型具有更高的预测精度。     

果蔬表面粗糙度特性检测触觉传感器设计与试验

为使农业机器人能够通过"触摸"检测果蔬表面粗糙度特性,设计并制作了一种PVDF触觉传感器,通过触觉信号处理分析检测果蔬的表面粗糙度特性。利用ANSYS有限元分析选择传感器模型的有效信息获取区域,将PVDF压电薄膜和电阻应变片以不同方向和位置随机排布在该区域。搭建触觉信息检测平台,通过多通道数据采集程序对3种不同粗糙度等级的样本进行数据采集与存储,提取样本特征,建立支持向量回归机算法模型,并通过基于径向基核函数的SVR算法对果蔬表面粗糙度进行预测。试验结果与实际设定粗糙度等级一致,证明所设计触觉传感器能有效检测果蔬表面粗糙度特性。     

机器人进行不锈钢锅三自由度抛光打磨工艺设计

对不锈钢薄壁零件进行抛光工艺研究,引入桁架机器人、回转臂机器人做为自动化设备实现自动化打磨抛光。分析不锈钢锅抛光打磨工艺中影响表面质量的因素,重点研究了与自动化抛光相关的三个参数,线速度、进给速度和正压力。建立了材料去除的理论模型,结合当前不锈钢锅生产企业实践经验,总结分析设计出不锈钢锅抛光打磨工序。通过试验,研究工艺参数对抛光打磨工件表面粗糙度的影响。综合试验结果与工艺研究,设计了最优的参数工艺组合。     

基于铝合金表面粗糙度的疲劳可靠性分析

铝合金受到循环载荷时,表面粗糙度作为基础参数之一对疲劳性能有着关键影响。基于铝合金材料的疲劳拉伸试验以及裂纹的断口分析,开展了材料表面粗糙度与疲劳寿命关系的研究。首先,通过打磨机对铝合金材料采用不同的打磨方式和打磨时间进行打磨,得到不同粗糙程度的试件;然后对这些试件进行疲劳拉伸试验,得到了各粗糙度参数与铝合金疲劳寿命之间的关系曲线;之后,通过金相显微镜对裂纹位置进行断口分析,并采用结构细节疲劳额定值(DFR)对粗糙试件的疲劳寿命进行可靠性分析。分析结果证明,铝合金材料的表面粗糙度对其疲劳寿命具有直接影响,同时表面粗糙度对铝合金试件的DFR值也有较大影响,即材料的表面粗糙度越低,其DFR值就会越高,且疲劳寿命就相对越长。     

基于时序深度学习的数控机床运动精度预测方法

由于数控机床精度演化规律难以通过数学建模分析,提出了一种基于时序深度学习网络的数控机床运动精度建模与预测方法。基于长短时记忆网络建立时序深度学习预测模型,利用相空间重构原理构建模型时序输入向量,采用多层网格搜索方法选择最优隐含层层数、隐含层节点数等模型参数,以BPTT方法训练模型;模型自动提取运动精度时间序列的时空特征,挖掘精度时间序列前后关联信息,对运动精度变化趋势进行预测。实验结果表明,基于时序深度学习网络的预测模型能够准确预测数控机床精度的衰退趋势,预测的最大相对误差不大于7. 96%,优于传统方法。     

基于PLS-BPNN算法的土壤速效磷高光谱回归预测方法

土壤速效磷是影响作物生长发育的重要养分指标。光谱分析技术对速效磷的定量预测具有较好的应用前景,高光谱带宽窄、分辨率高,但存在数据冗余和共线性等问题。本文针对皖北砂姜黑土145个样本开展研究,提出了利用偏最小二乘回归算法(PLS-R)对土壤可见近红外高光谱数据(400~1 000 nm)进行数据降维和特征提取,根据交叉验证和变量投影重要性分别得到潜在变量和特征波长;再分别输入BP神经网络(BPNN)进行训练,得到回归分析模型对速效磷进行定量预测。结果表明:与利用全部波长数据建模的预测结果(校正集和验证集的相对分析误差M_(RPD)分别为10.27和2.09)相比,利用9个特征波长建立的回归模型校正集M_(RPD)为2.66,预测精度明显降低,而验证集M_(RPD)为2.05,近似达到利用全部波长数据建模的预测效果;利用5个潜在变量建立回归模型,校正集和验证集的M_(RPD)分别为3.10和2.29,其中验证集相对于全部波长建模的预测精度提高了9.6%。因此,基于PLS-BPNN算法进行回归建模可以有效降低高光谱数据冗余和共线性的影响,提高模型的泛化能力,且利用潜在变量进行回归建模能提高模型预测精度。     

基于GWO-LSTM的设施蔬菜温室温度预测

温度是设施生产中作物生长的主要制约因素之一,提前预测温室温度对精准调控温室环境具有重要的指导意义。因此提出一种基于灰狼优化算法的长短期记忆网络模型预测温室温度,该模型利用灰狼优化算法(Grey Wolf Optimizer, GWO)对长短期记忆网络(Long Short-Term Memory, LSTM)模型参数进行调整优化。以江苏省农业科学院阳光板温室2020年9月23日—12月21日期间的试验数据对该方法进行验证。结果显示：在预测时间步长30 min时,GWO-LSTM的预测均方根误差、平均绝对误差、平均绝对百分比误差和决定系数分别为0.677 6、0.411 4、0.168 7和0.960 4。在预测时间步长60 min内,GWO-LSTM模型预测精度均高于标准LSTM和反向传播人工神经网络(Back Propagation Artificial Neural Network, BP-ANN)。说明所提出的GWO-LSTM模型能够准确地预测未来温室内温度变化,可为制定温室环境智能调控策略提供有效的数据支撑。     

基于Matlab的人工神经网络用水量预测模型

寻找一种适当的方法来科学地预测城市生活需水量,对城市的发展具有十分重要的意义。鉴于城市生活用水量受众多因素影响,并具有复杂的非线性的特点,建立了基于Matlab技术的LM-BP网络的城市用水量预测模型,并利用某市的家庭生活用水量的实测数据对该模型进行网络的训练学习和预测验证。结果表明,采用Matlab技术建模具有方便快捷、不会陷入复杂的编程运算的困扰中的优点,同时该模型具有收敛速度快、预测精度高的特性,为城市生活用水量预测提供了一种行之有效的方法。     

土壤田间持水量的非线性预报模型研究

基于大田耕作土壤理化参数试验以及田间持水量测定试验数据,首先利用单因素法分析了土壤结构、有机质含量和土壤质地与田间持水量的关系;在单因素分析的基础上建立了具有不同输入变量的土壤田间持水量非线性多元模型结构,利用MATLAB程序语言对不同模型结构进行了非线性回归分析,最终选定回归系数均显著且平均误差最小(5.608%)拟合度最高(0.799 3)的模型结构作为田间持水量的最佳非线性预报模型,并进行实例预测验证其可行性,实现了利用土壤常规理化参数对田间持水量的预测。     

基于Matlab 的人工神经网络生活

寻找一种适当的方法来科学地预测城市生活需水量，对城市的发展具有十分重要的意义。鉴于城市生活用水量受众多因素影响，并具有复杂的非线性的特点，建立了基于Matlab技术的LM-BP网络的城市用水量预测模型，并利用某市的家庭生活用水量的实测数据对该模型进行网络的训练学习和预测验证。结果表明，采用Matlab技术建模具有方便快捷、不会陷入复杂的编程运算的困扰中的优点，同时该模型具有收敛速度快、预测精度高的特性，为城市生活用水量预测提供了一种行之有效的方法。     

基于神经网络的风筛式清选装置研究

在自行研制的清选试验台上进行了气流场测定试验和水稻清选试验。利用神经网络技术,对风筛式清选气流场进行了研究,建立了2个风力因素（离心风机转速和出风角度）与清选气流场分布之间、清选气流场的分布与清选效果之间以及2个风力因素与清选效果之间3个BP神经网络模型。用试验数据进行了预测检验,预测结果证明了网络模型的有效性。     

基于神经网络的风筛式清选气流场研究

利用神经网络技术,对油菜的风筛式清选气流场进行了研究,建立了3个风力因素与清选气流场分布之间以及清选气流场的分布与清选效果之间2个BP神经网络模型。用试验数据进行了预测检验,预测结果证明了网络模型的有效性。     

基于环境星CCD图像的甘蔗叶面积指数反演方法

及时准确获取甘蔗叶面积指数对于甘蔗长势监测和产量预测具有重要意义。尝试通过构建组合核函数,利用支持向量回归方法建立甘蔗LAI估算模型,并利用新型国产卫星数据环境星CCD图像和准同步的地面观测数据,分别采用指数关系模型、对数关系模型、支持向量回归模型3种方法,以广西甘蔗主产县为例,开展了环境星遥感图像在甘蔗叶面积指数反演试验。结果表明,3种方法都可以对甘蔗LAI进行有效预测,且能获得较好的预测效果,验证了环境星CCD图像在甘蔗LAI反演中的实用性,其中支持向量回归模型反演精度最高：5月份决定性系数R2分别比     

微细铣削表面粗糙度预测与试验

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.     

基于卷积神经网络的工件表面粗糙度等级识别

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。     

BP神经网络在秸秆挤压机中的应用

以秸秆挤压机的秸秆含水率、螺杆转速、模孔间隙、套筒温度、螺杆末端至模板内表面的距离( 段长度)等5种过程参数为输入,以挤压膨化后玉米秸秆纤维含量变化(本文研究NDF与ADF)为输出,依据五因素五水平(1/2实施)二次正交旋转组合试验设计及试验数据建立了系统的BP神经网络模型.该网络训练后得到挤压系统的自变量与因变量之间的映射关系,且具有较好的仿真精度,可实现对过程参数的控制和目标输出的预测,用于指导生产实践.     

基于小波分析-PSO优化ANFIS的径流组合预测模型研究

径流序列由于多种因素的影响,存在十分复杂的变化特性,如果利用常规方法直接进行预测,其预测精度一般不高.如果将径流序列分解成比较简单的序列,再利用非线性预测方法进行预测,其精度将会得到提高.利用小波分析的多分辨率分解功能对径流序列进行分解,降低了径流序列的复杂程度.利用PSO对自适应神经模糊推理系统的网络参数进行优化,提高模型结构参数的确定精度.将小波分析与PSO优化的ANFIS进行组合对径流序列进行预测,经实例验证:该模型能够提高径流预测的精度,预测效果较好.