基于遗传算法的模糊神经网络温室温度控制器

为了创造适合作物生长的环境,针对温室系统的特点提出了一种新的基于遗传算法的模糊神经网络控制器,利用遗传算法训练模糊神经网络模型,并采用此模糊神经网络控制器控制温室温度系统.运用该方法对温室温度控制系统进行了Matlab 仿真,结果表明:采用遗传模糊神经控制器的系统,不但提高了阶跃响应的快速性,而且大大减少了超调量.     

神经网络技术用于发动机故障诊断的研究

结合专家系统与模糊神经网络两种人工智能技术,通过对汽车发动机废气中ＨＣ、ＣＯ、ＣＯ２和Ｏ２含量的分析进行故障推理和诊断。专家系统与神经网络主要采用串型连接,由神经网络模块进行故障分类,再经专家系统给出解释并进一步推理,得到具体的诊断结果,从而实现发动机常见故障的快速、准确和智能化的诊断。     

基于神经网络的农机液压系统故障诊断专家系统

随着农机液压系统的功能越来越多、结构越来越复杂,加上农业机械的工作环境较为恶劣,其发生故障的几率也将随之增多.为此,根据农机液压系统故障的特点,应用专家系统原理和面向对象的设计方法,设计了一种基于BP神经网络的农机液压系统故障诊断专家系统,阐述了该专家系统的基本结构,以及知识库、推理机和解释机的实现方法.该系统充分发挥了神经网络在处理复杂非线性关系时的优点,大大提高了农机液压系统故障诊断的效率和准确率.     

基于神经网络的柴油机故障诊断专家系统

现代设备大多数集机电液信于一体，对其所出现的故障做出准确而迅速的判断，单纯地依靠传统的故障诊断专家系统是不够的。为此，把神经网络和传统的专家系统相结合，建立神经网络专家系统，达到优势互补的效果。在神经网络诊断中，采用MATLAB的神经网络工具包建立了径向基函数神经网络诊断模型，并以柴油机燃油系统故障诊断为例，验证了该系统的可行性。     

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.     

基于模糊专家系统的农作物健康管理系统

为及时与有效地提供农作物生产中品种选择、施肥方案以及农药使用等科学的、系统的技术支持方案,提出利用农作物生长知识和该领域专家经验开发农作物健康管理的模糊专家系统,并介绍了系统的总体结构设计、知识的规则表达、GMP的模糊推理方法及系统的实现流程.模糊专家系统是对一般专家系统的发展和补充,具有一定的实用价值.     

基于神经网络专家系统的柴油机故障诊断系统

柴油机在农业机械中被广泛应用,由于运行状况复杂,故障类型和部位种类繁多.为此,提出了将神经网络技术与专家系统融合的集成式故障诊断专家系统,对柴油机进行不解体故障诊断.以燃油系统故障为例,介绍了神经网络专家系统特点、结构及诊断方法,并对295D柴油机在不同的工况下采集气缸盖的振动信号进行测试,用RBF神经网络对测试数据进行训练.训练测试结果表明,用此系统诊断295D柴油机常出现故障有良好的效果.     

基于人工智能的农用拖拉机发动机故障快速诊断研究

为了达到拖拉机发动机不解体故障诊断的目的,提高诊断效率,利用发动机缸盖的振动信号的采集原理,提出了一种基于神经网络的人工智能故障检测方法,并构建了拖拉机发动机振动信号采集系统。基于人工智能的拖拉机发动机故障诊断系统,综合运用信号采集技术、信号处理技术、数据库技术、神经网络技术和人工智能专家系统,实现了和数据库及具有强大信号分析的处理功能,提高了系统的诊断实时性和诊断精度。最后,采用田间试验方法,对拖拉机故障快速诊断系统进行了试验验证。试验结果表明:采用人工智能诊断方法不仅可以有效提高系统的准确率,而且诊断系统的响应更加迅速,并且曝晒、震动、灰尘等恶劣的现场环境中仍能保持正常工作的稳定性。     

车辆发动机故障诊断专家系统的模糊化研究

详细介绍了车用发动机故障诊断专家系统的模糊过程,包括模糊诊断知识的组织与模糊推理。该系统可根据模糊故障进行故障诊断,并由诊断结果获取相应的维修方案。系统由Ｔｕｒｂｏ Ｐｒｏｌｏｇ语言开发,在ＤＯＳ平台上运行。     

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。