电子皮带秤计量误差的动态分析

使用电子皮带秤计量是一个很复杂的动态计量过程，由于影响的因素有很多，导致电子皮带秤的计量精度差，计量稳定性不高。本文分析了电子皮带称在使用过程中存在误差的原因，并提出解决的措施。     

基于模糊神经网络的接触式测头动态误差补偿

测头动态误差严重制约高精度坐标测量机发展,为此,提出基于模糊神经网络的测头动态误差补偿方法以提高测量精度.首先利用三坐标测量机测量标准球和标准环规得到训练样本和测试样本,然后分别使用训练样本和测试样本对接触式测头动态误差进行建模和补偿,最后与BP神经网络模型和静态误差模型进行比较试验.结果表明,经模糊神经网络模型补偿后误差从4.6μm减小至1.3μm,精度提升70%以上;模糊神经网络对测头动态误差具有更好的补偿效果和稳定性.证明模糊神经网络模型能够有效提高测头的动态测量精度.     

基于小波神经网络和PSO的动态误差溯源方法研究

针对动态测试系统在测试过程中出现的精度损失问题,提出一种基于小波神经网络和粒子群优化算法相结合的动态误差溯源方法。该方法基于全系统动态精度理论,通过设计小波神经网络对动态测试系统的输出总误差进行分解,并采用粒子群优化算法对分解结果进行分析,追溯到误差产生的模块。仿真结果表明:该方法能够快速有效地完成误差溯源,并且溯源准确度达到10-2,具有可行性和应用性。     

电子皮带秤动态规律的探讨

电子皮带秤是一种动态称重仪表。在国内,人们对它的动态规律,即电子皮带秤的指示值与各有关动态参量间的函数关系认识还不大清楚。因而在皮带秤的安装和使用中都存在着许多问题,使得皮带秤的实用精度都比较低。尤其是装在大型长皮带机上的单托辊皮带秤,几乎都达不到铭牌标示的精度。本文通过理论分析和数学推导,初步寻求电子皮带秤的动态规律,并就提高皮带秤的精度提供一些方法。     

基于高斯和粒子滤波的动态称重数据处理

由于动态称重过程中的噪声干扰,导致动态称重信号处理中存在数据处理速度慢与精度低等不足.为了提高动态称重的快速性与准确性,本文将高斯和粒子滤波算法应用于动态称重数据处理.在对动态称重系统建立状态空间模型的基础上,引进高斯和粒子滤波算法,利用高斯和逼近状态的后验密度,提高了对状态分布估计的精确性.实验结果证明,高斯和粒子滤波方法有效地提高了动态称重的速度与精度,比较实验结果说明本文方法优于传统的扩展卡尔曼滤波和粒子滤波效果.     

电子皮带秤的误差分析与维护

在煤矿向成本要效益的背景下,控制成本就是控制皮带秤的精度,电子皮带秤在使用过程中,由于振动、温湿度、皮带、托辊以及环境等因素,出现影响电子皮带秤计量性能的问题,我们通过日常使用维护及时调整其使用状态,达到控制衡器精度,有效控制成本的目的.     

称重传感器蠕变误差的神经网络补偿方法

针对电阻应变式称重传感器存在严重的蠕变误差直接影响称重结果准确度的问题,提出了一种基于神经网络的称重传感器蠕变误差自动补偿模型,并给出了模型的训练算法。对量程为50 kg,C3等级的电阻应变式称重传感器进行了实验,实验结果表明,使用神经网络蠕变误差补偿方法补偿后,称重传感器加载标准砝码30 min内的蠕变误差最大变化量为0.0108 kg,小于国家标准GB/T 7551-200《称重传感器》规定的允许值。     

基于神经网络的动态称重系统的DSP实现

针对BP网络学习算法的特点,选取了TI的浮点芯片TMS320C6711,实现了基于DSP的BP网络学习算法,为神经网络在动态称重中的应用做了一些有意义的研究工作.     

一种简便的皮带秤校验方法

电子皮带秤是皮带输送机输送固体散状物料过程中对物料进行连续自动称重的一种计量设备，近年来发展很快已经成为固体物料连续自动称重主流计量设备，但其检定过程十分的复杂繁琐，本文介绍一种简单的用于电子皮带秤的校验方法。     

动态定量称量包装系统BP神经网络PID控制算法

目的针对动态定量称量包装控制系统具有大惯性、滞后、非线性且无法建立精确数学模型等缺点,研究提高动态定量称量包装系统控制精度的方法。方法提出了一种改进型BP神经网络PID的定量称量包装控制系统,将BP神经网络与PID控制方法相结合,通过神经网络的自学习、加权系数的调整,优化PID控制器参数K_i,K_p,K_d,并将粒子群算法引入到神经网络中作为其学习算法,以有效提高BP神经网络算法的收敛速度。结果仿真和实验结果表明,改进型BP神经网络PID控制响应速度快、超调量较小,系统称量误差得到大幅度减小。结论所述控制方法可以明显提高定量称量控制过程的稳定性、精确性以及鲁棒性。     

多头组合秤的算法研究分析

目的 为研究不同类型算法对提高多头组合秤称重精度和称重速度的影响.方法 把动态规划算法和遗传算法应用于多头组合秤,通过对比不同数量的称量斗,2种算法在组合成功率和组合时间上的优劣,分析出最适合多头组合秤的算法.结果 动态规划算法的组合时间明显少于遗传算法的组合时间.遗传算法的组合成功率一直保持着96％以上的高水平;动态规划算法在称量斗数量少于10时的组合成功率低于90％,但随称量斗数量的增加而明显提高.结论 在少于20个称量斗的称重系统中采用遗传算法,虽然花费时间稍多,但是可以获得高组合成功率;在大于20个称量斗的称重系统中采用动态规划算法,既花费时间少,也能获得高组合成功率.     

食盐及其类形物的高精度定量包装设备研究

针对食盐定量包装生产称量精度低、自动化程度不高等问题,对高精度食盐定量包装设备进行研究,通过分析食盐本身的物理特性,设计了称量、传送、复检反馈装置.称量装置设计为可调式量杯结构,以量杯体积估计预包装的食盐质量;复检反馈装置设计为多传感器的皮带秤结构,克服自重与重物重量比大对称量精度的影响.通过对动态称重过程中存在的误差...     

可实现物料流量精确控制的自动核子皮带秤

针对采用PID控制方式的自动核子皮带秤存在最佳PID参数难以确定、过冲震荡、控制精度差的缺点,研究基于核子皮带秤的物料流量精确控制的方法。利用物质对γ射线吸收的物理关系、流量与速度的关系,推导得到皮带速度与皮带机负荷和物料流量之间关系的数学模型,根据核子皮带秤的结构特点设计延后控制的动态矩阵,从而实现自动核子皮带秤的物料流量精确控制。实践应用表明:使用该算法控制的自动核子皮带秤物料流量控制准确度≤±1%,而且控制稳定性好,无过冲震荡。     

基于扩展卡尔曼滤波的气力输送动态称重系统

为了提高粉料在气力输送过程中动态称重的精度,提出了一种基于扩展卡尔曼滤波算法的动态称重方法。通过设置多个称重传感器,对采集的数据进行融合并滤波处理,以消除干扰噪声对系统测量的影响。同时采用减重计量法,将数据处理结果通过智能控制器实时调节卸料控制阀的开关度,以提高动态称重的精度。实验结果表明:称重30kg二氧化硅粉末,平均误差在0.3%以下。     

基于Workbench的粘箱机推动臂强度分析与优化设计

目的 为提高肥料包装计量精度,设计一种肥料包装机控制系统。方法 建立肥料动态称量系统数学模型。结合模糊控制和内模控制理论的先进控制算法,设计肥料包装计量精度控制系统。采用内模控制使PID控制器参数简化,同时模糊控制的引入实现了控制参数的在线调整。利用肥料质量偏差及其变化率,基于Mamdan二维模糊控制器实现内膜控制参数λ的自动调整。结果 实验结果表明,在模糊内模PID控制下,质量最大相对误差为1%;质量绝对误差的平均值为0.2 kg;控制算法超调量较小、具有很好的动静态性能;系统称量误差大幅度减小。结论 所述控制方法和系统可以提高称量包装设备的效率和精度。     

纸塑复合袋磁力压紧纠偏装置设计及优化

为解决纠偏传输时纸塑复合袋易产生褶皱的问题,设计了一种磁力压紧纠偏装置。首先,综合利用磁压紧皮带、传送带和磁铁位置调整装置等零部件,完成了纸塑复合袋磁力压紧纠偏装置的结构设计,并根据纸塑复合袋的受力分析,建立了动态磁力压紧纠偏数学模型。然后,对纸塑复合袋磁力压紧纠偏装置进行有限元建模,并根据纸塑复合袋纠偏过程设置边界条件及接触参数,采用显示动力学分析方法对其动态纠偏过程进行仿真。接着,基于仿真结果,结合BP（back propagation,反向传播）神经网络和GA（genetic algorithm,遗传算法）（简称为BP-GA算法）,建立了纸塑复合袋磁力压紧纠偏装置工艺参数优化模型。最后,通过相应的计算程序,实现了纸塑复合袋磁力压紧纠偏装置工艺参数的优化。结果表明：所设计的纸塑复合袋磁力压紧纠偏装置能较好地实现纠偏功能,可使纸塑复合袋在传输时产生的褶皱符合设计要求;纠偏时该装置的最优工艺参数为电磁铁磁力为7 N,左、右两侧皮带组件的间隙为476 mm,皮带组件与纸塑复合袋之间的动摩擦系数为0.25,实验结果与基于BP-GA算法的寻优结果较为一致。研究结果可为纸塑复合袋连续磁力纠偏的深入研究提供一定的参考。     

基于近似模型管理的汽车安全带约束系统优化设计

为提高汽车安全带约束系统的安全防护能力,通过实车碰撞实验对安全带约束系统数值模型进行校正;基于径向基函数建立安全带约束系统的近似模型,运用IP-GA遗传算法对安全带约束系统的动态特性参数进行优化。优化中为控制由近似模型所致误差,通过模型管理更新近似模型,并将误差达到允许范围内优化解作为实际问题的解。结果表明,该方法能快速有效获得安全带约束系统的最佳匹配参数,确保汽车乘员的安全性。     

Prediction of die casting process parameters by using an artificial neural network model for zinc alloys

Pressure die casting is an important production process. In pressure die casting, the first setting of process parameters is established through guess work. Experts use their previous experience and knowledge to develop a solution for a new application. Due to rapid expansion in the die casting process to produce better quality products in a short period of time, there is ever increasing demand to replace the time-consuming and expert-reliant traditional trial and error methods of establishing process parameters. A neural network system is developed to generate the process parameters for the pressure die casting process. The system aims to replace the existing high-cost, time-consuming and expertdependent trial and error approach for determining the process parameters. The scope of this work includes analysing a physical model of the pressure die casting filling stage based on governing equations of die cavity filling and the collection of feasible casting data for the training of the network. The training data were generated by using ZN-DA3 material on a hot chamber die casting machine with a plunger diameter of 60 mm. The present network was developed using the MATLAB application toolbox. In this work, the neural network was developed by comparing three different training algorithms: i.e. error backpropagation algorithm; momentum and adaptive learning algorithm; and Levenberg-Marquardt approximation algorithm. It was found that the Levenberg-Marquardt approximation algorithm was the preferred method for this application as it reduced the sum-squared error to a small value. The accuracy of the developed network was tested by comparing the data generated from the network with those of an expert from a local die casting industry. It was established that by using this network the selection of process parameters becomes much easier, so that it can be used by a novice user without prior knowledge of the die casting process or optimization techniques.     

基于RBF神经网络的自动包装机温度控制算法研究

目的针对传统热封工艺中温度调节PID算法参数过度依赖人工经验的缺点,提出一种RBF神经网络与PID算法相结合的具有参数自适应的热封温度控制算法。方法使用控制系统的输出误差作为代价函数,采用最小均方误差(LMS)调整权值与偏置参数,并通过中心自组织算法实现径向基函数中心和中心宽度的动态调节,在Matlab软件中的Simulink子系统中建立仿真模型进行算法验证,并与传统PID控制算法进行比较。结果仿真结果表明,径向基神经网络与传统PID算法的结合使得系统输出响应在动态性能和静态性能方面均优于传统PID,在系统上升时间、调节时间等方面均优于增量式数字PID。结论将RBF神经网络PID算法应用于自动包装机,避免了传统热封工艺中PID控制算法参数不能适应于复杂变换控制环境的问题,神经网络PID算法的自适应性强,实现了热封温度变化下PID参数的自动调整,在一定程度上提升了生产效率和包装设备的智能化水平。