基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的 比较反向传播神经网络(backpropagation algorithm neural network, BPNN)模型与偏最小二乘回归(partial least squares regression, PLSR)模型在预测芒果可溶性固形物含量(soluble solids content, SSC)方面的性能评估。方法 使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据建立两种预测模型, 通过采用多元散射校正(multiplicative scatter correction, MSC)进行光谱预处理, 利用遗传算法(genetic algorithm, GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms, IVISSA)和变量组合群体分析算法(variable combination population analysis, VCPA)提取特征波长变量, 通过比较不同特征波长提取方法进一步优化对比预测模型。结果 与PLSR模型相比, BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳, 预测集判定系数 、均方根误差(root mean square error of prediction, RMSEP)、残差预测偏差(residual prediction deviation, RPD)分别为0.8641、0.3924和2.7127。结论 该模型可快速、准确地检测芒果的SSC, 并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC, 为开发在线芒果SSC无损检测系统奠定基础。     

基于对比试验的 Q345 钢 135°矫正法折弯及回弹优化

目的针对自由回弹采用的补偿法寻找最优解过程繁杂,结果不稳定这一问题,寻找更为有效的折弯方式。方法利用Pearson相关系数和灰色系统理论,采用对比实验,以16 mm厚Q345钢为研究对象,选择凸模圆角、摩擦因数及矫正量为变量,回弹角与最大成形力为目标函数,求得工艺参数对回弹角的关联系数。再对优化的参数组合进行有限元模拟验证。结果矫正法回弹控制效果远远优于自由折弯模具的回弹控制效果。结论将优化获得的工艺参数进行有限元模拟验证,指导设计、试模,成形质量得到明显提高,对实际生产具有显著的指导意义。     

基于对比试验的Q345钢135o矫正法折弯及回弹优化

目的：针对自由回弹采用的补偿法寻找最优解过程繁杂,结果不稳定这一问题,寻找更为有效的折弯方式。方法利用Pearson相关系数和灰色系统理论,采用对比实验,以16 mm厚Q345钢为研究对象,选择凸模圆角、摩擦因数及矫正量为变量,回弹角与最大成形力为目标函数,求得工艺参数对回弹角的关联系数。再对优化的参数组合进行有限元模拟验证。结果矫正法回弹控制效果远远优于自由折弯模具的回弹控制效果。结论将优化获得的工艺参数进行有限元模拟验证,指导设计、试模,成形质量得到明显提高,对实际生产具有显著的指导意义。