基于PSO-RBF代理模型的板料成形本构参数反求优化研究

为了准确获取材料在复杂应力应变状态下的板料成形本构参数,提高板料成形有限元数值模拟的精度,提出了基于改进径向基函数代理模型的板料成形参数反求优化方法。将径向修正系数引入径向基函数（RBF）核函数中,利用粒子群算法（PSO）对径向修正系数进行优化,提高模型的预测精度。将PSO-RBF模型应用到一个非线性测试函数中,结果表明,PSO-RBF模型比RBF模型的预测精度提高很多;同时将PSO-RBF模型应用到板料成形本构参数反求中,代替有限元模型进行正问题计算,可节省计算成本和提高效率。结果表明,基于PSO-RBF模型反求优化得到的材料参数,能够更加准确地反映材料的流动趋势以及应变分布。     

车辆动态称重技术

随着公路运输业和商业贸易的发展，车辆动态称重技术已成为车辆载荷测量的关键技术和发展方向。文中对车辆动态称重系统的结构和弯板、压电传感器、单传感器及光纤传感器4种常用的动态称重传感器进行了介绍，并对系统产生的轴重信号进行了分析，重点讨论和研究了算术平均、神经网络、系统辨识等运用到车辆动态称重系统中的算法，并且阐述了今后的发展趋势。     

基于HPSO-RBF神经网络的瓦斯传感器故障诊断

针对瓦斯传感器常见故障,提出一种混合粒子群优化(HPSO)算法与径向基函数(RBF)神经网络相结合的传感器故障诊断新方法。文中首先采用HPSO算法对RBF神经网络模型参数进行了优化,在详细分析瓦斯浓度影响因素的基础上,建立了瓦斯浓度非线性预测模型。然后将瓦斯浓度预测结果与实际测量值相比较得到残差,并分析残差的变化趋势,从而实现对瓦斯传感器的故障诊断。实验结果表明,HPSO-RBF模型具有较高的预测精度,能够有效地诊断瓦斯传感器的故障状态。     

采摘机械臂的PSO-RBF神经网络自适应控制

针对采摘机械臂系统的不确定性为控制带来的问题,设计一种PSO-RBF神经网络自适应控制方法.该方法使用径向基函数神经网络来逼近并补偿系统模型误差,用粒子群优化算法来优化RBF的权值参数,确保PSO-RBF控制性能更好.MATLAB仿真结果表明:与RBF神经网络控制相比,PSO-RBF神经网络控制精度和性能更好.     

BP网络在矿车动态轨道衡数据处理中的应用

当矿车以一定速度通过轨道衡系统时,其动态称重信号由于受外界各种干扰因素的影响,给数据精度处理带来了较大的难度。针对轨道衡动态称重系统中数据处理的复杂性,提出了利用BP神经网络算法对动态称重信号中影响测量精度的主要因素进行数据处理,提高轨道衡动态称重的测量精度。     

基于PSO-RBF算法的锂电池SOH研究与预测

为了寻找锂电池充电的最优策略,采用建立模型的方法进行研究与预测充电策略的优劣.电池健康管理状态(State of Health)反映了锂电池的剩余寿命,一般作为锂电池充电策略优劣的一个评判标准.在实际应用中,不同的充放电策略对锂电池的SOH有不同的影响,由于对锂电池SOH影响因子很多,各影响因子之间相互耦合,实验验证极其复杂.RBF神经网络是一种比较常用的预测性神经网络,PSO算法是一种较为先进的优化网络参数的算法,将PSO算法和RBF神经网络融合,借助大量实验数据,训练RBF神经网络,使用PSO算法优化其网络参数,建立基于PSO-RBF算法的锂电池SOH预测模型,再将不同充电策略进行仿真验证.仿真结果表明,该模型预测能力优于普通RBF模型,可作为锂电池最优充放电策略验证的最优模型.     

基于激光雷达的皮带称重系统

激光雷达皮带称重系统是一种利用激光雷达技术和传感器的称重系统,激光雷达在系统中负责数据采集,发射激光束并接收反射后的信号,并结合算法,计量皮带输送物体的重量,具有自动化、便捷性等优势。基于激光雷达的皮带称重系统设计研究,阐述了激光雷达皮带称重系统的工作原理及使用环境,对系统数据处理单元加以分析,旨在提高激光雷达皮带称重系统应用价值,确保系统应用效果良好。     

神经网络加速度传感器在振动压实中应用研究

在车载式振动压路机压实度检测中利用加速度传感器对信号的检测,由于加速度传感器受自身性能、安装位置、方向、土壤压实度和振动压路机振动轮振动量等随机性、不确定性和模糊性的环境因素的影响。使得加速度传感器的信号输出是一种典型的非线性系统。RBF神经网络因具有较强的自组织性、自学习能力和自适应性等优势,更适合对加速度传感器的输出进行仿真与预测。基于Matlab程序建立了加速度传感器的神经网络模型,通过神经网络的优势性能对加速度传感器在信号检测中进行预测。     

连续物料输送机单片机称重装置设计

连续物料输送装置采用称重传感器测量物料重量，并以单片机作为称重装置计算和控制的核心元件，对传感器送来的信号进行必要的分析、控制、处理、驱动显示，实现在线动态检测；采用软件方法对传感器信号进行一定的处理，减少电路设计难度和元件性能在温、湿度等变化时对电路的影响。     

基于PSO的RBF神经网络的变频调速系统的研究

采用粒子群和RBF神经网络算法相结合的方法构造PSO-RBF神经网络PID控制器,利用S函数编写了MATLAB的PSO-RBF神经网络PID的M文件,并在SIMULINK环境下建立了基于PSO-BF神经网络PID的变频调速系统。仿真结果充分表明了该控制器具有良好的鲁棒性、跟随性和稳定性,而且改善了原系统的动态特性,证明了该方法在变频调速系统中的应用价值。     

Dynamic compensation for sensors based on particle swarm optimization and realization on LabVIEW

以冲击波压力测试为背景,介绍了一种基于粒子群优化算法(PSO)的动态补偿数字滤波器的设计方法。对压力传感器进行动态校准实验和计算机仿真,根据传感器动态标定时的输入输出数据及参考模型,利用粒子群优化算法进行寻优,得到的全局最优值即为传感器动态补偿器的系数,并利用LabVIEW平台完成了动态补偿滤波器的设计。实验结果表明:经过补偿器处理后的信号与输入的被测信号有良好的一致性。     

红外传感器动态目标定位灰色预测修正算法研究

目前红外传感器目标定位已经被广泛用于机器人跟踪及检测等各个领域,但是红外传感器在目标定位的过程中容易被外来的干扰所影响,有时不能实时有效地检测出目标的位置,特别是运动目标的位置。文中将灰色预测算法用于红外线传感器监测运动目标位置信号的动态修正。实验表明:灰色预测算法在一定速度时能有效地弥补红外线传感器的外在干扰信号,并在干扰信号不是十分密集时能成功地修正信号。     

专利信息

智能数字天平本发明公开了一种智能数字天平,包括称量盘、传感器和显示屏,称量盘置于传感器上,该传感器包括信号输入检测单元,分别与信号输入检测单元和显示屏相连接的数据处理单元;其中信号输人检测单元内包括带有多脚接口的检测控制器,转换器,信号调理电路,多芯端子;数据处理单元内包括：数据处理控制器,分别与数据处理控制器相连接的模拟光电耦合器、存储器、     

基于频域特征提取与信息融合的磨机负荷软测量

提出了基于频域特征提取与多传感器信息融合的磨机负荷(ML)软测量新方法。针对磨矿过程主要依靠人工经验定性判断ML状态,难以定量检测ML参数的现状,通过融合磨机筒体振动、振声及驱动电机电流信号,建立了以料球比、矿浆浓度、充填率为输出的ML软测量模型。该方法首先采用快速傅里叶变换(FFT)将时域振动及振声信号转换为频谱变量,再对频谱变量通过主元分析(PCA)进行谱特征提取,然后采用径向基函数(RBF)变换生成的激活矩阵实现谱特征的非线性映射,最后采用偏最小二乘(PLS)算法建立以谱特征、激活矩阵、电流信号为输入的回归模型,从而有效克服了多传感器信息之间及RBF变换引起的多重共线性等问题。实验表明,该方法能够较准确地检测ML参数,融合多传感器的软测量方法具有更好的预测效果。     

一种新型连续累计自动衡器——滑槽秤

固体散状物料通过引导滑槽进入重力滑槽,重力滑槽下面安装的重力传感器,检测到物料在滑槽中单位长度上的重量信号,冲力滑槽上安装的冲力传感器,检测到物料的冲力和速度信号,两种信号进入称重仪表,称重仪表通过数学运算可得到物料的流量。     

基于经验模态分解与RBF神经网络的混合预测

为提高时间序列预测模型精度,根据各本征模态函数(intrinsic mode function,简称IMF)序列的变化特点,针对EMD-RBF神经网络隐含神经元数目及其中心数据选取问题,利用经验模态分解(empirical mode decomposition,简称EMD)的信号自适应处理能力和径向基函数(radical basis function,简称RBF)神经网络的非线性逼近能力,提出了一种基于EMD与RBF神经网络的混合预测方法。该方法将具有类似时频特性的本征模态函数分别建立RBF神经网络预测模型,采用基于统计分析的k-均值聚类方法自适应确定RBF模型参数,最后将各IMF-RBF神经网络预测结果进行重构得到最终预测结果。仿真结果表明,该方法充分考虑到各IMF本身的特性,增强了时序的可预测性,预测性能比传统反向传播(back propagation,简称BP)神经网络和小波BP神经网络更优越。将该方法应用在某装备温控系统性能监测中,其温度参数最大预测误差远小于传感器误差,说明将该方法在该装备故障预测中是可行的。     

基于径向基函数神经网络的压电式六维力传感器解耦算法

针对四点支撑结构的压电式六维力传感器线性度差,维间耦合严重的问题,提出了基于径向基函数(RBF)神经网络的解耦算法。分析了耦合产生的主要原因,建立了RBF神经网络模型。通过对六维力传感器进行标定实验获取解耦所需的实验数据,并对实验数据进行处理。然后采用RBF神经网络优化传感器输出系统的多维非线性解耦算法,解耦出传感器的输入输出映射关系,得到解耦后的传感器输出数据。对传感器解耦后的数据分析表明:采用RBF神经网络的解耦算法得到的最大Ⅰ类误差和Ⅱ类误差分别为1.29%、1.56%。结果显示:采用RBF神经网络的解耦算法,能够更加有效地减小传感器的Ⅰ类误差和Ⅱ类误差,满足了传感器两类误差指标均低于2%的要求。该算法有效地提高了传感器的测量精度,基本解决了传感器解耦困难的难题,     

VMT系列立式牛饲料搅拌机称重系统校准及常见故障排除

<正>1VMT系列TMR搅拌机称重系统的组成及功能VMT系列TMR制备机称重系统由传感器、接线盒、数显终端、数据线和电源等组成。(1)传感器。传感器负责采集质量变化的信号并传送到终端处理器。一般由传感器体和信号传送线组成,信号传送线由4芯屏蔽电缆构成。4芯电缆分激励(电源)正(E+)、负(E-)、     

运用DE-RBFNN的直线伺服系统定位精度研究

提出一种基于差分进化算法(DE)的径向基函数神经网络(RBFNN)模型,用于预测直线伺服系统的定位误差.该模型用差分进化算法训练径向基函数(RBF)网络隐层中心位置、宽度和输出层连接权重.为了评价优化后RBF网络预测的精度,运用部分误差样本进行训练和仿真.构建了以数字信号处理器(DSP)为核心的直线电动机定位误差实验平台,根据误差校正值进行误差实时补偿实验.仿真和实验结果表明:经过DE算法训练的神经网络模型对工作台的误差具有良好的学习能力和泛化能力,与单纯RBF网络、基于遗传优化的RBF神经网络相比,该建模方法具有更高的定位精度.     

基于PSO优化RBF神经网络的反应釜故障诊断

针对单一径向基函数(RBF)神经网络在反应釜故障诊断中泛化能力不足的缺点,设计了基于粒子群(PSO)算法优化的RBF神经网络。利用PSO算法操作简单、容易实现等特点及其智能背景,对RBF神经网络的参数、连接权重进行优化,并用经PSO算法优化的RBF神经网络对反应釜故障进行仿真诊断。仿真诊断结果表明,PSO算法优化的RBF神经网络具有较好的分类效果,较RBF诊断模型精度高、收敛快,具有推广应用价值。