共查询到20条相似文献,搜索用时 187 毫秒
1.
2.
3.
基于半导体制冷片(Thermo Electric Cooler,TEC)设计了一种高精度控温电路系统。本文详细介绍了TEC的选型方法,设计并实现了以单片机为核心的硬件电路,采用PID软件控制算法优化温控参数。在实验中,选择较大热负载紫铜块作为控温对象进行实验验证,实验结果表明:在室温23℃的情况下,紫铜块的控温范围为-10~40℃,控温精度高达0.01℃。 相似文献
4.
复合材料密封包装容器干燥控湿设计研究 总被引:11,自引:10,他引:1
目的针对复合材料长贮密封包装容器,研究探讨如何进行合理、可靠的内部环境湿度控制设计。方法通过对密封包装容器内环境相对湿度的主要影响因素进行分析,并结合实例针对包装容器防潮阻隔结构设计、干燥吸湿材料选用与用量计算,以及典型干燥剂活化处理工艺参数优化确定开展分析探讨。结果提出了长贮密封复合材料包装容器防潮阻隔结构设计的方法和注意要点,改进优化确定了一种较为符合实际的干燥剂用量计算公式。结论在分析试验数据基础上,获得了典型干燥剂细孔硅胶的活化处理温度(140~150℃)、时间(8~9 h)等最佳工艺参数控制范围。 相似文献
5.
目的为满足包装箱保温功能技术要求,探究包装箱保温层厚度设计方案。方法基于低导热系数聚氨酯保温材料,通过傅里叶定律及安全系数理论分析确定包装箱保温层厚度,再对实物包装箱按照GJB 150.4.A—2009《军用装备实验室环境试验方法》进行高低温试验并验证。结果在高低温试验中,当箱内温度为22.2℃,箱外温度为40℃时,4 h后箱内最高温度可达29.2℃;当箱内温度为25.5℃,箱外温度为?30℃时,4 h后箱内最低温度降至2℃。通过分析,得出箱体内部温度与时间以及箱体温差之间的关系,箱体外部升温1℃时,箱体内部升温速率为0.037~0.1℃/h;箱体外部降温1℃时,降温速率为0.07~0.094℃/h。结论该设计方案能满足包装箱保温功能技术要求。 相似文献
6.
7.
8.
9.
10.
利用fluent软件对绍兴市某印染厂染色厂房冬季自然通风进行模拟分析,讨论不同通风口位置、热源强度对其厂房内部的温度和气流分布的影响。结果表明,冬季工况下热源强度达到60℃和80℃时染色工作B区温度高于28℃的区域面积较大,不能满足相关规范要求;通风口高度降低仅在染色1区小面积区域上改善了周围温度和风速,并且导致染色1区和染色2区之间走廊中心区域温度上升以及风速下降;分布密集的染色机周围空间狭窄,风速过低,形成高温区。该厂房冬季自然通风时,北墙尽量少开窗,部分区域可以采用局部通风。 相似文献
11.
目的 为了实现自动包装机热封工艺中温度传感器的故障实时故障检测。方法 使用广义回归神经网络(General Regression Neural Network, GRNN)构建了热封温度传感器状态自动检测网络,再采用混沌加速果蝇优化算法(Chaos Accelerated Fruit Fly Optimization Algorithm , CAFOA)进行广义回归神经网络的学习因子优化选取,求解出最优学习因子。通过建立CAFOA-GRNN自动检测模型,再结合统计学中置信区间的方法,对故障进行诊断分类。结果 在传感器故障实验中,将理想故障函数与历史运行数据叠加,产生故障数据集,并将其用于验证建立的模型,获得了较好的检测效果,准确率较高。结论 该方法实现了传感器故障的实时检测,可以用于提高生产的可靠性,具有一定的工程实用价值。 相似文献
12.
目的 为解决轴承故障特征时频图像难以识别的问题,在进行时频图像训练和学习故障特征的基础上,提出新的故障诊断方法。方法 本文提出一种MDCNet网络,该网络由多尺寸卷积核模块(Multi-Size Convolution Kernel Module)、双通道池化层(Dual-Channel Pooling Layer)和跨阶段部分网络(Cross Stage Partial Network)组成。首先,将采集的振动信号经过同步压缩变换,得到信号的瞬时频率图像,然后输入神经网络获得故障诊断结果。结果 将提出的方法在西储大学轴承数据集进行预测,准确率达到了99.9%。与AlexNet、VGG–16、Resnet等传统方法进行对比试验,结果表明MDCNet方法分类精度可达99.9%,高于传统方法的分类精度(95.70%、98.51%、97.64%)。结论 结果表明,本文所提出方法的预测准确率高于其他方法的,验证了该方法在包装机械故障诊断中是可行的。 相似文献
13.
目的 针对药品生产包装过程中常出现缺陷泡罩包装药品的问题,研究一种基于多特征构建与集成分类器的泡罩包装药品缺陷识别方法.方法 该方法通过集成2个不同的分类器算法分别对药品图像类别进行预测,并采用联合判定函数对2个预测输出值进行联合决策,得到最终分类结果.第1个分类器模型通过将图像转化到HSV颜色空间,分割出泡罩区域和药片区域,进行特征设计,并在提取多项特征参数后构建BP神经网络分类算法给定药品类别预测.第2个分类器模型应用多层卷积神经网络取代传统算法对图像特征进行提取,并输出药品图像类别的预测值.根据2个分类器的性能进行算法集成,构成最终集成分类器.结果 实验结果表明,该集成分类模型对数据集中泡罩包装药品图像进行分类识别测试,准确率达97%以上.结论 集成分类模型不仅提高了单一分类器的识别准确率,也具有更佳的稳定性.该方法取得了卓越的分类效果,具有较高应用性. 相似文献
14.
15.
针对滚动轴承故障信号非平稳非线性且易受背景噪声干扰的特点,结合深度学习的优势,提出了一种基于卷积神经网络(CNN)的滚动轴承故障诊断法。将不同故障下多个传感器测得的1维(1D)振动信号转化为2维(2D)灰度图像作为网络输入,并将其分为训练集和测试集;将训练集输入卷积神经网络进行训练,自动提取其中的特征;测试集被用于验证学习完毕的网络的有效性,实现滚动轴承故障识别。该方法不依赖于人为经验和信号处理技术进行预先的信号特征提取,实验数据分析表明,相比于经典的支持向量机和概率神经网络方法,提出的方法识别准确率更高且更稳定。 相似文献
16.
目的 满足瓦楞纸板行业日益个性化的定制需求,减小复杂多变的生产条件对瓦楞纸生产速度的影响,帮助企业合理安排生产,提高生产线管控水平。方法 首先对瓦楞纸板生产速度进行重采样,统一订单参数和各传感器参数采样间隔,采用ButterWorth滤波器进行高通滤波,并采用四分位距统计量方法筛选稳定的湿部生产速度区间,提取B瓦和BC瓦的数据,然后根据提取的数据使用BP神经网络和XGBoost预测湿部生产速度,并采用贝叶斯优化和网格搜索分别寻优2种模型的超参数,最后使用粒子群算法组合2种模型的预测结果。结果 实验结果表明,2个模型都具有一定的预测能力,其中XGBoost的预测效果更好,组合模型的预测效果最好。结论 基于BPNN-XGBoost组合模型的方法能有效预测瓦楞纸板湿部生产速度,可指导实际生产。 相似文献
17.
以某乘用车怠速工况下的车内噪声为研究对象,建立内饰车身的声-固耦合有限元模型,施加实测的加速度激励预测车内噪声响应。通过有限元模型获取系统传递函数,结合实测加速度激励建立传递路径分析模型,分析怠速工况下驾驶员右耳位置121 Hz频率处各路径的声学噪声贡献情况,以贡献量较大的路径为板件贡献量分析的激励输入位置,确定后地板为铺设阻尼的目标板件。以121 Hz处驾驶员右耳声压最小为目标,建立拓扑优化模型,对后地板阻尼进行布局优化。结果表明,怠速工况下121 Hz峰值频率处驾驶员右耳声压级下降5.59 dB(A),传递路径分析对阻尼结构优化设计具有一定指导作用。 相似文献
18.
针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型。利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生产相应特征图,之后将其输入卷积神经网络(CNN)自适应的完成滚动轴承故障特征的提取与分类。为了验证模型性能,采用凯斯西储大学轴承数据集进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,相较于其他图像编码方式与神经网络,该模型在载荷变化以及噪声污染时,仍保持了良好的诊断性能。 相似文献
19.
目的为了准确而快速地自动检测医药玻璃瓶的外观缺陷。方法基于YOLOv3算法,建立深度卷积神经网络学习检测模型,通过将神经网络结构浅层和深层特征向量连接并标准化,提取玻璃瓶多尺度特征信息。采用K-means聚类方式获得锚点框初始大小,提高模型对边界框预测的准确性;利用多尺度训练策略,增强模型对不同尺寸图像的鲁棒性。结果实验结果表明,提出的医药玻璃瓶缺陷检测方法能够准确检测识别玻璃瓶上的管端残损、气线、气泡、划伤、污渍和结石等缺陷种类。与主流的目标检测方法相比,提出的方法在处理速度和准确度上都有提高,缺陷目标检测精确率达到96.23%,召回率为93.82%,平均精度为89.35%。结论该方法已经在国内几家大型医药玻璃包装生产公司成功应用,显著提高了医药玻璃包装产品的质量和合格率,降低了人工成本。 相似文献
20.
Analog fault diagnosis of actual circuits using neural networks 总被引:30,自引:0,他引:30
Aminian F. Aminian M. Collins H.W. Jr. 《IEEE transactions on instrumentation and measurement》2002,51(3):544-550
We have developed a neural-network based analog fault diagnostic system for actual circuits. Our system uses a data acquisition board to excite a circuit with an impulse and sample its output to collect training data for the neural network. The collected data is preprocessed by wavelet decomposition, normalization, and principal component analysis (PCA) to generate optimal features for training the neural network. This ensures a simple architecture for the neural network and minimizes the size of the training set required for its proper training. Our studies indicate that features extracted from actual circuits lie closer to each other and exhibit more overlap across fault classes compared to SPICE simulations. This implies that the neural network architecture which can most reliably perform fault diagnosis of actual circuits is one whose outputs estimate the probabilities that input features belong to different fault classes. Our work also shows that SPICE simulations can be used to select appropriate features for training the neural network. Reliable diagnosis of faults in an actual circuit, however, requires training data from the circuit itself. Our fault diagnostic system, trained and tested using data obtained from real sample circuits, achieves 95% accuracy in classifying faulty components 相似文献