粉体密相气力输送中的管道压降预测

利用人工神经网络技术,建立了BP网络模型,通过网络的学习训练,比较准确地预测了粉体密相气力输送过程中的管道压降,预测准确率在93.3%以上,表明该方法可以作为密相气力输送研究中的一种有效的辅助手段。     

径向基网络在密相气力输送中的应用

在水平管道中,用压缩空气对玻璃珠进行密相气力输送压损实验研究。管道压降是密相气力输送系统的关键参数之一,它的大小基本决定了动力的大小。传统的方法完全靠经验公式和经验来决定动力大小,误差较大。本文提出了基于径向基网络的密相气力输送管道压降模型,对不同流态下管道压降进行了仿真。结果表明,RBF网络能对不同流态下的管道压降进行较好的仿真。RBF网络的收敛速度快,可实现密相气力输送参数的在线控制。     

高压密相气力输送监控系统

介绍了高压密相气力输送实验系统的结构,并详细给出了其监控系统的硬件结构、程序流程和控制算法.     

基于超声声速的气力输送颗粒体积分数测量

气力输送过程中,颗粒相体积分数、颗粒速度和颗粒粒径等参数的在线测量对过程监测具有重要的意义。基于由Harker和Temple共同提出的两相流理论模型(HT模型),对气力输送过程中的颗粒相体积分数、颗粒粒径和超声频率对超声声速的影响进行研究,通过数值模拟建立了超声声速与颗粒相体积分数的变化关系。模拟结果表明,与颗粒相体积分数对声速的影响相比,在一定的范围内,颗粒粒径变化和超声频率变化对声速的影响可以忽略不计。随着颗粒体积分数的增大,声速逐渐减小。以玻璃微珠和空气组成的气力输送作为研究对象,进行了试验测量。试验结果表明,该声速计算模型的计算结果与实际测量结果相近。该方法可以为实际生产中颗粒相体积分数的测量提供一种行之有效的途径。     

基于BP网络的温度预测在高压气密性检测中的应用

介绍了温度在差压法气密性检测法中对检测精度的影响，然后提出了通过正向建模建立BP网络，并利用实验样本来训练网络。将训练好的神经网络用来预测高压气密性检测中需要检测的大体积容器内的温度，并将预测到的温度应用到智能气密性检测判断中，大大提高了高压气密性检测的精度。     

用法拉第罩传感器测量气固两相流量

用法拉第罩传感器测量气固两相在稀相和密相输送中的流量.稀相输送试验是在法国Poitiers大学的试验台上进行的.密相输送是在东南大学的试验台上试验的.在这些试验台上测得了电流值,以及这些电流值和两相质量流量的关系曲线.     

军用Ad Hoc网络分层体系架构及安全协议

为提高军用Ad Hoc网络的安全性与可靠性,提出一种分层的网络体系架构。基于时间戳的直接密钥交换签密(DKEUTS)方案,采用随机数替代时间戳,设计一种简化的基于随机数的签密(SRS)方案。根据不同层次节点的安全性需求以及通信和计算性能,选择DKEUTS方案或不同签密参数的SRS方案。通过网络割点判别,对网络连通度进行预测,重构网络拓扑,保障网络的可靠性。性能分析结果表明,该分层网络架构与安全协议可适用于节点非同构网络。     

基于Cauchy分布的抖动模型

为了准确地刻画IP网络中的抖动,提出了一个基于Cauchy分布的抖动模型。同时根据该抖动模型,说明了随着路径中的节点的增多,网络抖动的离差与节点数目之间呈密率关系。可以利用这一结论,通过节点的数目和流量参数的大小来预测应用的QoS,并可以进行估算,为了保证应用特定的QoS,沿网络传输所能允许的最大节点数。仿真实验结果表明,Cau-chy模型与实际测量值之间可以得到很好的吻合。     

单目视觉的深度与位姿联合预测网络

深度图与相机位姿参数是图像三维场景重建的重要数据,使用两个卷积网络分别预测,不仅效率低并且切断了二者之间的联系.对此提出一种联合预测深度图与相机位姿的卷积神经网络,输入单幅RGB图像,经过共享编码器编码,经两路子网络分别解码输出深度图与相机位姿参数,其中位姿预测子网络也为双路结构,将位置与姿态参数分离,避免两类参数的串扰.该网络的多任务结构通过信息共享可提升预测精度和效率.实验验证了该方法的可行性与优异性.     

流态化压力输送煤粉系统中参数的微型计算机采集

研究气固两相流动机理的气力输送理论以及开发气固两相流量计,都必须建立一个工作压力、气固流量等参数能在较大范围内随意调节的装置。本文介绍了这种装置,并着重介绍了微型计算机在该系统中的应用,文中提供了装置系统图、微机测量系统方块图及系统工作流程图,并附有BASIC语言编制的程序表。     

基于Elman神经网络的浓相输送模糊控制系统

由于粉末物料的浓相输送系统存在严重的非线性和时变性,故要想建立其准确数学模型难度非常大,本文提出了使用模糊神经网络控制系统,并对于模糊控制规则由Elman神经网络联想记忆后提取,它不但可以获得最佳控制规则,而且响应速度快并能够进行在线进行规则的修正。经仿真实验,该控制器能够对粉末物料流量在一定范围内进行协调优化时实控制。     

GA-BP神经网络在气压式相对高度计中的应用研究

为了提高相对高度测量的精确性,研究并实现了一种基于气压传感器阵列式测量和遗传算法(GA)优化反向传播(BP)神经网络数据融合处理的高精度气压式相对高度计,给出了相应的硬件结构和软件设计。结合实验测量的数据和相关文献的数据,从准确性、稳定性和通用性的角度对GA-BP神经网络、传统BP神经网络以及标准计算公式在气压式相对高度计中应用的性能进行了对比分析。研究结果表明,本文提出的基于GA-BP神经网络的相对高度计具有更高的测量精度、更高的稳定性和更好的推广能力,能够满足日常相对高度的实时测量需求。     

基于BPPID的疏浚管道稳定流速控制

针对疏浚船管道输送过程中泥浆管道流速难以控制,容易造成较大的功耗、磨损甚至会堵管、爆管等风险,本文以疏浚泥泵管道输送实验台为研究对象,提出一种基于BP神经网络的PID控制器,对管道输送流速进行稳定控制。在采用系统辨识方法对实验台进行建模的基础上,将BPPID与传统PID控制器进行仿真对比分析并利用模型实验台分别进行了流速阶跃变化和流速跟踪实验。实验结果表明BPPID控制对突变工况具有自适应自学习能力,为实际挖泥船输泥管道的稳定流速提供借鉴。     

基于神经网络PID控制的柔性微机器人系统

根据尺蠖蠕动的原理,研制了一种三自由度微型机器人内窥镜诊疗系统;该机器人由空气压橡胶驱动器驱动,通过两个气囊钳位．建立了机器人的动态模型．基于BP神经网络PID控制策略,设计了电—气脉宽调制伺服系统控制机器人的移动．用系统输出的预测值来代替实测值,计算权系数的修正量,实时改变控制参数以提高控制效果．软件仿真和实验结果都证实该方法弥补了传统PID控制方法的不足,显著改善了系统的静动态特性,是一种理想的气动微型蠕动机器人控制方法．     

基于神经网络PID的疏浚管道泥浆流速控制

疏浚作业中，泥浆管道内物料的组成、粒径、浓度等随水下地形土质等变化很大，易造成流速波动甚至堵管、爆管等故障，因此泥浆流速稳定控制对泥浆输送的效率和安全具有重要意义；疏浚管道输送系统具有非线性、大时滞和参数时变等特征，传统PID控制方法效果不佳，故此将BP神经网络和传统PID控制算法相结合，并将其应用于泥浆流速控制中。以河海大学管道输送实验平台为对象，采用受控自回归CAR模型描述泥泵变频器频率与管道泥浆流速之间的关系，通过实验和数值处理对模型进行离线辨识；在此基础上通过仿真对比传统PID、单神经元PID和BP-PID的流速控制性能，发现BP-PID控制器的超调量仅为3.8%，响应时间为11s，控制性能较好；最后通过在体积浓度~10%到~30%泥浆范围内，泥浆浓度小幅度和大幅度增减实验，对流速控制方法进行了验证，结果表明在浓度平缓或剧烈波动时，采用BP-PID控制算法的流速控制系统，均能够在保证输送安全的前提下，快速、稳定地达到目标流速，具有较好的自适应控制性能。     

基于LabVIEW的工作面输送设备远程监测与诊断系统设计

针对现有工作面输送设备监测与诊断系统只能在井下现场使用的问题,设计了一种基于LabVIEW的安装于地面调度中心的输送设备远程监测与诊断系统;给出了由该系统与井下基于PLC的输送设备监测与诊断系统相结合构成的全矿井无人工作面输送设备监测与诊断系统的整体结构,分析了该系统与井下系统间的数据交换实现,介绍了在LabVIEW中运行BP神经网络故障识别的方法及SQL Server数据管理系统的设计。实际应用表明,该系统运行稳定,实现了在地面调度中心实时监测和综合诊断工作面刮板输送机、转载机和破碎机的工况。     

垂直管中聚碳酸酯气力输送的数值模拟

采用气固两相流双流体连续模型,结合颗粒动力学方法,运用计算流体力学的手段,对PC中试生产装置垂直管中的气力输送过程进行了初步数值模拟,在所要求的输送条件下,依据输送压降和投资费用的综合影响,计算出最佳管径为50mm,根据颗粒相轴向速度分布,分析出在满足最大输送能力的情况下,应减少管径,有利于提高固气比,有利于减少能源消耗,提高经济效益。计算出不同输送气速下的压降,压降最低点所对应的输送气速就是最佳经济速度,最佳经济速度随输送量的增大而增大,不同输送量下最佳经济速度点的连线,为最佳经济速度线。     

基于交变粒子群BP网络的电力系统短期负荷预测

短期负荷预测是电力系统正常运行的关键环节,合理的发电计划依靠准确的负荷预测,因此提出交变粒子群算法来优化BP网络模型以预测电力短期负荷。针对 依靠先前的经验 来确定BP神经网络的权值缺少理论依据的问题,采用交变粒子算法优化BP神经网络权值,以减少通过神经网络预测模型求解电力短期负荷预测带来的误差。实验证明,经过优化的BP神经网络预测模型比传统的BP神经网络预测模型的误差更小,更加接近实际电力负荷。     

基于量子遗传算法优化神经网络的入侵检测

针对入侵检测的效率及准确性问题,提出一种基于量子遗传算法优化神经网络的入侵智能检测模型,该模型基于量子遗传算法的全局搜索和神经网络局部精确搜索特性,将量子遗传算法和BP算法有机结合。利用改进的量子遗传算法优化BP神经网络的权重和阈值,使BP神经网络能快速准确地识别入侵,增强计算机网络安全。运用Matlab软件对该模型进行仿真。实验结果表明,与其他同类方法相比,该方法的检测率更高、误报率更低。