锭子弹性管螺旋槽弹性的探讨

从理论和实验数据两方面分析讨论了弹性管材料及结构参数对其弹性的影响 ;同时讨论了加工工艺对弹性管弹性的影响 ,以及弹性管设计开发的方向     

基于神经网络和遗传算法的醋酸发酵培养基优化

为优化醋酸菌As1.41发酵培养基,采用正交试验确定最佳碳、氮源种类,并利用神经网络和遗传算法寻求最佳培养基浓度。试验结果:最佳碳、氮源为葡萄糖与酵母膏;最优组合是:葡萄糖2.7%,酵母膏3.1%,乙醇6.6%,NaCl0.41g/100mL。在接种量4%,温度30℃,转速120r/min下摇床发酵5d,做对照试验,结果表明:利用神经网络和遗传算法优化的培养基产酸量比优化前提高了31%,比正交试验优化结果提高了16%,说明神经网络与遗传算法在培养基优化中具有显著的优越性。     

基于神经网络和遗传算法培养基优化的发酵经济学

利用目前较为先进的神经网络(ANN)和遗传算法结合(GA)的优化方法,通过以6种培养基组成为输入,亚硝酸盐氧化菌的活性与培养基成本之比的"性价比"为输出,构建结构为6-8-1 BP神经网络的非线性的非结构模型,并以该模型为遗传算法的目标函数,进行遗传算法的全局寻优,优化得到具有最高"性价比"的培养基组成.结果表明,基于神经网络和遗传算法能较好地对培养基进行优化,并实现对发酵经济学的初步研究.通过优化,得到亚硝酸盐氧化菌的最佳培养基组成为:NaNO2 2.390 g/L, KH2PO4 1.355 g/L, MgSO4 0.019 g/L, NaCl 0.031 g/L, NaHCO3 4.373 g/L, FeSO4 0.005 g/L,其最优"性价比"为8.705,比初始的6.835提高了27.36%.     

基于BP神经网络和遗传算法优化番茄红素发酵培养基

为了进一步提高三孢布拉霉高产突变株的番茄红素产量,本研究基于BP神经网络和遗传算法对发酵培养基的组成进行了优化。比较不同碳源、氮源、植物油对番茄红素产量和生物量的影响,确定最佳碳源、氮源和植物油。利用49组样本数据,建立以玉米粉、玉米浆、大豆油、磷酸二氢钾、硫酸镁为输入变量,番茄红素体积产量为输出变量的BP神经网络,并以建好的BP神经网络模型为适应度函数,利用遗传算法进行寻优。经过优化,得出番茄红素最大预测产量为1.27 g/L,经验证,与实际产量误差在5%以内,较优化前提高了31.6%。此时,玉米粉、玉米浆干粉、大豆油、磷酸二氢钾、硫酸镁的含量分别为41.2、8.93、26.5、1.39、0.46 g/L。因此,BP神经网络结合遗传算法是番茄红素发酵培养基优化的有力工具,番茄红素产量显著提高。     

锭子弹性管铣螺旋槽后的校直工艺

为了提高成套锭子质量,介绍对经铣加工螺旋槽后的弹性管的弯曲变形,采用简易工装进行分段校直,并在校直后4 h内作定性处理的制造工艺技术及其注意事项,从而使弹性管直线度及其与轴承座、锭底组合件的同轴度达到合格。     

锭子弹性管同轴度与制造工艺的改进

针对锭子弹性管传统加工工艺易造成其变形、同轴度精度差等问题,对弹性管加工工序、装夹方式、夹具及刀具等进行了一系列改进。测试结果表明:锭子弹性管加工工艺的改进在很大程度上提高了弹性管锭底孔相对外圆的同轴度,保证了锭子质量的可靠性和稳定性,可有效降低成套锭子高速运转时的振程。     

高速纺纱锭子弹性管减振机制与振动特性

为探究锭子弹性管的减振机制,将其开螺旋槽部分作为矩形弹簧模型处理,建立了减振弹性管的抗弯刚度及底部振幅的理论数学模型,并利用MatLab仿真分析了减振弹性管关键结构参教与其抗弯刚度和底部振动特性的耦合关系,同时结合有限元仿真及模态测试得到弹性管各阶固有频率。研究结果表明:随着槽宽和圈数的增大,刚度降低,底部振幅增加;随着壁厚、螺距、螺旋升角、弹性模量的增大,刚度增加,底部振幅降低;弹性管固有频率和锭子系统共振频率区间一致,且工作频率有效避开了共振频率。     

遗传算法优化BP神经网络的纺熔无纺布性能预测

为进一步提高BP神经网络在预测纺熔无纺布性能时的精确度,提出利用遗传算法对前期构建好3层结构的BP神经网络进行优化.使用MATLAB进行网络训练和预测,结果表明,当遗传算法优化后,将BP神经网络应用于产品性能预测的数据与实际数据进行对比,产品强力和耐静水压的绝对百分比误差在5％以内,优于BP神经网络的6％,预测精度更高...     

高速双弹性细纱锭子的设计及其性能

介绍了目前国内外双弹性锭子的发展及各公司设计生产的双弹性锭子的结构形式，说明了双弹性锭子的结构特点及减震效果。     

基于遗传算法与神经网络的微波浸提过程优化

微波浸提是一个非线性、不确定因素较多的过程。本实验以荞麦皮粉总黄酮的萃取工艺为例,采用神经网络对微波浸提过程进行模拟,并用遗传算法进行工艺参数的优化,得出荞麦皮粉中总黄酮的微波萃取过程的最佳工艺为:液料比6.25、乙醇浓度54%、微波功率456W、作用时间11.3min、搅拌速率483r/min。在该工艺条件下做了验证实验,总黄酮提取得率为0.796%。并通过对比实验证实:在达到相同的提取率时微波浸提在溶剂用量、溶剂回收率等方面均优于传统萃取方法。     

基于遗传算法和BP网络的精毛纺粗纱质量预报

针对BP神经网络收敛速度慢、容易陷入局部最优解和遗传算法搜索范围广、效率高、鲁棒性强的特点,提出将二者结合用于精毛纺粗纱过程建模和质量预报。将BP网络初始权重和阈值按一定规律串接成字符串作为遗传算法的染色体,通过选择、交叉和变异操作对其优化, 优化后的值作为该BP网络的初始权重和阈值进行二次训练。采用相同的数据训练表明,未优化的BP网络达不到预定精度或陷入局部最优解,经GA优化后收敛速度快且达到了所需精度。粗纱CV值和单重的20组数据预报表明：预报值与实测值间的相对平均误差率由之前的3.56%和3.48%分别降低到2.55%和2.23%;预报值和实测值间的相关系数较之前大为提高。     

基于BP神经网络和遗传算法的钢丝拉拔优化设计

针对钢丝在拉拔成形后表面轴向残余应力过大的问题,建立有限元模型,并确定钢丝拉拔过程变量优化范围;利用正交试验法确定网络训练样本,根据变量设计安排各因素及水平,组成L25(55)正交表;利用ANN的高度非线性映射能力建立拉拔过程参数与钢丝表面最大轴向残余应力映射模型,同时将神经网络与遗传优化算法相结合。优化后摩擦因数为0.09,工作锥角为8°,定径带长度为0.66 mm,部分压缩率为4%,拉拔速度为3 820mm/s,在此组合参数下,采用FEM计算表面轴向残余应力为65.37 MPa,神经网络预测结果为67.58 MPa,模拟结果相对误差为3.5%;相对于正交试验中平均轴向残余应力202.1 MPa,降低67.6%,优化效果明显,显著降低了钢丝的表面轴向残余应力。     

基于遗传算法优化BP神经网络的丙酮丁醇梭菌发酵预测模型研究

为了提高丙酮丁醇梭菌发酵过程中生物量浓度预测的精度,以不同发酵时间和葡萄糖浓度下的生物量数据作为训练和测试集,构建BP人工神经网络,并利用遗传算法(GA)的全局搜索能力,优化构建BP人工神经网络权值和阈值,建立GA-BP预测丙酮丁醇梭菌生物量的预测模型.结果表明采用GA-BP算法具有比BP人工神经网络更高的预测精确度和稳定性.     

基于主成分分析、遗传算法和神经网络对啤酒感官评价预测的研究

使用主成分分析、遗传算法和神经网络建立啤酒感官评价模型并预测.该模型先将啤酒中23个理化及风味指标进行主成分分析,再将主成分得分作为输入数据,感官评价得分作为输出数据,使用BP神经网络建立预测模型,并采用遗传算法优化神经网络的权值.用此模型对50种啤酒的感官得分进行预测,预测最大相对误差为16.08%.经过对感官评价的分析,最大相对误差小于20%认为可信.结果表明,该方法能有效地预测啤酒感官评价.     

基于遗传算法和神经网络的3D增材印花工艺参数优化

针对3D增材印花工艺中刮刀压力、刮印速度、刮刀角度和油墨黏度等参数的组合对印花质量存在较大影响,但实际生产中各工艺参数组合无法实现最优这一问题,利用附加动量法改进下的BP神经网络构建3D增材印花工艺模型,通过实验参数对模型进行训练,确定工艺参数和印花质量间的非线性关系。利用遗传算法对该非线性函数进行极值寻优,从而得到3D增材印花工艺的最优参数组合:印花压力为4 800N,刮印角度为18°,刮印速度为400 mm/s,油墨黏度为170.5 Pa·s,该模型预测误差基本稳定在0.01范围之内。利用优化前后的参数进行对比实验,结果证明该算法可以实现3D增材印花工艺的质量预测和参数寻优,从而提升印花质量,缩短产品开发时间。     

基于遗传退火算法的数据库多连接查询优化算法

结合多连接查询的特点,提出将侧重于全局搜索的遗传算法与侧重于局部搜索的模拟退火算法相结合的数据库多连接查询优化算法:先从一组随机产生的初始种群开始全局最优解的搜索,通过选择、交叉、变异等遗传操作产生新一代种群,然后对新个体进行模拟退火操作,将结果作为下一代种群中的个体.如此反复迭代进行,到满足最终条件为止.仿真实验验证了该算法的有效性.     

基于改进神经网络算法的蔬菜图像识别

文章提出了改进神经网络算法,建立了径向基函数神经网络模型,包括梯度下降方法求解权重参数,增大邻域半径的均值聚类方法求取隐函数中心值,利用相邻聚类中心获得核宽度,通过量子遗传算法删除冗余权重和神经元;提取了蔬菜图像的特征,并给出了算法流程。仿真试验表明,试验算法对蔬菜图像的形状特征平均识别率为97.56%,纹理特征平均识别率为95.60%,颜色特征平均识别率为93.25%,训练时间平均为5.83s、识别时间平均为2.18s,优于其他算法。