共查询到15条相似文献，搜索用时 375 毫秒
1.
针对小型甘蔗收获机切割器不平衡对切割器轴向振动的影响,为实现切割器振动的有效预测以及自动控制信号的获取,通过正交试验并利用BP神经网络技术与回归分析构建出了切割器螺旋以及刀盘振动的BP神经网络模型和回归模型。分析结果表明:基于BP神经网络建立模型的切割器螺旋与刀盘的振动正确拟合率达到了88.89%,且相对误差基本上在5%以内,而回归模型的切割压力正确拟合率只有38.89%。因此,基于BP神经网络建立的模型具有较高的精度,通过此BP神经网络模型,有效地解决了复杂信息特征的提取问题,减少了试验研究的次数与成本,为进一步的切割器刀盘以及螺旋振动的自动控制系统的研发奠定了基础。 相似文献
2.
3.
以影响热裂解液化过程的因素(输入功率、压差、氩气流量和进料率)为网络输入,热裂解液化产物为网络输出,应用BP神经网络模型法对玉米秸秆热裂解液化产物产率进行了预测分析,并将预测结果与非线性回归分析法进行了比较分析.结果表明,采用BP神经网络模型预测输出值与试验值间的相对误差总体上在5％之内,说明模拟预测的效果较好.对BP神经网络模型法与非线性回归方法的预测结果对比分析显示:在试验数据范围内,BP神经网络模型对玉米秸秆热裂解3种产物产率的预测值更接近试验值,计算精度比非线性回归方法略高. 相似文献
4.
针对甘蔗收获机入土切割系统负载压力的预测适应性差、准确性低的问题,通过正交试验探究在不同土壤类型下切割系统的负载压力与入土切割深度、土壤含水率、甘蔗密度及土壤硬度等因素之间的关系并对各影响因素的显著性进行排序;根据试验结果搭建基于BP神经网络的负载切割压力的预测模型并进行验证。试验及验证结果表明:各土壤中入土深度、土壤含水率、甘蔗密度对切割系统负载压力影响显著,红壤的土壤硬度影响显著,而冲积壤的入土深度与土壤含水率交互作用影响较大;预测验证得出黄壤、红壤、冲击壤的平均相对误差分别为1.81%、3.46%、3.79%。研究成果可为提高甘蔗收获机入土切割负载压力预测控制系统的适应性、可靠性提供数据支持和理论依据,对其实际应用具有一定参考价值。 相似文献
5.
双孢蘑菇远红外干燥神经网络预测模型建立 总被引：4，自引：0，他引：4
分析了双孢蘑菇在远红外干燥过程中,辐射强度、辐射距离、物料温度、物料厚度、干燥时间等因素对干燥速率的影响.基于BP神经网络建立了含水率与各因素之间的网络模型结构,输入层、隐含层和输出层的神经元数分别为5、11、1.以干燥试验数据作为训练和测试的样本值,利用Matlab中的神经网络工具箱,经过有限次迭代计算获得一个反映试验数据内在联系的数学模型,并实现对该模型的训练和系统的模拟.结果表明:在试验范围内,BP神经网络可以高效、准确、快速地建立模型,且模型的预测值与实测值拟合较好,能够准确而可靠地实现含水率在线预测. 相似文献
6.
温度和含水率对土壤比热容影响的神经网络预测 总被引：1，自引：0，他引：1
通过二次正交回归试验研究了土壤温度和含水率对土壤比热容的影响,并建立了土壤比热容的二次正交回归模型和优化BP神经网络模型.结果表明:土壤温度和含水率的一次项对比热容的影响达极显著水平.其二次项的影响达显著水平;二次正交回归模型具有较好的拟合精度,其残差平方和为0.026 1,标准差为0.0511.但优化BP神经网络模型的最大误差值为0.036,最小误差值为0.008,其预测精度优于二次正交回归模型.优化的BP神经网络学习速率较快,当网络训练达到346步时即有效收敛,具有预测速度快、操作简便的特点. 相似文献
7.
甘蔗收获机切割系统负载压力影响因素的试验研究 总被引：1，自引：0，他引：1
针对甘蔗收获机在入土切割时无法根据地形精确控制切割器入土切割深度的问题,通过理论分析甘蔗收割机入土切割时影响切割系统负载压力的因素,并通过试验探究各因素对切割系统负载压力的影响规律。试验结果表明:影响切割系统负载压力的主要因素有入土深度、土槽进给速度、甘蔗密度、刀盘转速、土壤含水率和土壤密度,随着入土切割深度、土槽进给速度、甘蔗密度和刀盘转速的增加,切割系统的负载压力整体均呈逐渐增大的趋势,并得出各因素对切割系统负载压力影响的显著性及先后顺序。该研究为建立甘蔗收获机械切割系统的负载压力与切刀入土切割深度的关系数据库提供了数据支持。 相似文献
8.
针对甘蔗收获机砍蔗时甘蔗宿根破损程度易受路面激励及甘蔗收获机工作参数等多种因素影响的问题,提出了一种甘蔗宿根切割质量的预测方法。以台糖22号为研究对象,将路面振幅、路面振动频率、甘蔗收获机前进速度、刀盘转速和刀盘倾角作为BP神经网络预测模型的输入变量,利用PSO算法优化神经网络的权值与阈值,通过对砍蔗试验数据的训练与预测,建立了台糖22甘蔗宿根切割质量的BP神经网络预测模型。对比了基于PSO算法的BP神经网络模型与传统BP神经网络模型预测,结果表明:基于PSO算法的BP神经网络的模型对甘蔗宿根切割质量预测的最大相对误差为3.301%,而BP神经网络模型的最大相对误差为14.6 5 9%。优化后的新模型较传统模型具有学习能力强、预测精度高的优点。研究结果为甘蔗收获机实际工作中不同路况条件下工作参数的智能调控及提高甘蔗宿根切割质量提供了理论依据。 相似文献
9.
甘蔗收获机切刀负载压力影响因素试验研究 总被引：1，自引：0，他引：1
由于我国甘蔗大部分种植在丘陵地带,蔗地地势起伏变化较大,导致切割器切割甘蔗时出现过切或漏切以及甘蔗收获中出现收割损失大的情况。为此,对影响切割器负载压力的因素进行进一步研究,结合前课题组的研究理论分析出其影响因素有刀盘倾角、入土深度、刀盘转速、进给速度和甘蔗密度。采用ANSYS软件对刀盘倾角进行仿真分析,并通过Doehlert matrix设计试验方法进行物理试验研究,寻找最优模型关系式,最终建立切刀负载压力与影响因素之间的数学模型,为后续自动控制系统的研发打下基础。 相似文献
10.
运用BP神经网络模型对水面蒸发进行研究,并与多元线性回归和主成分回归2种方法的拟合结果进行比较。结果显示,多元线性回归各参数均通过t检验,拟合较好;主成分回归中,参数b2未通过t检验,拟合效果不如多元线性回归好。BP神经网络模型、多元线性回归、主成分回归建立的水面蒸发量观测值与拟合值的回归方程中决定系数分别为0.8986、0.7993、0.7984。应用BP神经网络进行分析,相对误差小于10%的样本个数超过总样本个数的40%,相对误差不超过30%的样本个数接近80%;而其它2种方法相对误差大于10%的样本个数超过总样本数的80%,相对误差大于50%的接近总样本个数的30%。可见,应用BP神经网络模型进行水面蒸发量计算,远优于其它2种方法,应用此方法进行水面蒸发量的预测是非常理想的。 相似文献
11.
研究根据室内尿素水解试验资料,建立了以温度、水分、时间为输入因子,尿素态氮含量为输出因子,拓扑结构为3-2-1的BP神经网络预测模型,以及Verhulst灰色预测模型和零级动力学模型,并分析比较了三种模型的预测效果。结果表明:3种预测模型均能满足模拟精度要求,所建立BP神经网络模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为2.39%、0.992 4和0.984 5,具有较高的预测精度和良好的稳定性,并且模拟效果明显优于Verhulst灰色预测模型和零级动力学模型,可以较好地描述尿素水解动态变化过程,为尿素水解定量研究提供了精确的科学依据。 相似文献
12.
13.
为提高铡草机切碎作业的控制性能、作业质量及减小能耗,基于线性预测控制并结合铡草机切碎作业特点建立目标函数,由切碎运动学误差模型推导采样周期以解决控制鲁棒性,切碎动力学模型推导控制时域及预测时域以提高控制响应性,设计了铡草机切碎辊负荷控制器。Simulink仿真表明：经计算和回归优化选出的预测参数组采样周期、预测时域、控制时域为0.8、15、2 s时,其控制精度及鲁棒性最好、作业能力最大、对扰动的响应速度最快、抑制能力最强及能耗(9.27×106 J)最小。现场试验结果表明：该优化预测参数组模型控制器,能够对铡草机切碎负荷有效跟踪控制,产品质量符合标准要求,同时实现了铡草机作业能力的提高,使系统控制响应更迅速,生产效率更高和单位作业能耗(1.382×107 J)更小。该控制器参数模型建立方法为类属饲草作物收获机控制系统的设计提供了参考。 相似文献
14.
以农业机器人精密轨迹优化自动控制为目标,在优化算法中引入BP神经网络与计算力矩法结合的自动控制器,旨在减少作业过程中的运动误差,提高其工作效率。首先,建立农业机器人数学模型,分析其运动学和动力学原理;然后,设计了农业机器人运动控制系统,引入BP神经网络对不确定动力学因素进行判断,并提出解决该因素的自适应学习法;最后,对该系统运用Mat Lab进行了仿真。试验表明:以BP神经网络与计算力矩法结合的自动控制器可以有效优化机器人运动路径,提高机器人整体作业效率,系统运行稳定、可靠性强,且对外部环境的干扰因素具有较强的自适应学习能力。 相似文献
15.
为了探究适合全射流喷头多因素下射程的预测模型,通过改变喷头工作压力、安装高度、喷嘴直径、喷头仰角共4个参数,对射程进行测量.基于BP神经网络和广义径向基(RBF)神经网络的基本原理和算法,建立了全射流喷头射程预测的BP和RBF神经网络模型,并分析BP和RBF神经网络的预测性能.结果表明射程与工作压力、喷嘴直径呈非线性关系;当喷头在1.2 m安装高度、27°仰角、4~10 mm喷嘴直径时,压力增大到0.4 MPa,射程趋于极限,并且安装高度与射程呈正相关关系.BP与RBF神经网络均能较好地表达全射流喷头射程与主控因素之间的非线性关系.在训练时间方面,RBF网络比BP网络慢8.05 s;预测过程中,BP网络在每次运行程序时的预测结果不一定相同,而RBF网络则不会出现此问题,且RBF网络预测值与实测值之间的平均绝对误差比BP网络的小3.55%.从网络预测总体效果观察,RBF神经网络预测喷头射程具有更好的推广能力. 相似文献