中继阀性能测试系统设计与实现
这是一篇关于中继阀,性能测试,高速电磁阀,改进人工鱼群算法,模糊神经网络的论文, 主要内容为中继阀是机车制动系统的关键组成部件,其性能直接影响行车安全。因此,对中继阀进行性能测试尤为重要。然而,传统性能测试系统存在操作繁琐、收集数据少、精度差等问题,导致测试项目不全面、效率低,难以进行全面分析中继阀的可靠性和耐久性。为了提高中继阀性能测试的效率,设计一套操作简便、检测精度高的中继阀性能测试系统。本文主要工作如下:首先,选择中继阀性能测试系统为研究对象,介绍制动系统工作原理后,使用Amesim软件搭建紧急电磁阀、空重车阀和中继阀模型,为中继阀性能测试系统设计提供理论基础。在完成对性能测试系统的需求分析后,设计出了中继阀性能测试系统方案。其次,介绍中继阀性能测试系统中压力控制原理。高速电磁阀作为性能测试系统压力控制中的关键部分,介绍了其工作原理并进行特性分析。为了缩短中继阀性能测试时间并提高预控压力输出精度,使用了PID控制和模糊PID控制来对高速电磁阀进行控制。为了改善模糊控制收敛速度慢和控制精度低的问题,引入了改进的人工鱼群算法来优化神经网络模糊控制,并对高速电磁阀进行了仿真研究。接着,设计了控制采集板卡来对系统中的电磁阀、比例阀和压力传感器进行负载控制和数据采集。通过QT Creator设计中继阀性能测试上位机软件,包括系统登录界面、性能测试选项界面、实时曲线界面和历史数据界面。测试中产生的压力传感器数据使用My Sql和文本进行存储。最后,对设计完成的中继阀性能测试系统进行了整体测试,并进行系统评定。经过平衡压力、迟滞和灵敏度等九项测试试验后,本系统能够对中继阀性能指标做出全面测试并稳定运行。
基于层级模糊网络模型的危险货物道路运输车辆风险评估研究与应用
这是一篇关于危险货物运输,运输安全,风险评估,模糊系统,模糊神经网络的论文, 主要内容为危险货物在运输过程中一旦发生事故将会造成非常恶劣的影响,损失巨大。我国各个省份的道路运输管理中心对于从事危险货物运输的企业平台也开展了针对性的监管措施,主要是对危险货物运输企业的宏观监控,缺乏对具体运输车辆的精准监管。通过对危险货物道路运输车辆历史事故数据的影响因素分析,对运输车辆的事故风险进行评估,能够帮助危险货物营运企业和监管部门更加精确的对运输车辆个体进行管控,减少甚至避免运输事故的发生。本文对危险货物道路运输车辆风险评估问题进行研究,首先通过多种渠道对陕西省危险货物道路运输车辆事故数据进行搜集整理,建立可靠、精确的危险货物事故数据集。基于此数据从驾驶员、车辆、道路环境、货物和管理五个方面明确事故致因,构建事故风险评估指标体系。同时使用解释结构模型进一步分析指标之间的层次性结构,为后续构建模型做好数据准备。其次基于指标之间的层次性关系,利用模糊神经网络构建了层级模糊网络模型用来对危险货物道路运输车辆事故风险进行预测。在该模型中,第一层的每个模糊系统对应一组指标层数据,这些模糊系统可以生成对目标的弱估计量,模糊神经网络以这些弱估计量作为输入进行模型训练。同时考虑到实际环境中存在获取到的数据信息不完备的情况,在此条件下,通过计算各指标权重,采用定性分析方法对危险货物道路运输车辆事故风险进行评估,为相关工作人员提供决策支持。最后使用前后端分离技术架构搭建危险货物道路运输车辆风险评估系统。该系统以层级模糊网络模型作为后端处理模型,前端使用VUE+element UI框架,后端使用Spring Boot+Mybatis框架,实现了可以对危险货物道路运输车辆进行实时监控和风险评估的风险系统。数据实验和对比测试表明,层级模糊网络模型在有限数据条件下对于事故风险有更好的预测效果,各级事故预测精度均达到90%以上,模型整体效果优于其他模型,在保证对事故风险实时检测的同时对事故级别有更加准确的预测结果。
基于模糊神经网络的无人船航向控制研究
这是一篇关于无人船,智能控制,模糊神经网络,航向控制的论文, 主要内容为当今社会科技发展飞速,自动化和智能化已逐渐渗透到各行各业,并成为发展的主流方向。在航海方面,常面对危险或人力不可为的任务,因此相关的自动化、智能化技术发展备受关注。而无人船作为一种智能化的水面机器人,具有自主航行的能力,并且能够进行环境感知和目标探测,可以在危险的水面替代人类完成重要的任务,因此无人船的应用受到世界各国的广泛关注。无人船的发展经历了半自动化向智能化的转变,具有很大的上升空间,因此需要不断地进行创新和完善,从而更好地推动无人船事业的发展。无人船系统的非线性、不确定性和外界环境多变,造成了无人船的控制系统十分复杂且对控制的精度稳定和快速性的要求很高,因此无人船必须在传统航向控制基础上找到更加智能、高效的控制方法。本文研究内容如下:(1)建立无人船的数学模型,对无人船的硬件实现、通信协议进行设计;(2)提出了用结合神经网络和模糊逻辑的模糊神经网络(Fuzzy Neural Network,FNN)对PID参数进行整定,但因为反向传播时采用的梯度下降法收敛速度慢及网络结构相对复杂,影响了控制系统的快速性,因此采用Fletcher-Reeves共轭梯度法(FR)代替梯度下降法,从而优化了网络的收敛速度;(3)建立了基于FR法优化的模糊神经网络模型,利用优化后的模糊神经网络算法整定PID控制参数,设计了航向控制器;(4)考虑到无人船外界环境的复杂性,加入风、浪、流因素对无人船的航向控制进行抗干扰能力比较分析,证明基于FR法优化的模糊神经网络航向控制器的控制性能及抗干扰能力明显加强。实船试验阶段,对无人船B/S架构远程端进行介绍,最后对无人船的航向控制进行实验和分析。通过仿真实验,本文提出的基于模糊神经网络的无人船航向控制器的控制性能以及抗干扰能力都有显著提升,对未来无人船的研究起到了借鉴意义。
基于RTOS和智能控制的室内绿植自动管理系统设计
这是一篇关于绿植管理系统,模糊神经网络,STM32,μCOS-Ⅲ的论文, 主要内容为都市中存在庞大的爱花群体,但由于生活节奏紧张,很多绿植爱好者缺乏专业的绿植养护知识和时间精力。自动化、智能化的家用绿植管理系统,可以最大程度的将用户从繁琐的浇水、补光、水箱补水等体力劳动中解脱出来,给用户带来便捷的绿植养护体验和舒心悦目的视觉感受。基于此种情况,受(浙江)奥普家居股份有限公司(A股上市,股票代码:603551)委托,本课题设计了基于μCOS-Ⅲ操作系统和模糊神经网络PID控制的室内绿植自动管理系统。本文从4个方面介绍了项目所设计的室内绿植自动管理系统的研究内容:系统的算法研究、系统的硬件选型与设计、系统的软件设计和系统的远程监控端设计。最后通过实际应用验证了所设计系统的正确性。系统基于模糊神经网络PID控制算法,使用SIMULINK对土壤湿度控制进行了仿真实验研究,结果表明基于模糊神经网络PID控制的土壤湿度控制器性能优于传统的数字PID控制和模糊PID控制。在此基础上设计了绿植管理系统的土壤湿度控制器。系统硬件设计采用了威海精讯畅通电子科技有限公司的土壤综合传感器JXBS-3001-TR和普瑞森社的光照度传感器PR-GZ-32,实现了绿植环境的数据采集,采用正点原子科技有限公司开发的WIFI通讯模块ATK-ESP8266实现与服务器数据交互;控制器芯片选用意法半导体公司的STM32F407ZGT6 ARM处理器对采集的数据进行处理,并对水泵和电磁阀等外设进行控制。软件设计基于μCOS-Ⅲ嵌入式实时操作系统和Keil u Vision5开发平台,运用C语言编程,使用em Win图形界面框架设计人机交互界面,包括数据采集与解析、智能控制算法实现、外围设备控制、危险报警等。系统远程监控端设计基于LNMP服务器框架搭建云平台服务器,编写网页端与手机微信小程序的数据监测代码。最终实现了液晶屏实时显示绿植的土壤温湿度、PH值和室内环境光照值,以及浇水、补光、水箱补水等功能,网页端和微信小程序远程监测绿植的土壤湿度和室内环境光照值。最后是系统实现和成果展出,通过实际运行验证了所设计的绿植自动管理系统控制的准确性和可靠性。实验结果表明系统能满足室内绿植管理的实际要求。本课题是企业委托项目,最后的研究成果已在奥普家居的上海红星美凯龙(汶水商场店)和奥普家居在杭州总部的办公大楼中试用,并配合奥普集团参展了第二十三届中国(广州)国际建筑装饰博览会,广受客户好评。
面向多管线流量仪表标定系统的分段切换控制
这是一篇关于流量仪表标定,分段切换控制策略,粒子群混合灰狼优化算法,模糊神经网络,变频调速控制的论文, 主要内容为流量仪表标定系统作为仪器仪表生产过程中重要的组成部分,承担着流量仪表的检定与校准任务。在仪表标定校准过程中,控制器需在不同标定流量位点反复拟合被校表的测量误差,因此各位点的流量控制精度直接影响标定结果。随着现代工业仪器的性能需求越来越高,提高仪器仪表标定精度及效率已成为各企业抢占市场的首要目标,这对流量校准系统的标定性能提出了挑战,给仪器制造产业的发展造成了不小的阻力。本文以与重庆某仪表厂的合作项目为背景,在对该厂的流量仪表标定现场实地考察后,发现该厂具有提高仪表标定效率及流量精度的实际需求。针对这些实际问题,本文通过设计多管线流量仪表标定系统,结合分段切换控制策略,对各支路管线的流量调节阀建立数学模型,当标定流量小于一定值时,设计基于粒子群混合灰狼优化的模糊神经网络PID控制器替代原有的常规PID控制器,进而提高各支路的流量精度;同时在分析了离心泵特性曲线后对其建立矢量控制仿真模型,当标定流量大于一定值时,利用上述优化算法实现对离心泵电机双闭环结构中的PID控制器优化控制参数,以此调节主管线上的水泵出口流量;在标定流量处于中间段时,设计多输入动态矩阵控制算法以实现调节阀与离心泵的流量协同控制,在提高流量精度的同时,尽可能降低离心泵转速。离心泵负责主路流量的粗调,支路调节阀负责各管内流量的精调,最终实现多管线同时标定,以提高标定效率。结合实际需求,本文采用B/S架构开发流量仪表标定控制系统平台,对系统的软硬件搭建、数据传输、数据库等方面进行详细阐述后,设计了状态监测、自动标定、任务下发等功能模块,通过对页面的展示说明模块结构,最终完成系统的开发与部署,并结合现有实验环境验证控制算法与系统平台的可靠性,实验结果表明本文所设计的多管线流量仪表标定系统具有较好的控制流量效果,为仪器仪表厂提升流量精度及效率做出了改进。
面向多管线流量仪表标定系统的分段切换控制
这是一篇关于流量仪表标定,分段切换控制策略,粒子群混合灰狼优化算法,模糊神经网络,变频调速控制的论文, 主要内容为流量仪表标定系统作为仪器仪表生产过程中重要的组成部分,承担着流量仪表的检定与校准任务。在仪表标定校准过程中,控制器需在不同标定流量位点反复拟合被校表的测量误差,因此各位点的流量控制精度直接影响标定结果。随着现代工业仪器的性能需求越来越高,提高仪器仪表标定精度及效率已成为各企业抢占市场的首要目标,这对流量校准系统的标定性能提出了挑战,给仪器制造产业的发展造成了不小的阻力。本文以与重庆某仪表厂的合作项目为背景,在对该厂的流量仪表标定现场实地考察后,发现该厂具有提高仪表标定效率及流量精度的实际需求。针对这些实际问题,本文通过设计多管线流量仪表标定系统,结合分段切换控制策略,对各支路管线的流量调节阀建立数学模型,当标定流量小于一定值时,设计基于粒子群混合灰狼优化的模糊神经网络PID控制器替代原有的常规PID控制器,进而提高各支路的流量精度;同时在分析了离心泵特性曲线后对其建立矢量控制仿真模型,当标定流量大于一定值时,利用上述优化算法实现对离心泵电机双闭环结构中的PID控制器优化控制参数,以此调节主管线上的水泵出口流量;在标定流量处于中间段时,设计多输入动态矩阵控制算法以实现调节阀与离心泵的流量协同控制,在提高流量精度的同时,尽可能降低离心泵转速。离心泵负责主路流量的粗调,支路调节阀负责各管内流量的精调,最终实现多管线同时标定,以提高标定效率。结合实际需求,本文采用B/S架构开发流量仪表标定控制系统平台,对系统的软硬件搭建、数据传输、数据库等方面进行详细阐述后,设计了状态监测、自动标定、任务下发等功能模块,通过对页面的展示说明模块结构,最终完成系统的开发与部署,并结合现有实验环境验证控制算法与系统平台的可靠性,实验结果表明本文所设计的多管线流量仪表标定系统具有较好的控制流量效果,为仪器仪表厂提升流量精度及效率做出了改进。
船—岸基船舶机舱数据监测与传输模拟系统的研究
这是一篇关于智能船舶,故障诊断,模糊神经网络,故障预测,G(1,1)模型,参数修正的论文, 主要内容为近年来,计算机、通信、网络、大数据以及人工智能等技术的更新与发展,加速了船舶智能化的发展,使绿色、安全、高效、无人化的智能船舶实现成为可能。智能船舶主要通过船与岸相互收集并综合处理信息,实现船—岸彼此之间信息交互对流,进而达到船舶安全、经济航行和对环境保护的最终目标。目前我国智能船舶的发展处于初级阶段,智能船舶系统开发需要强大的技术支持,系统控制智能化与无线通讯技术还不足以支撑智能船舶从个体向系统集成化的技术层面发展。本文依据“智能船舶”的理念,针对船、岸数据通信以及船舶状态监控系统,提出一种船—岸基船舶机舱数据监测与传输模拟系统。通过对B/S和C/S架构的分析,开发了基于C/S架构的数据管理平台,以无线网络为通信方式实现了船、岸间的数据、信息交互。此外,还设计了基于B/S架构的岸基船舶动力装置健康预报系统,将Webaccess组态软件的“动态监控”嵌入其中,实现局域网内共享动态监控界面;将改进的灰色G(1,1)模型以及基于模糊神经网络的专家诊断模型应用于系统的故障诊断判别,实现了较高精度的船舶动力设备的健康预报,为“智能船舶”发展提供了一个良好的解决方案。本文针对船舶动力装置故障诊断系统,将基于模糊神经网络的专家诊断模型应用于B/S架构的岸基船舶动力装置健康预报系统的故障诊断判别,并利用BP算法训练实例对该模型进行了精度验证。结果表明,系统稳定可靠,故障诊断准确性高。本文针对船舶动力装置故障预测方法,以提高灰色模型预测精度为目的,通过对一般G(1,1)灰色模型的相关分析,对其构造参数进行修正,构建了改进的基于新陈代谢G(1,1)的动态预测模型。此外,利用部分柴油机热工参数,以此建立预测模型,并对各个模型进行精度对比分析,结果表明,最终改进的新陈代谢G(1,1)预测模型较一般G(1,1)灰色模型具有更高的精确度,满足应用需求。
基于神经网络的模糊智能系统的研究与实现
这是一篇关于T-S 模糊推理模型,聚类分析,模糊神经网络,知识获取,J2EE的论文, 主要内容为本文旨在研究与实现适合 Internet 网络应用的基于 T-S 模糊推理模型的智能系统平台。研究了神经网络结合聚类分析进行模糊智能系统知识获取的方法;采用符合 J2EE规范的分布式组件结构模型开发了 B/S 模式的模糊智能系统平台。 系统采用神经网络结合聚类分析的方法进行模糊知识获取。分析了 T-S 模糊神经网络的结构和学习算法,为了提高模糊神经网络的推理精度,引入了聚类分析数据挖掘方法,分析了常用的聚类分析算法;提出了采用顺序聚类结合 ISODATA 聚类算法来确定T-S 模糊神经网络的规则数和初始化参数,再通过梯度下降法修正网络的各参数值,最终获取知识规则,通过实例验证了该算法的可行性。对于知识表示方法,设计了知识规则的 XML 模型和 JAVA 类;获取的知识规则以 XML 文件的形式被保存;在推理时,知识文件被解析为 JAVA 类对象。 对于推理方向的选择,采用正反混合推理的先进行反向推理再进行正向推理的方式;对于搜索策略的选择,选取了深度优先的搜索策略,用递归的方法来实现;当在知识库中搜索到相应的知识规则后,采用 T-S 模糊推理模型的求解策略进行求解。 分析了 J2EE 平台的构架和各个组件模型,采用 EJB 结合 Servlet 的方法来实现了推理机和知识获取的算法设计,用 JSP 产生动态的用户交互页面,实现了 B/S 架构的分布式模糊智能系统平台。
基于小波消噪和智能优化算法的板形模式识别
这是一篇关于板形模式识别,小波去噪,支持向量机,模糊神经网络,布谷鸟优化算法的论文, 主要内容为近年来,作为第四次工业革命的核心,人工智能在模式识别领域扮演着越来越重要的角色,其在语音、自然语言处理、计算机视觉、机器学习、知识图谱识别、分类、跟踪等方面的应用越来越广泛,人工智能在逐步的改变人类社会的各个方面。作为国民经济的支撑行业,钢铁工业一直以来都是备受关注的。随着科学技术的不断进步,各行各业对板带材质量的要求越来越严格。而轧制出高质量的板带材的首要任务就是提高板形模式识别的精度。将人工智能引入到板形模式识别当中,不仅可以提高板形模式识别的准确率而且还能加快识别速度。基于此本文的主要研究工作如下:针对在板形信号的测量当中存在噪声信号的问题,首先利用双变量阈值小波去噪,解决了软、硬阈值函数在处理小波系数方面存在的问题,使得去噪的效果更好。为了提高板形模式识别的准确率,提出基于支持向量机的板形识别模型。支持向量机在解决小样本、非线性和高维数的建模问题上,表现出较强的学习能力和泛化能力。将去噪后的板形信号离散化,作为支持向量机的学习样本,引入布谷鸟算法优化支持向量机的参数。仿真结果表明,相比于粒子群、遗传和网格搜索算法,布谷鸟优化算法所需匹配的参数少,而获得的最优解更好。考虑到在实际信号当中,在去除噪声的同时,保留信号的奇异性也很重要,提出自适应阈值函数的小波去噪方法。针对支持向量机只适合单输入、单输出系统的问题,提出终端滑模模糊神经网络的板形识别模型。利用终端滑模权值调整律代替梯度下降法的权值调整律,提高网络的精度。引入布谷鸟算法优化模糊神经网络的模型参数,进一步提高识别的精度和收敛速度。仿真结果表明,提出的识别模型取得了更好的识别效果。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码海岸 ，原文地址：https://m.bishedaima.com/lunwen/46588.html
