基于视觉的车辆与轨道相对振动状态测量方法研究

车辆与轨道相对振动状态对轨道线形测量有重要影响;分析了传统检测车辆与轨道相对振动状态测量方法的缺陷,提出一种基于视觉的车轨相对振动状态测量方法,以轨道建立世界坐标系,以车体建立车体坐标系。考虑相机镜头畸变,建立相机非线性模型,基于机器人手眼方法标定相机与车体,求解相机内外参数。依据车体运动姿态特征,推导基于双目机器视觉的车辆运动姿态偏移补偿计算方法;运用实验平台设计验证实验,通过计算所得的车体振动位移与真实值高度吻合,随着车速增加振动位移误差也随之增大,验证了该方法的正确性和可行性;提供一种车辆与轨道相对振动状态测量方法。     

基于PCA-BP神经网络的光谱消光法颗粒粒径反演算法研究

光谱消光法广泛应用于颗粒粒径测量领域,在利用光谱消光法对颗粒粒径进行反演的过程中,由于颗粒的消光系数存在理论复杂、计算繁琐、收敛速度慢以及求解不稳定等问题,很大程度上影响了整个反演过程的快速性和准确性。且在众多波长的消光数据中,存在较多重复冗余的信息,也很大程度上增加了反演算法的时间。针对光谱消光法粒径反演算法计算繁琐、反演效率低的问题,提出了基于主成分分析（PCA）和BP神经网络的光谱消光颗粒粒径分析方法。基于Mie散射理论对不同粒径、不同波长下的光谱消光值进行了仿真计算,通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算,实现了最优特征波长的选取,利用降维后的光谱消光数据训练了PCA-BP神经网络模型,并利用该网络模型计算了粒径颗粒分布。通过仿真计算,比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度,并分析了波长数目对两种神经网络模型预测结果的影响。针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验,搭建了光谱消光法颗粒粒径参数测量实验系统,测量了粒径范围在0.5～9.7 μm内的6种不同粒径参数的聚苯乙烯标准颗粒。仿真和实验结果表明：基于主成分分析方法可确定各个波长向量之间的相关性,利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性,可实现光谱数据的降维。相比传统的BP神经网络模型,基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高,对于较分散颗粒系的分布参数的预测有更加明显的优势。而且,被选取的波长数较少时,PCA-BP神经网络模型依然有较高的预测精度。利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证,预测结果可瞬时输出,颗粒粒径分布误差在5%以内,验证了该算法的可行性。     

基于果蝇算法和灰色神经网络的电子装备故障预测方法研究

针对电子装备故障数据小样本、非线性的特点,在相空间重构处理原始时间序列数据的基础上,基于k折交叉验证和果蝇算法优化灰色神经网络模型参数,从而提出一种基于果蝇算法和灰色神经网络的故障预测方法,并以某型雷达高压电源监测数据仿真结果为例验证其模型性能;实验结果表明,相比已有方法,该方法在全局优化、收敛速度、预测精度方面都具有一定优势。     

基于PCA-BP神经网络的光谱消光法颗粒粒径反演算法研究（英文）

光谱消光法广泛应用于颗粒粒径测量领域,在利用光谱消光法对颗粒粒径进行反演的过程中,由于颗粒的消光系数存在理论复杂、计算繁琐、收敛速度慢以及求解不稳定等问题,很大程度上影响了整个反演过程的快速性和准确性。且在众多波长的消光数据中,存在较多重复冗余的信息,也很大程度上增加了反演算法的时间。针对光谱消光法粒径反演算法计算繁琐、反演效率低的问题,提出了基于主成分分析(PCA)和BP神经网络的光谱消光颗粒粒径分析方法。基于Mie散射理论对不同粒径、不同波长下的光谱消光值进行了仿真计算,通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算,实现了最优特征波长的选取,利用降维后的光谱消光数据训练了PCA-BP神经网络模型,并利用该网络模型计算了粒径颗粒分布。通过仿真计算,比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度,并分析了波长数目对两种神经网络模型预测结果的影响。针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验,搭建了光谱消光法颗粒粒径参数测量实验系统,测量了粒径范围在0.5～9.7μm内的6种不同粒径参数的聚苯乙烯标准颗粒。仿真和实验结果表明:基于主成分分析方法可确定各个波长向量之间的相关性,利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性,可实现光谱数据的降维。相比传统的BP神经网络模型,基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高,对于较分散颗粒系的分布参数的预测有更加明显的优势。而且,被选取的波长数较少时,PCA-BP神经网络模型依然有较高的预测精度。利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证,预测结果可瞬时输出,颗粒粒径分布误差在5%以内,验证了该算法的可行性。     

基于模型辨识的BP神经网络在光伏系统MPPT中的应用

光伏电池作为光伏发电系统的重要组成部分,研究其模型的准确性并对其最大功率点进行预测与跟踪,对于光伏发电效率的提高具有重大意义。本文首先根据光伏电池的内部结构和伏安特性建立其数学模型,并对所建立的模型进行参数辨识,进而得到模型输出与测量信息偏差最小的参数值,验证模型的准确和有效性。根据模型所反映的规律,将温度和光照强度作为输入变量,最大功率点对应的电压作为输出变量,构建了用于MPPT的神经网络模型。神经网络经训练后对最大功率点电压进行预测与跟踪,结果表明构建的神经网络具有良好的适应性。     

基于BP神经网络的变速箱故障诊断方法研究

针对变速箱的工作时间不能真实反映实际健康状况的问题,通过提取变速箱的振动信号作为状态参数,建立了基于BP神经网络的变速箱故障诊断模型。该模型首先提取振动信号中对故障反映灵敏的成分作为特征值,获得BP神经网络的训练数据,并通过对比确定最优的隐含层节点数,确定BP神经网络的结构参数。模型训练结束后,以验证数据为例进行故障诊断研究,并对诊断结果进行评估。评估结果表明,该模型准确度高,具有较好的应用和推广价值。     

基于BP神经网络的六边形孔阵耦合截面的预测

孔缝耦合截面作为度量电磁能量经孔缝泄漏强弱的重要参数,一直没有一个普适快速且精度较高的获取方法。针对六边形孔阵归一化耦合截面的获取问题,分析了垂直入射条件下各因素对六边形孔阵耦合截面的影响,选择合适的参数并使用全波分析法共获取13820组耦合截面数据。对部分输入参数进行预处理后输入神经网络进行训练,构建了一个以孔单元电尺寸、行/列数、行/列间距电尺寸、孔壁厚度电尺寸、入射波极化角度等7个参数为输入,归一化耦合截面为输出的BP神经网络模型。该模型在预测电尺寸为[0.1,1.2]时的归一化耦合截面平均相对误差为3.8%。选取未出现在神经网络训练集与测试集中的输入参数,比较全波分析法计算值和神经网络预测值共480组数据,其平均相对误差为7.27%。最后通过实验测量,进一步验证了该模型的普适性和有效性。     

基于模糊递归小波神经网络的葡萄酒品质预测

针对葡萄酒品质预测模型难以建立的问题,提出一种基于模糊递归小波神经网络的葡萄酒品质预测模型。利用葡萄酒物理化学指标和品酒师打分作为模型的输入输出,采用梯度下降算法在线学习隶属函数层中心、宽度和小波函数平移因子、伸缩因子、自反馈权重因子以及输出层权值。仿真实验时,首先利用Mackey-Glass混沌时间序列进行了性能测试,然后利用UCI数据集葡萄酒品质数据对所建立的品质预测模型进行了验证。结果显示,与多层感知器、径向基函数神经网络等传统前馈神经网络相比,构建的模糊递归小波神经网络品质预测模型具有更高的预测精度,更加适合于葡萄酒的品质预测。     

基于流固耦合的油底壳振动噪声预测分析

为了对油底壳的改进方案进行噪声预测,首先建立油底壳的流固耦合有限元模型,进行耦合模态计算,获得其固有频率和振型,通过模态试验验证了耦合有限元模型的准确性;其次,在发动机工作过程中,通过试验测得油底壳各螺栓固定处的振动加速度;再次,基于模态结果,在油底壳各螺栓固定处施加测试的振动加速度,采用有限元的分析方法对油底壳进行了强迫振动计算和辐射噪声计算,并进行了试验对比,结果表明该方法可用于发动机开发试验确认阶段,对油底壳改进方案进行振动噪声的预测,减小开发风险;最后,对含油量多少对辐射噪声的影响进行了对比分析。     

基于遗传神经网络的VAV空调系统预测模型

针对单纯的机理建模方法难以准确预测变风量空调系统（VAV）的参数,利用BP神经网络构建了变风量空调系统的预测模型,并将遗传算法与BP网络相结合,提出运用遗传算法对神经网络的权值和阈值进行遗传搜索,寻优后再进行BP运算,以克服BP算法收敛速度慢、易陷入局部解的缺点。通过实验平台采集了大量数据对所建模型进行训练和验证,结果表明,模型对空调送风参数以及房间温湿度的预测结果与实测数据能很好拟合,精确度高,泛化能力强。     

基于数据挖掘算法的地铁站内温度时序预测方法

提出了基于数据挖掘算法的地铁站内环境温度时序预测的方法.分别建立了支持向量数据(SVR)、BP神经网络(BPNN)、决策树CART三种预测模型,对比了一般的输入-输出建模方法与基于时间时间延迟方法的预测结果,以及不同时间延迟下三种数据挖掘模型的预测结果.结果表明:基于时间序列的预测模型效果比一般的输入-输出模型效果更好;当时间延迟为1时,三种模型的预测精度相对较高,且在此条件下,模型的预测效率也最高;基于SVR的时间序列预测模型精度比BPNN和CART更高.     

基于高频雷达多普勒谱预测风向的一种新方法

通过高频雷达一阶多普勒谱与海上风向的关系, 提出了一种基于神经网络和多波束采样法相结合预测海面风向的新方法. 在神经网络不同输入、输出参数情况下对扩展因子为奇数时的仿真数据进行了风向预测, 并在扩展因子为偶数时结合多波束采样法进行风向预测, 消除了风向的模糊性. 通过预测数据和仿真数据对比, 发现两者符合较好. 从神经网络和多波束采样法相结合的预测结果中可以看出, 风向的误差大约为4°—6°, 风向扩展因子的平均误差为0.26, 为预测海面风场的研究提供一种新的思路和方法.     

基于遗传神经网络的耙吸挖泥船泥泵转速预测

耙吸挖泥船泥泵管线模型是一个复杂的、非线性的动态模型,影响模型准确性的参数较多。为了根据当前施工条件和流量的优化值准确地预测转速,为施工人员提供参考,提高疏浚效率,采用了遗传算法改进的BP神经网络对泥泵转速进行预测。首先,遗传算法对BP神经网络的初始权值和阈值进行优化。然后,BP神经网络根据优化值对网络进行训练并对转速进行预测。为了验证该方法的有效性,将遗传BP神经网络的预测输出和实测泥泵转速进行对比。仿真结果表明：遗传BP神经网络具有很强的非线性拟合能力和全局搜索能力,能够准确地预测泥泵转速。该预测输出可为施工人员提供参考,以便改变泥泵转速,提高疏浚效率。     

神经网络在污水处理过程中的应用

针对活性污泥法在污水处理过程中,水量会发生巨大的变化,以及运行所带来的强耦合、非线性、大滞后性等影响了污水处理的控制过程;利用神经网络技术特点对污水处理厂进行模拟实验,建立BP神经网络模型的仿真,用试凑法确定隐含层节点的个数,为了避免建立的网络过大,在训练网络过程中,避免出现网络“过训练”,建立合适的网络模型;通过对污水处理过程中输入数据的水质的变量参数,来预测未来某一时间输出某一水质变量参数;结果表明,BP神经网络可以应用于活性污泥法水处理过程中对水质参数进行模拟仿真和预测的效果。     

基于粒子滤波状态估计的滚动轴承故障识别方法

提出了一种基于粒子滤波状态估计的滚动轴承故障识别方法,该方法主要包括故障模型建立和故障识别两个步骤。在故障模型建立部分,首先依据滚动轴承不同故障状态下的振动信号,建立对应的自回归模型,作为故障模型;在故障识别部分,将正常状态下对应的模型,转化为状态空间模型,设计粒子滤波器,然后对不同的故障状态进行估计,提取其残差的相关特征,并结合模型参数特征应用BP神经网络识别算法进行故障识别。最后以美国凯斯西储大学的滚动轴承振动数据为例,验证了该方法的有效性。     

基于条件生成式对抗网络的油藏单井产量预测模型

为克服机器学习方法在油藏单井产量预测中的过拟合问题, 提高油田生产中的产量预测精度, 提出一种基于条件生成式对抗网络(CGAN)的油藏单井产量预测模型。该模型使用长短期记忆、全连接等基础神经网络, 构建生成和判别网络模型。生成网络模型以产量影响因素为条件输入, 生成预测产量数据, 利用对数损失函数评价预测数据与真实数据之间的偏差, 通过条件生成式对抗网络的博弈训练, 并结合贝叶斯超参数优化算法, 优化模型结构, 综合提高模型的泛化能力。基于Eclipse数值模拟软件建立同一井网条件下不同地质和生产条件下的油藏单井产量数据库, 以地质与生产条件等产量影响因素作为模型的条件输入, 进行油藏单井产量预测。结果表明: 与全连接神经网络(FCNN)、随机森林(RF)以及长短期记忆神经网络(LSTM)模型的预测结果相比, CGAN模型在测试集上的平均绝对百分比误差分别提升了2.59%、0.81%以及1.72%, 并且过拟合比最小(1.027)。说明CGAN降低了机器学习产量预测模型的过拟合程度, 提高了模型的泛化能力与预测精度, 验证了所提算法的优越性, 对指导油田高效开发和保障我国能源战略安全具有重要意义。     

阀门气动噪声的振声转化计算方法

采用振动与噪声转化的方法计算气体流经阀门产生的管内气动噪声。通过推导管壁振动与管内噪声的计算公式,建立了管壁振动加速度级与管内噪声级之间的转换损失数理模型,并在低频区域,通过修正的频率因子,扩展了转换损失适用的频率范围,实现了通过阀门管内气动噪声的无损伤预测。利用实验对计算模型和方法进行了验证,结果表明,预测总声级的最大误差为0.98%,在整个频域内大约有69.3%78.3%的数据预测误差在±5 dB以内,因而具有较高的精度,为阀门气动噪声的计算和分析提供了新的方法。      

空气加热器振动信号的测量与处理研究

针对火箭发动机试验中某加热器振动信号的测量和处理问题,首先在加热器某测点上冗余配置了两种不同型号的加速度计,完成了其振动加速度信号的测量;之后,基于MATLAB编程方法实现了加热器振动加速度信号消除趋势项和平滑预处理,通过对两种预处理结果的比较分析,得到了最终合理的振动加速度信号;最后,将振动加速度信号进行了频域二次积分解析运算,得到了其振动位移量信号;试验结果验证了信号测量的可靠性和处理结果的有效性和准确性,从而为加热器振动状况的分析提供了全面、可靠、准确的数据依据。     

基于可见光谱与轻量级卷积神经网络的冬小麦分蘖数估算

分蘖数是表征冬小麦生长的关键性参数,对于冬小麦苗情监测、产量预估具有重要意义。针对目前冬小麦分蘖数估算方法存在的数据获取繁复和估算模型体量大的问题,提出一种基于可见光图像和轻量级卷积神经网络的冬小麦分蘖数估算方法,以期实现冬小麦分蘖数无损快速估算,并且可嵌入移动终端设备。可见光图像具有获取便捷,处理简单的特点,利用数码相机连续采集2017年—2018年和2018年—2019年两个生长季的冬小麦冠层可见光图像。利用该数据图像,分别构建基于轻量级卷积神经网络MobileNetV2,SqueezeNett,ShuffleNet的冬小麦分蘖数估算模型进行比较试验,并与基于非轻量级卷积神经网络AlexNet和ResNet系列构建的估算模型进行对比试验。开展冬小麦分蘖数估算模型针对不同植株密度数据的鲁棒性以及针对不同生长季数据的泛化能力的验证试验。结果表明,基于MobileNetV2构建的冬小麦分蘖数估算模型的决定系数（R2）为0.7,归一化均方根误差（NRMSE）为0.2,在三个轻量级卷积神经网络中具有最优表现;基于非轻量级卷积神经网络构建的冬小麦分蘖数估算模型体积是基于MobileNetV2构建的冬小麦分蘖数估算模型的2.3~16.1倍。与非轻量级卷积神经网络相比较,基于MobileNetV2构建的估算模型在具有较好R2的同时有较小的体量,适宜嵌入移动终端设备;针对120,270和420 株·m-2三个不同植株密度的可见光图像数据集,基于MobileNetV2构建的冬小麦分蘖数估算模型的R2分别为0.8,0.8和0.7,表现鲁棒;针对两个生长季的可见光图像,基于MobileNetV2构建的冬小麦分蘖数估算模型通过迁移学习将R2提升了2倍,NRMSE下降了7.6%,表现出对数据季节性差异较好的适应性,体现了模型的泛化能力。利用可见光图像,基于MobileNetV2构建的估算模型能够满足冬小麦分蘖数估算需求,为冬小麦生长观测以及田间农艺措施管理决策提供了一个准确、鲁棒、可嵌入移动终端设备的工具。     

基于灰色关联分析的BP神经网络对混流闭式冷却塔出水温度的预测

通过控制变量法对混流闭式冷却塔进行测试, 采用灰色关联分析法对影响出水温度的因素进行筛选, 将关联度较大的5个因子作为输入参数, 进而建立灰色_BP神经网络预测模型, 对混流闭式冷却塔的出水温度进行预测。操作参数包括进水温度、湿球温度、补水温度、循环水流量和风量, 输出值为出水温度。网络采用三层结构, 隐含层神经元数为4个, 迭代次数为30 000次, 使用不涉及训练阶段的实验数据来验证所建立的模型。结果表明, 灰色_BP神经网络模型比传统BP神经网络模型的预测结果更加准确, 其预测值与实际值的相关系数、平均相对误差、均方根误差, 分别为0.998 9、0.293 4%和0.152 9, 因而可认为灰色_BP神经网络是预测混流闭式冷却塔出水温度的有效工具。