为了能迅速定位、解决AGC液压系统故障,本文对某钢厂冷轧机组AGC液压系统进行研究。本文对变分模态分解(VMD)参数设置进行了优化,并基于熵权法计算了压力信号提取出的数据特征的熵值及其熵权值,选择出最能反映系统正常和故障之间差异的数据特征。此外,构造AGC液压系统故障样本集,建立并训练BP神经网络模型。最后,测试证明了所提方法故障诊断的有效性。

自动驾驶拖拉机可按照规划好的路线进行自动化作业,但离不开预先的路径信息采集,而基于深度学习的图像识别技术在自动驾驶汽车上的应用越来越普遍,可以用图像识别代替路径规划,实现拖拉机对地头的识别。为此,以基于深度学习的图像识别技术为核心,采集秋季收获后田间图像进行训练,设计了地头识别软件,可通过OPC协议与PLC通讯,控制电磁换向阀。利用Carsim仿真拖拉机转向获得拖拉机前轮转角参数,用于系统控制可行性检验,结果表明:训练的识别模块对田间图像的识别准确度为99.11%,且软件对电磁换向阀有实时精准的控制。Carsim中,拖拉机转向仿真可输出各种自动驾驶参数,可为今后研究提供参考。

针对工程应用中液压支架前连杆疲劳寿命预测的需求,提出了一种基于RBF神经网络的疲劳寿命预测方法,选取5个关键设计参数为输入量,以前连杆疲劳寿命为目标函数建立了疲劳寿命预估模型。首先,运用有限元分析获得前连杆的疲劳寿命,再通过优化拉丁采样的方法获得训练样本点,并以此建立前连杆疲劳寿命的RBF神经网络预估模型,通过优化RBF神经网络的目标值和扩散值提高模型的预估精度。结果表明:优化后的前连杆疲劳寿命预估模型计算结果与测试样本点拟合精度较高,平均相对误差为6.72%,满足工程目标,适当增加训练样本点的数量有利于进一步提高疲劳寿命的预估精度。

热电偶是工业中广泛使用的测温元件,运用广叉回归神经网络对热电偶的热电势-温度分度表进行教据处理,并利用Matlab工具进行了具体分析.结果证明,该补偿方法对K型热电偶,其误差达到0.02%,训练速度为0.60 s,取得了理想的效果.该方法与已有的补偿方法相比具有更好的非线性校正精度.

轮式装载机称重技术在工程中非常重要，准确地称重系统保证了货物的装卸过程快速而高效，其典型的应用就是卡车和货车的货物装载。称重仪表通过认证之后，货物的称重数据表格甚至可以直接作为发票，使得买卖双方的交易更加公平。

以Euler公式为基础,发现动力猫道液压杆的稳定性与其缺陷的形状、面积、深度及位置有关。通过对液压杆屈曲载荷的模拟计算,运用正交试验法分析缺陷的形状、面积、深度及位置对液压杆屈曲载荷的影响。研究结果表明:缺陷的面积、位置和深度对液压杆稳定性具有显著影响,其发生不显著情况的概率分别为0.007,0.021,0.008;缺陷的形状对液压杆稳定性影响显著性相对较小,其发生不显著情况的概率为0.123;对液压杆稳定性影响大小次序依次为缺陷面积>缺陷深度>缺陷位置>缺陷形状。正交试验建立的神经网络预测模型经实验验证,对含缺陷液压杆屈曲载荷预测具有很高的准确度,此方法可为含缺陷液压杆的稳定性校核及安全使用提供有力的技术保障。

液压缸的内泄漏是工程机械故障中难以避免的,该故障会降低液压系统的工作效率,严重的内泄漏还会引发安全事故。构建一种实时测量液压缸内泄漏的系统,提出一种模拟液压缸微小内泄漏的方法,采用压力应变片将流量变化转换为应变信号的实验模型,对实验数据进行分析并建立应变-流量的数学模型,利用神经网络的学习与训练,对内泄漏量进行预测。最后将实际微小内泄漏量与神经网络的预测值相比较。实验结果表明,神经网络具有高精度和高效率的预测能力,为液压系统的微小泄漏监测奠定了基础。

机电作动器已经用于民航客机飞控舵面的控制,机电作动系统中传感器输出的正确性对系统正常工作影响较大,因此对传感器进行快速有效的故障检测非常必要。分析机电作动系统的传感器故障模式,针对当前故障检测在处理液态与非液态故障时所需信息多、检测时间长等问题,设计二级GA-BP神经网络对传感器故障模式进行诊断,对比分析了不同训练方式的神经网络方法,确定使用莱温伯格-马夸特学习方法的神经网络的故障诊断分类结果更加准确,并通过遗传算法对神经网络进行了优化。最后通过机电作动系统仿真实验平台验证该方法的有效性。创新之处在于采用了二级网络架构,快速检测液态故障与非液态故障,有效减少了网络故障检测的所需信息量和故障检测时间。

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.

由于时间-压力点胶系统具有影响因素较多、缺乏整体一致性的特点导致点胶过程非常难以控制为此提出了基于BP神经网络PID控制器的方法.在广义幂律经验公式的基础上建立了有效的流量模型运用BP神经网络PID控制器对其进行补偿控制.实验结果表明使用这种控制器能够对时间-压力点胶系统进行有效的控制使其基本达到点胶一致性的要求.