动态定量称量包装系统滤波算法

目的为了提高动态定量称量包装精度,提升数据采集和信号测量的准确性。方法分析定量称量系统的组成以及工作原理,并针对系统中存在的噪声,提出一种基于小波包滤波的称量包装滤波算法。通过塔式分解方法实现快速离散小波包变换,由离散卷积方程得到小波包分解系数,进而完成滤波算法的重组。结果通过仿真和实验结果可知,小波包滤波方法能够很好地滤除动态称量信号中的噪声,提升了有用信号的品质。结论该滤波算法提升了动态定量称量系统的稳定性,提高了称量包装精度。     

动态定量称量包装系统BP神经网络PID控制算法

目的针对动态定量称量包装控制系统具有大惯性、滞后、非线性且无法建立精确数学模型等缺点,研究提高动态定量称量包装系统控制精度的方法。方法提出了一种改进型BP神经网络PID的定量称量包装控制系统,将BP神经网络与PID控制方法相结合,通过神经网络的自学习、加权系数的调整,优化PID控制器参数K_i,K_p,K_d,并将粒子群算法引入到神经网络中作为其学习算法,以有效提高BP神经网络算法的收敛速度。结果仿真和实验结果表明,改进型BP神经网络PID控制响应速度快、超调量较小,系统称量误差得到大幅度减小。结论所述控制方法可以明显提高定量称量控制过程的稳定性、精确性以及鲁棒性。     

基于图像处理的药片包装视觉检测系统滤波算法

目的为了有效滤除药片包装视觉检测系统中的噪声,提升图像清晰度,保证后期图像分割、边缘处理顺利进行。方法针对药片视觉检测图像中存在大量不确定噪声,提出一种自适应模糊神经网络的图像滤波算法。在模糊神经网络结构中引入一个鲁棒性较强的隶属函数,并通过梯度下降法对模糊神经网络中的参数进行优化训练,利用优化后的网络结构对被噪声污染的图像进行滤波处理。结果仿真结果表明,该算法能够在保留较完整的图像边缘和重要细节的前提下,有效滤除药片中的噪声。结论该滤波算法有效提高了药片图像的清晰度,对于后期药片图像分割以及边缘化处理具有重要意义。     

泡罩药品包装视觉检测系统图像滤波算法

目的有效滤除泡罩药品包装视觉检测系统中的图像噪声,以保证后续泡罩包装药品的图像分割、特征提取等任务顺利开展。方法分析引导滤波的数学模型,并在此基础上对其进行改进,提出一种自适应高斯引导的新型泡罩药品包装图像滤波算法。采用更加理性的参数优化算法,且用高斯窗口来代替传统的盒窗口。结果自适应高斯引导滤波算法能够有效滤除图像中的噪声,同时最大程度地保留原始图像中的边缘和细节等信息。结论该算法对后期泡罩药品包装的图像处理和分析有一定的指导意义。     

非线性质量补偿方法在微量包装系统中的应用

目的 为解决微量包装系统中称量传感器输出电压与质量之间的非线性关系、提高称量精度,基于改进BP神经网络设计一种非线性补偿方法.方法 阐述电阻应变式称量传感器的非线性补偿原理,根据称量传感器输入和输出之间的关系,设计一种神经网络补偿器.为提高神经网络控制性能,引入一种惩罚因子,可解决因训练不足导致的误差偏大等问题.结果 经对比发现,改进型BP神经网络具有较快的收敛速度、较高的精度,可提高微量称量包装系统的控制性能.高速模式下,称量误差可以控制在0.5％以内,实际称量结果较理想.结论 该方法能够改善系统动态性能,提高测量精度,可满足称量、包装行业等精度要求.     

包装过程称量信号处理方法研究

目的 为提高包装过程定量称量精度,结合卡尔曼滤波算法和模糊控制原理设计一种称量信号处理方法。方法 定量称量控制系统一般由触摸屏、控制器、称量传感器、变频器等电气设备组成。以传感器信号处理为主要研究对象,提出一种改进卡尔曼滤波算法。采用卡尔曼滤波器实现称量信号中随机噪声的处理。利用模糊控制器来实时监测卡尔曼滤波每次更新后实际方差和理论方差的差值。最后,进行实验研究。结果 实验结果表明,改进卡尔曼滤波的实际性能比较理想,滤波处理前,称量误差最大可以达到2.5%;经滤波处理后,最大称量误差只有0.26%。结论 所述信号处理方法可以有效地降低称量信号噪声,提高称量精度。     

基于自适应均值的图像滤波算法

目的为了提高激光三维成像系统中的图像质量,有效滤除图像中噪声,提出一种自适应均值漂移的图像滤波算法。方法在传统算法基础上对均值漂移滤波算法进行改进,选取领域内像素的均方差为控制参量对带宽矩阵h大小进行自适应调控。根据宽带矩阵h的大小,选择合适的像元值参与到计算均值过程中,以提高结果的计算精度。结果实验结果表明改进后的算法能够有效滤除图像中的噪声,提高图像清晰度。结论该算法具有良好的保边去噪特性。     

基于PLC冗余技术的全自动称量包装精度控制

目的 由于全自动称量包装精度控制容易受到物料冲力等因素的影响,导致精度控制很难保持稳定,降低其抗扰性能.为此,提出基于PLC冗余技术的全自动称量包装精度控制方法.方法 建立称量传感器的数学模型,采用滑动平均滤波和程序判断滤波处理称量原始信号,去除动态振荡和干扰因素,将处理的信号作为输入数据,利用PLC冗余技术制定同步机制,实现数据传输和控制命令的同步传输,在此基础上,使用设计的专家控制器,根据灵活的控制规则库实现全自动称量包装的精度控制.结果 设计的基于PLC冗余技术的全自动称量包装精度控制方法过码质量计量偏差小、通讯数据协同性好.结论 通过滤波处理的控制方法可以有效提高控制系统的抗扰性能.     

基于小波包与质心粒子群的齿轮箱故障诊断及应用

针对齿轮箱振动信号中蕴含大量状态信息难以有效提取的问题,利用小波包分解对原始振动信号进行降噪及特征能量提取,通过BP神经网络实现故障的模式识别。针对神经网络收敛速度慢、易陷入局部最优值问题,提出利用简单、易行的质心粒子群算法对BP神经网络的权值和偏置进行优化。在粒子群算法中,通过设计种群质心和最优个体质心、根据粒子位置动态改变惯性权重,并将其引入粒子群算法的速度调整公式中:来构建质心粒子群算法。分别将该方法与基本粒子群算法、遗传算法应用在齿轮箱故障诊断中,通过比较表明该方法可以有效提高分类效率和准确率。     

基于PLC的颗粒包装机称量系统设计

目的 为提高颗粒包装机称量精度和稳定性,基于PLC设计一种颗粒包装机称量系统.方法 分析颗粒包装机结构和工艺流程,并给出控制系统结构,包括核心处理器PLC、交流控制器、伺服电机驱动器、传感器、三相电机和伺服电机等.以称量控制为主要研究对象,提出一种粒子群模糊PID称量控制器,以提高称量控制系统的收敛速度、通用性和可移植性.最后进行仿真和实验研究.结果 相关结果表明,与模糊PID控制器相比,加入粒子群优化算法后,系统的响应速度更快,达到稳定状态所需时间更短,实际包装误差仅为0.528％.结论 所述称量控制系统可以有效地提升称量精度,有利于提高颗粒包装机的自动化水平.     

Research on automatic identification system of tobacco diseases

In order to improve recognition accuracy of tobacco diseases, an identification method based on multi-feature and genetic algorithms optimizing BP neural network was proposed. First, Otsu method was used to obtain disease location information and GrabCut function was initialized for extracting diseased area effectively. Second, colour moments, disease contour and GLCM were used to get colour, multi-contour and texture features. Once again, BP neural network was optimized by genetic algorithm, and the optimal initial weights and thresholds were obtained, which shortened the training time and improved the accuracy of disease identification. Finally, BP neural network model for tobacco diseases diagnosis was established with the mobile client as input and the user services as output. The field experiment showed that the method could diagnose eight types of tobacco diseases effectively and automatically. The average recognition accuracy rate of selected tobacco diseases was about 92.5%.     

基于粒子群算法优化 BP 神经网络的色彩空间转换

目的研究基于粒子群算法优化BP神经网络对显示器色彩空间转换的预测准确性的方法。方法主要通过数据归一化处理、改进最大限制速度、惯性常数和适应度函数来优化BP神经网络的权值和阈值,以缩小其分布范围,再用BP神经网络法进行色差预测。结果改进粒子群算法优化BP神经网络预测模型,测试20次得到色块平均色差为2.8526,最小平均色差为2.0453。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于扩展卡尔曼滤波的气力输送动态称重系统

为了提高粉料在气力输送过程中动态称重的精度,提出了一种基于扩展卡尔曼滤波算法的动态称重方法。通过设置多个称重传感器,对采集的数据进行融合并滤波处理,以消除干扰噪声对系统测量的影响。同时采用减重计量法,将数据处理结果通过智能控制器实时调节卸料控制阀的开关度,以提高动态称重的精度。实验结果表明:称重30kg二氧化硅粉末,平均误差在0.3%以下。     

基于BAS算法优化的电弧增材制造焊道尺寸预测

目的 为提高实际应用中电弧增材制造对工艺参数的选取效率及成形形貌的控制效果,建立高效且精准的成形尺寸预测模型,实现对焊道尺寸的合理预测。方法 在单层单道CMT电弧增材制造实验的基础上,建立基于天牛须搜索算法(Beetle Antennae Search,BAS)优化BP神经网络的焊道尺寸预测模型,利用BAS算法实现对BP神经网络初始权值和阈值的优化,可以实现预测不同工艺参数(焊接速度、送丝速度、干伸长)下焊道的成形尺寸(熔宽、余高)。利用试验验证BAS-BP预测模型的性能,与现有模型进行对比,结果 结果表明该模型具有较高精度的预测效果,能够有效映射工艺参数与焊道尺寸之间的非线性关系,印证了该模型具有良好的拟合和泛化能力,同时其对焊道熔宽和余高的预测误差分别不超过0.2、0.12 mm,预测平均误差率均不超过6%,相对于其他预测模型表现出较好的准确性和稳定性。结论 BAS-BP神经网络预测模型的输出误差较小,网络训练收敛速度加快,避免了过拟合及欠拟合的风险,有效提高了预测模型的泛化能力和预测精度,可以实现一定工艺参数范围内的焊道尺寸预测,为后续电弧增材的实时预测及控制参数应用提供了技术支持。     

An Improved BPNN Prediction Method Based on Multi-Strategy Sparrow Search Algorithm

Data prediction can improve the science of decision-making by making predictions about what happens in daily life based on natural law trends. Back propagation (BP) neural network is a widely used prediction method. To reduce its probability of falling into local optimum and improve the prediction accuracy, we propose an improved BP neural network prediction method based on a multi-strategy sparrow search algorithm (MSSA). The weights and thresholds of the BP neural network are optimized using the sparrow search algorithm (SSA). Three strategies are designed to improve the SSA to enhance its optimization-seeking ability, leading to the MSSA-BP prediction model. The MSSA algorithm was tested with nine different types of benchmark functions to verify the optimization performance of the algorithm. Two different datasets were selected for comparison experiments on three groups of models. Under the same conditions, the mean absolute error (MAE), root mean square error (RMSE), and mean absolute percentage error (MAPE) of the prediction results of MSSA-BP were significantly reduced, and the convergence speed was significantly improved. MSSA-BP can effectively improve the prediction accuracy and has certain application value.     

Fault Diagnosis of Power Electronic Circuits Based on Adaptive Simulated Annealing Particle Swarm Optimization

In the field of energy conversion, the increasing attention on power electronic equipment is fault detection and diagnosis. A power electronic circuit is an essential part of a power electronic system. The state of its internal components affects the performance of the system. The stability and reliability of an energy system can be improved by studying the fault diagnosis of power electronic circuits. Therefore, an algorithm based on adaptive simulated annealing particle swarm optimization (ASAPSO) was used in the present study to optimize a backpropagation (BP) neural network employed for the online fault diagnosis of a power electronic circuit. We built a circuit simulation model in MATLAB to obtain its DC output voltage. Using Fourier analysis, we extracted fault features. These were normalized as training samples and input to an unoptimized BP neural network and BP neural networks optimized by particle swarm optimization (PSO) and the ASAPSO algorithm. The accuracy of fault diagnosis was compared for the three networks. The simulation results demonstrate that a BP neural network optimized with the ASAPSO algorithm has higher fault diagnosis accuracy, better reliability, and adaptability and can more effectively diagnose and locate faults in power electronic circuits.