基于NB-IoT技术的远程粮情监控系统设计

作为世界上的人口大国,粮食产量一直是我国关心的主要问题。为了解决粮食的安全存储问题和传统仓储环境监测系统灵活性差、功耗高的问题。该文设计了一种基于NBIoT技术的低功耗粮情环境远程监控系统。以STM32L476作为微控制器、BC35-G作为无线通信单元,对粮仓环境监控系统进行了软、硬件设计,使该系统具备实时采集和存储多传感器节点信息(如温度、湿度、烟雾浓度等)、无线传感器网络对数据分组转发、智能终端实时显示和远程控制,解决了以往监控系统的局限性。通过实地测试和反馈,该系统具有低功耗、可靠性高、灵活性强等特点,可实现对粮仓环境参数的实时监测与控制,能够较好地满足应用需求。     

基于改进混沌搜索的AMPSO-BP短期负荷预测

为了精准预测微电网短期负荷,采用模糊聚类方法选择相似日粗集,用灰色关联分析法选取相似日,并针对神经网络易陷入局部极小值的缺点,提出基于混沌搜索的自适应变异粒子群优化算法(AMPSO)获得神经网络最佳参数,建立AMPSO-BP神经网络短期负荷预测模型。对收集的电网数据进行试验仿真结果显示,所提方法有很高的预测精度和稳定性,在实际中有一定的应用价值。     

基于PCA和IFOA-BP煤与瓦斯突出软测量建模

针对煤与瓦斯突出预测指标存在的问题,引入一个新的指标F来表征瓦斯突出强度,并将主成分分析法(PCA)与改进果蝇算法优化的BP神经网络相结合,建立了煤与瓦斯突出软测量模型。通过PCA来对原始数据进行降维处理,消除变量间的相关性,选取贡献率高于80%的主成分来替代原有的9个影响因素作为BP神经网络的输入变量;采取候选解的线性生成机制(LGMS)和变邻域搜索(VNS)来改进果蝇算法,在改进后的果蝇算法(IFOA)的优化过程中,将果蝇群体位置的变化与BP神经网络学习过程中的权值和阈值的更新相对应,然后以提取的主成分作为输入变量,以新的指标F作为输出变量,建立了IFOA-BP预测模型。选取具有代表性的样本进行验证,实验结果表明,与BP和PSO-BP模型相比,IFOA-BP模型收敛速度快,预测精度高,具有较强的泛化能力。     

基于蚁群优化神经网络的巷道围岩稳定性预测

巷道围岩的稳定性是保证煤矿安全开采的重要因素.在对影响巷道稳定性因素综合分析基础之上,针对神经网络处理非线性对象的优点,对样本数据进行神经元网络模型训练,并利用蚁群算法对神经网络进行快速优化,避免网络陷入局部极小值.仿真结果表明网络训练误差及收敛速度达到对顶底板和两帮的移近率的合理预测,进而可以确定巷道的稳定性状态。以移近率的大小和巷道稳定性为依据,选择合理的支护方式,对煤矿安全生产提供科学指导.     

基于减法聚类的神经网络模型及其应用

神经元网络应用于一般工业过程建模比较有效,但对于对象是庞大数据的复杂的工业生产过程就明显力不从心,采用基于减法聚类算法和模糊c均值聚类算法融合,以获得精确的聚类个数和隶属度,建立基于多判据信息融合和模糊技术构成的神经元网络模型,对实际地下开采生产过程进行仿真,结果验证了模型的有效性.     

BD650型多功能全自动捆钢机PLC控制系统

介绍了通过对进口捆钢机的消化吸收与我国的实际生产情况研制成功的BD650型全自动捆钢机，特别介绍了其结构和控制系统。它设置了多点检测，并实现了单道与双道无扰动捆扎的PLC自动控制．     

基于超级电容混合储能系统的设计与分析

锂电池在实际应用中面临着频繁充放电、容量衰减等问题,而超级电容具有功率密度高、充放电速度快等优点,将超级电容和锂电池结合起来构成的混合储能系统对资源的合理利用有着重要的意义.提出了一种Buck-Boost变换器和Boost功率变换器相结合的混合储能并联控制系统,采用自适应变异粒子群(AMPSO)与BP神经网络相结合的算法估计锂电池的荷电状态,提出了一种基于模糊算法的混合储能优化控制策略,建立了混合储能系统仿真模型.仿真和实验结果显示了所提出的混合储能系统控制方法的正确性和有效性.     

改进混沌搜索的AMPSO-BP激光铣削质量预测

为了更好地控制激光铣削的质量,建立了激光铣削质量和铣削层参数的神经网络模型。针对神经网络易陷入局部极小值的缺点,提出混沌搜索的自适应变异粒子群优化算法(AMPSO)获得神经网络最佳参数,建立了AMPSO-BP激光铣削质量预测模型。最后以某种材料的激光铣削质量预测为例,将文中所提算法与PSO-BP、BP神经网络预测结果相比,结果表明所提方法有很高预测精度且预测误差明显减小,在实际中有一定应用价值。     

优化神经网络的锂电池SOC估算

神经网络由于强大的非线性逼近能力、不需要建立数学模型等优势可以很好地完成荷电状态(state of charge,SOC)预测.但是常用的BP神经网络也存在学习效率慢、容易陷入局部极小值的缺点.为改进传统神经网络的不足,提高预测精度,提出自适应变异粒子群优化算法(Particle Swarm Optimizition with Adaptive Mutation,AMPSO)与BP神经网络相结合的估算方法.在高级车辆仿真器(ADVISOR)仿真环境下,利用实际工况条件下的数据进行SOC估计,并与PSO、EKF、UKF方法对比,结果显示,优化后的BP神经网络预测误差在2％以内,说明所提的SOC估计方法有更好的预测准确性和稳定性.