模块化管道清洁机器人设计与通过性分析

为提高小型油气运输管道内壁结垢的清理效率，设计一种能在300～450 mm直径管道中工作的模块化履带管道清洁机器人。针对具体情况确定管道机器人的整体结构设计，使得机器人能够通过不同的组装形式适应不同工作环境，并介绍了机器人的工作原理；对可柔性变径的履带式行走机构及机器人的管径适应性进行力学分析，同时分析机器人在管道中的几何约束运动和运动情况，并在ADAMS中分析机器人在管道中的通过性。结果表明：管道机器人的设计合理，相关变径几何约束以及运动约束条件正确，机器人能够在设定管径范围内的直管与L形弯管中正常行走。     

基于FA-PSO-RBF神经网络的富氧底吹铜锍品位预测模型

铜锍品位是富氧底吹铜熔炼过程中的一个关键工艺参数，针对铜锍品位实时检测困难、检测结果滞后时间长、指导生产工艺参数优化滞后等问题，基于生产数据深入挖掘及处理，提出了一种基于FA-PSO-RBF神经网络的铜锍品位预测模型。首先为了降低模型的预测误差，利用FA分析方法对原始生产数据进行降维处理，确定主要因子数量为6个，并计算因子得分，然后针对RBF神经网络模型对关键参数依赖性较大的不足，利用改进PSO算法对网络结构中的关键参数进行寻优，最后，以因子得分为输入，铜锍品位值为输出，通过实际生产数据验证模型的准确性，并与RBF、标准PSO-RBF预测模型进行对比，结果表明，本文构建的铜锍品位预测模型预测精度更高，与标准PSO-RBF预测模型相比，RMSE和MAE的值分别降低了17.2%和21.2%,该预测模型对富氧底吹铜熔炼生产过程参数优化控制提供了一种方法借鉴。     

基于IPSO-BP神经网络的富氧底吹铜熔炼炉喷枪寿命预测模型

富氧底吹铜熔炼炉喷枪是整个熔炼炉中最重要的部件，并且造价高，易损坏，工作环境恶劣复杂，对其进行准确的寿命预测比较困难。提出了一种基于IPSO-BP神经网络的寿命预测模型，粒子群优化算法解决了BP神经网络容易陷入局部极小值和训练速度慢的问题，优化的粒子群算法优化了惯性权重和学习因子，进一步加快了训练速度和搜索速度，提高了BP神经网络跳出局部极小值的能力。以工作环境中容易对喷枪寿命造成影响的因素作为输入，喷枪寿命作为输出，通过实际生产采集的数据做验证，并与BP神经网络和PSO-BP神经网络预测模型作对比。结果表明，本文构建的寿命预测模型预测效果比BP神经网络和PSO-BP神经网络的预测更加准确，精度更高，该预测模型为富氧底吹铜熔炼的喷枪寿命预测提供了一种方法借鉴。