PLC在小型立式自动包装机控制系统中的应用

分析了小型立式自动包装机的工作过程,提出了以PLC为基础的全自动包装机控制系统的总体解决方案,阐述了PLC控制系统的软硬件设计结构,给出了PLC的I/O分配表及外及控制程序流程图。     

提高水泥砼路面平整度的施工技术

从影响水泥砼路面平整度的因素出发,论述了提高水泥砼路面平整度的自行驱动滚轴式水泥春摊铺整平机施工的全过程,通过三轴式整平机与传统方法施工水泥砼路面施工质量的对比,说明三轴式整平机可大大地提高水泥砼路面的平整度。     

大规模训练集的快速缩减

为了进一步减少支持向量机的训练时间,提出了一种基于类别质心的训练集缩减算法.该算法根据样本的几何分布去除训练集中大部分非支持向量.对样本规模在104数量级的数据集进行了训练实验,结果显示,在基本不损失分类精度的情况下,训练时间比直接用SMO(序贯最小优化)算法减少30%,说明该算法能有效地提高支持向量机的训练速度.     

基于支持向量机的励磁涌流识别算法

为提高变压器差动保护识别励磁涌流的能力,将支持向量分类机应用于励磁涌流识别,提出了一种基于支持向量分类机的变压器励磁涌流和内部故障识别新方法.基于励磁涌流和内部故障电流的特点,充分考虑电流互感器饱和的特点提取电流互感器二次侧间断角和二次谐波等特征,并对励磁涌流和内部故障电流的识别方法进行了分析;用EMTDC程序进行仿真,生成训练样本和测试样本,对支持向量机进行了训练和测试.结果表明,应用支持向量分类机对励磁涌流和内部故障进行识别,识别率平均可达99%以上.     

基于DSP的电压补偿算法及实现

为了保证对电压质量要求较高的敏感负载正常工作,需要及时补偿供电系统的电压波动以维持用户电压稳定.根据这一目的提出一种快速的电压补偿算法,该算法使控制电路能够迅速检测出电压波动并输出电压补偿信号.利用工业控制用高性能数字处理芯片TMS320F2812实现该算法,并进行了控制系统的相关设计.实验结果证明该算法以及采用的DSP控制器能够快速的检测出电压波动量,并驱动功率电路实现电压的及时补偿.     

路面材料剪切试验仪的开发与应用

针对沥青路面层间推移问题,设计开发了路面材料剪切仪用于层间抗剪强度测试。介绍了仪器的设计原理与构造及使用方法,通过具体试验验证了其测试性能的可靠性,证明其可以用于对路面结构层、桥面铺装层的层间抗剪切的试验,为评价路面层间处理工艺措施提供了有效的手段。     

复合地层顶管机刀盘中心驱动液压系统的设计与分析

常规刀盘电机驱动顶管机在特定复合地层条件下经常出现超转矩、掘不动的情况。针对这种情况,设计采用刀盘中心驱动的变量泵-变量马达闭式液压系统。根据复合地层的要求,在理论计算的基础上,针对性地匹配变量泵-变量马达的运行参数,再利用AMESim软件对液压系统进行建模,对刀盘在低速、高速和脱困3种模式进行仿真分析。理论计算和仿真分析结果表明所采用的闭式液压系统能够较好地适应复合地层对掘进的要求。     

基于手机GPS定位数据的交通方式换乘点识别方法研究

交通方式换乘点识别长期以来是手机大数据交通调查领域的一大技术难点,既有研究大多通过设置出行时间、距离阈值进行识别,算法经验性强,普适性不佳,且易将起讫点、信号控制、交通拥堵等停留误识别为换乘停留。为此,提出了一种基于手机GPS定位数据的交通方式换乘点识别新方法：首先,构建模糊时空聚类算法识别个体运动-静止状态,算法同步实现了定位点时空密度双重聚类约束与聚类边界弹性需求,对个体运动状态识别效果更佳;其次,建立支持向量机模型进行交通方式换乘点识别,有效解决了起讫点、信号控制、交通拥堵等停留对换乘停留造成的干扰;最后,从出行链视角出发,提出了基于序列相似度算法的误差回溯自检与优化模型,能够有效修复换乘点漏识别与错误识别问题。此外,在成都市开展了大范围实测试验,由150名志愿者采集了近2 160 h得到的777.6万条数据被用于技术实证评估。试验结果表明：所述方法对交通方式换乘点平均识别准确率达89.3%,换乘时间平均识别误差控制在20 s以内;与既有空间聚类、小波分析算法相比,换乘点识别精度提升近10%,换乘时间误差最大可降低20 s以上,算法适用性与效果更佳。研究成果可为基于活动的交通需求模型演进提供数据支撑,为交通规划与管理部门决策提供技术支持。     

汽车低压零部件瞬态时域波形分析与研究

电动汽车的低压系统,既包含低压供电的低压部件系统,也包括高压部件的控制部分,因此低压系统的稳定性尤为重要。低压部件在进行各类状态切换过程中会伴随产生一些特殊的瞬态脉冲,除了对自身工作造成影响,还有可能干扰到连接这一供电系统的其他部件,甚至造成个别器件的损坏。本文结合工作中遇到的大量典型瞬态脉冲,对它们产生的原理和条件逐一进行了归纳和分析,对于车企和零部件厂家的研发和设计有一定的指导意义。     

基于优化支持向量机-混沌BP神经网络的基坑变形预测研究

为解决基坑变形预测精度低的问题,采用小波去噪分离基坑变形的趋势项及误差项序列,并利用多种优化的支持向量机对趋势项序列进行预测,采用混沌BP神经网络对误差项序列进行预测,将两者预测结果进行叠加即得到变形预测值,且可根据后期监测数据的更新,实时增加数据信息,达到跟踪预测的目的。经过3个实例检验,得出小波函数的去噪效果相对较优,且预测结果的相对误差均值均小于2%,验证了优化支持向量机-混沌BP神经网络模型的有效性,且该模型具有预测精度高、适用性强等优点,对掌握基坑变形的发展趋势及评价基坑的稳定性具有重要意义。