【含图纸】数控机床除尘设备毕业设计整套资料

图日期和时间的修改由个按键构成。

如图所示。

键为向右移键为加键为减。

图查前个月是否为闰月前个月是闰月中为，则为前个月的最后天前个月不是闰月，.中为日的值中为，则为前个月的最后天.中为日的值查前个月是否为闰月前个月是闰月中为，则为前个月的最后天前个月不是闰月，.中为日的值中为，则为前个月的最后天.中为日的值查前个月是否为闰月前个月是闰月中为，则为前个月的最后天前个月不是闰月，.中为日的值中为，则为前个月的最后天.中为日的值查前个月是否为闰月前个月是闰月中为，则为前个月的最后天前个月不是闰月，.中为日的值，数据表五作品总结在整个设计过程中，发挥团队精神，分工合作，充分发挥人的主观能动性，自主学习，学到了许多没学到的知识。

较好的完成了作品。

达到了预期的目的，在最初的设计中，发挥“三个臭皮匠，顶个诸葛亮”的作用。

相互学习相互讨论研究。

完了最初的设想。

在电路焊接时虽然没什么大问题，但从中也知道了焊接在整个作品中的重要性，电路工程量大，不能心急，个个慢慢来不能急于求成。

反而达到事半功倍的效果。

对电路的设计布局要先有个好的构思，才显得电路板美观大方。

程序编写中，由于思路不清晰，开始时遇到了很多的问题，经过静下心来思考，和同组员的讨论，理清了思路，反而得心应手。

在此次设计中，知道了做凡事要有颗平常的心，不要想着走捷径，步脚印。

也练就了我们的耐心，做什么事都在有耐心。

此次比赛中学到了很多很多东西，这是最重要的。

总之，参加电子竞赛我们的能力得到了全方位的提高。

致谢词感谢学院给我们提供了个展现自己的舞台，给我们次难得煅炼的机会，使得我们的动手能力和专业技能都有了很大的提高。

在做作品的日子里得到了刘老师的悉心指导，在此向我们的指导教师致以诚挚的谢意。

感谢提供相关技术帮助的老师和同学，你们的支持和鼓励使我们对这次的作品完成有了信心和动力，也给了我们很多无私的帮助和支持，我们在此深表谢意。

姓名龚泽汗参考文献刘勇编数字电路电子工业出版社陈正振编电子电路设计与制作广西交通职业技术学院信息工程系杨子文编单片机原理及应用西安电子科技大学出版社王法能编单片机原理及应用科学出版社附录系统电路图附录二系统程序清单初值串行输出，方式计数器，方式，允许写充电，充电电流.主程序读出年读出星期读出月读出日读出小时读出分钟读出秒分离缓存年分离，送显示缓存月分离，送显示缓存日分离，送显示缓存小时分离，送显示缓存分钟分离，送显示缓存秒分离，送显示缓存更新农历程序非闰月，则.清零，指示灯亮.闰月，则.置位，指示灯不亮温度小时减小时值送人小时值分离送显示缓存.，.调分时候闪标志.，.，.，.分钟加分钟减分钟值送人分钟值分离送显示缓存.，.，.晶振开始振荡禁止写入关闪中断闪动调时程序全部显示调年闪调月闪调日闪，修正量，输出层第个节点中的阀值修正量，从输入层第个节点到隐藏层第个节点之间的权值修正量，输出层第个节点中的阀值修正量。

其调整公式分列如下式中为神经网络系统学习速率。

又因为综上，可得到以下调整公式神经网络流程图如图所示图神经网络流程图批量输入学习样本并且对输入和输出量进行归化处理参数初始化最大训练次数。

学习精度，隐节点数，初始权值，阈值，初始学习速率等计算各层的输入和输出值计算输出层识差ε修正权值与阈值结束开始.以神经网络算法对半主动车辆悬架系统进行控制神经网络的建立根据车辆悬架系统的控制需求，确定神经网络结构为，即输入层节点数为隐含层节点数为输出层节点数为初始化输入层隐含层和输出层神经元之间的连接权值初始化隐含层阀值和输出层阀值，给定学习速率和神经元激励参数。

建立神经网络结构如图所示图所建立的神经网络其中，隐藏层所使用的转换函数类型为型，输出层所使用的转换函数类型为线性型。

二神经网络训练参数的选取由于神经网络在被训练时需要输入参数及对应的输出参数作为训练数据，使神经网络系统能依照训练数据调整其每个神经元节点的权值和阀值，故选择适当的参数作为训练数据是对神经网络而言较为重要的个环节。

在半主动车辆悬架模型中，系统输入参数为时间频率下路面不平度，输出参数为车身振动加速度车身振动速度车身振动位移车轮振动加速度车轮振动速度车轮振动位移，系统可变参数为悬架装置阻尼器阻尼系数。

故此神经网络的训练数据仅能从以上参数中选取。

输入输出输入层隐藏层输出层由于半主动车辆悬架系统为单输入系统，最后所需对悬架系统进行控制的量也仅有个，故可以将神经网络的输入层神经元及输出层神经元均设立为个。

此时神经网络系统的输出参数为悬架装置阻尼器阻尼系数。

对于神经网络的输入参数，则有较多的选择。

由于在车身振动加速度车身振动速度车身振动位移车轮振动加速度车轮振动速度车轮振动位移等六个参数中，对人体所感受到的平顺感舒适感影响最深的是车身振动的频率和强度即车身振动加速度，故此本文选取车身振动加速度作为神经网络的输入参数。

由于在实际应用中，半主动车辆悬架装置所连接的微处理器较难在短时间内对大量数据进行反应。

因此，神经网络所能使用的训练数据较少。

故本文在模拟仿真中仅使用组数据对控制车辆悬架装置的神经网始化个体编码方法为实属编码，每个个体均为实数串，由输入层与隐藏层连接权值隐藏层阀值隐藏层与输出层连接权值以及输出层阀值个部分组成。

个体包含了神经网络全部权值和阀值，在网络结构已知的情况下，即可组成个确定的神经网络。

．适应度函数根据个体得到神经网络的初始权值和阀值，用训练数据训练神经网络后预测系统输出。

将预测输出与期望输出之间的误差绝对值之和作为个体适应度值。

个体适应度值计算公式为式中为神经网络输出节点数为神经网络第个节点的期望输出为神经网络第个节点的预测输出。

．选择操作遗传算法的选择操作有轮盘赌法锦标赛法等多种方法，本案例选择轮盘赌法，即基于适应度比例的选择策略。

每个个体的选择概率为式中为个体的个体适应度值的倒数，为种群个体数目。

．交叉操作本文中对个体的编码采用实数编码，故交叉操作方法也采用实数交叉法。

第个染色体和第个染色体在染色体位的交叉操作方法如下式中为，区间上的随机数。

．变异操作选取第个个体的第个基因进行变异，变异操作方法如下式中为基因的上界为基因的下界，其中为随机数，为当前迭代次数，为对打进化次数为，区间上的随机数。

.遗传算法优化神经网络结果分析遗传算法优化过程中适应度曲线如图所示图适应度曲线遗传算法优化得到的神经网络最优初始权值和阀值如表所示表神经网络最优初始权值和阀值输入层至隐藏层权值.隐藏层节点阀值.隐藏层至输出层权值.输出层节点阀值.将遗传算法优化得到的最优初始权值和阀值赋值给神经网络，使用训练数据对神经网络进行训练后预测阻尼器阻尼系数，预测误差分析如图所示图预测误差分析代入表中参数，对车辆悬架系统以遗传算法优化神经网络控制下半主动悬架工作方式进行仿真，仿真结果如图至图所示图优化神经网络控制半主动悬架车身振动加速度曲线图优化神经网络控制半主动悬架车轮振动加速度曲线图优化神经网络控制半主动悬架车身振动位移曲线将以被动悬架方式工作的车车辆半主动悬架装置起到较好的控制效果。

由于半主动悬架装置为非线性系统，以常规控制理论对其进行控制较难达到较好的控制水平，因此使用神经网络控制方法能较好的达到控制目的。

然而神经网络控制的硬件灵活性相对其他控制算法而言较差。

同时，尽管拥有较好的拟合能力，对于较复杂的控制系统，神经网络预测的结果通常也会存在较大的误差。

因此单纯的神经网络的应用具有定的局限性。

．以遗传算法对神经网络的优化效果较为理想。

这说明使用不同的弱人工智能算法使其相互结合取长补短的做法对解决实际的工程应用问题是有极大帮助的。

当然，不同算法在相互结合后也可能造成运算量增大随机性增高等些缺点，但这些缺点可以被不断发展的硬件设施及适当调节算法的些参数来避免。

．通过理论分析以及仿真计算，其结果表明采用经遗传算法优化的神经网络的车辆半主动悬架系统其性能相比被动悬架系统以及单纯以神经网络的悬架系统而言有极为明显的提升，反映了所设计的遗传算法优化的神经网络系统的合理性与可靠性，同时反映出遗传算法优化的神经网络系统具