液压钻机故障特征参数与故障状态之间呈现较强的非线性,依赖线性数学模型的故障诊断方法诊断正确率不高。针对上述问题,提出了一种基于粒子群算法(PSO)优化BP神经网络的液压钻机故障诊断方法。该方法利用BP神经网络提取特征参数之间的非线性关系,实现典型故障的分类识别;利用PSO优化BP神经网络的权值和阈值,提高网络训练的收敛速度。仿真结果表明,PSO优化的BP神经网络迭代次数少,收敛速度快。该方法能够对测试样本进行有效分类,故障诊断正确率高。

针对玻璃配料过程的特点，设计了一种新型称重控制器。控制器采用了数字信号处理器（DSP）TMS320F2812作为控制核心，利用DSP运算能力强、片内功能丰富的特点，简化了电路设计，提高了称重检测精度。该控制器结构简单，运算速度快，控制精度高，具有开发应用价值。