改进二维变分模态分解的磁源分离

为了解决延拓法对不同深度磁源的磁测数据进行分离时,向上延拓高度确定困难以及延拓导致深源信号损失的缺点,提出了在延拓法的基础上利用二维变分模态分解对磁性目标进行分离。首先,利用最佳延拓高度估计法对磁测数据进行第一次分离,得到分离后的局部异常与区域异常数据;然后,利用二维变分模态分解对分离后的浅源局部异常进行第二次分离,该过程无需计算延拓高度,能够自动对不同频率的磁测数据进行分离;最后,利用该方法对不同深度磁源进行识别,通过将分离得到的磁异常Bz分量数据转化为磁梯度张量数据,实现了对不同深度磁源的磁梯度张量数据进行分离,获得对不同深度磁源的识别结果。实验结果表明实测中对小尺度磁性体组合磁源(高度差为26 cm)的分离数据与单目标观测数据的互相关系数在0.9664以上。相比传统的延拓分离方法,提出的方法的分离精度更高,抗干扰能力更强。     

基于漏磁内检测的缺陷识别方法

基于漏磁原理的管道内检测信号和管壁缺陷之间存在强非线性关系,导致缺陷(特别是小缺陷)识别和分析困难。针对内检测器漏磁信号中的缺陷识别问题,设计一种新的缺陷识别方法,可以在漏磁内检测数据中精确识别缺陷。该方法包括3个部分:针对普通基值校准算法在多通道数据对齐中精度低的问题,提出一种基值二次校准算法,为后续数据分析提供精确数据源;区别于常规方法中用到的峰谷值等显性特征,提出6种更能反映缺陷信号的本质特征,并设计了相应的特征提取方法,为缺陷识别提供精确的分类依据;设计了基于随机森林的缺陷识别算法,可以在漏磁内检测数据中精确识别各种缺陷。最后,对所提出的方法进行了性能对比分析和试验验证。结果表明:所设计的缺陷识别方法准确率为99.59%,其中对小缺陷的识别灵敏度为98.66%,证明所提出的缺陷识别方法可有效地完成目标缺陷的识别。     

基于KPCA-FSVM的液压泵可靠性寿命分布识别

为了准确快速识别出液压泵的可靠性寿命分布模型,提出了一种基于核主元分析和模糊支持向量机的可靠性寿命分布模型识别方法。该方法充分利用核主元分析非线性特征提取的优势和模糊支持向量机良好的分类能力,建立了适合可靠性寿命分布识别的模糊支持向量机模型,并将其应用于液压泵可靠性寿命分布模型识别。仿真实验结果表明,该模型能够降低计算的复杂度,具有良好的泛化能力,能够准确地识别出液压泵无故障工作时间数据所属的寿命分布类型。     

环境激励下高桩码头物理模型模态实验

建立高桩码头物理模型,进行环境激励下的模态实验研究.利用特征系统实现算法(eigensystem realizationalgorithm,简称ERA),结合自然激励技术(natural excitation technique,简称NExT),即NExT-ERA模态识别方法编写模态识别程序来识别物理模型的模态参数,并与有限元模型的计算结果进行对比分析.研究结果表明,物理模型实验值与有限元计算结果相比,二者数值接近,误差很小,说明NExT-ERA模态识别方法能够应用于环境激励下高桩码头的模态识别.环境载荷激励下结构的动力响应信号较弱,结构的高阶模态一般无法激出,某些数据识别出的模态参数存在“漏阶”现象,因此结合有限元模型进行分析非常必要.     

基于嵌入式的智能视觉伺服系统的研发

建立了一个基于嵌入式的智能视觉伺服系统,用于工业机器人对零件工位的精确定位。采用基于区域的匹配和形状特征识别相结合的图像处理方法,该方法经过阈值和形状判据,识别出物体特征;基于组件思想的软件系统具有可重构性。经实验验证,该方法能够快速准确地得到物体的边界和质心,进行数据识别和计算,再结合机器人运动学原理控制机器人实时运动以消除此误差,满足工业机器人跟踪定位的要求。     

基于主成分分析的薄壁结构截面特征形变识别研究

针对薄壁结构一维高阶模型求解复杂、效率低等问题,提出了一种基于主成分分析的薄壁结构截面特征识别方法。首先,构建了一组基函数捕捉截面变形,建立了薄壁结构的一维高阶模型,基函数被集成在动力学方程中,并通过求解相关的广义特征值问题实现了解耦;然后,基于主成分分析分解特征向量,识别出基函数的轴向变化模式,每个特征向量被正交分解成对应变化模式的分量,并构建了权重矩阵线性组合基函数;最后,以识别出的变形模式简化了初始动力学方程。研究结果表明:识别出的变形模式具有再现薄壁结构三维振型的能力,与ANSYS模型相比较,高阶模型的前10阶固有频率误差在1.94%以内;该结果为提高薄壁结构动力学模型的计算效率提供了理论依据。     

基于ISOMAP降维的复杂轮廓异常点识别方法

高维复杂轮廓异常点识别方法研究是目前过程轮廓监控的重要课题之一。以高维复杂轮廓为研究对象,建立非参数轮廓矩阵模型,将基于测地距离的ISOMAP非线性降维技术与χ2控制图相结合,提出新的轮廓异常点识别方法,以实现高维复杂轮廓异常点的准确识别。仿真实验和实际案例的应用分析结果证实该方法在异常点识别的准确性方面具有良好的性能。     

一种基于流形正则化随机配置网络的 化工过程故障识别方法

考虑到化工过程故障数据的复杂非线性特性和样本潜在的根本结构特征,提出了一种基于流形正则化随机配置网络的故障识别方法。该方法在经典随机配置网络的基础上,在嵌入流形约束的监督机制下随机选取隐含参数,逐个添加隐含节点,然后使用流形正则化最小二乘法计算隐含层的输出权值,保留了数据的重要几何特征,避免了信息冗余,有利于更好地识别出区别于不同类别的相关特征。在测试集上的实验表明,该方法对TE故障和半导体故障的识别准确率分别达到了87.72%和84.27%,均高于随机向量函数连接网络和随机配置网络方法。而且对于大部分故障类型,该方法的精确率和召回率较高,验证了所提方法进行故障识别的有效性和所建立模型的良好泛化能力。     

基于PCR1的多传感器目标识别

主要就冲突证据的合成问题展开讨论。在总结已有的冲突证据合成方法的基础上给出了基于PCR1的多传感器目标识别方法,并给出了具体的识别实例。与其它方法比较,PCR1在系统存在伪证据（干扰）时仍然能够有效快速地识别出目标。     

光照变化对螺栓识别影响的实验研究

为了验证光照的变化对位图法识别螺栓的影响,设计了实验.采用幂次变换法进行图像增强,在位图法的基础上,结合数学形态学消除光照变化对螺栓特征识别的影响.经实验验证,位图法可以很好地消除光照的影响,能够较为准确地在户外的复杂背景下识别分析出螺栓的具体位置.该方法为塔式起重机等大型设备的户外安装提供一种有力的安全防护保障.     

齿轮箱故障边缘智能诊断方法及应用研究

针对齿轮箱运行状态监测数据量大而数据价值密度低导致的数据传输和存储困难、受到带宽影响导致的故障辨识实时 性差以及大而深的深度学习模型难以有效部署至边缘端硬件等问题,本文提出了一种基于乘法-卷积网络(MCN)的齿轮箱故 障边缘智能诊断方法。 首先,综合考虑信号滤波在特征表征以及深度学习在特征提取的优势,设计了一种轻量化的 MCN 模型, 同时在嵌入式微处理器搭建了一套端侧边缘智能处理原型与系统。 该系统可以直接部署于齿轮箱边缘,通过云服务器训练和 更新 MCN 模型参数并部署至边缘端,于边缘端完成数据采集、处理和故障状态辨识等功能,将大量传感器数据直接消耗在边缘 端。 实验结果显示 MCN 具有 99. 75% 的平均识别精度,且部署 MCN 的齿轮箱故障边缘智能诊断系统可以在 0. 696 s 内准确识 别出故障状态。     

基于深度学习的导波特征提取及其激光超声检测

针对激光超声检测中波场的三维数据处理计算量大且损伤特征提取难的问题,提出了一种基于深度学习模型的导波 波场分析方法. 首先,以 VGG-Net 网络为框架,建立了基于 VGG11(A-LRN)的残差网络模型,用于挖掘时间-空间波场数据中的 导波特征;其次,以局部波数特征为物理机理,采用导波传播的解析式生成训练样本,解决了深度学习大数据获取的问题,获得 了波场特征提取的神经网络模型;最后,以激光超声系统在含损伤结构中的实验数据作为测试样本,验证了所提出的网络模型 能够提取表征损伤的导波特征,实现了结构的损伤成像,其损伤成像精度均在 67% 以上,损伤形貌的可视化效果好。     

基于快速动力学辨识的机器人力/位混合控制碰撞检测研究

针对机器人力/位混合控制时发生异常碰撞所导致的安全问题,提出一种基于快速动力学辨识的碰撞检测方案。首先,建立机器人快速动力学的辨识模型,基于拉格朗日法整理出机器人关节重力矩的最简三角函数回归矩阵,运用连续摩擦模型建模关节摩擦力;然后,采用最小二乘法分别辨识出机器人关节的重力矩最简参数集和连续摩擦模型参数集;最后,为验证提出方法的有效性,设计并完成机器人快速动力学辨识和碰撞检测实验。结果表明:提出的方法能够快速有效地辨识机器人的动力学参数,可实时检测机器人位置控制方向上4 N·m,力控制方向8 N·m以上的异常碰撞,有效保障操作人员和设备的安全,具有一定的工程参考价值。     

Elasto-geometrical error modeling and compensation of a five-axis parallel machining robot

Parallel manipulators have the potentials of high efficiency and high precision in the field of machining and manufacturing. However, accuracy improvement of the parallel manipulator is still an essential and challenging issue, encountering two important problems. Firstly, the ignorance of elastic deformation caused by gravity or deviations of static stiffness model restricts further improvement of accuracy. To solve this problem, an elasto-geometrical error modeling method is proposed. The comprehensive effects of structural errors, elastic deformation under gravity and compliance parameter errors on pose deviations are disclosed. On this basis, the identification equation of actual structural errors and compliance parameter errors can be established. Secondly, the ill-conditioned identification matrix and the identification equation with anisotropic residual error can lead to inaccurate identification results. To solve this problem, a weighted regularization method is proposed. The identification equation with isotropic residual error is built, and accurate identification can be realized with the regularization method. Based on the proposed methods, the error compensation experiment is conducted on the prototype of a five-axis parallel machining robot using a laser tracker. Experiment results show that the accuracy of the machining robot is significantly improved after compensation. An M1_160 test piece and an S-shaped test piece are machined and measured to further validate the effectiveness of the proposed methods. The elasto-geometrical error modeling method and the weighted regularization method can be applied to other parallel manipulators’ accuracy improvement.     

一种用于故障分类与预测的多任务特征共享神经网络

智能故障诊断与预测技术在工业实际中得到了广泛地应用,但仍存在以下局限性:1)将不同退化程度的同类型故障作为多种不同的故障模式进行分类识别,脱离了工程应用的实际; 2)基于特定数据训练的诊断模型工况泛化能力差。针对上述问题,提出一种多任务特征共享神经网络,并将其应用于轴承的智能故障诊断与预测。首先,利用卷积神经网络(CNN)构建自适应特征提取器,从原始振动信号中提取深层次特征;其次,同时建立分类与预测的多任务特征共享诊断模型,实现故障类型分类以及故障尺寸预测。最后,通过凯斯西储大学轴承数据集验证了所提方法。试验结果表明:所提方法不但能同时实现对故障类型的分类以及故障尺寸的预测,而且具有较强的工况泛化能力。     

压缩感知域智能天然气管道泄漏孔径识别

天然气管道泄漏监测正在进入大数据时代,针对传统方法存在的采集数据冗余、特征提取及识别受主观因素影响较大等问题,结合压缩感知与深度学习理论,提出一种在变换域进行泄漏信号的压缩采集、在压缩感知域进行自适应特征提取及识别的智能天然气管道泄漏孔径识别方法。通过随机高斯矩阵获取压缩采集数据,并通过深度学习挖掘测量信号中隐藏的泄漏孔径信息,经稀疏滤波实现特征的自动筛选,最后研究了softmax回归实现孔径的高精度分类识别。实验结果表明,该方法实现了监测数据的压缩,对压缩感知域采集信号的识别性能明显优于传统方法。     

直升机自动倾斜器竖向振动的神经网络识别

工程中的许多大型结构中的一些关键部件的振动无法直接测量，因而探索一种间接测量或识别的方法就显得尤为重要。由于直升机飞行状态的复杂性，不但测试困难，而且经典方法处理不理想。文中提出基于BP神经网络方法对直升机自动倾斜器竖向振动进行识别及评估。介绍了网络结构、训练学习过程、试验测试及数据处理过程和识别与估计方法。估计评价的准则主要考虑以估计第一阶谐和频率（6．4Hz)所对应的结果进行比较。由于神经网络方法考虑了不确定性因素，从而估计结果与真实结果相符得较好。最后分析了人工神经网络在用于动力学系统的识别与估计中的多方面问题。     

Frequency domain indirect identification of AMB rotor systems based on fictitious proportional feedback gain

It is very difficult to directly identify an unstable system with uncertain dynamics from frequency domain input-output data. Hence, in these cases, closed-loop frequency responses calculated using a fictitious feedback could be more identifiable than open-loop data. This paper presents a frequency domain indirect identification of AMB rotor systems based on a Fictitious proportional feedback gain (FPFG). The closed-loop effect due to the FPFG can enhance the detectability of the system by moving the system poles, and significantly weigh the target mode in the frequency domain. The effectiveness of the proposed identification method was verified through the frequency domain identification of active magnetic bearing rotor systems.     

数据中心用热管空调系统研究进展

针对回路热管机房空调在数据中心冷却中的适用性问题,总结了数据中心用回路热管空调系统最新研究进展,对比分析了重力型、气相动力型和液相动力型3种回路热管机房空调系统,并介绍了3种回路热管自然冷却与蒸气压缩主动制冷相结合的一体式机房空调系统的构成方式与运行性能,结果表明3种回路热管在不同的应用场景下都具有良好的节能效果:从驱...     

Online parameter identification of the asymmetrical Bouc–Wen model for piezoelectric actuators

The hysteresis of piezoelectric actuators (PAs) possesses the asymmetrical and frequency-dependent characteristics. In order to accurately model the hysteresis of a PA, an asymmetrical Bouc–Wen model is proposed and established in this paper. The recursive least-squares online identification method is used to real-time identify the parameters of the proposed model. Meanwhile, in order to avoid the data saturation phenomenon, the limited memory method is used to limit the number of the data sets. The experimental system is setup and the performance of this method is experimentally verified. Experimental results show that the proposed online identification method can effectively improve the modeling accuracy.