基于智能仓储的AGV道路识别系统

针对AGV在执行路径过程中出现位置错误或偏离道路的情况,课题组提出了一套利用激光雷达探测反光板的道路识别方案。介绍了基于智能仓储拓扑图的反光板布设方式;设计了基于数学几何知识的AGV动态识别位置信息的方案;设计了在不同地图属性条件下基于限幅或PID调节的道路修正的方案,防止AGV行进过程中偏离理想道路。应用结果表明:本设计具有较快的位置信息获取速度和错误位置信息处理能力;运行过程中能够较稳定地行走在规划路径中心位置,在阳光等干扰因素存在条件下依然可以保持优良的鲁棒性。该研究使用反光板能大幅提高激光雷达位置计算速度,在车身存在机械误差条件下,通过修正算法能够保证小车稳定行驶在道路的理想位置。     

音式阶的合理性模识别校对方法

音阶识别方法不能结合乐音的物理和音乐特性,造成乐音处理信号量杂乱无序。针对该问题,通过复音音高确定转录音符集合,引入频谱图、谱平滑性和调和性估计建立HMM模型。分析对比实验结果表明,HMM模型可以完成乐音物理与音乐特性结合,改善乐音处理信号量杂乱无序现象。     

风速时间序列混沌判定方法比较研究

混沌识别是对非线性时间序列进行混沌预测的前提。针对时间序列风速确定性与随机性相结合的复杂非线性特征,研究了不同的混沌识别方法,并对风速时间序列进行混沌特征识别。应用随机噪声、周期运动及经典混沌系统的时间序列对所选方法进行可靠性验证。对美国国家风能研究中心M2测风塔实测时间序列风速数据进行非线性混沌特征识别。结果表明:风速时间序列具有明显的混沌特征;各风速时间序列表现出不同程度的混沌特征;各混沌识别方法对风速时间序列混沌特征的表达形式不同,互为补充,相互验证。     

基于多层感知器的气液两相流流型识别方法

通过对电阻层析成像数据采集原理和深度学习网络的研究,提出了一种基于阵列电阻值和多层感知器深度学习网络相结合的流型识别方法。利用电阻层析成像系统中的16个电极传感器来获取流型样本数据,并构建出流型识别数据库,然后对多层感知器深度学习网络进行训练,获得可以识别不同流型的网络。实验结果表明,采用阵列电阻值结合多层感知器网络对流型进行学习和识别的方法,流型识别准确率可以达到95%,解决了流型图像生成过程与数据特征预选过程中流型特征损失的问题,流型识别性能得到了提高。     

基于双向流固耦合弹性环式挤压油膜阻尼器建模及动力学特性研究

利用数值方法建立了弹性环式挤压油膜阻尼器(ERSFD)的流固耦合模型,分别利用有限元方法以及有限体积法建立了弹性环和内外油膜的CFD数值模型,并进一步利用分时迭代的弱耦合方法实现了油膜以及弹性环控制方程的耦合求解,获得了内油膜的压力分布特性及弹性环的变形,并进一步识别了油膜和弹性环的动力学特性系数;研究了涡动频率、凸台数目、凸台高度、凸台宽度以及弹性环厚度对阻尼器动力学特性系数的影响。结果表明,弹性环的凸台高度对ERSFD油膜动力学特性系数的影响最为明显,ERSFD油膜阻尼与涡动频率无关。     

因素空间理论下基点分类算法研究

目前，基于因素空间理论的背景基提取算法计算过程复杂，初始化必须依赖各因素极值，基点数量提取冗余等原因，未能在应用中取得很好效果。为此，结合内点判别法和知识可继承、可扩展的思想，提出一种计算简单、初始化独立、基点数量小的改进的背景基提取算法。然后，利用改进的背景基提取算法构造出一种全新的数据分类算法-基点分类算法，基点分类算法以提取每一类样本的背景基为预测模型，再通过新定义的λ-背景基，优化预测模型。数值实验表明:基点分类算法原理简单、构造难度小、分类模型泛化能力强，预测能力准确率高，同时严格的模型限定区域又能为识别新类别提供新方法。