基于改进灰度重心法的轨道扣件重构与故障诊断

针对轨道扣件表面结构复杂导致的线结构光照射分布不均匀问题,研究了一种基于改进灰度重心法的光条中心线提取方法,精准重构了轨道扣件点云模型。基于点云模型提取了轨道扣件的结构特征信息,建立了轨道扣件缺陷检测组合分类器模型,实现了轨道扣件的弹条缺失、扣件歪斜、螺母缺失等缺陷检测。研究了基于表面法向量的螺母上平面解析方法,通过螺母松动测量实验实现了轨道扣件的松动检测。搭建了扣件故障诊断实验平台并开展了相关实验研究,实验结果表明,系统扣件故障检出率达到96%,扣件松紧度测量的总体误差低于0.2 mm,扣件故障诊断系统的检测效果和鲁棒性较好,对列车安全运行具有重要的现实意义。     

全球导航卫星系统-声呐组合观测模型分类体系

本文回顾了海底大地测量全球导航卫星系统-声呐观测模型近二十年来的发展，以声速误差处理为主线给出了全球导航卫星系统-声呐观测模型的分类体系，按函数模型、随机模型和约束条件进行了归纳，探讨了未来发展方向。研究表明：测距定位模型无需现场声速剖面测量，但需解决声速垂向梯度影响的有效参数化估计或改正问题；海底大地测量更为关注声速时空变化对观测值影响，为此推荐采用声速场误差加性补偿模型及其导出的声速场参数间接估计模型；海底局域网阵列存在类似共模环境误差，具有提升海洋环境参数估计及海底定位精度的能力。     

改进MDSMOTE与PSO-SVM在汽车组合仪表分类预测中的应用

汽车组合仪表生产过程中质检项目多且检测时间长,这在一定程度上制约了其生产效率的进一步提升。为此,提出一种基于改进最远点合成少数类过采样技术（max distance synthetic minority over-sampling technique,MDSMOTE）的支持向量机（support vector machine, SVM）分类预测方法。首先,结合专家经验对汽车组合仪表的原始生产数据进行特征筛选,并在MDSMOTE中引入类不平衡率I_R,以对所筛选的特征数据进行扩充;然后,利用粒子群优化（particle swarm optimization, PSO）算法对SVM的误差惩罚因子C和核函数参数γ进行优化;最后,建立优化的SVM分类预测模型,并对汽车组合仪表进行分类。通过与其他分类预测模型在不同数据集上的预测结果进行对比可知,基于改进MDSMOTE的SVM分类预测模型的准确率、F值和几何平均值等评价指标均优于其他模型。所提出方法在汽车仪表产品分类上表现出较强的泛化能力和稳定性,可为仪表制造企业生产效率的提升提供有效参考。     

基于长短时记忆卷积神经网络的刀具磨损在线监测模型

为了提高机械加工过程中刀具磨损在线监测的准确性，提出了一种基于长短时记忆卷积神经网络（LSTM-CNN）的刀具磨损在线监测模型。在该监测模型中，通过振动、力、声发射传感器对刀具切削过程中的振动、力和声发射信号进行采集，采集的数据其本质为时间序列数据。考虑采集数据的序列和多维度特性，采用LSTM-CNN网络对采集的数据进行序列和多维度特征提取，利用线性回归实现特征到刀具磨损值的映射。通过实验验证了该模型的有效性和可行性，模型的精度较其他几种方法有了较大的提高。     

使用CNN-SVR的汽车组合仪表组装质量预测方法

汽车组合仪表组装过程质检时间长、效率低,因此提出卷积神经网络与支持向量回归相结合的汽车组合仪表组装质量预测方法.结合仪表组装工艺,将卷积神经网络提取的生产数据特征作为支持向量回归的输入,对表征仪表质量的指针偏转角度做出预测.通过车间质检系统获取了仪表原始生产数据,对不同质检情况下的指针偏转角度进行了预测;结果表明所提方...