小波除噪、神经网络与发动机故障诊断

给出了利用起动电压波形来检测气密性这一简单易行的实验原理与方法。并对代表性波形进行小波除噪处理，在此基础上，提出了6个故障信息特征参数，通过对径向基神经网络的训练和检测，证明该神经网络能够成功的进行故障模式的辨识。从而为发动机压缩性故障诊断提供一个较好的方法。     

WA与RBFN在气密性故障诊断中的应用研究

提出了根据检测发动机起动时电瓶电压的波形来分析气密性的试验方法。在基于小波分析 (WA)的基础上对信号进行消除趋势项和除噪处理 ,并提出了包括周期延长和主频推移 2个新的判据在内的 7个特征参数。通过对径向基神经网络 (RBFN)的训练 ,证明该神经网络能够较好地进行故障模式辨识 ,从而为发动机气密性故障诊断提供了一个系统方案。     

电液比例溢流阀在液压加载系统中的应用

液压加载系统是通过动态调节电液比例溢流阀溢流压力,以控制液压缸油液压力,实现对液压系统负载的模拟加载。对电液比例溢流阀在液压加载系统中的应用加以阐述,以及在安装调试过程中电液比例溢流阀出现的问题进行分析、说明,为液压加载系统正确调试和使用提供参考。     

基于边频带谱理论的齿轮箱故障诊断

齿轮箱是机械传动中应用非常广泛的一种通用部件，一般由若干组齿轮、轴、轴承、离合器、拨叉、润滑装置及壳体等部分组成，承担着传递动力与运动的重任。在机器运行过程中，由于正常磨损与疲劳、设计不当、制造装配的误差、维护保养不善以及操作失误等原因均能导致故障的产生，其中以轴系、齿轮与轴承等较易失效。当齿轮箱发生故障时，传统的方法是：对实际测得信号的频谱图进行分析，根据各故障特征频率允许的振动幅值来精确判定哪个部件发生故障。     

机械电磁制动器故障机理及维修方案

1故障的内部机理 电磁制动器中主要的元件是电感线圈，也是绝大多数故障产生的根源。电感线圈的重要特征就是在电路通断瞬间，尤其是断开瞬间会产生强大的感应电动势。这种电动势通常是正常工作电压的几倍至几百倍。如此高的冲击电压不仅对电磁制动器本身有很大损害，对其后续设备也有很大影响。本文设计了一个试验电路，采用波形分析法揭示了冲击电压产生的原因。     

运用ARM和WinCE的嵌入式流量计设计

针对大部分流量传感器测得的信号在传输过程中会受到电源噪声、信号传输线以及脉冲的强电磁干扰,设计了一种基于ARM嵌入式系统的流量计,采用多种信号调理电路,解决了流量仪表显示不稳、显示数字跳变的问题,并提出了软件后期整形方案.实验结果证明,该仪器对于处理变频调制、电磁干扰的信号有较好的应用效果.     

基于高阶累积量的柴油发动机曲轴轴承故障特征提取

利用基于高阶累积量降维处理的1.5维谱、2.5维谱分析曲轴轴承不同磨损间隙下的发动机振动信号,提取曲轴轴承磨损故障的特征参数,有效地解决了高阶累积量计算量巨大,难以实现在线应用的缺点。试验时将振动加速度传感器放置在发动机缸体的5个不同的位置测取振动信号并分析,提取高阶谱降维处理后的特定频段内的频带能量作为特征值。结果表明,本文提出的方法能够有效地抑制噪声的干扰,提取出的特征参数能够较好地反映曲轴轴承的技术状态,且当发动机转速达1300r/min以上,振动加速度传感器置于油底壳与缸体接缝处的左右两侧时,采集的振动信号最能反映曲轴轴承的技术状况。     

基于数学形态学的流量传感器信号去噪研究

由于流量计自身结构特点和受到外部复杂电磁环境干扰等原因,真实信号往往受到严重的干扰,给数据分析带来很大困难。为有效抑制噪声干扰,提高测量的精确度和稳定性,结合流量传感器信号的特点,将数学形态学算法应用到该信号的去噪中。以信号的信噪比和均方误差作为去噪效果的评价指标,仿真实验和实际应用都验证了该方法的有效性,为同类信号的去噪处理提供了参考。     

基于递归神经网络的视频多目标检测技术

针对现有基于大数据和深度学习的目标检测框架难以实现在低功耗移动和嵌入式设备上实时进行视频目标检测的问题,改进了基于深度学习的目标检测框架SSD,提出一种改进的多目标检测框架LSTM-SSD,将其专用于交通场景视频多目标检测。将单图像检测框架与递归神经网络-LSTM网络相结合,形成交织循环卷积结构,通过采用一种Bottleneck-LSTM层提炼传播帧间的特征映射实现了网络帧级信息的时序关联,极大降低了网络计算成本;将时间感知信息与改进的动态卡尔曼滤波算法结合起来,实现了对视频中受光照变化、大面积遮挡等强干扰影响目标的追踪识别。实验表明,改进后的LSTM-SSD在应对多目标、杂乱背景、光照变化、模糊、大面积遮挡等检测难度较大的情况时,均能获得较好的效果,相比于其他基于深度学习的目标检测框架,各类目标识别的平均准确率提高了5%~16%,平均准确率均值提高了约4%~10%,多目标检测率提高了4%~19%,检测帧率达到43 fps,基本满足实时性的要求。其实现了算法精度与运行速率的平衡,取得了较好的检测识别效果。     

基于图推模型与智能寻优的野外道路导向技术

为实现无人装备在野外环境下对非结构化道路进行自动、普适和精准的识别与导向,提出了一种基于图推模型与智能寻优的野外场景道路导向算法。首先将图像分割为同质超像素块,对超像素块的多特征进行融合,构造训练集;改进传统拉普拉斯支持向量机算法,结合超像素块位置信息动态选取道路区域超像素种子块,训练超像素块的多类别分类回归器和相邻超像素的一致性回归器;结合两种回归器的回归值构造马尔可夫随机场的能量函数,再利用标准图割算法迭代求取最小化能量函数,实现初始道路推理分割; 结合道路初分割结果,依据人对道路的直观感知,设定约束条件构造目标函数,利用差分免疫克隆进化算法智能寻优提取道路的导向线。在南京珠山采集的数据和DARPA Grand Challenge数据库上进行检测,并与经典算法的道路导向效果进行定性和定量比较,结果表明该算法在野外环境下对非结构化道路的导向线提取精度总体达91.79%以上,相比于经典算法,检测精准度分别提升48.1%和35.5%,算法处理效率分别提升98.6%和97.8%,在检测的实时性与精准度问题上实现了平衡,具有较强的应用前景。