摩擦振动信号的经验模式分解和多重分形研究

为提取摩擦振动的特征信号和实现摩擦振动特征信号的定量表征,在摩擦磨损试验机上进行了船用柴油机缸套-活塞环摩擦副摩擦磨损模拟试验,应用经验模式分解(Empirical mode decomposition,EMD)对非线性、非平稳的摩擦振动信号进行分解,获得若干个本征模式分量(Intrinsic mode function,IMF)。根据振幅范围和互相关系数,从EMD的所有IMF中选择反映摩擦振动特征的IMF分量重新合成摩擦振动特征信号,利用改进的多重分形算法对摩擦振动特征信号进行多重分形分析,得到摩擦振动信号的多重分形谱,进一步求取摩擦振动信号多重分形谱的宽度、极大值、维差以及非对称指数。研究结果表明,经验模式分解能够实现微弱摩擦振动特征信号的提取,多重分形谱参数可以作为摩擦振动信号的特征值。     

回顾96 展望97——北京华胜计算机有限公司总经理韩亦舜先生-席谈

步入1997,面对更加激烈的市场竞争,北京华胜计算机有限公司总经理韩亦舜先生充满信心,回顾过去的一年,展望新的一年,向记者发表了如下谈话。     

底吹氩精炼过程中钢包内流体流动的数值模拟

基于气-液双流体模型和湍流的修正k-ε模型,对底吹氩钢包精炼过程中熔池内流体流动提出了一个新的三维数学模型,应用该模型于120 t VOD的真空底吹氩精炼过程,对单孔及多孔底吹氩条件下钢包内流体的流动作了模拟和估计.     

基于Mask R-CNN的铁谱磨粒智能分割与识别

针对铁谱图像因背景复杂、尺寸分布广、颗粒重叠等导致难以精确分割与识别的问题,以相似度高的疲劳剥块、严重滑动磨粒、层状磨粒共3种异常磨粒作为研究对象,提出基于深度神经网络模型Mask R-CNN的对多目标铁谱磨粒进行智能分割与识别的方法,并对特征提取层分别选用深度不同的残差网络ResNet50和ResNet101进行对比试验。实验结果表明,基于迁移学习方法的Mask R-CNN+ResNet101模型能够在复杂背景下对多目标、多类型、多尺寸的相似磨粒进行有效分割与识别,测试集的平均精度高达76.2%,模型具有较好的泛化能力。     

VOD精炼不锈钢过程中真空喷溅的预防与控制

对VOD真空精炼不锈钢过程中普遍存在的一种棘手的工艺控制问题——\     

不锈钢VOD精炼过程数学模拟初探

对不锈钢VOD精炼过程数学模拟作了初步研究。从该精炼过程的物理和化学特征出发,考虑体系的质量和热量衡算,以及各项操作,精炼过程的不等温状态等的影响,对整个精炼过程提出了一个数学模型。以该模型处理和分析了120tVOD炉内铁素体型不锈钢的整个精炼过程,并以实际生产数据作了检验。     

LATS法-经济简洁的钢水精炼工艺

详细介绍以插入钢包透气砖上方钢液的浸渍罩为特征的,在底吹氩下形成氩气保护的少渣、无渣钢液面,进行添加合金或加铝吹氧升温实现钢液精炼的经济简洁的LATS精炼装置的设备和工艺情况。实绩表明,该精炼工艺投资少,操作简便,具备与RH、LF等精炼设备同等的升温、合金微调、底吹氩等精炼作业手段。     

爱普生电子元件力拓中国市场

众所周知,走时精确、闻名遐迩的精工表正是日本精工爱普生集团的产品。然而,熟悉爱普生电子元器件的人却并不多。虽然爱普生公司在近几年也做了不少市场推广工作,但怎奈中国地域广袤何止千里万里,故单靠一些市场推广活动仍一时难于奏效。     

基于改进YOLO算法的多目标铁谱磨粒智能识别

为提高铁谱磨粒中相似磨粒的识别率,降低小颗粒磨粒的漏检率,并确保检测速度的实时性,基于YOLO算法,提出了大尺度yolo层检测(yolov3_mod)和全尺度yolo层检测(yolov3₅l)两种改进模型。该改进模型通过添加空间金字塔池化模块、拓展yolo层尺度,来改善网络结构,提高了相似磨粒的识别率,降低了小颗粒磨粒的漏检率;通过融合卷积层与批量归一化(BN)层,减少了模型计算量,提高了模型检测速度。实验结果表明:与原始模型相比,yolov3_mod模型对相似磨粒的识别率提高了8%,总平均准确率提高了5%,yolov3₅l模型对相似磨粒的识别率提高了14%,总平均准确率提高了10%;2种改进模型的推理速度相比原始模型提高了8%,且磨粒的定位更加精确,基本实现了复杂背景下多目标磨粒的识别;yolov3_mod拥有较快的检测速度,yolov3₅l则有着更高的检测精度,可根据实际工况需求进行取舍。     

基于卷积神经网络的铁谱磨粒智能识别研究

针对传统的计算机磨粒识别方法对相似度高的严重滑动磨粒和疲劳磨粒存在识别过程复杂、识别准确率低等问题,提出利用卷积神经网络(Convolution Neural Network,CNN)自动提取铁谱磨粒图像的特征,再将提取到的特征传入全局平均池化层和新的全连接层进行训练分类的铁谱磨粒智能识别方法。试验显示,基于卷积神经网络模型Inception-v3+1FCL和迁移学习方法可以有效地对严重滑动磨粒和疲劳磨粒进行分类识别,准确率高达89. 35%。