基于LSTM-RF模型的城市道路交通流预测

交通流预测作为信号协调和出行时间预测等任务的基础,成为了交通领域的研究点。对于交通流预测问题,研究人员提出了多种方法,但这些方法大多只使用交通流数据的时域信息进行交通流预测,忽略了空间相关性对于预测目标路段流的影响,导致预测精度不理想。基于组合模型的思想提出了一种称为LSTM-RF的交通流预测模型。在交通流预测过程中,首先使用LSTM模型提取预测目标路段的时序特征,再将其预测值与采集的相邻上下游路段信息同时作为随机森林模型的输入特征,进行交通流时空相关性分析,获得最终的预测结果。并通过贵阳市车牌识别系统采集的城区132条路段的交通流数据进行实验验证。结果表明:该方法在预测精度上优于单一模型,并且预测误差相比单一模型有明显减少。     

铣削加工表面完整性研究

大量的关键复杂零件采用多轴铣削加工,铣削加工表面完整性对零件的使用性能、寿命以及可靠性具有至关重要的作用。首先分析了表面完整性表征模型;其次介绍了铣削加工表面形貌特征的研究现状,给出了基于加工过程理论建模与仿真,实验分析以及智能算法对表面粗糙度的预测方法;再次介绍了基于铣削加工表面层物理力学性能的研究现状,针对表面残余应力、显微硬度以及微观结构等表面层物理力学性能评价指标,给出了实验分析和建模预测与控制方法;最后在分析当前存在问题的基础上,提出了数据驱动的铣削加工表面三维形貌预测方法和数据驱动的铣削加工表面残余应力预测方法的研究思路,有助于进一步开展铣削加工表面完整性研究。     

模型重构的误差探究

随着反求工程的不断发展,逆向工程软件能够重构磨损零件的表面形貌,使之与原始设计的CAD模型进行三维比较,能够获得零件磨损量.根据磨损零件表面形貌的实验数据,建立预测零件表面形貌变化的磨损模型.为了能准确、清晰、直观地再现零件的磨损量,从磨损模型的数字化入手,针对误差做了深入探究.     

零件表面混合维建模理论、方法及其在产品装配质量预测中的应用

正零件表面的质量是产品性能分析与预测中不可或缺的重要因素,其几何形貌特征极大地影响了产品和零件的各种性能指标。在产品的设计和制造阶段,根据实际零件表面的局部测量数据评定其表面特征参数,模拟出该零件的表面形貌,体现真实零件的表面微观结构的特点和表面几何结构参数,分析并获得零件表面形貌对产品工作效能的影响规律,对提高零部件装配质量和产品性能具有重要的理论价值和现实意义。本文在对零件表面形貌建模及应用相关技术研究现状进行总结和分析的     

CO2气体保护焊的焊缝形貌建模及虚拟化仿真系统开发

建立了CO₂气体保护焊工艺参数与焊缝几何尺寸(熔宽、熔深)之间的多层感知机神经网络预测模型,并基于焊接试验数据训练模型,确定了模型的数学解析式;通过分析焊缝截面和表面形貌特征,建立焊缝形貌的虚拟化仿真模型;通过python编程开发了焊缝形貌预测与虚拟化仿真系统。结果表明：所建立的多层感知机神经网络预测模型对熔宽预测的最大偏差为0.097 mm,模型拟合优度为0.999 269,对熔深预测的最大偏差为0.051 mm,模型拟合优度为0.999 567;建立了以焊缝熔深和熔宽为输入变量的焊缝截面形貌数学模型和以焊缝熔宽为输入变量的表面形貌数学模型。     

零件真实粗糙表面构建及微观接触性能分析

目前对于微观粗糙表面模型的构建主要采用统计数学方法和分形方法,建模的前提基于大量假设和简化,不能真实反映表面形貌特征。因此提出了采用三维数字化测量与逆向工程相结合建立零件真实粗糙表面的方法,并分析微观接触性能。利用三维形貌测量仪测量得到真实粗糙表面形貌数据,并经过数据精简、去噪处理,采用逆向建模方法得到真实粗糙表面的三维实体模型;应用有限元分析技术,分析粗糙表面接触性能,包括结合面接触应力随载荷变化规律、不同加工方式零件界面真实接触面积变化规律,以及结合面受力-变形关系等。该方法有利于揭示零件微观界面接触机理,为进一步研究宏微观接触性能提供了方法参考。     

基于LTSA的芯片固化温度场时空建模方法

芯片固化热过程是典型的非线性分布参数系统,针对其无限维、时空耦合的特性,提出一种数据建模方法—基于局部切空间排列(LTSA)的时空建模方法。首先使用非线性方法LTSA对炉温系统进行维数约减,得到能够表征系统非线性特征的空间基函数,然后利用时空分离得到低阶时间系数并使用径向基神经网络(RBFNN)拟合,通过时空合成,得到全局的时空温度分布。利用dSPACE实时采集与控制平台对实验室固化炉进行实验验证,结果表明,该模型能够准确预测温度数据,相较于传统的KL时空模型精度更高,对工业热过程的准确建模与实时控制有较好的推广应用价值。     

基于切削振动的铣削表面形貌仿真与试验研究

零件的表面形貌是机械加工质量的重要组成部分,为了实现对精密铣削表面形貌的准确预测,在铣削工艺过程中提出了一种基于切削振动小波包分析和频谱分析的表面形貌仿真方法.首先以球头铣刀为研究对象,建立工件坐标系下切削刃随时间变化的运动轨迹模型,然后把实测振动信号通过小波包分析和频谱分析处理后得到的振动方程带入其中,最后利用Mat...     

基于剪切波的三维零件表面滤波方法

滤波是零件表面形貌评定的重要内容之一。随着三维表面测量技术的快速发展,传统的滤波方法已不太能适应三维表面的分析与评定,鉴于此,提出了基于剪切波的零件表面三维滤波方法。该方法以高清测量得到的三维表面数据为输入,使用一种新的多尺度几何分析工具—剪切波(Shearlets)进行滤波。对该方法进行仿真和实例验证,并与ISO 11562规定的高斯滤波器进行比较分析。结果表明,剪切波滤波能很好地将不同的表面成分分离开来。     

基于小波的零件表面微观形貌多尺度重构

采用激光测量仪对车削机加工零件表面进行测量,获得零件亚纳米级的微观形貌数据,利用小波分析分时分频精细表达以及多分辨率分析的特点,建立粗糙表面多尺度重构模型,对基于真实测量数据的微观表面进行宏微观重构,并提出在不同尺度上提取粗糙表面的微凸体以精简数据的方法,从而实现在MATLAB和Pro/E中的微观表面建模仿真。提取的低频成分为零件表面二维和三维评定提供了基准,不同尺度上微观粗糙表面的重构为在不同精密等级上分析机加工工艺对零件表面粗糙度的影响提供了方法,Pro/E中重构的表面为有限元分析零件宏微观几何形貌与摩擦、润滑和密封的关联机制提供了几何模型。     

基于时空局部学习的集成自适应软测量方法

集成软测量方法已被广泛应用于流程工业关键质量参数实时估计。但是,常规集成建模方法在基模型构建过程中往往局限于挖掘样本之间的空间关系,忽略了样本间的时序关系,从而导致过程局部状态挖掘不充分、基模型间多样性不足等问题。其次,传统软测量方法由于缺乏自适应机制而无法有效处理过程时变特征,从而导致模型性能发生退化。为此,提出一种基于时空局部学习(STLL)的集成自适应软测量方法。该方法首先通过移动窗口、即时学习技术分别挖掘样本间的时序关系和空间关系,并采用统计假设检验实现冗余状态剔除,进而构建多样性的时空局部高斯混合回归(GMR)模型。然后,基于在线选择性集成策略实现局部预测结果的自适应融合。此外,引入双重自适应机制以缓解模型性能退化问题。实验结果显示,相较于非自适应全局GMR模型、时间局部学习集成GMR模型、空间局部学习集成GMR模型,所提方法在金霉素发酵过程中的预测精度分别提升了70.3%,14.9%,27.8%;在脱丁烷塔过程中,分别提升了31.9%,21.2%,19.3%。     

基于灰关联神经网络的铣削表面粗糙度预测

不同的铣削加工工艺参数会影响加工表面形貌和表面粗糙度。考虑灰关联分析与神经网络法的各自优点,提出了一种新的基于灰关联神经网络模型进行表面粗糙度预测的模型。首先利用灰关联分析,将各因子与预测目标作关联性的排序,且把不必要的因子剔除,接着进行神经网络的训练及预测。将所提的预测模型运用到铣削加工的表面粗糙度预测中,构建出表面粗糙度预测系统,最后采用两样本T分配假设检验,以此验证该预测系统的有效性与可行性。     

基于机器学习的回流焊焊点形貌预测

提出一种基于机器学习预测回流焊焊点形貌的方法,通过该方法建立一个针对钽电容回流焊焊点形貌的预测模型,该模型为现有实验方式提供了新的思路。通过峰值温度、降温速率和焊膏厚度3种影响因素以及焊点厚度、焊点宽度和焊料爬高3种评价焊点形貌的评价标准,分别基于BPNN和LightGBM算法建立钽电容回流焊焊点形貌预测模型。对比实验证明,通过LightGBM算法建立的预测模型优于通过BPNN建立的预测模型,并通过实际测试帮助实验人员减少实验次数,节约大量时间成本。     

基于小波去噪和LSTM模型的短时交通流预测

针对现有的部分交通流预测模型仅面向单一路段进行,模型输入数据未预处理的问题,采用启发式阈值算法对小波分解后的原始交通流数据进行去噪处理,通过对路网内各路段交通流数据相关性系数计算,构造出路网交通流数据压缩矩阵。数据去噪将数据对模型的干扰降到最低,同时路网数据相关性分析又使预测在路网层面上进行了考量。利用长短时记忆(LSTM)网络在时序数据处理方面的优势,将压缩矩阵输入构造好的LSTM模型进行短时交通流预测。利用去噪处理数据和原始数据分别训练LSTM-1和LSTM-2模型,通过仿真实验,设置不同预测时间将本文提出的预测方法和其他4种模型对比,验证了相较于其他4种模型预测的准确率平均可提升10.278%,预测的准确率达到了95.58%,说明这是一种高效率的短时交通流预测方法。     

A three-dimensional surface measurement system implemented with Gaussian process based adaptive sampling

Self-adaptive surface measurements that can reduce data redundancy and improve time efficiency are in high demand in many fields of science and technology. For this purpose, a system implemented with Gaussian process (GP) adaptive sampling is developed. The non-parametric GP model is applied to reconstruct the topography and guide the subsequent sampling position, which is determined from the inference uncertainty estimation. A criterion is proposed to terminate the GP adaptive measurement automatically without any prior model or data of the topography. Experiments on typical surfaces validate the intelligence, adaptability, and high accuracy of the GP method along with the stabilization of the automatic iteration termination. Compared with traditional raster sampling, data redundancy is reduced and the time efficiency is improved without sacrificing the surface reconstruction accuracy. The proposed method can be implemented in other systems with similar measurement principles, thus benefitting surface characterizations.     

基于多头注意力的CNN-LSTM的换道意图预测

自动驾驶车辆与传统车辆混行的交通环境中,车辆的换道意图预测能够为自动驾驶车辆安全行驶提供有效保证。为了更准确地预测车辆的换道意图,将多头注意力与卷积神经网络(Convolution neural network,CNN)和长短时记忆(Long-short term memory,LSTM)网络结合,提出一种新型车辆换道意图预测算法。首先对NGSIM(Next generation Simulaion)数据集进行处理,提取车辆横向位置信息和周围环境信息。然后输入基于多头注意力(Multi-headattention)的CNN-LSTM模型,提高对输入序列特征的提取能力和预测精度。最后在NGSIM数据集验证该模型的有效性。试验结果表明,该模型能够从大量数据中提取到重要特征,同时通过特征对比试验发现,横向位置信息作为预测的主要特征,而周围环境信息作为预测的辅助特征。最后通过模型的对比试验得出,该模型的换道意图预测准确率在换道前1s、2s、3s相比于LSTM、CNN、CNN-LSTM模型具有更好的预测精度,可以为自动驾驶汽车设计先进的意图预测算法提供帮助和参考。     

微球表面形貌检测中的偏心误差分析与修正

由于使用传统的误差修正方法进行微球形貌检测会有过大的残差,本文提出了一种新的偏心误差修正方法来提高微球表面形貌检测的精度和效率。在分析了横向偏心和轴向偏心引入光程差数学模型的基础上,推导了偏心误差的高阶近似模型,提出了小曲率半径下基于Zernike多项式拟合的偏心误差修正方法,并给出误差修正的流程及相关参数的标定方法。通过对2mm直径的微球的表面形貌检测验证了所提出误差修正方法的可行性和有效性。结果表明:相对于零条纹时的形貌误差基准,采用本文提出的方法修正后的残余形貌误差峰谷(PV)值为0.081 5λ,均方根(RMS)值为0.016 1λ,比传统方法修正效果更好,能够满足高精度微球形貌检测的需求。     

锂离子电池循环寿命的融合预测方法

针对传统基于粒子滤波的锂离子电池剩余使用寿命预测方法的不足:过度依赖电池经验退化模型和模型输入变量单一的问题,提出了一种相关向量机、粒子滤波和自回归模型融合的锂离子电池剩余寿命预测的方法。通过相关向量机提取电池历史数据的退化趋势,构建趋势方程替换以往的电池经验退化模型,作为粒子滤波算法的状态转换方程。引入自回归模型的长期趋势预测值,替换观测值构建粒子滤波算法的观测方程。将3种方法相融合估计电池剩余寿命。实验结果表明:融合方法不仅预测精度高而且采用数据驱动的方法避免了构建复杂的电池机理退化模型,通用性强。     

轴向超声辅助端面磨削金属表面形貌及粗糙度预测

轴向超声辅助端面磨削被广泛应用于难加工材料加工,而磨削后的表面粗糙度对构件摩擦、疲劳等服役性能有重要影响。超声振幅的大小对轴向超声辅助端面磨削金属表面形貌和粗糙度有较大影响,但是现有模型中并未考虑实际加载对振幅的影响,因此提出了一种考虑加载状态下振幅变化的轴向超声辅助端面磨削金属表面形貌及粗糙度预测方法。根据砂轮粒度及尺寸建立了考虑磨粒随机分布的砂轮端面模型,并对轴向超声辅助端面磨削磨粒的三维磨削轨迹进行了数学描述,生成了加工后的表面三维数据矩阵并对表面粗糙数值进行了计算。在此基础上,研究了粗糙度随振幅的变化规律,提出了振幅衰减形貌映射系数这一概念,并给出了其标定方法。通过振幅衰减形貌映射系数近似计算出加载状态下的振幅并代入到所建立的轴向超声辅助端面磨削表面形貌及粗糙度预测模型中,实现了金属表面形貌模拟及粗糙度预测。最后,通过试验对所建模型的正确性进行了验证。