基于深度学习的涡流热成像技术在无损检测中的应用

设计实现了一套涡流热成像无损检测系统,对试件进行涡流加热,使用热像仪进行探测,以热图像的形式展示试件温度变化情况来表征试件的损伤特征,并使用基于深度学习网络的智能识别方法诊断试件的损伤程度。该无损探伤方法使用卷积神经网络逐层挖掘可疑缺陷区域的本质特征。实验结果表明:该系统对金属板材试件损伤程度识别的准确率能达到97.3%,证明该系统具有较高的准确率和较好的适应性。     

基于Lorenz系统切换混沌同步的保密通讯

该文提出利用Lorenz系统切换混沌同步实施保密通讯的方法。构建了有一定关联的两个Lorenz混沌系统,并通过选择器在系统间随机切换;用同一种控制方法既能实现不同Lorenz系统的混沌同步,又能实现相同Lorenz系统的混沌同步;发送系统可以在Lorenz混沌系统间随机转换,传输信道中混沌调制信号也随之不断变化;接收系统将混沌调制信号解调后,即可获取有用信号。由于发送系统的可选择性,导致保密信号的多样性和随机性,因此该保密通讯方法具有更好的保密性能。     

改进SVD算法的转子系统轴心轨迹快速提纯研究EI北大核心CSCD

为实现转子系统轴心轨迹的快速提纯,提出一种改进的奇异值分解(improved singular value decomposition,ISVD)算法。首先,构建一种奇异值差异比(singular value difference ratio,SVDR)的评判指标来确定矩阵行数,对Hankel矩阵的结构进行优化;其次,利用奇异值与频率的数量关系筛选有效分量,对有效分量进行重构得到特征信号;然后,将降噪提纯后的特征信号合成轴心轨迹,实现轴心轨迹的提纯;最后,利用仿真和实测信号对所提方法进行分析。试验结果表明,与最大维数法相比,在SVDR确定的矩阵结构下,奇异值分解的降噪性能保持不变,但分解的时间缩短了90.18%,提高了计算效率。     

基于改进相对样本熵和BIGRU的滚动轴承退化分析北大核心

针对标准样本熵在表征轴承性能退化趋势中出现的随机波动明显和预测模型准确性低的问题,提出了以改进相对样本熵(RSE)作为性能退化指标,并利用双向门控循环神经网络(BIGRU)对轴承退化趋势预测的方法。首先,针对标准样本熵中切比雪夫距离只考虑状态向量之间的最大元素差异的问题,提出了通过组合绝对值、最大值、最小值来识别状态向量间元素差异范围;其次,再对样本熵求均值得到改进后的RSE;最后,将改进RSE作为性能退化指标输入到BIGRU中完成轴承退化趋势预测。实验结果表明,所提出的改进RSE健康指标很好地克服了轴承退化过程中的随机波动现象,具有更好的单调趋势;且与LSTM、GRU预测模型相比,BIGRU有着更高的预测准确性。