基于机器视觉的机车齿轮毂全自动双轴拧紧机的设计和应用

设计了基于机器视觉的机车齿轮毂全自动双轴拧紧机,根据拧紧工艺和扭矩控制原理实现对螺栓拧紧力矩的控制;通过丝杠变径机构,实现不同规格齿轮毂螺栓拧紧;利用机器视觉实现螺栓位置的识别以及初始位置的确定;讨论了自动拧紧机控制系统的硬件组成和软件系统配置,并介绍了防错、防漏功能的设计流程。螺栓自动拧紧机可提高装配精度和操作效率,降低工人的劳动强度。     

一种成本有效的面向超参数优化的工作流执行优化方法

随着云计算技术的成熟,越来越多的数据分析任务被放在云计算平台中处理。而面向数据分析应用的机器学习算法的超参数优化是一个非常耗时且耗费资源的过程。超参数优化执行的成本开销是用户关注的一个重要因素之一。目前,针对超参数优化的研究大部分以学习模型性能为目标,考虑成本开销的研究工作较少。由此研究了基于当前的超参数优化方法,在不改变学习模型性能(如准确率、查准率、召回率等)的基础上,使得超参数优化执行尽可能快的同时成本开销尽可能低。首先,生成一个包含多个并行分支的超参数优化工作流,每个分支上的所有任务都运行在同一台服务器上。然后通过有色装箱算法来决策这些分支所包含的任务。实验结果表明所提算法可以在保证执行时间的前提下减少成本开销。     

特种重型车辆惯性参数测量方法仿真分析

针对目前特种重型车辆惯性参数测量方法的不足,提出了一种运用俯仰-侧倾二自由度倾斜的方法来实现其惯性参数的测量。基于力、力矩平衡和多体动力学方程,建立了惯性参数测量数学模型,利用递推最小二乘法完成了质心和惯性矩及惯性积的辨识。通过仿真得到测量动平台角速度、角加速度和驱动器受力曲线,通过理论值与仿真值对比验证了该理论模型的可靠性。为特种重型车辆惯性参数的测量方法提供了重要的参考价值。     

汽车引擎盖外板拉延成形工艺参数优化研究

针对汽车引擎盖外板拉延成形容易产生起皱、破裂、拉延不充分等缺陷的问题,对影响引擎盖外板成形质量的工艺参数进行了研究。运用单因素变量法,研究了压边力、凸凹模间隙、摩擦因数、拉延筋高度、冲压速度对引擎盖外板拉延成形的影响;提出了一种基于正交试验法和极差分析法,以最大减薄率为优化目标,获得了最优工艺参数组合,确定了各因素对引擎盖外板最大减薄率影响主次顺序的优化方法,并对试验结果进行了方差分析,得出了影响最大减薄率的显著因素;应用优化后的工艺参数进行了模拟仿真,获得了良好的拉延成形效果。研究结果表明:使用最优工艺参数组合进行试模,获得的引擎盖外板最大减薄率为19.585%,最大增厚率为1.047%,成形质量较好;应用基于正交试验法的数值模拟技术能够提高引擎盖外板成形质量,减少试模次数、缩短生产周期、降低生产成本。     

基于灰色关联度的微孔端面机械密封开启力共性影响参数分析

目前微孔端面机械密封采用的几何参数繁多,缺乏明确物理意义。为找出跨孔型的共性几何参数,基于Fluent多相流空化模型,针对矩形孔、菱形孔、椭圆孔端面机械密封,建立密封间隙流体的三维数值计算模型,计算得到144条开启力数据;在分析开启力和几何尺寸之间的关系、额外开启力产生机制的基础上,提出等效长度和等效宽度2个具有物理意义的几何参数;采用灰色关联度分析法,分析和验证等效长度、等效宽度、方向角、面积比对开启力的影响,发现4个因素对3种微孔密封的间隙流体开启力都有影响,但等效长度与等效宽度的影响较方向角、面积比大。     

LTE室分高倒流小区解决方案的研究

LTE室分高倒流直接影响室内4G用户的感知，同时较大程度拉低LTE网络驻留率指标。由于室内无线环境的封闭性，室分小区之间的覆盖独立性，仅仅通过参数调整的手段达到降低高倒流的效果非常不明显，因此本文针对目前影响室内用户感知的高倒流问题，从高倒流小区的标准出发，对室分高倒流小区的发现手段，产生原因及解决方案进行详尽地阐述，并针对各类型的高倒流情形提出解决方法，最终提供读者发现、分析及解决室分高倒流小区的有效方案，从而作为研究方法提供给LTE室内小区高倒流问题解决的指导意见     

风速时间序列混沌判定方法比较研究

混沌识别是对非线性时间序列进行混沌预测的前提。针对时间序列风速确定性与随机性相结合的复杂非线性特征,研究了不同的混沌识别方法,并对风速时间序列进行混沌特征识别。应用随机噪声、周期运动及经典混沌系统的时间序列对所选方法进行可靠性验证。对美国国家风能研究中心M2测风塔实测时间序列风速数据进行非线性混沌特征识别。结果表明:风速时间序列具有明显的混沌特征;各风速时间序列表现出不同程度的混沌特征;各混沌识别方法对风速时间序列混沌特征的表达形式不同,互为补充,相互验证。     

小尺度交通信号灯的检测与状态识别

交通信号灯识别包括检测和状态识别，在智能交通系统中发挥重要作用。基于YOLOv3算法提出了一种交通信号灯检测与状态识别模型。针对交通信号灯相较于交通场景中其他目标具有尺度小的特性进行了算法的设计：降低骨干网络的下采样倍率以增加小尺度目标的特征描述能力；通过增大特征图的尺度来改进多尺度特征融合；引入广义交并比作为检测任务的损失函数来改进目标边界框的回归效果。同时，根据交通信号灯本身的特性，使用颜色和形状约束的方法对信号灯进行状态识别和类别验证。最后在公开的Bosch交通信号灯数据集上和实际的城区道路进行了实验验证。实验结果表明，所提出的算法能够提升交通信号灯识别的精度和召回率，识别准确率可以达到90%左右。