回转窑动态检测及托轮磨削的应用

我公司3#回转窑Φ4.8 m×74 m，三档支撑，带液压挡轮，斜度4％，设计产量5?000~6?000 t/d。回转窑运行过程中，筒体存在晃动现象，在窑尾密封处观察较为明显，晃动幅度约±20 mm，甚至导致三档托轮基础及周围栏杆也随之晃动。     

基于多维异构特征与反馈感知调度的SDN内生安全控制平面

为弥补现有研究在软件定义网络(Software-Defined Networking,SDN)控制平面未知漏洞防御方面的空白,本文提出了一种基于多维异构特征与反馈感知调度的内生安全控制平面的设计方案.该方案以"冗余、异构和动态"为切入点,通过组合执行体冗余集构建策略、多维异构元素着色策略和动态反馈感知调度策略,有效增加SDN控制平面对攻击者所呈现的执行体时空不确定性(逆转攻防不对称性).相关仿真结果表明该方案可以收敛全局执行体数目、增加执行体之间的多维异构度并降低系统全局失效率.     

基于稠密变形场能量优化的非刚性在线体积重建方法

针对动态非刚性在线重建存在的重建漂移问题,提出了一种基于单个RGB-D传感器的稠密变形场在线融合策略,实现了对非刚性几何形状的动态重建.通过局部平滑和输入约束处理,将空间的最优变形转换为非线性正则变分优化问题,并使用数据并行闪存优化策略,以摄像机捕获速率,实现对非刚性场景的在线跟踪重建.通过实验表明,本文方法实现了对非刚性场景的鲁棒跟踪,减少了在线重建过程中的漂移现象,适用于快速运动和缺乏几何特征的场景重建.     

动态限星算法对RTK定位的耗时改进

差分卫导实时动态定位(RTK)依靠 Kalman 滤波功能的实现，当滤波器阶数过高时，会带来计算量的激增，这就会影响定位的耗时。当运算平台能力有限却需要较低的计算时间耗时，动态限星算法能够有效地将 RTK 的计算耗时降低至合适的耗时需求。运动平台实测结果表明，动态限星算法优化后的 RTK 定位耗时较优化前减少了 50%。     

工艺参数对动态流量控制法挤压弯管应力的影响

采用有限元模拟和实验研究了挤压钛合金弯曲管件。通过实验验证了工件的形状和尺寸精度,并通过有限元模拟分析了工艺参数对挤出过程中变形体的平均压应力分布情况和挤出弯管件的曲率半径的影响规律。结果表明:有限元模拟中,弯管件的曲率半径误差为6.03%,弯管直径误差为3.82%;在靠近定径带处,平均压应力呈非均匀分布;在焊合腔内,靠近细分流孔区域的平均压应力小于靠近粗分流孔区域的平均压应力,平均压应力的大小顺序在通过粗、细分流孔前后相反;在模具结构固定不变时,弯管件的曲率半径随挤压速度的减小而增大,不随挤压温度的变化而变化。     

梯度铝蜂窝夹芯板的力学行为

梯度分层铝合金蜂窝板是一种有效的吸能结构,本工作在梯度铝蜂窝结构的基础上根据梯度率的概念,通过改变蜂窝芯层的胞壁长度,设计了4种质量相同、梯度率不同的铝蜂窝夹芯结构。通过准静态压缩实验,并结合非线性有限元模拟准静态及冲击态下梯度铝蜂窝夹芯结构的变形情况及其力学性能,分析对比了相同质量下梯度铝蜂窝夹芯结构在准静态下的变形模式以及冲击载荷下分层均质蜂窝结构和不同梯度率的分层梯度蜂窝结构的动态响应和能量吸收特性。结果表明:在准静态压缩过程中,铝蜂窝梯度夹芯板的变形具有明显的局部化特征,蜂窝芯的变形为低密度优先变形直至密实,层级之间的密实化应变差随芯层密度的增大而逐渐减小;在高速冲击下,梯度蜂窝板并非严格按照准静态过程中逐级变形直至密实,而是在锤头冲击惯性及芯层密度的相互作用下整体发生的线弹性变形、弹性屈曲、塑性坍塌及密实化;另外,在本工作所设计的梯度率中,当梯度率为γ₁=0.0276时,梯度蜂窝夹芯板的吸能性达到最好,相较于同等质量下的均质蜂窝夹芯板,能量吸收提高了10.63%。     

多特征检测人形识别安防摄像机设计

针对高准确率和快速跟踪摄像功能的需求,基于机器视觉设计了人形识别安防摄像机。首先,确定了整体工作方案;其次,提出一种多特征组合人形识别方法,通过训练3个分类器,分别识别人形正身、侧身和背身,并采用haar特征+adaboost算法实现人形识别和定位功能,再利用PID算法控制步进电机和舵机实现人形跟踪;最后,开发了安卓手机端APP。测试结果表明:多特征组合识别方法能够快速识别人形目标,帧率不低于20Hz;与单特征人形识别方法相比,识别准确率提高27.3%;人形目标追踪时间不超过1.7s;摄像机能够流畅实现WiFi控制、无线监视和录像下载等功能。     

采煤机滚筒速度对采煤机动态响应的影响分析

针对采煤机滚筒进行煤岩的截割过程中,容易引起振动作用,不利于采煤机稳定工作的问题,基于滚筒的进给速度及旋转速度,建立滚筒与煤岩的动力学模型,分析不同的进给速度及旋转速度对采煤机动态响应的影响,为选择合理的参数提供依据.     

基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性.