煤矿综采工作面“三机”联动控制策略研究

随着技术的发展,煤矿对综采工作面开采效率要求越来越高,应运而生的自动化工作面正快速发展,在研究实现自动化综采工作面的同时,面临诸多问题。其中综采工作面"三机"联动控制就是其中一个关键问题,研究了煤矿综采工作面的双滚筒采煤方式,液压支架的移架方式,"三机"联动控制过程中采煤机、液压支架、刮板输送机控制要求。     

JPEG2000实时截断码率控制新算法及其VLSI结构设计

提出一种实时编码实时截断的码率控制算法.它根据已分解的小波子带内码块有效位平面数来预测未分解的小波子带内码块有效位平面数,并根据编码通道数和小波/量化权系数为当前编码码块分配码率.并提出一种JPEG2000编码实时截断,两级码率控制的编码体系结构.第一级采用本文提出的算法实时截断码流和编码通道.第二级在低码率下采用JPEG2000标准的PCRD优化算法搜索精确的分层截断点.在最优分层截断之前多数码流和编码通道被预先截断,存储器损耗小,实时性高.低码率下,图像质量跟JPEG2000标准一致.     

基于ZigBee技术的智能限电控制系统设计与实现

针对集体宿舍限制使用大功率恶性负载、限电管理等问题,从安全用电、智能管理等角度,提出了一种基于无线网络控制的智能限电控制系统方案。该系统以CC2530射频芯片、互感器等组成限电控制节点,以STM32F103处理器、ENC28J60以太网控制芯片等组成ZigBee无线网关;通过无线网络和互联网,上传违章用电用户ID或下传恢复上电指令,实现限电控制的智能管理。该系统具有低功耗、易组网、稳定性好等优点,可广泛应用于学生公寓、工厂宿舍等电房。     

“数字电视与数字视频”课程的教学改革探索

随着数字视频与数字家庭的发展,数字电视被赋予新的含义和内容.为了适应现代工业和技术发展的需求,我院开设了"数字电视与数字视频"课程,并将前沿科学技术和工程技术添加到该课程中.本文对工程实践、科学研究和教学实践中所遇到的问题作了认真的分析与研究,探索新的数字电视与数字视频教学大纲及教学考核方式,以适应学科发展和培养学生的需求.     

SQL Server连接中常见错误原因分析

本文将SQL SERVER运用中常见的几种连接错误现象进行了逐一分析，并相应采取了解决方案。     

大型天然气球罐的组装工艺

介绍1000m^3天然气球罐无中心柱的组装方法，实践证明该方法作业时间短、应力小，是现阶段比较理想的大型球罐施工工艺。     

基于运动方向预测的快速运动估计算法

利用序列图像的相邻块运动矢量的高度相关性和运动矢量的中心偏移特性,提出一种基于运动方向预测的快速运动估计算法。设计4种方向性模板,根据参考运动矢量预测出图像块的运动情况,根据不同的运动方向选择对应的方向性模板进行搜索。实验结果表明,该算法在速度和准确性方面都优于传统的快速运动估计算法。     

基于深度学习的纹理布匹瑕疵检测方法

布匹瑕疵检测是纺织工业中产品质量评估的关键环节,实现快速、准确、高效的布匹瑕疵检测对于提升纺织工业的产能具有重要意义.在实际布匹生产过程中,布匹瑕疵在形状、大小及数量分布上存在不平衡问题,且纹理布匹复杂的纹理信息会掩盖瑕疵的特征,加大布匹瑕疵检测难度.本文提出基于深度卷积神经网络的分类不平衡纹理布匹瑕疵检测方法(Detecting defects in imbalanced texture fabric based on deep convolutional neural network, ITF-DCNN),首先建立一种基于通道叠加的ResNet50卷积神经网络模型(ResNet50+)对布匹瑕疵特征进行优化提取;其次提出一种冗余特征过滤的特征金字塔网络(Filter-feature pyramid network, F-FPN)对特征图中的背景特征进行过滤,增强其中瑕疵特征的语义信息;最后构造针对瑕疵数量进行加权的MFL (Multi focal loss)损失函数,减轻数据集不平衡对模型的影响,降低模型对于少数类瑕疵的不敏感性.通过实验对比,提出的方法能有效提升布匹瑕疵检测的准确...     

基于宽度学习的注塑产品质量预测方法

在注塑成型工业中,产品质量自动监测一直是注塑工业智能化发展的核心问题。高品质和大规模的产品质量数据采集成本高昂,导致数据样本量少、不同类别样本数据不平衡,为注塑产品质量预测提出了更高的挑战。为此,该文提出一种基于宽度学习方法的注塑产品质量预测模型,以产品的3维尺寸为预测目标,在普通的宽度学习系统(BLS)中加入最小p范数来改进得到模型p范数宽度学习系统(pN-BLS),解决小样本和不平衡数据的问题,提高模型对离群点的检测性能。在第4届工业大数据竞赛任务2《注塑成型工艺的虚拟量测和调机优化》数据集中,将192个参数特征与预测目标进行相关分析,提取相关性高的基础特征17个,衍生特征4个和调机参数2个作为模型的输入。将16600条数据平均分为训练集和测试集各8300条,与支持向量机 (SVM)、最近邻算法 (KNN)、多层感知机 (MLP)和BLS进行对比实验,实验结果显示pN-BLS具有更快速和更准确的预测效果。在实际缺陷检测应用中,pN-BLS能更准确地预测异常数据,具有更高的鲁棒性。     

基于深度神经网络的注塑过程预测控制

注塑机作为现代工业中重要的塑料件生产与制造设备,其智能化发展一直备受业界关注。伴随着航空航天、电力电子、汽车制造等行业的发展,如何实现对注塑件的高精度、高效率、绿色节能化生产,是目前注塑机的重要研制方向。本文针对注塑成型过程中采用传统模型预测控制(Model Predictive Control, MPC)难以保证跟踪控制实时性的问题,提出一种结合深度神经网络(Deep Neural Network, DNN)学习的注塑过程预测控制方法。在注塑机注射过程动力学模型基础上,创建带约束条件的模型预测控制器,对控制器运行数据进行采集并用以训练深度神经网络,实现了基于深度神经网络控制的注射速度的跟踪预测控制。仿真实验结果表明,采用本文所提出的学习预测控制策略能够有效避免注塑过程中因模型预测控制所产生的复杂计算,并满足工业实时性要求,具有应用前景。