基于电信号特征分析的电机故障诊断技术

介绍了电机故障诊断技术平台的组成,分析了电机常见故障下电信号的特征。利用宜昌和景洪工厂两台电机进行了实际对比测试,宜昌工厂电机定子电流特征频率在49.2Hz时表现出峰值-36.08dB,在50.8Hz时表现峰值则为-37.23dB,表明电机存在转子断条故障;景洪工厂电机在转子特征频率为113.51Hz时,出现峰值-58.47dB,表明电机存在静态偏心故障。经电机现场抽芯检查,验证了电机故障快速诊断平台给出的电机健康状态评估结果,证实了基于电信号特征分析的电机故障诊断技术的准确性。     

基于Massive MIMO及频谱叠加的5G SA网络上行优化方法

大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)可以有效提升5G SA网络的上行链路数据传输速率以及可靠性。针对5G SA网络上行链路速率和覆盖不均衡的情况,提出了基于大规模MIMO的分组算法,将发送信号矢量进行分组,组内采用最大似然检测,组外采用基于正交三角分解(QR分解)的干扰消除检测,并且结合5G频谱的叠加策略,在降低算法复杂度的同时,有效提升网络覆盖和速率。通过5G SA现网实测,通过MIMO降低分组数量能够提升分组检测性能,结合上行低频段频谱叠加策略能够有效提升5G SA网络上行覆盖30%,提升5G SA网络上行平均速率40%~80%,特别是弱覆盖边缘的网络速率,最高可达600%。     

曲边平面砖的点阵原理与工程设计

根据点阵理论,提出一类边缘可为任意曲线的平面砖,其可无缝铺设无限大平面.基础平面砖TE可顺特定两轴方向平移铺排;多重平面砖TN、TNX和TNX/2须多重拼合成TE后再平移铺排.所有TE必基于平面点阵的基形P(平行四或六边形).P的变形通过"等盈亏"(EGL)操作实现,得到多种EGLP.由P或一些EGLP按"过轴心N分割"规则形成的N个同形状的凸角x边形(x=3,4,5,6)可作为TN的基形G.以上也可分割出等边多边形和半等边多边形以作为TNX和TNX/2的基形.所有基形的曲线化均可通过相应的EGL操作实现.由此人们可任意设计出各种形状的T以赋予其不同拼合性能、艺术风格和对称性.     

纸质简谱图像的分割、倾斜校正及音符歌词提取

乐谱图像的自动分割、倾斜校正是乐谱识别过程中的关键技术,各种计算机光学乐谱识别技术在乐谱图像的数字化中有着广泛的应用,但对于乐谱中简谱的识别一直鲜有研究.本文针对人工拍摄条件下光照不理想的简谱图像,提出一种基于PCNN(脉冲耦合神经网络)和DNN(深度神经网络)相结合的分块简谱图像自动分割算法,该方法根据简谱图像灰度分布特征对图像进行自适应分块处理,依据每个分块的灰度特征与PCNN最佳迭代次数之间的关系构造合适的DNN神经网络,从而实现了最优分割图的自适应选取;进一步利用最优分割图像中音符小节线的水平投影,提出一种双尺度下降法实现了简谱图像的倾斜校正;提出去边垂直投影法和连通域距离判断法实现了简谱图像中音符及歌词的提取.实验仿真结果表明:本文算法对复杂光照条件下的简谱图像处理都具有较好的鲁棒性,同时表现出更高的效率.     

激光在线测厚振动分析与精度优化

激光测厚具有安全可靠、测量精度高、测量范围大等优点,广泛应用于纸张、电池极片等薄膜类材料厚度的在线测量。带材宽幅方向扫描测厚时由于扫描架往复运动会产生机械振动,影响在线测厚精度。针对该问题,以锂离子电池极片厚度测量为例,使用双激光差动式测厚平台对电池极片和铜箔分别进行厚度测量,然后对测厚数据进行频谱分析,探究其振动规律的相似性,并基于频谱分析结果采用滑动带阻滤波方式对测厚数据进行处理,滤波后极片和铜箔的厚度极差分别降低了33.4%和73.8%,有效过滤了机械振动导致的测量误差,可满足极片和铜箔厚度测量的精度要求。     

面向心脏MRI分割的半监督空间一致性约束网络

精准分割心脏磁共振图像(MRI)分割对于心脏功能分析至关重要.当前基于数据驱动的神经网络模型极大地促进了心脏MRI分割的发展,然而对标注数据的依赖极大地限制了神经网络模型在心脏MRI分割领域的应用.为了降低神经网络模型对于标注数据的依赖,提出一种基于无监督空间一致性约束的半监督心脏MRI分割方法,在少量有标注数据的监督学习基础上,利用无标签数据在模型输入端和输出端分别进行空间变换后前后一致的特性,构建对于无标注数据的空间一致性约束.使用ACDC 2017心脏多组织分割数据集评估了所提出的方法,实验结果表明,相对于有监督学习,通过无监督数据的空间一致性约束能够显著提升模型的泛化能力;此外,相对于其他state-of-the-art的半监督方法,文中方法也拥有更优的泛化性能.     

结合注意力的3D卷积网络脑胶质瘤分割算法

为了提升脑胶质瘤分割精度，提出一种结合注意力机制的3D卷积神经网络算法。输入3个不同尺度的图像块，经过9个卷积层和1个分类层后得到3个不同的分类结果，将分类结果与注意力学习到的权重相乘并逐体素相加得到输出。此外该算法采用了一种混合Dice损失函数与Focal损失函数的超参数损失函数。实验表明，该算法的Dice系数在整体区域、核心区域以及增强区域分别达到了95.31%、80.12%、82.25%。与已有的一种脑胶质瘤分割算法deepmedic相比，整体区域、核心区域以及增强区域的Dice系数分别提升了3%、2%、6%。在脑胶质瘤分割方面，具有重要的临床意义。