基于互信息和MPCA的单基药塑化过程监测方法

针对现阶段单基药塑化过程缺乏可靠的渐变式故障检测和异常工况的报警及评价能力等问题,同时传统数据驱动方法难以处理过程中包含的多种线性与非线性关系混合特征,又无法突出变量间耦合相关性的差异,提出一种基于归一化互信息的多向主成分分析故障检测方法。该方法通过归一化互信息刻画过程中多维变量间的复杂耦合关系,并以此对不同维度变量之间的相关性特征进行权值修正,得到体现每个变量与其他维度变量之间耦合作用关系的数据集,并分别建立与其相应的监测模型。最后再利用贝叶斯推理将不同模型的监测结果融合成一组概率指标实现过程监测。实验结果表明了所提方法的有效性,可实现塑化过程多种故障的快速检测和异常工况的监测预警。     

一种轮腿复合型机器人的步态研究与越障性能分析

为实现地面移动机器人在复杂地形下的环境探索需求,结合轮式机器人的高速特性和足式机器人对地形适应性强的特征,提出一种轮幅型轮腿复合型机器人,并针对其在移动过程中的振动问题以及爬梯过程中的越障问题,对机器人进行步态研究及性能分析。从静力学分析中得出机器人轮腿结构以不同姿态着地时的受力情况,结合实际情况中机器人运动约束对机器人在前进、转向和越障等任务中的步态进行分析,并基于动力学仿真ADAMS软件建立动力学模型来模拟机器人不同步态下的振动情况以及越障性能。研究结果表明,结合本文提出的步态控制方法,该轮腿复合型机器人在复杂地形环境中具有较好的行进效率和越障能力。     

基体表面粗糙度对激光沉积不锈钢形貌、组织及性能的影响

目的研究基体待沉积表面粗糙度的变化对激光沉积之后沉积层质量(宏观形貌、微观组织和力学性能)的影响,从而获得形貌、组织及性能优良的沉积层。方法采用316L不锈钢粉末,在不同表面粗糙度状态下P20钢基体表面分别进行单道单层、薄壁、多道搭接及块体沉积实验,获得测试分析所需沉积层,基于OM、SEM以及拉伸试验对沉积层组织性能进行分析。结果单道单层时,相对于铣削基体表面沉积层,喷砂基体表面沉积层的熔高、熔深增加幅度达到了100%,而熔宽增加较平缓;单道薄壁时,在前5层的沉积中,喷砂基体表面沉积高度增长达到2.5mm,铣削表面沉积高度仅为前者一半,喷砂基体上沉积层内部孔隙率仅为铣削基体的31%;多道搭接时,随着粗糙度的增大,沉积层截面纵向尺寸H的内部增长范围持续变大,而横向尺寸L范围保持稳定。喷砂基体表面沉积层的σ_b为540.93 MPa,而铣削基体上的σ_b为523.12 MPa。结论随着基体表面粗糙度的增加,沉积过程中陷光效应相应增强,单道单层沉积层的宏观形貌尺寸随之增大。对于薄壁沉积,基体粗糙度对薄壁高度的影响主要集中在前5层,粗糙度的增大使得沉积高度生长加快,内部孔隙率减小。多道搭接时,粗糙度越大,熔高熔深方向的尺寸变化越大,沉积层内部枝晶更加粗大,且不均匀。沉积层内部的抗拉强度随粗糙度的增大而提升。     

激光诱导击穿光谱在冶金在线分析中的应用研究进展

化学成分在线直接测量是冶金分析长久以来的追求,也被誉为冶金分析面临的三大难题之一。激光诱导击穿光谱技术因其在无需复杂样品制备、直接快速、非接触等方面展现的独有技术优势,备受研究上的关注。文章综述了激光诱导击穿光谱在选矿、熔融金属在线检测方面的研究进展,总结了当前存在的主要问题,并对未来发展进行了展望。     

基于改进广义预测控制的PMSM速度控制

在机器人控制领域中,对永磁同步电机(PMSM)响应的快速性及稳定性要求较高,同时还需要其控制方法有较强的适应性。但传统的PID控制参数只适用于特定场合,应用受到限制。本文结合广义预测控制(GPC)理论与Luenberger观测器,形成一种新的控制方法来对PMSM进行速度闭环控制。该算法与传统GPC算法相比计算量更少,并通过负载转矩观测器对负载扰动进行测量反馈,提高了系统控制性能。仿真及试验结果表明,该算法与PID控制比超调量小,响应速度快,适用于要求较高的工程应用。     

基于激光诱导击穿光谱技术的废旧金属分类辨识

废旧金属回收是工业中金属的重要来源之一,是发展循环经济的重要内容。废旧金属产量巨大,通常表面覆盖杂质,凹凸不平,因此对分类方法的判别能力和计算速度提出较高要求。采用激光诱导击穿光谱技术研究分析了7种废旧金属分类识别问题,包括生铝、熟铝、镁、不锈钢、锌、黄铜与红铜。为了符合现场应用条件,实验中每个样本点只激发一次建立并分析了多种分类模型,包括支持向量机(SVM)分类模型,主成分分析方法结合支持向量机(PCA-SVM)分类模型,遗传算法结合支持向量机(GA-SVM)分类模型,遗传算法选择特征光谱结合主成分分析方法和支持向量机(GA-PCA-SVM)分类模型,以及遗传算法选择特征光谱结合主成分分析方法和人工神经网络(GA-PCA-BP)分类模型。通过遗传算法选取包含丰富特征的谱段组合与支持向量机方法相结合建立GA-SVM分类模型,490组验证样本分类准确率为93.47%。为了判断该模型的鲁棒性,对一批新样品,在自研的分选系统上以传送带匀速运行的方式进行测试,获取的750组光谱测试数据,分类准确率为88.27%,证明了该分类模型具有很好的移植性和应用性。     

基于域自适应的红外图像去噪算法

在红外图像去噪任务中,由于真实的红外噪声图像难以大量获取,而使深度学习算法高度依赖于人工合成噪声,无法很好地去除真实的红外噪声。本文提出一种基于域自适应的红外图像去噪算法,包括一个图像转换模块和两个图像去噪模块。首先利用图像转换模块将合成红外噪声图像和真实红外噪声图像相互转换,然后将转换后的图像和原图像作为去噪模块的训练数据,采用一致性损失函数使两个图像去噪模块产生一致的结果,最后将训练后的去噪网络框架用于红外图像去噪任务。实验表明,本文提出的算法与BM3D、DnCNN和ADNet算法相比在合成红外噪声数据集上有更高的指标数值和更好的视觉效果,在真实红外噪声数据集上有同样优秀的去噪效果。证明了该算法具有良好的泛化能力,能够在真实噪声下恢复清晰的红外图像。     

基于子空间流形的图像集识别方法

近年来,基于黎曼流形将图像集在线性子空间中进行表征的图像集识别方法已经被证实有良好的效果,针对该领域存在的图像线性子空间大多高维所导致现有黎曼流形的图像集识别方法存在计算成本高、适用性有限的问题,提出一种基于子空间流形的图像集识别方法。首先,从线性子空间的几何结构出发,利用Grassmann流形对线性子空间进行建模,得到基于Grassmann流形的联合黎曼度量。然后,通过该联合黎曼度量,从高维的Grassmann流形中学习到一个低维的Grassmann流形。最后,对通过学习得到的低维流形上的图像集数据进行图像集识别。实验结果表明,在ETH-80数据集上该方法的识别准确率比投影度量学习（PML）和图嵌入Grassmann判别分析（GGDA）都分别提升了2.5个百分点。证明了在通过提出的度量与方法学习到的低维流形上,图像集数据具有更好的分类结构,从而降低图像集识别计算成本,扩大适用范围,提升识别准确率。     

大型工件部分点云与整体点云的配准方法

部分点云与整体点云的高效、高精度配准是完成大型工件尺寸快速评价工作的基础,但由于部分点云和整体点云全局特征的差异性,使用现有的局部特征描述符进行点对匹配搜索计算量大,点云配准耗时长.为此,针对部分点云与全局点云的几何特征,提出一种基于区域均值特征描述符的部分点云与整体点云配准方法.首先提出一种区域均值特征描述符,能够有效地描述点云中关键点的邻域几何特征;然后通过评价点云区域均值特征描述符的特征度选择数据点作为待配准关键点,搜索与之匹配的描述符,完成部分点云与整体点云的关键点匹配;最后使用奇异值分解法计算点云之间的转换矩阵,基于迭代最近点算法完成部分点云与整体点云的配准.利用斯坦福公共数据库点云集和大型发动机舱段的三维扫描点云数据,对配准算法的配准准确度和配准速度进行实验的结果表明,与现有的几种基于局部特征描述符(PFH,HoPPF,PPFH,FPFH)的点云配准方法相比,所提方法配准准确度平均提高56.75%,配准速度平均提高45.57%,验证了该方法的有效性.     

基于深度强化学习的动态装配算法

针对动态装配环境中存在的复杂、动态的噪声扰动,提出一种基于深度强化学习的动态装配算法。将一段时间内的接触力作为状态,通过长短时记忆网络进行运动特征提取;定义序列贴现因子,对之前时刻的分奖励进行加权得到当前时刻的奖励值;模型输出的动作为笛卡尔空间位移,使用逆运动学调整机器人到达期望位置。与此同时,提出一种对带有资格迹的时序差分算法改进的神经网络参数更新方法,可缩短模型训练时间。在实验部分,首先在圆孔–轴的简单环境中进行预训练,随后在真实场景下继续训练。实验证明提出的方法可以很好地适应动态装配任务中柔性、动态的装配环境。