一种浮选机智能移动终端的设计与开发

针对目前浮选机操作方式单一、智能化和信息化程度低的现状,设计了一种用于浮选机智能巡检的可移动终端。该终端集成了PLC无线数据访问技术、RFID标签远程定位和设备信息管理技术、主轴关键参数无线监测技术。最终实现浮选机操作人员仅持有一个终端就可以在浮选机区间进行便携式、数字化、无纸化巡检工作。它不仅降低了现场岗位工的劳动强度,而且极大提升了我国浮选机智能化和信息化水平。     

基于混合离散二进制粒子群-遗传算法的测试配置方法研究

针对目前测试性建模工作中尚无具体方法指导测试配置这一问题,通过对系统内故障传播关系进行分析,提出了一种混合离散二进制粒子群-遗传算法用于求解测试配置的最优方案,使系统的测试性模型在满足规定测试性指标下使用的测试数量最少。将系统测试配置方案进行二进制粒子编码,并在粒子群算法中引入遗传算子,使混合算法具有较快的搜索速度的同时避免陷入局部最优。最后通过实例计算与仿真,证明所提出算法计算结果正确且对于指导复杂系统测试性建模工作具有实际应用价值。     

基于信息熵的诊断策略优化方法

针对现有二值测试诊断策略优化技术无法解决多值测试且测试精度不高的复杂诊断问题,提出多值测试 下基于信息熵的诊断策略优化方法。从考虑和不考虑测试过程中可能出现的虚警与漏检2 种情况对优化方法进行分 析,在2 个繁杂程度不同的实例系统上进行仿真验证,并用该算法与AO*算法进行对比。结果表明：该方法在不增 高测试费用的同时大大缩短测试时间,结果符合理论预期。     

浮选机泡沫流速影响因子分析与试验研究

在某钼选厂开展了浮选机泡沫流速影响因子分析与试验研究,选取了四个与矿物回收率紧密相关的影响因子:充气量、泡沫层厚度、给矿量和矿浆浓度作为研究对象,通过泡沫图像分析仪实时采集流速数据,比对分析了各影响因子与泡沫流速大小之间的耦合关系和影响权重。     

基于像素匹配和卡尔曼滤波的运动估计在浮选泡沫流速特征提取上的应用

为了解决传统特征匹配算法难以准确提取浮选泡沫流速特征的问题,本文提出一种基于像素匹配和卡尔曼滤波相结合的算法。该算法首先综合考虑前后两帧图像上面像素点的流动,在基于理想情况下的灰度值不变、梯度时空不变以及运动连续性假设,提出使用欧拉-拉格朗日方程与计算数学最小化约束能量方程,得到的结果作为卡尔曼预测的观测值参与测量更新,从而在状态更新中得到最优的泡沫流速特征向量。实验结果表明,该算法计算准确,平稳性高,实时性好,可以很好地作为浮选机优化控制的原始参数。     

基于改进K-means聚类的惯性行人导航零速检测算法

行人导航中不同运动状态下零速区间的运动数据也有所不同,这就要求零速检测算法具有良好的适应性。针对利用阈值实现零速检测的算法在多种运动状态下适应性差的问题,该文提出了一种基于改进K-means聚类的零速检测算法（Zero-velocity interval detection algorithm based on improved K-means clustering, IKC）。首先,在运动的开始阶段,通过K-means聚类对角速度数据进行聚类,从而得到零速区间与非零速区间的中心点;然后根据设定的数据点到中心点的距离条件对零速区间与非零速区间进行划分,相比于其他算法,优化了数据处理过程,有效缩短了计算时间,并且不依赖阈值条件,有效提高了该算法的适应性;同时,根据零速区间与非零速区间的持续时间判断运动状态是否改变,若发生改变则重新进行K-means聚类获取新运动状态的中心点。最后,在实际行人导航系统中对新提出的算法进行了实验验证,从计算量及行人导航精度等方面与步态特征提取的K均值聚类自适应判别算法（K-means Clustering Adaptive Detection, KCA）、基于贝叶斯的自适应阈值零速检测算法（Bayesian Adaptive Threshold Detection, BAT）进行了对比分析。结果表明,本文提出的基于改进K-means聚类的零速检测算法不仅有效的减小了计算时间,而且具有较高的导航精度和导航稳定性。     

基于振动的钻地弹爆炸能量计算方法研究

侵彻武器钻入地下爆炸产生的地震波在介质中传播特性较为复杂。针对钻地弹侵入地下爆炸后能量估算问题,基于反映高程差因子的萨道夫斯基修正公式,建立了不同地形状况下地下爆炸震源能量计算模型,并通过震源模型的计算结果得出爆炸能量。实例1对比传统的震源模型(6)与本文的震源模型(12)的计算结果发现该研究所提出的震源模型的精度远高于震源模型(6);实例2利用该研究的震源模型(13)针对测点不在同一水平面的情况,计算得到的地下爆炸能量结果有较高的精度。计算结果证明将爆炸振动的理论应用于计算钻地武器爆炸能量的方法是可行的。     

基于D-S证据组合规则的双模型融合局部放电模式识别方法

针对传统的局部放电模式识别存在的特征提取单一、识别准确率低等缺点,提出了一种基于D-S证据组合规则的双模型融合局部放电模式识别方法.根据基于相位信息的局部放电(PRPD)谱图的统计数据特征和图像特征的特点,分别建立了反向传播(BP)识别模型和卷积神经网络(CNN)识别模型.根据2个识别模型的识别结果,提出了基于信息熵改进的D-S证据组合规则以解决常见的悖论问题,基于此建立了判定模型,更好地融合了2个识别模型的输出结果,实现了2种特征识别的优势互补.根据实际数据测试,与单一模型对比,所提方法可以稳定、准确地识别局部放电模式.     

基于APSO-SSVM的异步电动机转子故障诊断

基于信号分析的异步电动机的转子断条与偏心故障诊断方法中，常用传统的电机电流信号特征分析（MCSA）方法。由于采样频率偏低、强大的基波旁瓣效应等因素的影响，会导致特征频率成分被淹没、难以量化故障程度等问题。因此，提出了一种基于自适应粒子群优化逐序支持向量机（APSO-SSVM）的异步电动机故障诊断方法。首先，利用经验小波变换（EWT）对原始信号进行滤波；然后，对滤波后的信号进行特征提取并输入到SSVM诊断模型中；最后，通过APSO算法确定各次序下SVM模型的最佳超参数，从而实现转子断条数量的精确故障诊断。