公路动态称重系统的测试研究

针对超载车辆对公路设计和交通安全造成的隐患,设计了基于应变式称重传感器的动态称重系统.介绍了应变式称重传感器的结构特点、动态特性、信号采集放大与数模转换的硬件结构,以及信号提取和分析的信息模块.该系统经过开发与调试,可以在公路车辆限速行驶状态下,测出其静态质量和行驶速度.     

基于GA-PSO-BP的车辆动态称重算法研究

针对车辆动态称重系统测量精度较低的问题,提出基于遗传算法(genetic algorithms)和粒子群算法(particle swarm optimization)混合优化的BP神经网络(back propagation neural network)动态称重模型.首先利用小波变换对信号进行去噪滤波与信号重构.通过G...     

基于小波去噪和经验模态分解算法的足尺人造板动态称重研究

为了在振动状态下测量出足尺人造板质量,提出了一种基于小波去噪和经验模态分解的动态称重方法。采用小波去噪对力传感器的采样信号进行预处理,降低噪声对经验模态分解产生的影响;采用更合理的本征模函数筛选停止准则和端点效应抑制方法,提高动态称重精度;利用LabVIEW编写动态称重程序并进行试验。结果表明,该方法可以有效测得自由振动状态下的足尺人造板质量,且最大称重误差在0.4%以内。     

定量下料问题的动态称重解决方案

本文针对定量下料问题提出了利用动态称重方法的解决方案。文中具体分析了定量下料问题，建立了它的数学模型和参数辨识模型，然后提出利用下料速度积分得到下料质量的方法。文中推导了下料速度的计算公式，提出了利用双曲Ｈｏｕｓｅｈｏｌｄｅｒ限定记忆最小二乘法的计算方法。进行了样机设计和实验，实验结果表明该解决方法是可行的。     

基于神经网络的动态称重系统的DSP实现

针对BP网络学习算法的特点,选取了TI的浮点芯片TMS320C6711,实现了基于DSP的BP网络学习算法,为神经网络在动态称重中的应用做了一些有意义的研究工作.     

基于轮计量和系统模型的动态轨道称重系统

本介绍一种船只过坝动态轨道称重系统,该系统用轮计量法获取重量信号,并用一种特殊的模型测量法处理重量信号。中还介绍了系统软、硬件的组成和设计思路,以及系统标定的方法。     

基于FLANN的动态称重法

根据“逆模型”的思想 ,利用神经元网络良好的逼近能力 ,基于函数联接型神经网络 ( FLANN)的传感器动态补偿方法和最小二乘法 ,提出了一种车辆动态称重解决新方法     

动态轨道衡称重模型建立与分析

利用ADAMS软件建立动态轨道衡称重系统模型,并通过实际测量来验证其可靠性,使软件仿真取代动态称重现场数据采集,降低测量劳动强度.首先根据实际的轨垫式轨道衡的称重结构原理建立模型,利用单一变量法改变质量或者速度,进行仿真称重过程,从而得到在不同的负载、不同速度下的仿真称重数据.然后再利用动态轨道衡实测相应数据,与软件仿真结果比较分析.结果表明,当车辆速度在20km/h以内,模型仿真结果与实际实验结果吻合,验证了动态轨道衡称重模型的可靠性,可用软件仿真取代动态称重现场数据采集工作,为动态轨道称重补偿研究奠定理论基础.     

动态车辆称重物理模型及提高称重准确度研究

提出了车辆低速匀速驶过长方形秤台时长方向挠曲振动是导致动态称重不准确的主要原因,认定振动时质量块加速运动对传感器产生的惯性力影响称重准确度.建立了动态车辆称重的物理模型,给出了动态称重瞬时值分布的极差.要提高动态称重准确度,应对秤台加大阻尼、减小振幅、适当提高共振频率.设计制造了分体式小秤台强阻尼动态衡样机,经计量测试其性能优于长方形大秤台.     

基于延拓与可变余弦窗的经验模态分解改进算法研究

针对经验模态分解(Empirical Mode Decomposition,EMD)中存在的边界效应及边界发散现象随着筛选层次的增加而增加的问题,提出一种利用延拓与可变余弦窗相结合的改进新方法。首先对信号进行延拓处理,增加一定长度的数据,实现延拓数据与原始信号交界处的光滑过度。其次,根据信号边界的发散程度,在逐层提取各阶本征模函数（Intrinsic Model Function,IMF）之前,在信号两端加上宽度可变的余弦窗函数,使得每一个IMF分量边界发散问题最小化,保证信号有效数据的正确分解,实现EMD边界处理算法的改进。仿真和实例信号分析表明,该方法能较好地抑制EMD边界效应,有效地提取故障信号中的特征信息。     

动态秤称重干扰的量化评估方法研究

针对称重干扰对测量信号造成扰动并产生计量误差影响动态秤称重性能的情况,研究量化评估方法实现称重干扰的测量和分析.按照称重时间相同原则,采用称重数据处理方法处理称重干扰数据,获得干扰造成的计量误差,从而以不同场景的干扰组成成分不同为依据,统计量化评估不同干扰成分对计量结果的影响强度.回归系统性能研究,经过在动态秤的试验,...     

DE算法优化CNN的滚动轴承故障诊断研究

针对卷积神经网络（Convolutional Neural Network,CNN）在滚动轴承故障诊断应用中所存在超参数难以确定、网络输出不稳定等问题,提出一种基于差分进化算法（Differential Evolution,DE）优化卷积神经网络的故障诊断模型（CNN-DE）。首先,该故障诊断模型利用DE算法来自适应调节CNN中的超参数,同时将CNN的诊断精度和稳定性一起作为DE算法优化的目标,使得CNN在保证精度的同时降低网络的波动;其次,使用自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）结合多参数的诊断方法,从原始信号中提取出更加有效的故障特征;最后,根据提取出的特征采用CNN-DE、CNN和BP等算法进行故障诊断,结果表明所提出的算法模型拥有更高的精度和更稳定的性能,也具有优异的抗噪能力,显示了CNN-DE在故障诊断应用中的可靠性。     

桥梁动态称重迭代算法的理论与试验研究

桥梁动态称重(bridge weigh-in-motion,BWIM)能够以桥梁作为载体识别过往车辆的轴重.商用BWIM系统通常基于Moses算法,以桥梁的实测影响线对车桥实测动力响应进行轴重识别.然而,该算法的轴重求解方程是病态方程,在特定情况下轴重识别精度偏低.为解决这一问题,该研究提出桥梁动态称重迭代算法,通过M...     

基于VMD-GRU-EC的短期电力负荷预测方法

为提高负荷预测精度,该文提出一种基于VMD-GRU-EC的短期电力负荷预测方法。针对原始负荷序列非线性和非平稳性的特点,利用VDM分解方法将原始负荷序列分解得到若干个子序列,利用GRU模型分布针对每个子序列建立预测模型,最终将每个子序列的预测值相加得到负荷序列的初始预测值。在得到负荷序列的初始预测之后可得到误差序列,同样利用VMD-GRU模型预测误差序列。利用VMD-GRU模型依次得到初始预测负荷和误差序列后,通过误差校正（error correction, EC）得到最终的预测负荷。实验研究表明,在所有预测模型中,该文所提预测方法预测精度最高,稳定性最强。验证所提模型的有效性与优越性。     

基于CEEMD低通的隧道爆破振动信号去噪

为了消除隧道爆破振动信号中无规则混杂的噪声,引入了一种基于CEEMD(互补集合经验模态分解)的低通去噪方法。首先对模拟正弦信号进行EMD、EEMD、CEEMD分解,验证CEEMD分解方法的优越性,然后使用EMD和CEEMD低通方法分别对新鼓山隧道爆破信号进行去噪处理,结果表明该方法不仅克服了小波类去噪基函数选择困难和EMD模态混叠的问题,还能够使爆破波形保留其真实性和完整性,为爆破信号的精确处理奠定了基础。     

基于CEEMD低通的隧道爆破振动信号去噪

为了消除隧道爆破振动信号中无规则混杂的噪声,引入了一种基于CEEMD(互补集合经验模态分解)的低通去噪方法。首先对模拟正弦信号进行EMD、EEMD、CEEMD分解,验证CEEMD分解方法的优越性,然后使用EMD和CEEMD低通方法分别对新鼓山隧道爆破信号进行去噪处理,结果表明该方法不仅克服了小波类去噪基函数选择困难和EMD模态混叠的问题,还能够使爆破波形保留其真实性和完整性,为爆破信号的精确处理奠定了基础。     

卷积门控循环残差网络在轴承故障诊断中的研究

针对滚动轴承故障特征较难提取及许多深度学习方法因模型简单而导致准确率偏低的问题,提出一种基于残差网络的门控循环网络(GRU),该算法可以减少时序信息的丢失及解决由于网络较深而出现性能下降的问题。该模型包含2个卷积层、2个GRU层、1个残差块以及1个输出层,其先利用具有强大特征提取能力的卷积神经网络(CNN)提取轴承振动信号中的信息,然后将提取到的信息输入GRU中以保证时序信息不丢失,再通过残差模块解决神经网络深度较深问题,最后通过输出层输出结果。结果表明：该方法可以一次性诊断多种轴承的不同位置及不同尺寸的故障,且对比其他深度学习网络,该算法具有更高的准确性。     

皮带秤动态称重用神经网络算法设计

针对皮带秤在使用中难以保持标称计量精度的缺点,提出将过程神经网络引入皮带秤动态称重误差的补偿中。将动态称量过程中皮带秤单位长度上的重量、皮带速度、皮带垂度变化作为模型输入,设计了应用于皮带秤动态称重误差研究的单隐层过程神经网络误差反传播学习算法,利用Matlab软件对算法模型进行训练和测试,模型经过149次学习优化达到网络精度要求,测试组误差为1%,较使用网络前的原误差明显降低,验证了算法的可行性和有效性。     

基于EMD和功率谱的齿轮故障诊断研究

提出了一种基于经验模态分解EMD（Empirical Mode Decomposition）的齿轮裂纹故障诊断的新方法。EMD方法具有自适应的信号分解和降噪能力，EMD是先把时间序列信号，分解成不同特征时间尺度的固有模态函数（Intrinsic Mode Function，简称IMF），然后通过选取表征齿轮裂纹故障的IMF分量进行功率谱分析，就可提取齿轮故障振动信号的特征。齿轮故障实验信号的研究结果表明：该方法能有效地识别齿轮的齿根裂纹故障。     

基于OHF Elman-AdaBoost算法的滚动轴承故障多时期诊断方法

针对随机噪声下滚动轴承多时期(初期、中期、晚期)故障诊断需求,提出OHF Elman-AdaBoost (output hidden feedback Elman-adaptive boosting)算法,以实现滚动轴承的精确故障诊断.采用集合经验模态分解(ensemble empirical mode decompo...