TiC颗粒增强镍基合金复合涂层的摩擦学性能及磨损预测模型(英文)

运用等离子喷涂技术在铝合金表面制备TiCP/镍基合金复合涂层,研究干摩擦条件下载荷、速度和温度对复合涂层摩擦磨损行为与机理的影响规律;建立了基于最小二乘支持向量机(LS-SVM)的复合涂层磨损预测模型。结果表明:在不同摩擦条件下,TiCP/镍基合金复合涂层的摩擦因数和磨损质量均低于镍基合金涂层。LS-SVM模型对摩擦因数和磨损失重的预测时间仅为BP-ANN模型的12.93%,其预测精度分别比BP-ANN模型提高了58.74%和41.87%,可有效预测干摩擦条件下TiCP/镍基合金复合涂层的摩擦磨损行为。     

基于特征融合的减振垫缺陷分类

针对单一特征在减振垫缺陷描述上不够准确导致检测效果不佳的问题,提出了一种基于特征融合的减振垫缺陷分类方法。首先,通过词袋(BoW)模型聚类SURF提取到的纹理特征,构建视觉单词直方图;其次,针对缺陷在复杂纹理中难以提取缺陷轮廓,利用超像素分割后生成显著图后通过Hu不变矩提取几何特征;接着,根据纹理特征和几何特征在其分类模型中的准确率,提出一种特征加权融合的方法;最后,将融合新生成的特征向量送入SVM训练器中,训练后得到预测的缺陷标签值。实验证明该方法可以准确识别减振垫缺陷,其平均准确率可达97.8%,与纹理和几何特征单独分类相比,提高了5.6%和8.9%的分类准确率,满足工业识别需求。     

基于支持向量机(SVM)的点焊质量在线监测

电阻点焊过程动态信号蕴含大量直接或间接反映焊点质量的动态信息，通过对焊接过程电极位移、动态电阻信号的同步采集和分析，从两种信号中提取了12个特征参量，建立表征点焊过程的数据集，以焊点抗剪强度作为焊点质量评价指标，利用支持向量机（SVM）统计学习方法，将焊点试样动态监测参量与焊点抗剪强度之间低维的复杂非线性映射关系，映射到一个高维的特征空间（Hilbert空间），原试样数据空间的非线性关系相应变化为高维特征空间的线性关系，在不增加计算复杂度的情况下，实现对未知焊点试样抗剪强度的分类及预测。SVM测试结果表明，支持向量机在小样本情况下具有较好的泛化能力，分类、预测速度快，准确率高，能较为满意地完成焊点强度的分类、预测任务，可以作为进一步研究的方法。     

基于GLRLM-SVM的电表版本分类方法研究

目前拆回电表版本的信息录入方法仍采用人工目测输入与数据库对比验证,面临效率低下、准确率难以保证的问题。利用实拍电表图像,提出一种在高杂糅环境背景下电表新旧版本精确分类的方法。先获取版本识别ROI区域,并提取灰度游程矩阵（GLRLM）特征,再对数据进行归一化处理与主成分分析（PCA）,最后采用线性核函数的支持向量机（SVM）作为最佳模型进行分类实验。同时,采用不同的纹理特征提取算法结合不同分类模型对该方法性能进行评价。实验结果表明：基于GLRLM-SVM的分类方法优于其他模型,速度最快且准确率高达98.95%,满足拆回电表年检数量与精度要求。     

基于混合特征LLE融合与SVM的质量异常模式识别

针对生产过程中存在的异常模式识别的问题,提出基于LLE融合与支持向量机的质量异常模式识别方法。首先从动态数据流中提取其原始特征、统计特征、几何特征并将其进行混合,形成动态数据流的混合特征,然后利用LLE算法对混合特征进行降维,将降维后的特征集作为MSVM分类器的输入进行训练,同时采用粒子群算法对MSVM分类器进行参数寻优。最后用训练好的模型对动态数据流进行异常模式的识别。并将所提方法与单一类型特征方法、混合特征方法的识别模型进行比较,仿真结果和应用实例表明,所提方法的识别精度较高,可用于生产过程的质量异常模式识别中。     

9-磷钨酸光致变色玻璃涂层的制备与表征(英文)

自制的9-磷钨酸与高聚物如聚乙烯吡咯烷酮、聚乙烯醇等在一定温度下的醇溶液中醇解得到混合溶胶样品,采用喷涂法或浸渍涂布法在玻璃基板上成膜,常温干燥得到具有光效应的涂层。透明的玻璃涂层在日光照射下10s变蓝色。用XRD、SEM、UV-可见分光光度计、红外光谱分析仪等对薄膜以及粉末的特性进行了测试。实验结果表明该涂层具有良好的光致变色消色特性。     

基于特征融合与HPO-RVM的滚动轴承剩余寿命预测

为准确预测轴承的剩余使用寿命,提出基于特征融合与猎食者-猎物优化(HPO)算法优化相关向量机的轴承剩余寿命预测方法。提取时域、频域和时频域特征准确描述轴承的退化状态,利用综合评价指标对提取的特征进行筛选得到敏感特征集;采用核熵成分分析对敏感特征进行自适应融合,得到轴承的退化特征;构建混合核函数作为相关向量机的核函数以提高模型预测性能;最后,利用HPO算法得到混合核函数的参数,将寻优得到的参数用于寿命预测模型的训练。通过对轴承加速退化数据集进行实验,结果表明：所构建的寿命预测模型优于BP、ELM、SVM等模型,构造的混合核函数模型优于高斯核函数模型,采用的优化算法优于粒子群、遗传算法等。     

非结构环境下基于HoG与SVM的汽车油箱盖视觉检测方法

为解决在自然场景中进行汽车油箱盖定位的问题,提出一种非结构环境下基于HoG与SVM的汽车油箱盖视觉检测方法。对汽车图像进行预处理并采用多尺度底帽变换提取图像暗细节特征;利用改进的最大熵阈值分割法分割图像;采用连通区域标记法对二值图进行统计,并在原图中确定目标候选区域;采用HoG特征和支持向量机对候选区域进行分类判决,从而定位汽车油箱盖。结果表明：该方法可以准确地检测出油箱盖位置,即使图像存在光照不均匀、汽车覆盖件表面灰尘、细节模糊等情况,也有较好的定位效果。     

基于图像特征识别的榫头数控加工技术研究

为了降低榫头数控加工过程中手动编写NC代码的复杂程度,提高加工效率,研发一种基于图像特征识别的榫头自动加工系统。重点研究图像特征识别的数控加工总体结构、特征库建立、特征匹配算法、加工工艺库等关键技术。详细分析榫头模型的图像特征库、NC数据库和图像检索算法等的主要功能及实现方法。     

基于特征主基面的相交特征识别

为有效识别相交特征,提出一种新的基于特征主基面的相交特征识别算法。该算法首先对模型进行处理,抑制过渡特征,去除外轮廓面提取特征加工面,生成带扩展属性的加工面属性邻接图,并以特征面的面边关系属性为依据判断特征间的父子关系从而判定相交特征。通过特征基面的度的大小选定特征主基面并以凸边为痕迹添加虚链接,构建虚链辅助面,完成相交特征分离并对特征进行相似性判断,通过邻接矩阵与预定义特征库进行特征匹配从而完成相交特征识别。最后通过具有相交特征的模型验证算法的有效性。     

基于RANSAC和卡尔曼滤波的窄焊缝识别北大核心

针对高效鲁棒的焊缝识别对于提高焊接质量和效率具有重要的作用,提出了一种基于线结构光的薄壁件窄焊缝快速识别方法。首先,对激光照射的焊缝图像进行去噪和增强;其次,分别利用Ransac算法和最小二乘法对焊缝和激光条纹进行直线拟合;接着,以二直线交点为中心建立ROI,连接ROI中的连通体获得修正后的交点;最后,对修正后的交点加以平移,以斜率为状态变量进行卡尔曼滤波,以修正后的交点为中心建立ROI并计算ROI中各点斜率,寻找具有最接近滤波后的斜率的点,将其反向平移后的坐标作为交点的最终值。实验证明该算法具有较高的鲁棒性和较快的处理速度,可满足窄焊缝的实时识别需求。     

基于注意力时空特征网络的装配动作识别

为实现工人装配动作过程的识别,防止由于工人装配动作不规范而造成装配产品质量问题,研究基于深度学习方法的装配动作识别,提出一种基于通道注意力的融合时间和空间信息特征网络模型来识别装配动作的方法.利用MYO臂环传感器采集表面肌电信号,建立一个包含多种装配动作的数据集;搭建一个用于装配动作识别的神经网络,对网络模型进行评估....     

基于特征基面的制造特征自动识别的研究

在分析了零件制造特征面的特性和实际加工过程中相交特征之间的约束关系,研究基于特征基面的制造特征自动识别算法.该算法首先建立零件的属性邻接图,其次根据特征基面来判定它是否存在相交特征子图.如果存在特征相交,则通过添加虚连接来弥补由于特征相交所丢失的边和面,实现相交特征子图的分离,最后根据特征基面的边界信息来识别出制造特征.结果表明该算法能够确定相交特征的识别顺序,高效的分离出适当特征子图,进而正确的识别出制造特征.     

基于机器视觉的齿轮图像特征匹配优化北大核心

为了提高视觉系统中齿轮图像匹配的准确率,提出了一种金字塔光流法与ORB(oriented fast and rotated brief)算法结合的齿轮图像匹配优化方法。该方法在图片进行灰度化和高斯模糊等预处理操作后,用ORB算法得到图像的特征点,用金字塔光流法跟踪图片间的特征点,暴力匹配之后通过汉明距离和哈曼顿距离进行筛选,最后以改进的RANSAC(random sample consensus)算法优化匹配结果。实验结果表明,该算法在齿轮图像匹配过程中能够减少错误的匹配点,筛选出具有代表性的匹配点,减少误匹配率。     

基于多特征融合与GA-BP模型的滚动轴承故障识别

针对滚动轴承故障识别问题,基于遗传算法(GA)和BP神经网络等技术,提出一种GA-BP神经网络模型。该模型以训练数据的输出误差作为目标函数,利用遗传算法对BP神经网络的初始权值和阈值进行优化选择。将经验模态分解能量比和时域特征相结合的特征向量作为BP神经网络的输入,对滚动轴承不同工况下的故障进行识别。滚动轴承故障诊断的实例表明:该模型较传统BP神经网络模型具有更好的收敛精度、收敛速度和识别率。     

基于改进的ORB算法的工件图像识别方法

针对传统的工件图像识别算法运行速度慢、匹配精度差等问题,提出一种改进的ORB（Oriented FAST and Rotated BRIEF）算法解决工件图像的实时与准确识别问题。该算法的流程是首先利用ORB算法提取工件图像的角点特征,随后为其添加SURF（Speed-Up Robust Features）描述符进行方向分配,得到具有旋转尺度不变性的图像角点,结合快速近似最近邻搜索算法进行特征点的匹配,实现工件图像的识别。实验结果表明：在图像存在旋转尺度变化的情况下,使用改进的ORB算法相比传统的ORB、SIFT（Scale Invariant Feature Transform）和SURF算法以及SIFT+SURF、SURF+FREAK组合算法在工件图像角点提取与目标匹配方面速度更快,识别精度更高,提高了工业机器人在搬运工件过程中对工件图像的识别效率和准确性     

基于数字化车间的改进图像识别系统

数字化车间的主要特点是对于普通车间的重新定义,是通过虚拟的方式将传统车间构建到虚拟环境中,对整个生产过程进行虚拟仿真推进生产。针对数字化车间虚拟信息化的识别精度问题,传统的图像识别系统对于数字化车间中精密仪器的识别准确率偏低,文章中的图像识别系统是通过针对数字化车间与卷积神经网络^[1]的特点进行改进,通过将卷积神经网络与支持向量机相结合,将分类模型加入到图像识别中,最终提高识别准确率,稳定高效的帮助用户进行仿真从而推进生产。