基于GAPSO-SVM的钣金零件图像识别方法

为了实现视觉引导装配过程中钣金零件图像的识别,对零件图像进行预处理,提取形状特征,将遗传算法的交叉变异操作引入粒子群算法,形成遗传粒子群算法。采用遗传粒子群算法同时进行支持向量机的参数优化和特征选择。实验表明,将所选用特征由初始的12维降维到3维,测试集识别准确率100%,完全满足零件识别分类的要求。     

基于AFSA与PSO混合算法的J-A动态磁滞模型参数辨识及验证

Jiles-Atherton (J-A)磁滞模型静态参数辨识结果直接影响其对变压器铁心磁滞特性的预测效果。针对目前单一智能算法存在的寻优能力差、计算时间长等问题,提出了一种人工鱼群算法与优化惯性权重线性递减粒子群优化算法相结合的混合算法。搭建变压器铁心磁性能测试系统,对正弦激励下变压器铁心的磁滞特性和损耗特性进行实验研究。对比分析了所提混合算法与其他单一智能算法对J-A模型的参数辨识速度与精度。结果表明,混合算法辨识结果的均方根误差仅为0.006 9,低于其他单一智能算法的相应结果,证明了该混合算法相较于其他单一智能算法,具有不易陷入局部最优解、收敛速度快、参数辨识精度高等优点。此外,考虑交变磁场下动态损耗分量对变压器铁心磁滞特性的影响,修正现有动态损耗系数求解方法,建立了J-A动态磁滞模型。通过对比动态磁滞回线模型预测结果与实验数据,验证了该方法的正确性与有效性。     

盘、轴类零件检测平台的研究与应用

根据盘、轴类零件的结构尺寸参数特性,基于三坐标测量机安装高精度转台和机器视觉测量装置,利用高精度转台建立零件测量空间坐标,使加工基准和测量基准重合。通过测量路径规划,实现零件表面质量和形位公差参数的高效、高精度测量,达到零件尺寸的非接触式自动化测量。经实验对比可知,在保证检测质量的前提下,检测效率提升35%以上。     

矢量磁力仪本体磁性现场校正算法研究

海洋磁力仪的本体磁性校正是磁力仪应用系统的核心技术,尤其当载体磁性发生改变后,其现场的校正算法是影响其应用有效性的关键。先分析了搭载有三轴磁通门磁力仪的水下勘探系统的主要磁干扰源,描述了相应的磁校正模型,简明扼要地介绍了椭球拟合、粒子群、遗传及粒子群遗传混合等算法,并逐一通过MATLAB予以实现。最后使用水下载体在西南印度洋的作业数据对上述算法进行功能性验证。由校正前后的数据波动情况、均方根误差值和相对误差值可知,磁校正领域混合算法校正效果相对较佳,能提高磁力仪传感器的测量有效性。     

基于PSOA聚类和KMP算法的说话人识别方法

在说话人识别领域,MFCC特征参数得到了广泛的应用,但是MFCC特征参数包含了语义信息、语种信息和说话人信息等多种信息,所以存在参数中说话人个性特征信息不明显的问题,而且将MFCC应用于SVM分类器时受Mercer准则的限制.针对以上问题,提出了一种将PSOA聚类与核匹配追踪算法(KMP)相结合的说话人识别方法,首先通过PSOA聚类算法将MFCC特征参数进行变换处理,得到精简的MFCC特征参数,然后利用KMP算法对核函数形式没有任何限制的特性,对精简后的MFCC特征参数进行分类训练和识别.实验结果表明,基于PSOA-KMP的说话人识别方法相比GMM-UBM识别方法,在EER性能上相对提高了38％.     

一种混合算法在装配序列规划中的应用研究

基于现有复杂产品装配序列的特点,建立了装配体的几何可行性、零件的重新定向次数及装配体稳定性的目标函数。在原有离散粒子群算法的基础上,引入改进的进化方向算子,该算子可较为突出的改进离散粒子群算法的局部搜索能力。提出了一种混合算法,该算法在不牺牲粒子群算法的局部搜索能力和搜索速度的同时,提高其全局搜索能力,减少算法平均迭代的步数。算例表明:该混合算法具有优良的局部搜索特性及全局搜索特性,算法可快速收敛至全局最优解,可有效解决装配序列规划问题。     

轴类镀层结构材料力学性能声学表征方法研究

针对轴类镀层结构材料力学性能无损表征方法开展理论和实验研究,对于表面工程的质量检测与评价具有重要意义。利用自主开发的超声显微测量系统与PVDF线聚焦探头,对不同厚度的轴类镀层材料进行散焦测量。针对轴类试件表面波传播路径与散焦距离的非线性关系,分析了线聚焦探头几何尺寸与散焦距离和试件轴径间的匹配关系,优化检测参数,并在V(f,z)分析法的基础上,采用相位相关分析法获得轴类镀层材料的实验频散曲线。结合镀层材料声波传播特性,采用基于模拟退火的粒子群优化算法(PS-B-SA)将理论频散曲线与实验频散曲线相拟合,反演轴类镀层结构材料的声学参数,进而表征镀层材料的弹性常数。多个不同厚度轴类镀层结构材料弹性常数及镀层厚度的反演结果与实际值相吻合,表明该测量方法可靠、结果准确。该研究成果为轴类镀层结构力学性能无损检测提供了技术手段,也为工程材料表面工程加工性能的评价提供了新方法。     

基于支持向量机的油管内外表面缺陷识别方法

由于根据漏磁信号难以准确识别出油管内、外表面缺陷,为此提出了基于支持向量机(SVM)的油管内外表面缺陷识别方法。采用时频分析技术提取了用于区分油管内外表面缺陷的漏磁信号时域和频域特征量,然后将其作为油管内外表面缺陷识别SVM模型的样本数据,采用改进的云自适应粒子群(MACPSO)优化算法对SVM识别模型的参数进行优选,结合优选的模型参数和样本数据训练构建油管内外表面缺陷识别SVM模型。实验结果表明:该智能识别方法能够有效区分油管的内外表面缺陷,识别准确率高于90%。     

基于PSO-BP与组合矩的水电机组轴心轨迹识别

引入了一种由Hu矩和仿射矩构成的组合不变矩作为水电机组轴心轨迹的反向传播(back propagation,简称BP)自识别神经网络的输入特征向量,在粒子群优化算法(particle swarm optimization,简称PSO)的基础上,融入粒子位置越界处理和全局最优位置未更新计数器,利用改进的粒子群算法求解BP网络连接权值,水电机组轴心轨迹的BP识别速度和精度得以显著提升,采用优化思想对初步识别结果进行量化分析,提取定量的轴心轨迹形状特征参数,可为水电机组故障定位提供指南。仿真实验和应用实例表明,组合不变矩的识别方法优于Hu矩或仿射矩方法,构建的PSO-BP具备较高的收敛速度和识别精度,所提出的轴心轨迹识别方法成功应用到了水电机组动不平衡故障诊断案例。     

基于幅谱分割的粒子群最优模态分解研究与应用

提出了一种利用粒子群最优化技术的模态分解方法.其中多个模态的参数组成粒子属性集,粒子按照粒子群算法不断迭代获得全局最佳粒子.引入模态聚类的思路来估计出各个模态参数的上下限范围,从而给出粒子属性值的上下界,大幅度减少粒子群算法的搜索空间.首先把频响函数的幅谱曲线看成是局部波峰的集合,引入聚类分割思路构造聚类距离函数,使用k-means算法把频响函数频谱自动聚类成多个单模态类,然后运用单模态分解算法估计出每个模态类的模态参数的上下限范围,这种上下限范围就是粒子属性值的上下界.另外还采用了混合变异粒子群算法来提高最优化搜索的效率.从仿真信号的大量实验研究结果看,与经典的正交多项式拟合算法相比,该算法的噪声抵抗能力更强、更稳定.把算法应用到轻轨锚固螺杆振动检测中表明,该算法能够提取出精确的模态参数,算法在实际工程中表现出很好的稳定性和抗干扰性.     

并联式六维加速度传感器的混合解耦及误差自补偿算法

针对惯性仪器普遍存在的误差累积问题,以并联式六维加速度传感器为例,提出了一种新的解决方案。通过融合位形空间和相空间内的解耦算法,推导出关于8个Hamilton转动参量的常微分方程组以及广义加速度关于转动参量的一次多项式,共同构成了新的混合解耦算法。通过剖析混合算法的基本结构及其中间参量的影响因素,找到了产生误差累积效应的根本原因。选取角速度、角位移的方向交替点为系统的振动状态特征点,推导了特征点与Hamilton变量的映射关系,并据此定义了2个状态观测量。基于观测量的局部小值和特征阈值,给出了特征点的判据,进而构建了一种半闭环结构的误差自补偿算法。样机试验结果显示:混合算法的计算精度明显高于纯空间算法;加入误差自补偿算法后,关键参量的相轨迹得到明显收敛,且未破坏整个算法的实时性;随机扰动为±30%时,特征点的误判率、漏判率分别为2.0%和3.5%,且该指标值与扰动正相关;实验室条件下,并联式六维加速度传感器在1 min内的综合误差仅为3.05%,表明新的解决方案有效缓解了误差累积效应。     

超磁致伸缩电—机转换器位移感知模型及滞环分析

超磁致伸缩电—机转换器响应快、可靠性高,但动态驱动时,因受磁滞、涡流等因素影响,输出位移的滞环较大。需要以准确的数学模型为基础,通过控制算法来补偿滞环,或通过优化其结构参数来降低滞环。通过实时测量超磁致伸缩棒上所绕线圈两端的感应电压和推导此感应电压与超磁致伸缩电—机转换器输出位移的关系,建立实时反映超磁致伸缩棒磁化状态的超磁致伸缩电—机转换器动态位移感知模型,并进一步推导出了超磁致伸缩电—机转换器输出位移的滞环与其结构参数的关系。通过与试验结果对比,当驱动频率小于300 Hz时,由所建模型计算出的位移峰—峰值的相对误差小于5.8%;通过仿真研究超磁致伸缩电—机转换器结构参数对输出位移滞环的影响,得出增加预压弹簧的刚度,可以降低动态驱动时的滞环。     

MAGNETIC FIELD ANALYSIS OF ELECTROMAGNETIC VALVE TAKING HYSTERESIS INTO ACCOUNT

Predicting and optimizing of the high-speed solenoid on/off valve behavior requires an accurate model of the hysteresis loop of the magnetic material used. A ferromagnetic hysteresis model and a novel algorithm based on fixed-point technique to optimize the electromagnetic model are introduced. By utilizing a modified vector Preisach model of magnetic hysteresis and the global genetic optimization algorithm based on partial mapping cross method, the B-H relation loops are identified accurately.     

Study on flaw identification of ultrasonic signal for large shafts based on optimal support vector machine

Automatic identification of flaws is very important for ultrasonic nondestructive testing and evaluation of large shaft. A novel automatic defect identification system is presented. Wavelet packet analysis (WPA) was applied to feature extraction of ultrasonic signal, and optimal Support vector machine (SVM) was used to perform the identification task. Meanwhile, comparative study on convergent velocity and classified effect was done among SVM and several improved BP network models. To validate the method, some experiments were performed and the results show that the proposed system has very high identification performance for large shafts and the optimal SVM processes better classification performance and spreading potential than BP manual neural network under small study sample condition.     

基于材料磁特性的结构疲劳损伤磁测方法研究

结构疲劳损伤测量和评估方法的研究是一个难点。由于疲劳损伤伴随材料磁特性的变化,且磁测法测量简单方便,所以利用材料磁特性测量和评估结构的疲劳损伤具有实际意义。以Q235钢为试件,通过构建疲劳损伤磁测试验平台,研究了循环应力下,基于磁滞回线的结构疲劳损伤磁测法。结果表明,疲劳损伤不同,磁滞回线也不同。提取磁滞回线的矫顽力H_c和剩磁B_r作为特征量进行分析,结果显示,试件失效前的疲劳过程大致分为两个阶段:首先是H_c和B_r的快速增大阶段,该阶段的H_c和B_r对疲劳损伤的灵敏度较高;然后是H_c和B_r的变化缓慢阶段,该阶段的H_c和B_r对疲劳损伤的灵敏度较低。最后分析了H_c和B_r与疲劳累积损伤D的变化关系,能够为结构疲劳损伤的定量评估及在线监测技术的研究提供基础。     

A scanning visualizer of the magnetic field distribution

A facility consisting of a three-coordinate positioning system, a personal computer, and a Hall probe is capable of measuring and visualizing the configuration of magnetic fields above objects with a spatial resolution of 0.1 mm or better. The potential of the facility is demonstrated by measuring the configuration of the magnetic field above the system of two Sm-Co magnets with oppositely connected poles. The visualizer can be used in nondestructive testing and quality control of parts made of ferromagnetic materials and, in particular, welded joints.     

增材制件内部缺陷埋藏深度的激光超声定量检测

针对增材制件内部缺陷检测,提出一种内部缺陷埋藏深度的定量检测方法.对用激光超声无损检测技术接收到的信号采用小波包分解技术进行分离并提取信号中的超声纵波,解决了超声表面波和纵波耦合影响时域特征提取的问题.根据检测过程中经过缺陷的纵波声程的变化,实现了精锻试块内部缺陷埋藏深度的定量检测,检测结果的相对误差为1.81％.在原...     

基于数据融合的小波变换漏磁异常边缘检测

漏磁内检测是目前管道无损检测的重要手段。在进行漏磁无损检测评估中,异常边缘检测是十分重要的环节,异常边缘的精确程度直接影响到后续的反演评估环节。由于数据噪声的存在,使得边缘检测精度大大下降,特别是复杂异常区域。同时,面对庞大的漏磁数据,一般机器学习算法耗时较多。因此,针对漏磁内检测中异常边缘检测问题,本文提出一种基于数据融合的小波变换漏磁异常边缘检测算法。该算法基于小波多尺度变换与分解,将数据层融合、特征层融合以及决策层融合相结合。首先,原始数据经过多色彩空间变换,并将变换结果进行数据融合。然后,融合数据进行小波多尺度变换。其次,针对每一尺度下变换数据进行小波多层分解,并对每一层级进行小波模极大值边缘检测,将边缘检测结果加入到细节分解系数融合中,并重构数据。最终将多尺度下的边缘检测效果进行融合得到最终检测边缘。实验分别在仿真数据集和真实管道数据集上进行,并和其他边缘检测算法,如Sobel、Canny、Roberts、Prewitt、Log进行了比较,实验结果显示,本文提出的异常边缘检测算法效果优于传统边缘检测算法,边缘指标OA高于70%,能够满足实际工程需要。     

Determination of optimum SLA process parameters of H-shaped parts

A model was proposed for optimization of stereolithography (SLA) process parameters to achieve the minimum shrinkage of H-shaped parts. A neural network was designed to correlate the input parameters to dimensional error of the parts manufactured by SLA. For this purpose, the data of a previous study from the literature was used that investigated the effect of three important parameters (layer thickness, hatch overcure and hatch spacing) of the SLA process by measuring the H-shaped parts manufactured by SLA 250. Then, the neural network model was imported into two optimization algorithms (genetic algorithm and simulated annealing) and the optimal values were determined. Results showed that the combination of neural network and optimization algorithms could determine the optimal input parameters for the minimum shrinkage with good accuracy.