基于地磁序列匹配的大型室内动态定位方法

基于地磁信号的定位技术无需架设信号发送设备,成本低且可覆盖室内定位范围广。针对室内地磁定位方法采集工作繁琐复杂需反复测量才能精准映射二维平面坐标点的现状,提出一种基于移动终端图像可视化映射和自动插入采集数据的方法,快速采集室内地磁指纹,动态建立匹配室内二维地图的指纹数据库。在此基础上,定位阶段使用改进的动态时间规整(DTW)算法进行地磁序列匹配,提高大型数据库的动态定位效率。后续采用粒子滤波算法融合地磁序列定位和行人航位推算(PDR)的结果,在智能移动终端载体上实现快速精准定位。实验结果表明该动态定位方法在大型室内区域的动态实时跟踪定位效率为每步65 ms,平均定位精度为1.4 m以内。     

基于时间序列理论的误差预测补偿技术

分析了机械加工精度控制模型及传统的误差补偿方法的局限性,尝试把时间序列预测理论应用于数控加工系统,构成了一种新型的误差预测补偿方法。基本思想是直接用已加工出的零件型面误差统计数据建立误差预测模型,得到加工下一零件时各轴不同时刻位置补偿量的预测值,达到提高复杂型面数控加工精度的目的。     

卡尔曼滤波及其在时间序列预测中的应用

根据时间序列预测的特点和要求,分析了传统时间序列预测方法的不足,提出了将卡尔曼滤波应用于时间序列预测。推导了基于卡尔曼滤波的ARMA模型参数实时更新算法,并采用功率谱密度分析方法确定预测模型的形式与阶数。最后,通过对光纤陀螺随机漂移建模进行了实证研究。     

表面粗糙度的时间序列模型

本文讨论了时间序列分析方法在表面粗糙度测量分析与处理中的应用,指出了表面粗糙度时间序列模型建立的最佳途径,从理论上和实验上证明了这一方法的合理性、可行性及描述能力。     

基于卡尔曼滤波数据融合的并联机床动态定位方法

针对并联机床动平台上主轴动态定位问题,将惯性传感技术运用于并联机床动平台的位姿测量,提出一种基于卡尔曼滤波(Kalman filtering,KF)数据融合的并联机床动态定位新方法。该方法融合动态惯性测量数据和机床各腿(支架)的编码器信息,通过KF算法补偿动态测量误差和计算误差,从而实现并联机床动平台位姿(位置和方向)的精确定位。详细介绍KF算法中惯性系统模型和外部测量模型的建立过程,以及测量变量与状态变量间的关系矩阵的推导过程。最后,进行一个单方向运动动态测量的简化试验,对并联机床动平台的6自由度位姿测量进行仿真研究,初步证实了该位姿算法的有效性。     

基于时间序列的GPS定位误差分析

在现代海战场的环境监测中,针对全球定位系统(GPS)的缺陷,采用时间序列分析的方法建立定位误差模型。首先将获得的数据进行平稳化处理,通过依据样本数据的自相关函数和偏相关函数的统计特性确定采用自回归滑动平均(ARMA)模型,然后根据参数的最小二乘估计和AIC准则建立ARMA(4,2)模型。通过对模型的残差分析,得出残差符合白噪声要求,与实际模型拟合程度较高,最后采用预报器对模型进一步预测,根据预报结果修正误差,明显提高了定位的精度。仿真结果表明了时间序列方法可以有效提高GPS的定位精度的有效性。     

一种过山车运行参数测量系统的设计

高速运转的过山车给人留下刺激和惊险的印象,但过山车的运行参数与设计参数是否一致,能否满足当初的设计要求,一直以来都是生产企业急需解决的问题。根据过山车安全生产的要求,设计了一套过山车运行参数测量系统,通过微处理器STM32F103ZET6采集惯性单元AD IS16365的数据,利用四元数法实现过山车运行姿态的解算,上位机应用M atlab软件编写程序,实现加速度、姿态角等运行参数的图形化显示。     

基于卷积神经网络与扩展卡尔曼滤波的 单目视觉惯性里程计

针对单目相机采集室外图像易受环境光照影响、尺度存在不确定性的缺点,以及利用神经网络进行位姿估计不准确的问题,提出一种基于卷积神经网络(CNN)与扩展卡尔曼滤波(EKF)的单目视觉惯性里程计。采用神经网络取代传统里程计中基于几何约束的视觉前端,将单目相机输出的估计值作为测量更新,并通过神经网络优化EKF的误差协方差。利用EKF融合CNN输出的单目相机位姿和惯性测量单元(IMU)数据,优化CNN的位姿估计,补偿相机尺度信息与IMU累计误差,实现无人系统运动位姿的更新和估计。相比于使用单目图像的深度学习算法Depth-VO-Feat,所提算法融合单目图像和IMU数据进行位姿估计,KITTI数据集中09序列的平动、转动误差分别减少45.4%、47.8%,10序列的平动、转动误差分别减少68.1%、43.4%。实验结果表明所提算法能进行更准确的位姿估计,验证了算法的准确性和可行性。     

基于时间序列法的风电场风速预测研究

文章采用Box．Jenkins时间序列分析方法,通过Matlab软件,利用达坂城风电场30m处,每10min采集一次得到的风速数据,建立ARMA模型,实现提前1h的风速预测,为更长时间（半天、一天或两天）的风速预测提供理论基础。     

基于时间序列统计语言分析的齿轮箱状态监测

齿轮箱故障信号通常具有非平稳和非线性特性,基于平稳线性理论的时域统计参数方法难以有效地监测齿轮箱的运行状态。为了解决这个问题,采用时间序列统计语言分析方法来处理齿轮箱振动信号,提出了基于时间序列统计语言分析的齿轮箱状态监测方法。该方法首先将原始序列映射为一个单词频次序列,接着利用单词频次序列之间的相关系数来检测齿轮箱运行状态的变化。利用一组包含不同齿轮箱状态的振动数据对该方法的性能进行了验证,结果表明,提出的方法不但能够有效地区分不同的齿轮箱状态,而且能够准确反映齿轮箱运行状态的自然演化过程,与传统的时域统计参数方法相比具有明显的优势。     

基于虚拟样机的风力作用下过山车动态性能研究

研究基于虚拟样机技术在不同风力下过山车的动态性能.提出了风力的设置方式,将风速变量引入风力模型.分别在两种不同的自然风风速条件下对过山车进行了动力学仿真.分析了速度、车厢之间连接力及轨道对车轮的约束力的变化情况.通过实验研究,获得了过山车安全的横风风速范围.     

基于虚拟样机技术的过山车立轴瞬态应力分析

针对过山车在高速运行过程中,其连接车架和桥壳的关键件立轴受力具有瞬时多变性特点,传统的静力学分析方法无法满足其安全性评估需求的问题。对过山车基于虚拟样机联合仿真技术进行了三维建模与ADAMS多体动力学分析,获得了关键件立轴在运行过程中所受载荷随时间的变化曲线。利用ANSYS Workbench建立过山车立轴的有限元模型,对其施加从ADAMS中提取出来的力载荷,从而获得了立轴的变形和应力云图,根据有限元分析校核了其安全系数和疲劳强度系数。研究结果表明,其安全性评估均满足国家标准。该方法为后续过山车的设计研发、制造和安装以及提高运行过程中的安全性提供了有力的保障。     

基于AR_CLSTM的多元时间序列预测分析

时间序列是一种广泛应用于电量预测、汇率预测、太阳能发电量预测等各种领域的数据,预测其变化具有重要的意义.与LSTM相结合的编码器-解码器被广泛应用于多元时间序列预测.由于编码器只能将信息编码成固定长度的向量,因此模型的性能随着输入序列或输出序列长度的增加而迅速下降.为此,提出了基于编解码结构与线性回归的组合模型(AR CLSTM),该模型使用基于时间步的注意力机制使解码器能够自适应选择过去的隐藏状态并提取有用的信息,并利用卷积的结构学习多元时间序列不同维度之间的内在联系,同时结合了传统的线性自回归方法来学习时间序列的线性关系,从而实现在编解码结构上进一步降低时间序列预测的误差,改善多元时间序列的预测效果.实验结果表明,AR_CLSTM模型在不同的时间序列预测上表现良好,其均方根误差、均方误差、平均绝对误差均下降显著.     

Research on localization algorithm of naval vessel for submarine based on bearing-range measurements

Combined with naval vessel practical antisubmarine equipment of towed linear array sonar,a mathematical model of naval vessel localization for submarine based on bearing measurement was built,and local...     

修正时序法在石化装置数据校正中的应用研究

为了有效地克服传统统计检验和线性化处理方法进行过失误差侦破、数据校正与参数估计时存在的局限性,对现有过程测量数据校正技术进行了综合分析,探讨了数据分类、过失误差侦破和过程测量数据校正等问题,以具有代表性的化工装置和炼油装置为研究对象,提出了修正时间序列分析法,给出了时间序列分析法的基本思想、概率模型和特点,以及含随机误差的数据校正方法,并将时序法用于过失误差侦破。在大型化工装置的测量数据校正结果表明,该方法是实用性强、方便有效的数据校正新策略。     

时栅传感器动态测量误差补偿

针对动态测量误差特点,提出了对系统误差和随机误差分别进行建模和组合补偿的思想来提高时栅传感器的动态测量精度。对具有周期性变化特征的系统误差采用傅里叶级数逼近的方法进行建模,运用最小二乘求解超定方程组的方法计算出系统误差的补偿参数。对于系统误差补偿后残留的随机误差采用灰色预测GM(1,1)模型进行预测,通过模型残差检验和修正提高预测的准确度。实验结果表明,利用傅里叶级数逼近模型有效地补偿了系统误差,误差由±35″降至±7.8″,通过最小二乘参数寻优得到的补偿参数与传感器实际的误差成分相吻合;灰色预测模型则很好地预测补偿了残留的随机误差,误差由±7.8″降至±3″。得到的结果表明,利用这种对误差分别建模和补偿的方法大幅度地降低了动态测量误差,有效地提高了传感器的测量精度。     

基于支持向量机时栅数控转台时序预测研究

时栅代替光栅等传统位移传感器运用到全闭环数控转台做角位移检测部件,需采用时空变换算法将时栅的时域信息转换到空域信息。运用时间序列分析出时栅数控转台的测试数据依存特性,采用支持向量机建立起未来测试数据和历史样本的映射关系,从而得到测试数据中隐含的规律。依据过去相关测量值采用支持向量机回归预测下一采样时刻角位移,将原本等时采样的绝对式角位移转换为全闭合数控系统需要的等空间增量式连续脉冲。并且在误差控制方面,采用当前预测值对上一次预测误差进行实时修正,消除累计误差保证测量精度。实验证明支持向量回归的时间序列预测算法能有效保证动态数控角位移测量误差控制在±2.5″以内,实现精密全闭环角位移测量。