强磁场下电磁振荡频率对Al-18wt%Si合金初生硅分布和形貌的影响

为确定电磁振荡频率对初生硅的影响,本文选用Al-18wt%Si合金,研究了强磁场与工频、中频两个频率的交变电流复合作用产生电磁振荡对初生硅分布和形貌的影响规律.结果表明:振荡频率对Al-18wt%Si合金初生硅的分布影响不大,而对其形貌产生较大的影响,随着频率的增大,初生硅由板条状转变成颗粒状.     

二维局部均值分解算法

为了获取不同尺度下的特征信息用于滤噪、边缘提取等图像处理,在一维局部均值分解基础上提出一种二维局部均值分解算法.首先用快速8-邻域窗算法或者灰度形态学重构算法提取图像的局部极值点;然后通过Delaunay三角剖分将求得的极值点划分成三角网格来确定每一个极值点的相邻极值点,进而得到相邻极值的局部均值函数和包络估计函数;最后采用一种综合考虑二维乘积函数极值点空间特征和包络估计函数极值大小的停止筛分条件,通过迭代寻优方法得到相应的二维乘积函数,将图像分解成不同尺度下的成分.在Tree,Cameraman等经典图像上的实验结果表明,该算法能快速有效地实施图像多尺度分解,性能好于二维局部均值分解算法及传统的二维经验模态分解算法.     

LED景观灯照明智能控制系统

针对现有城市景观灯控制系统控制范围小、管理效率低、灵活性差的问题,提出一种城市发光二极管(LED)景观灯智能控制系统,采用基于脉冲宽度调制调光技术的智能控制终端,使用RS485总线实现LED灯管的终端通信,并通过通信转换器接入以太网网络与远程控制中心相联,实现远程智能控制。阐述智能控制终端的硬件电路设计、软件设计流程、系统通信协议和远程控制实现方法。测试结果证明,该系统数据传输可靠、响应及时、成本低,易于实现分布式远程控制和管理。     

基于ITD与稀疏编码收缩的滚动轴承故障特征提取方法

针对滚动轴承早期故障信号具有周期性冲击的特点和被强噪声淹没而难以提取的问题,提出了一种基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)与稀疏编码收缩(Sparse Coding Shrinkage,SCS)集成的轴承故障特征提取方法(命名为ITD-SCS)。ITD能自适应地将振动信号分解成若干固有旋转分量(Proper Rotation,PR),选择有效的PR分量突显信号的冲击特征。进一步采用奇异值分解(Singular Value Decomposition,SVD)对每一有效PR实施滤噪作为SCS的前置滤噪单元以提高信号的稀疏性。最后,通过SCS利用极大似然估计方法提取合成信号中的冲击特征。将ITD-SCS应用于轴承内圈故障仿真信号和外圈实际故障振动信号的实验结果表明,ITD-SCS能有效提取强背景噪声下的轴承故障信号的冲击特征。     

氢等离子体电弧熔炼对稀土金属Gd凝固组织和硬度的影响

采用氢等离子体作热源熔化、精炼稀土金属钆(Gd),并采用双辊薄带连铸制备Gd金属带.研究了等离子气中氢气比例、双辊连铸角速度和轧制及热处理工艺对金属Gd凝固组织和硬度的影响.结果表明:增大等离子气中氢气比例、减小双辊连铸角速度,金属Gd中杂质去除率升高,凝固组织晶粒尺寸增大;延长退火保温时间,组织粗化、显微硬度降低.热...     

基于深度强化学习与有限元仿真集成的拉深成形控制

金属板材拉深过程中的压边力是决定成品质量的关键参数,传统压边力控制方法往往需要对高度非线性的拉深过程进行建模,导致其控制结果与实际存在较大偏差。提出一种基于深度强化学习与有限元仿真集成的金属板材拉深过程控制模型,利用深度神经网络强大的预测能力来提取拉深加工过程中的状态信息并进行可靠预测,结合强化学习的决策能力来进行压边力控制策略的学习优化,避免了精确系统动力学模型的拟合以及先验知识的获取。同时,针对板材拉深加工中常见的拉裂质量缺陷与起皱质量缺陷,建立拉深成形性能评价函数,为深度强化学习提供回报信号来指导学习过程,并利用有限元仿真构成深度强化学习的环境模型。试验表明,深度强化学习模型能够有效地进行压边力控制策略优化,有效提高产品质量。所提出的压边力控制模型利用无模型的深度强化学习,能避免拉深过程的系统模型拟合,可提高压边力控制策略的控制效果,同时结合循环神经网络能解决板材拉深加工过程中的部分可观察性问题。     

基于FY-2C气象卫星云图的台风分割方法的研究

在利用FY-2C气象卫星云图进行台风中心自动定位与跟踪的研究中,台风云系的分割是处理中关键的一步。结合台风主体云系具有灰度值较高、面积较大、活动范围有限和像素集中的特点,综合采用阈值法、数学形态学法和数理统计等方法,对FY-2C气象卫星云图中的红外一通道兰勃托原始投影云图中的台风分割进行了研究,取得了满意的效果。     

基于自适应加权多尺度组合形态滤波的轴承故障特征提取研究

针对滚动轴承振动信号在进行早期故障诊断时往往会伴随着噪声干扰的问题,提出了一种选择性自适应加权多尺度组合形态滤波(Adaptive Weighted Multi-scale Combination Morphological Filtering,AWMCMF)方法,从振动信号中提取故障特征。首先,采用三种组合算子构成一组新的形态算子,可有效地提取出信号中的正负冲击特征;其次,基于新算子提出了加权多尺度形态滤波方法,并将Teager能量峭度作为评判指标为各尺度提供优化的权值;最后,将选择性自适应权值与多尺度算子进行加权绑定得到优化的故障特征提取结果。通过仿真信号和轴承故障振动信号的结果表明,该方法能有效地滤除噪声并提取故障特征。     

注意力卷积GRU自编码器及其在工业过程监控的应用

针对现有故障检测算法难以深入并准确地提取数据内在信息的问题,提出注意力卷积门控循环单元自编码器（CGRUA-AE）深度神经网络和基于CGRUA-AE的过程故障检测方法. 采用卷积门控循环单元（ConvGRU）有效地提取输入数据的空间和时间特征;建立基于ConvGRU的自编码器,采用无监督学习对时间序列数据进行特征提取,引入注意力机制对相应的特征进行加权计算,实现对关键特征的有效选择;分别在特征空间与残差空间上建立基于T ²、SPE统计量的过程监控模型,实现对多元数据有效的特征提取和故障检测. 数值案例和田纳西?伊士曼过程故障检测结果表明,CGRUA-AE具有良好的特征提取能力和故障检测能力,性能优于常用的过程故障检测方法.     

基于多层混合滤噪的轴承早期弱故障特征提取方法

为了提取受强背景噪声干扰的信号中的弱故障特征,提出一种基于局部均值分解的多层混合滤噪方法(Local Mean Decomposition-Multilayer Hybrid De-noising,LMD-MHD)。针对LMD分解所得的乘积函数(Product Function,PF)分量可能存在虚假分量的问题,提出一种多指标综合决策方法,结合各指标在不同故障阶段的量化能力,筛选出合理的有效PF分量。将小波阈值滤噪设为奇异值分解(Singular Value Decomposition,SVD)的前置处理单元,使保留的较大奇异值以特征信息贡献为主,减少干扰成分,并采用信号快速傅里叶变换结果中主频率个数来确定奇异值重构阶数。轴承早期故障振动信号的试验结果表明,该方法能够可有效滤除随机噪声和脉冲干扰,提取强背景噪声下的早期弱故障特征,提高轴承故障诊断的准确性。