模糊模式识别应用于回转窑内衬故障检测

结圈和红窑是水泥回转窑经常发生的内衬故障,仅对窑筒体表面红外温度图像进行分析来进行故障识别结果往往不够准确,本文采用了基于最大隶属原则的模糊模式识别方法和树聚类法分别对结圈和红窑等内衬故障进行自动识别和定位.在山东某水泥厂实验表明,该方法误识别率低,实现算法效率高,具有较高的工程推广价值.     

基于光流场的动态目标分割

采用光流法结合基于小波变换的像素级图像融合算法,研究了一种动态目标分割方法。光流场可以看作是带有灰度的像素点在图像平面运动产生的瞬时速度场,算法先以光流法计算出的动态目标瞬时速度场的水平速度分量和垂直速度分量作为初始信息,再利用基于小波变换的融合算法获得动态目标的初始分割,最后对初始分割结果进行图像去噪和图像增强,并最终获得清楚的分割图。实验证明,该方法能够产生良好的目标分割效果。     

带噪声统计估计器的犝狀狊犮犲狀狋犲犱卡尔曼滤波器设计

针对传统Ｕｎｓｃｅｎｔｅｄ卡尔曼滤波器（ＵＫＦ）在噪声先验统计未知或不准确时滤波精度下降甚至发散的问题,基于极大后验（ＭＡＰ）估计原理,设计了一种带噪声统计估计器的ＵＫＦ．该ＵＫＦ 滤波算法在进行状态估计的同时,能实时估计和修正噪声均值和协方差．相比于传统ＵＫＦ,所提出的ＵＫＦ具有应对噪声统计变化的自适应能力．仿真结果表明了该ＵＫＦ滤波算法的有效性．     

一种人机交互的三维建筑物快速建模方法

采用人机交互方法按照一定顺序提取建筑物角点,根据近似点位进行角点位置的纠正,按照影像自动定向的结果计算模型的三维坐标,建立三维建筑物模型.实验证明,这一方法能有效地实现速度和逼真度的兼顾.特别是对于一些仅需小范围的建筑物建模场合,例如三维制导时的目标区域,采用该方法进行建模不失为一种简单而有效的方法.     

简化单机水电系统负阻尼时频率振荡的类Hopf非光滑分岔分析

该文从切换型振荡角度,分析负阻尼情形下死区或限幅参与的频率振荡,说明负阻尼下超低频频率振荡(ultra-low frequency oscillation,ULFO)的机理之一是切换型振荡,并揭示了含死区和限幅的单机水电系统在突变负荷扰动下的超低频频率振荡可对应分段光滑连续系统的单次穿越型类Hopf非光滑分岔。首先,介绍分段光滑连续系统边界平衡点分岔(boundary equilibrium bifurcation,BEB)、类Hopf分岔和单次穿越型类Hopf分岔;其次,给出单水电机组电力系统的非光滑动力系统模型;然后,对比分析有/无死区和限幅(切换边界)时,单机系统负阻尼时频率振荡的差异,初步说明稳定的持续振荡与限幅和死区切换边界相关,无法单纯使用负阻尼或传统Hopf分岔来解释;进一步,借助广义Jacobi矩阵,说明有死区或限幅边界作用的切换型振荡对应的是发生单次穿越型类Hopf分岔;最后,分析突变负荷扰动下单机系统的平衡点、扰动后轨迹的非光滑分岔特性,说明单次穿越型类Hopf分岔是伴随着稳定结点穿越边界变为不稳定焦点的类Hopf分岔。     

单边限幅参与的并网VSC系统次同步振荡近似分析

针对电力电子设备引起的次同步振荡问题,现有研究集中在无法计及限幅的小信号模型分析或考虑限幅对称的近似分析,但极少考虑不对称的单边限幅的影响。针对不对称的单边d轴电流限幅(AU-d-CL,或上电流饱和限幅)参与的并网电压源换流器(voltage source converter,VSC)系统的次同步振荡现象,采用单边限幅的描述函数和广义Nyquist判据进行近似分析。具体地,首先,建立了并网VSC系统的简化模型,分析了其小扰动稳定性,并分析了AU-d-CL参与的负阻尼振荡现象。其次,给出了VSC系统的频域模型和AU-d-CL的描述函数。最后,结合AU-d-CL的描述函数和广义Nyquist判据,近似计算了不同参数和限幅值时的振荡幅值和频率,结果表明计算结果和仿真结果基本一致,可解释次同步振荡在限幅值改变时,频率基本不变,振荡幅值变化的现象。     

职业教育中的信息化教学创新实践

阐述职业教育课程的开发与共享,构建教学资源共享平台、促进智慧课堂建设、创新职业教育信息化,从而实现教育资源与信息技术的融合。     

力传感器的校准及测量不确定度评定

描述了静重式力标准机、杠杆式力标准机及叠加式力标准机的结构、校准原理,对力传感器校准结果的测量不确定度影响因素、评定过程及方法作了明确分析。     

优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用

针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题,提出了一种基于深度可分离残差网络（Depthwise Separable Residual Network,DS-ResNet）的滚动轴承故障诊断方法。采用快速傅里叶变换（Fast Fourier Transform,FFT）将滚动轴承一维振动转换到频域进行表示;利用深度可分离卷积（Depthwise Separable Convolution,DSC）计算复杂度低和逐点卷积（Pointwise Convolution,PWC）能增强网络非线性表达的优点,分别代替传统深度残差网络中的两个标准卷积层,构建出优化后的DS-ResNet模型。将各类故障状态下的频域信号作为DS-ResNet模型的输入进行识别分类,结果表明,在信噪比为-4 dB的强噪声环境中,识别准确率达到92.71%;在变转速工况下,平均识别准确率可达90.19%,高于其他常用深度学习诊断方法,且模型每轮的训练时间仅需2.16 s,证明了所提方法具有更好的抗噪性能、泛化性能和更高的诊断效率。