基于声发射原理的矿井掘进机故障诊断技术研究

针对在我国各大矿区广泛应用的EBZ160悬臂式掘进机,基于声发射原理及技术,设计一套掘进机故障诊断声发射检测系统,获得各种故障的声发射数据样本,同时借助小波神经网络的迭代收敛性质,对故障数据样本的精确度进行验证,正确率较高,能够较好地应用于井下掘进机的故障诊断.     

基于深度信念网络的列车故障音频诊断方法

铁路在交通运输行业有着举足轻重的地位，一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低，因此难以捕获列车的故障样本。针对上述问题，提出了一种无监督学习的列车故障识别方法，通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN)，利用小波包分解提取检测信号的特征向量并将其作为DBN的输入，待网络充分训练后，由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明，该方法能够在无监督的条件下有效识别列车故障，保障了列车的运行安全。     

基于滑动式切比雪夫方法的广播星历插值分析

利用滑动式切比雪夫多项式拟合卫星坐标,详细介绍滑动式切比雪夫多项式拟合原理,并通过实例对比分析普通的切比雪夫多项式和滑动式切比雪夫多项式拟合卫星坐标的精度。结果表明,滑动式切比雪夫多项式拟合卫星坐标的精度比普通的切比雪夫多项式拟合精度高,在插值端点处能够很好地克服振荡和跳跃现象。     

基于小波降噪和循环神经网络的煤矿瓦斯浓度预测

在瓦斯浓度监测数据分析中发现,瓦斯浓度序列往往呈现出较强的随机性和复杂性,时序数据中含有的噪声会对数据的预测结果产生干扰。为了减少数据中的噪声所带来的负面效果,提出了一种将小波阈值降噪与LSTM(长短期记忆网络)相结合的瓦斯浓度预测模型。通过将原始数据进行分解、阈值处理和重构,对时序数据中的噪声进行剥离,再通过LSTM模型进行预测分析,与普通LSTM和RNN网络进行比较,结果表明,所提出的基于小波降噪的LSTM的瓦斯浓度预测模型在精确度和泛化能力上都具有更好的表现。     

基于分形插值的改进趋势面拟合法在地面沉降中的应用

针对区域地面沉降监测点数量有限、分布不均的情况,一般采用空间插值的手段建立表面拟合模型来解决。基于分形插值,采用随机选择迭代函数的思想对传统的趋势面拟合法作出改进,改进后拟合优度系数提高0.03,达到0.995,且改进前后的拟合结果符合显著性检验的要求。实验结果表明:改进前后趋势面拟合法拟合结果满足地面沉降监测的精度要求,改进后方法的拟合优度更高,对现实地面沉降量变化的描绘更加真实,可为沉降灾害评价工作提供更准确的依据。     

视觉引导划片机轨迹优化算法研究

针对砂轮划片机重复划片会降低芯片的加工精度,甚至损坏芯片的问题,基于Halcon软件平台提出一种提高划片精度的轨迹识别与规划方法。该方法结合了双线性插值和亚像素边缘检测算法,实现了轨迹的识别,进一步规划下次划片轨迹,并且提高划片精度。以被砂轮划片机划片芯片为实验背景,完成了对划片轨迹的识别与规划。实验结果表明,所提出的算法与传统的Canny算法比较,可以有效提高轨迹识别的精度,进而提高划片的精度。