线结构光三维视觉曲面测量的自适应采样与建模方法

研究了线结构光视觉传感器曲面测量数据在商用ＩＤＥＡＳ中的建模问题,提出了一种基于曲率特征的自适应采样方法和采样精度评价指标．对扫描曲线进行采样,并经过对曲线间采样点的匹配、细分生成矩型网格数据,送入ＩＤＥＡＳ系统,建立曲面的ＣＡＤ 模型．最后给出了曲面建模实例,结果表明该方法使采样点能有效地反映扫描截面曲线的曲率特征,实现了与ＩＤＥＡＳ曲面建模数据格式的转换     

基于改进符号回归算法和XGBoost算法的剩余续驶里程预测

提高剩余续驶里程预测精度可以缓解驾驶人的"续航焦虑",帮助车厂开发精细的电池管理系统,提高纯电动汽车的接受度.基于改进符号回归算法自动生成与标签字段高度相关的新数据特征字段,实现数据维度扩充.再将维度扩充后的数据传入经过超参数调优的XGBoost模型预测剩余续驶里程.对比仅使用经典特征字段的原始数据,维度扩充后的数据在...     

基于核极限学习机的负荷多粒度预测模型

台区负荷数据不仅作为时序数据呈现自相关性,还易受台区环境因素影响呈现非平稳性,因此预测精度不仅与预测模型结构有关,还与输入数据的时序特征有关。为了提高台区负荷的预测精度,提出一种基于混沌时序分析与核极限学习机的短期负荷多粒度预测模型。针对负荷数据的非平稳特征,通过变分模态分解算法将非平稳的原始信号转换成一系列相对平稳的子信号;针对负荷数据中的自相关特征,通过混沌时序分析方法,求解各个模态输入预测模型时的时间窗大小;构建多粒度核极限学习机预测模型,解决负荷数据中非平稳、自相关性对负荷预测的不利影响,提高模型的预测精度。结果表明,负荷的预测精度受输入数据时间窗大小的影响,不同模态分量的最佳时间窗的大小不同。采用混沌相时序分析的方法评估各个模态分量的最佳时间窗大小,可以有效提升核极限学习机的预测精度。     

基于CORUM~(TM)模型与多闭环的冷连轧自动控制系统

简要介绍了唐山钢铁公司1 700 mm五机架酸轧机组的工艺参数、设备参数以及关键传感器配置.重点研究了冷连轧机组部分的自动化控制系统软件包,它包括基于神经元网络、成本函数和轧制物理模型的CORUMTM过程工艺模型以及集高精度、高响应、多变量为一体的厚度、张力和平直度闭环控制技术.现场实际应用效果表明:基于先进工艺模型的预设定方法结合在线的闭环控制技术保证了板带产品质量,最终产品具有较高的厚度精度和平直度精度.     

多粒度模糊粗糙近似算子的信任结构与属性约简

多粒度是近年来粗糙集领域研究的一个热点方向, 为使多粒度模型更适用于实际数据, 提高模型的可用性, 模糊思想被引入到多粒度粗糙集模型中。本文构建了基于模糊相似关系下的多粒度模糊粗糙集模型, 并建立了模糊信任结构。在该信任结构下根据多粒度模糊粗糙集的上、下近似构造信任函数与似然函数。研究多粒度模糊粗糙集在模糊等价关系下的属性约简, 并给出相关算法。     

基于代理模型的复合材料带加强筋板铺层优化

该文基于遗传算法对复合材料带加强筋板中加强筋的铺层顺序进行了优化,使结构在质量一定的情况下结构屈曲载荷最大。为了减少优化过程中有限元模型的调用次数,引入径向基神经网络作为代理模型对结构屈曲载荷进行估计,并且将铺层参数作为其输入以降低目标函数的非线性。由于设计空间形状不规则,采用D-optimal实验设计方法确定训练径向基神经网络的采样点集。考虑到代理模型存在估计误差,提出了加强代理模型在暂定最优区域估计精度的方法。算例表明:以铺层参数为输入的径向基神经网络在建立代理模型方面具有较高的精度和效率;代理模型的局部精度加强可进一步提高代理模型在暂定最优区域的精度。     

基于改进深度森林的短期电力负荷预测模型

深度学习模型通过学习数据的深层特征能够有效提高电力负荷预测的准确率,但同时也带来了超参数较多、模型可解释性差等问题。针对这些问题,文中将深度森林模型引入短期电力负荷预测领域。在多粒度级联森林模型的基础上改进了多粒度窗口扫描方法,调整窗口大小与滑动步长,使模型能够在不同时间尺度下提取电力负荷数据的周期性特征。此外,改进深度森林输出层的计算方法,将输出结果由离散的类向量改进为连续的预测值,进而提高模型的精确度。最后在中国东北电网的实测数据中验证了文中所提出方法的可行性与有效性。从实验结果可知,改进深度森林算法在较高预测精度的情况下能取得更高的准确率,并且相较于深度神经网络具有更快的学习速度。     

基于改进LSTM神经网络的化工过程故障诊断

针对现代化工过程中数据非线性、高维度以及动态时序等特点,传统的故障诊断模型对化工过程的故障诊断精度较低.基于此,设计了一种基于改进的长短时记忆神经网络(LSTM)故障诊断方法.首先,将采集的故障数据输入卷积神经网络(CNN),对数据进行特征提取和降维;其次,将处理过的数据输入改进的LSTM网络,进行深层特征提取;最后,把提取的深层特征信息输入到注意力机制进行特征“聚焦”,实现特征融合后输入softmax分类器实现故障分类.由田纳西-伊斯曼(TE)过程诊断实验结果表明,基于改进的LSTM网络的故障诊断方法在故障分类精度、训练速度方面都更优于递归神经网络(RNN)、门控循环神经网络(GRU)、卷积神经网络(CNN)和深度自编码网络(DAEN),在实际化工过程的应用有一定的优势.     

一种基于信息粒度的高属性维稀疏数据聚类算法

目前的高属性维稀疏数据算法大多面向二态数据，而且没有聚类结果的评价方法，给应用带来很大局限。针对这些问题，给出一种基于信息粒度的高属性维聚类算法。首先通过设计面向数据稀疏特征的半模糊聚类算法对数据进行离散化，并基于此给出稀疏相似度和初始等价关系的定义，然后设计可变精度的二次聚类模型对初始聚类结果进行修正，使算法具有较强抗噪声能力，最后结合应用领域定义一种新的聚类质量的评价模型。实验证明，算法具有更广应用性，可提供多粒度分析结果，准确度更高，得到的聚类结果能真实反映数据的特征。     

基于多尺度和注意力机制的滚动轴承故障诊断

针对滚动轴承信号易受噪声干扰和智能诊断模型在不同工况下自适应性差的问题,提出了一种多尺度注意力卷积神经网络(MSACNN)模型.首先,将一维时间序列转化为二维图像作为模型的输入,在特征提取过程中,利用多尺度卷积结构拓宽网络的宽度并实现不同维度敏感特征的提取;然后,通过注意力机制对数据不同维度的特征赋予不同的权重,使模型...     

基于ABAQUS二次开发的轧制过程组织性能预测

考虑到实际板带轧制过程中组织性能预测的精度缺陷,基于低合金钢轧制过程动态再结晶型的真实应力-应变数学模型及微观组织模型,通过VUMAT及USDFLD数据接口,依托于ABAQUS有限元软件,对软件材料子程序及其微观组织模型进行了二次开发研究,最后对Q345B板带的热轧制过程进行了模拟验证。研究结果表明:模型的预测精度较高,板带横截面处各部位的静态软化率和奥氏体晶粒直径差别较大,板带中心处的奥氏体晶粒分布比较均匀,板带侧面及表面奥氏体晶粒细化程度不大,要靠后续的精轧过程继续细化。     

抽油机井参数优化的粒计算方法

针对油气生产中的抽油机井参数优化问题，开展了一种基于抽油机井生产调控、维护措施数据的抽油机井生产参数优化的粒计算方法研究，研究中采用了粒计算、代价敏感粗糙集及推荐系统等机器学习方法。首先，利用决策树建立基于时间、空间及业务层次等抽油机井数据的多粒度融合模型；然后，利用代价敏感粗糙集定义与抽油机井业务相适应的代价敏感评价模型；最后，在代价约束条件下，设计基于域感知因子分解机的抽油机井生产核心参数及维护措施推荐模型。在实际的油气生产数据上进行不同粒度的对比实验，可以发现由粗粒度到细粒度调整抽油机井的生产参数，其生产核心参数优化的推荐准确度先是逐渐增加，后逐渐下降。说明在参数优化中，需要进行合适的粒度选择。     

基于极限梯度提升和探地雷达时频特征的水泥路面脱空识别

针对探地雷达（GPR）数据解译依赖于人工经验，存在费时费力和主观偏差的问题，提出了基于极限梯度提升（XGBoost）和GPR时频特征的水泥路面脱空识别方法。采用正演模拟、室内试验和现场试验获得了脱空病害数据源，建立含有标签的脱空GPR数据集；通过重采样方法统一GPR数据采样频率，并对预处理后的GPR数据进行时频域特征提取，建立了包含18个时域和12个频域特征的数据集。以时频域特征为输入，是否存在脱空病害为输出，采用XGBoost算法构建脱空识别模型，并与随机森林（RF）和人工神经网络（ANN）算法进行对比。结果表明，模型的识别准确率排序为XGBoost(98.10%)>ANN(95.10%)>RF(93.17%),XGBoost模型识别精度最高，并能在实际路面上准确定位脱空区域。     

基于现场工业总线的煤炭装车称重信号同步采样系统

称重精度是煤炭快速定量装车系统中的重要参数,目前称重系统称重仪表显示结果多为求和称结果,不能直观反应每个传感器的应力变化,当误差较大时很难分析装车站结构或调试问题。本文研究了基于现场工业总线的称重信号同步采样系统,对每个传感器的采样,通过软硬件滤波将结果记录下来。这有助于分析称重系统误差原因,改善安装工艺,提高称重精度。     

遗传算法优化神经网络的热轧带钢弯辊力预报模型

针对传统弯辊力预设定模型的缺陷和带钢热连轧轧制特点，利用某钢铁公司1580mm热轧线生产数据，对精轧机组末机架进行了基于遗传算法优化神经网络的弯辊力预报模型研究.以大量实际数据作为神经网络训练输入，充分考虑了输入参数之间的影响作用，模型结构简单、容易实现，其整体性能用平均绝对百分误差、均方根误差和相关系数R评价.通过将预测结果与实测结果比较，验证了模型的精度.研究发现，提出的弯辊力预测模型相比于传统模型可实现高度非线性拟合，适用于提高热轧带钢头部板形控制精度，为实际弯辊力设定提供指导和试验基础.     

基于IMM的电扫描雷达参数控制算法研究

针对电控扫描雷达目标跟踪中的资源分配问题,基于交互多模型算法(interacting multiplemodel,IMM),提出了一种对采样间隔和驻留时间两个参数进行联合控制的方法.在满足一定跟踪精度的情况下,相对只优化采样间隔的跟踪算法,更能节约雷达资源.该方法不固定检测概率,只限制其最小值,更加接近实际.仿真结果表明了算法的可行性和有效性.     

基于覆盖的多粒度决策理论粗糙集模型

经典的多粒度决策理论粗糙集是基于论域上的等价关系而建立的,然而在实际应用中等价关系很难得到和把握.本文结合多粒度决策理论粗糙集模型,基于覆盖粗糙集理论提出了基于覆盖的多粒度决策理论粗糙集理论,推广了前人的工作.     

激光熔铸过程中涂层物料吸收系数及输入基材热量的研究

提出了用静态粉末床原理测量涂层表观吸收系数和输入基材热量的方法，并讨论了熔铸过程中粉末粒度，扫描速度及光束辐照状态等工艺参数对涂层表观吸收系数和输入基材热量的影响。     

基于Stellaris TM系列微控制器的ADC滑动平均过采样技术

Stellaris TM系列微控制器的部分产品中集成了ADC模块。ADC的硬件分辨率为10位，但由于噪音和其它使精度变小的因素的影响，实际的精度小于10位。本文提供了一个基于软件的过采样技术，从而使转换结果的有效位数（ENOB）得到改善，并描述了对输入信号执行过采样的方法，以及在精度和整个系统性能上的影响。     

基于BP神经网络的桥梁移动荷载识别精度

为了识别作用于桥梁结构上的移动荷载,基于反向传播神经网络方法,开展了输入参数对荷载识别精度影响的分析.首先利用ANSYS模拟移动集中力通过简支T梁桥,得到了主梁跨中位移、速度和加速度时程曲线;其次基于MATLAB建立反向传播神经网络结构,分别将桥梁结构的位移、速度和加速度动态响应数据作为反向传播神经网络的输入参数,移动荷载大小作为输出参数,研究不同输入参数对荷载识别精度的影响;然后分别选取位移和速度、位移和加速度、速度和加速度以及三者组合的工况进行多参数输入的优化设计;最后,以某4跨预应力混凝土连续T梁桥工程为背景,以重车下的竖向加速度实测数据验证了该反向传播神经网络用于识别实桥上简单移动荷载的可行性.结果 表明:利用反向传播神经网络进行移动荷载大小识别时,单输入参数的识别精度由高到低依次为加速度、速度、位移,建议在实际工程中采用较易获取的加速度数据作为输入参数进行荷载识别;多参数组合输入可以提高移动荷载的识别精度,其中速度和加速度组合可以实现较优的识别效果;实测数据证明了该反向传播神经网络用于简单的实桥荷载识别是可行的.相关研究结果可为桥梁载荷识别及桥梁结构的性能评价提供参考.