基于双卡尔曼滤波及贝叶斯估计的微弱GPS信号跟踪方法

提出了一种基于卡尔曼滤波的平方根算法以及贝叶斯估计理论的微弱GPS信号跟踪方法.采用2个耦合的扩展卡尔曼滤波器,即双卡尔曼滤波器来完成码跟踪和载波跟踪,同时,减少信号累加积分时间,以降低运算复杂度而提高收敛速度;采用基于贝叶斯估计理论的未知导航信息位处理方法,以降低在信号微弱的情况下未知导航位所带来的不利影响.仿真结果表明,利用该方法可以精确跟踪载噪比低至19 dB-Hz的微弱GPS信号.     

基于结构健康监测的苏通大桥实测强风演变功率谱

对基于小波变换的非平稳时间序列演变功率谱密度函数的估计方法进行了总结.以苏通大桥结构健康监测系统实测的台风达维、海葵以及冬季强北风数据为研究对象,基于Morlet小波计算了上述3个实测典型强风的演变功率谱密度函数.实测风演变谱在时域内的均值与傅里叶谱吻合良好,验证了演变谱估计结果的准确性.实测强风的演变功率谱分析结果表明,脉动风的能量主要集中在低频部分,且脉动风速功率谱随时间变化显著,具有较强的非平稳特性.基于平稳随机过程假设的传统风谱计算方法无法准确描述实测强风风谱的非平稳特征.研究结论可为桥址区三维非平稳脉动风场的准确模拟以及强/台风作用下苏通大桥的非平稳抖振分析提供实测参考.     

一种用于GPS定位估计滤波算法的非线性模型

提出了一种将现代非线性滤波技术用于GPS定位估计的方法，该方法可用于低价位的单机GPS接收器的定位，提高它们的定位精度和鲁棒性．应用该方法，根据单机GPS的原始数据、伪距和多普勒频移进行定位估计。开发了一种新的基于非线性滤波的位置和速度估计模型，该非线性模型具有随观察到的卫星数量而改变状态和测量元个数的动态特性．运用一种新型的非线性滤波-平淡卡尔曼滤波求解该模型．GPS定位实验结果表明．与通用的最小二乘迭代法或直接从接受机获得的结果相比，所提出的非线性模型得出的滤波估计结果具有较高的精度和鲁棒性．     

降低中低碳合金钢车削表面粗糙度研究

对２０ＣｒＭｎＴｉ及４５钢试棒进行车削试验研究，结果表明，在正火状态下粗车，２０ＣｒＭｎＴｉ钢表面粗糙度较大，．在精车时，明显减小；４５及２０ＣｒＭｎＴｉ钢分别在淬火＋中温回火及淬火＋低温国火的状态下精车，由于鳞刺明显减少，二者表面粗糙度均显著降低。４５钢减少鳞刺，降低粗糙度，主要在于提高强度，２０ＣｒＭｎＴｉ则是板条马氏体结构及性能。     

Revit-Midas/Civil模型转换方法及应用

为解决桥梁结构分析过程中手动建模效率低且重复性强等问题,依托Revit和Midas/Civil软件平台,在Visual Studio开发环境下采用Revit API和C#语言,提出了一种BIM模型向结构有限元模型的自动转换方法,并设计了一种Revit向Midas/Civil的模型转换程序.以某连续梁桥工程为对象,通过访问BIM模型中结构构件对象存储的属性信息,获取桥梁结构分析所需的有限元建模参数,并转换成适用于Midas/Civil的语言格式,实现了有限元建模过程中结构参数信息的准确添加.在此基础上,根据桥梁有限元模型的应力分析结果,验证模型转换方法的可行性.结果 表明,所提出的Revit-Midas/Civil模型转换方法可实现BIM模型向结构分析模型的自动转换,有效提高了桥梁结构分析的建模效率,弥补了BIM技术在桥梁结构分析方面的不足.     

限位吊索对三跨连续悬索桥静动力特性的影响

为研究限位吊索对大跨缆索桥梁结构静动力特性的影响，以某非对称三跨连续悬索桥为工程背景，建立了大桥有限元模型，并通过实测验证了模型的正确性，探究了限位吊索对大桥主缆线形、主梁线形及动力特性的影响.研究结果表明：限位吊索可协调三跨连续悬索桥边跨过渡墩处主缆与主梁的竖向变形，使得结构具有合理的应力分布；当一侧不设限位吊索时，主缆最大变形可达355.7 mm,同时引起其余吊索发生应力重分布，使得边跨主梁产生最大正向变形值，并在另一侧边跨产生最大负向变形值；当全桥均不设限位吊索时，主缆与主梁两侧变形均达到最大值，应力重分布呈对称分布；限位吊索主要影响三跨连续悬索桥前3阶竖弯模态频率，设置限位吊索可略微提高结构的竖向刚度.     

基于语义分割的桥梁锈蚀病害识别对比分析

针对桥梁锈蚀数据难获取、锈蚀病害数据集小的问题，基于生成对抗网络(GAN)对桥梁锈蚀数据集进行扩增，并采用IS和K均值聚类算法验证其有效性.采用扩增后的数据集，按4∶1的比例划分为训练集和验证集，分别对U-Net网络和DeepLab-V3+网络进行训练，对比分析2种网络对于锈蚀分割的精度、召回率及F₁分数.结果表明，采用深度卷积生成对抗网络(DCGAN)生成虚拟数据集的IS值达到2.41,分类肘形图类别数为5,与原数据集吻合，可作为扩增数据集以提升模型泛化性；DeepLab-V3+网络模型在验证集上的精度为0.935,召回率为0.952,F₁分数为0.943,均显著高于U-Net网络模型.DeepLab-V3+网络在点状锈蚀区域连通与分割方面优于U-Net网络，并实现了片状锈蚀区域分割，为桥梁锈蚀精准识别与分割提供了技术支撑.