基于机器视觉的药用铝箔印刷品质检测系统

为适应制药行业对药用铝箔印刷品质的严格要求,在分析了印刷过程中对微小针孔、正面文字缺陷以及反面细小异物的检测需求后,开发了一套基于机器视觉的药用铝箔印刷品质检测系统。系统选配了线阵CCD相机、条形LED光源等硬件,搭建了高实时性、高清晰度的图像采集环境;采用基于Win Sock网络通信的系统架构作为检测软件,将多台工控机的处理结果通过网络通信传输给中控系统。经测试表明:此检测系统在现场能够稳定、高效运行,提高了药用铝箔印刷品质检测的自动化程度。     

集团化实验室信息管理系统中台建设实践

中台通过重新构建企业级的服务能力，消除企业内部各业务部门、各分子公司间的壁垒，可更好的适应企业发展。描述了当前中台发展现状，结合集团化计量检测机构特点，提出了实验室信息管理系统中台的一种划分方法，为集团化实验室信息管理系统建设提供一种解决方案。实现企业业务、资源、财务的综合管理，提升企业管理能力。     

热障涂层表面裂纹水浸超声检测

为有效检测热障涂层(TBCs)表面裂纹,进行了热障涂层表面裂纹水浸超声检测技术的应用研究。以常用的大气等离子喷涂(APS)热障涂层作为试验材料,采用水浸超声检测回波声程差和C扫描图像对不同深度、宽度和长度的热障涂层表面裂纹进行了表征。结果表明:热障涂层基体材料对热障涂层表面裂纹的检测效果无明显影响;通过优化检测参数和合理选用仪器探头,利用水浸超声方法可实现对热障涂层表面深度为0.1 mm、长度为2 mm裂纹的有效检测;水浸超声检测技术可以获得裂纹的长度、深度参数,是解决热障涂层表面裂纹检测问题的有效方法。      

液体火箭发动机健康监控技术研究现状

液体火箭发动机健康监控技术是改进和提高运载火箭、航天器可靠性与安全性的核心技术之一,对其进行研究具有重要的学术价值和工程应用价值。液体火箭发动机健康监控技术的研究主要包括液体火箭发动机故障检测与诊断理论方法、液体火箭发动机健康监控系统两方面。该文介绍了基于模型驱动的方法、基于数据驱动的方法和基于人工智能的方法,阐明了液体火箭发动机故障检测与诊断理论方法的研究现状,通过对美国液体火箭发动机典型健康监控系统的介绍,阐明了液体火箭发动机健康监控系统研究的若干进展及现状,并对液体火箭推进系统健康监控技术的演变趋势作了简要评述。     

一种基于集体检测理论的GPS直接位置估计实现方法

传统GPS导航定位解算方法需要事先成功捕获、跟踪并实时获取多颗卫星的伪距测量,不适用于弱信号环境下卫星信号无法捕获的场景。集体检测是一种将各卫星信号的相关能量非相干累加后依据极大似然准则进行直接位置估计的理论。本文基于A-GPS提供的先验信息,提出了一种实现集体检测的具体参数估计方法和搜索策略,并基于真实GPS弱信号验证了算法的实际性能。实际试验表明,本方法与信号是否成功捕获和跟踪无关,适用于弱信号等环境下的定位解算。     

基于CCFHTLS算法的异步电动机转子故障检测

定子电流经低通滤波器处理后产生高斯有色噪声,限制了异步电机转子故障检测算法的辨识精度。针对该问题,提出一种抑制高斯有色噪声的异步电机故障检测技术。首先对采集到的定子电流进行预处理,利用逆同步旋转变换剔除基波,避免了直接检测时基波对故障辨识精度的影响。然后利用互相关函数(CCF)处理技术对高斯有色噪声的抑制作用,提出基于CCFHTLS算法的电机转子故障诊断技术。针对异步电机转子断条和偏心故障的识别进行试验,结果表明CCFHTLS算法可以有效抑制高斯有色噪声,并保留故障有用信息,显著地提高了故障检测的分辨率。     

激光点火系统损耗检测温度误差补偿方法

点火通路损耗检测精度是激光点火系统的一个重要指标,其在很大程度上决定着点火系统状态判断的准确性.针对激光点火系统损耗检测精度随温度变化的问题,对不同温度条件下激光点火系统的点火通路损耗检测精度进行了分析.分析结果表明,探测器暗电流、运放输入偏置电流和输入失调电压等均会影响检测精度,且检测偏差随温度升高而增大.建立了点火通路损耗检测温度误差模型,在-40℃～75℃范围内,采用温度误差模型进行补偿后,火工品发火前的损耗检测偏差(峰峰值)从0.62dB减小为0.16dB,火工品发火后的损耗检测偏差(峰峰值)从1.45dB减小为0.30dB,提高了损耗检测的精度,为判断是否具备发火条件及发火状态提供了有效支撑.     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。