高低温环境模拟系统MATLAB仿真研究

在MATLAB仿真软件平台上,针对高低温环境模拟系统,首先以建立系统动态仿真模型为目的,以单个设备为基本模块,以状态、质量连续、能量守恒、动量守恒等方程为基础,以MS-Function函数与封装模块为基本方法,建立了高低温环境模拟系统MATLAB仿真模型库,然后在此基础上搭建了实际系统仿真模型,最后采用MATLAB图形窗口、ActiveX数据传输技术相结合的设计方法开发了系统仿真应用软件.实践证明该方法效率高,仿真研究及所开发的系统仿真软件都具有较好的扩展性和延续性.      

改进BP算法在模糊神经网络中的应用

引入一种改进的BP算法——动量因子-自适应学习率算法.通过调节动量因子以及在学习过程中的学习率实现自适应,以提高学习速率和增强学习的平稳性.将该学习算法引入到串形结构的多层前向模糊神经网络中,通过学习确定了模糊映射关系,实现了对象的模糊故障诊断.在应用模糊神经网络进行故障诊断时,被监测的故障征兆信号与网络输入层相连,即将输入向量输入到网络中,经过模糊化处理,得到各故障征兆在所定义征兆的模糊子集上的隶属度向量,再利用神经网络的前向计算,得到故障原因的模糊隶属度向量,最后通过对向量的分析确定故障原因的类型.将上述模糊神经网络应用到空气静压轴承中,实现了设备的故障诊断,测试结果验证了该方法的有效性.      

基于Petri网的UML状态图的形式化模型

提出一种可以准确描述UML状态图动态特征的形式化模型SC_Net.首先给出了UML状态图的形式化语法定义,其中用状态集合、转移集合、事件集合、条件集合、活动集合、对象集合和变量集合,定义了一系列辅助函数描述UML状态图特征,用确定目标状态和受限源状态表示层次关系,用开放事件和封闭事件表示对象之间的消息.基于C_Net定义了描述UML状态图动态语义的Petri网模型SC_Net,既能描述状态图中的控制部分,又能描述状态图中的数据处理部分,并给出了从UML状态图到SC_Net的转换步骤,便于实现自动转换过程.最后以柔性制造系统的一个实例说明SC_Net能用于分析UML状态图的性质.      

车身逆向设计中点云多视拼合技术

针对整车车身点云空间尺寸较大,数据量庞大,还原精度要求高等特点,提出基于骨架点的点云拼合算法,算法的基本思想是构造整车模型的骨架点和分块点云的mark点,由全等三角形法则搜索骨架点与mark点的映射关系,应用加速迭代的改进ICP(Iterative Closest Point)算法拼合整车点云.某厂轻卡整车点云的拼合实例证明,该算法拼合精度高,运算速度快,是拼合整车点云行之有效的方法.      

压缩映射原理在平台惯导系统加速度计标定中的应用

传统的平台惯导系统加速度计所采用的自标定方法受到加速度计零偏预装值的影响存在着一定的误差,而且加速度计标定参数准确性的验证方法也较为烦琐,不利于操作。基于压缩映射原理,针对平台惯导系统加速度计提出了一种迭代式标定方法,消除了传统加速度计自标定方法中的误差,同时提出了一种简单、有效地验证加速度计标定参数准确性的方法,并对这种迭代式加速度计标定方法的收敛性进行了证明以及试验验证。     

刚性车轮月面牵引通过性的模型试验

以重塑模拟月壤为介质,利用深空探测车车轮牵引特性实验台,研究了月面巡视探测器的刚性轮齿车轮与模拟月壤的交互作用,分析了车轮转速、轮上载荷等试验因素对车轮牵引通过性的影响.研究结果表明,当车轮转速较低时,挂钩牵引力随滑转率的增加而不断提高;当车轮转速较高时,存在着临界滑转率点.轮上载荷的增加有利于提高车轮的挂钩牵引力,但对挂钩牵引力系数的影响较小.     

Jobshop问题中动画仿真模型的自动生成系统

对于给定目标,仿真过程可大致分为仿真建模,程序实现,仿真结果的统计分析三大部分,其中仿真建模是最基础的,关系整个仿真成败的环节,如果能够在仿真模型完成后自动生成相应的仿真程序,不中大大减少了工作量,还可使工作者集中精力于仿真建模,使模型更准确,更优化,本文以Ｊｏｂｓｈｏｐ问题为例,给出了一中基于ＳＩＭＡＮ／ＣＩＮＥＭＡ软件的动画仿真程序自动生成系统,但该系统整体设计思想并不局限于ＳＩＭＡＮ／ＣＩＮ     

高空发动机试车台矢量推力现场动态校准技术

根据发动机试车台矢量推力现场动态校准需求,通过系统化论证,针对试车台的技术要求及校准需求,解决发动机试车台现场实际使用和实验室校准条件不同造成的附加测量误差、试验台推力无法整体校准等问题。文中提出了利用摆锤式动态力加载装置实现标准矢量力加载的方案,为了验证设计方案的可行性,利用现有的设备研究验证校准方案,通过试验和分析给出了校准不确定度。结果表明：该方案动态性能优异,响应迅速,动态校准不确定度为2.2%,能满足高空发动机试车台矢量推力测试的需求,为后续进一步准确测试矢量推力提供了依据。     

基于全卷积孪生神经网络的复杂监控场景下前景提取方法

由于光照变化、相机抖动和动态背景等因素影响,现有基于传统图像处理方法的前景提取算法并不能在复杂场景下获得良好的分割效果。针对此类问题,本文提出了一种基于全卷积孪生神经网络的前景提取算法,仅需任意2帧图像即可准确提取运动前景。将输入的2帧图像分为背景图像与待提取图像,将其输入全卷积孪生神经网络得到二者的相似性度量图,该相似性度量图中包含待提取图像相对于背景图像的各像素变化情况信息;接着将相似性度量图与待提取图像融合,利用编解码网络以实现端到端的前景提取。在CDnet2014数据集上进行综合评估与测试,结果均证明了该方法的有效性。