卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

基于在线学习的数控加工刀具寿命动态预测方法

预测刀具寿命对保证零件质量和控制加工成本意义重大,但刀具磨损过程复杂多变,刀具剩余寿命受工况影响难以准确预测。针对以上问题,提出了一种基于在线学习的刀具寿命动态预测方法,以长短时记忆网络为基础模型,融合在线学习模块,使得模型能够在加工过程中自动更新参数,实现变工况下刀具寿命的精确预测。进行了铣削加工试验,结果表明,刀具寿命动态预测方法可以有效提升刀具寿命预测精度。     

基于合作目标的三维空间贝叶斯传感器配准算法

当存在合作目标时,基于合作目标的传感器配准算法往往优于基于多站测量的传感器配准算法.传统的基于合作目标的传感器配准算法将系统误差看作是一个确定未知量,对未知量的估计采用了非贝叶斯的参数估计算法,如极大似然法、最小二乘法等.当传感器量测噪声相对于传感器系统误差不可忽略时,上述算法估计效果较差.在此背景下,提出了基于合作目标的贝叶斯传感器配准算法,通过将传感器系统误差建模成未知的随机过程,并通过卡尔曼滤波消除量测噪声对系统误差估计带来的影响,实验结果表明,方法具有较好的实用性.     

加拿大高职英语教学对我国高职英语教学的启发——以加拿大圣力嘉文理学院为例

介绍加拿大高职院校对留学生的英语教学及其基本特点,并阐述其对我国高职英语教学的启发,对我国的高职英语教学改革提出几点思考和建议:一是需求分析要到位,教学应以学生的实际需要为出发点;二是以能力培养为目的,教学模式不宜规定的过于严格;三是要注重学生的自主学习.     

通信信号调制识别综述

随着频谱信息资源愈发紧张,信号的调制处理方式也愈发多样化.由于通信信号的调制识别广泛应用于民用和军用领域,所以,对调制方式进行识别的研究具有极其重要的意义与战术价值.首先,根据大量文献,对基于最大似然函数和特征提取的经典调制识别方法进行了系统地梳理;其次,从常用数据集、深度神经网络结构和现有识别算法等方面,着重介绍了深...     

基于自适应代理模型的结构动力可靠度分析方法

结构动力可靠度分析对于衡量结构的安全状态和工作性能具有重要的指导意义。采用一种同时考虑 动态激励载荷和材料力学性能参数随机性的动力可靠度计算高效方法,通过建立不确定性材料力学性能参数 与条件动力可靠度之间的 Kriging代理模型,推导动力可靠度的解析表达式;提出一个新的学习函数来构建自 适应的 Kriging代理过程,通过复合材料飞行器蒙皮骨架结构在随机振动载荷和随机材料力学性能参数共同作 用下的动力可靠度分析对所提方法的准确性与高效性进行验证。结果表明:所提方法不仅能够避免使用代理 模型对动力可靠度求解时由于使用数值积分所引入的误差,同时能够使用尽可能少的计算成本获得准确的动 力可靠度结果。     

基于局部几何特征的稠密点云配准方法

针对现有的稠密点云配准方法依赖初始位置设定、计算成本高、配准成功率不高等问题，提出了一种基于点云局部几何特征的稠密点云配准方法。采用深度卷积网络模型提取点云的局部几何特征，从而减少了三维点云数据的噪声、低分辨率和不完备性等带来的影响。在此基础上，使用K维树搜索完成局部几何特征描述子的关联工作。最后，通过随机采样一致算法对点云的相对位姿进行鲁棒的估计。通过对开源数据集上5个典型场景中的数据测试表明，该方法的配准成功率达到92.5%，配准精度达到0.0434m，配准时间相对最邻点迭代配准算法缩短了74.7%，实验结果验证了该方法的有效性、实时性和鲁棒性。     

基于鲁棒迭代学习的四旋翼无人机轨迹跟踪

针对四旋翼无人机高精度轨迹跟踪问题,充分考虑外部扰动等因素,提出了一种带遗忘因子的基于可变增益的前馈-反馈鲁棒迭代学习控制算法。其中,前馈迭代学习控制器采用选择迭代学习方案,弥补了传统的基于遗忘因子迭代学习控制方法的不足,且控制器学习增益可随迭代变化,可以加快算法的收敛性。反馈控制器采用比例-微分控制器,可以保持系统稳定并且加快跟踪误差收敛速度。最后通过收敛性分析和四旋翼仿真试验验证了所提出算法的有效性,所设计算法具有很好的鲁棒性和较高精度。     

基于 LSTM的飞控系统状态监控

监测飞控系统状态参数是保证无人机飞行安全的重要手段。针对无人机飞控系统的组成特点和飞行控制律,设计并构建了基于长短期记忆网络(Long Short Term Memory Network,LSTM)的飞控系统状态监控模型。首先,利用无人机历史飞参数据训练模型,建立输入飞参数据与状态参数的回归映射关系;然后,利用训练好的网络模型,实时预测飞控系统的状态参数,通过对比实测值与预测值之间的差异,实现飞控系统的状态监控。选取无人机飞参数据进行实验,基于 LSTM的算法比反向传播神经网络(BPNN)、支持向量机(SVM)预测精度高,MSE平均值分别低 0.01和 0.26,MAE平均值分别低 0.05和 0.12。结果表明,所提出的方法能够有效监控飞控系统,为无人机飞行管理决策提供数据支持。     

机器学习在流动控制领域的应用及发展趋势

流动控制作为流体力学中的重要跨学科领域,一直是科学研究和工程应用关注的焦点之一。由于流动系统具有强非线性等复杂特征,对流动的控制尤其是闭环控制,一直颇富挑战性。近年来机器学习的迅速发展为许多学科带来了新的方法、新的视角和新的观点,对于流动控制领域亦是如此。通过回顾现阶段三类基于机器学习的流动控制方法,为主动流动控制领域的研究者展示机器学习在流动控制中应用的整体概况,进而勾勒出本领域的发展趋势。