基于神经网络的智能刀具状态检测系统

可靠的在线刀具磨损状态检测是柔性制造系统、计算机集成制造系统以及自动化机床必不可少的一个环节。文中论述了用反传神经网络与一类模糊神经网络分析处理由力传感器和声发射传感器所测得的刀具状态信号,识别出刀具的磨损情况,从而进一步实现刀具磨损状态的在线检测,控制自动机床及时更换刀具。本研究对四种规格的钻头的磨损情况进行了全程检测,并比较分析了反传神经网络与模糊神经网络对这一问题的有效性。实验结果表明,这两种方法对处理刀具磨损状态检测均有显著的效果与很高的准确性。用一类模糊神经网络处理多传感器信息是实现刀具状态在线检测的一个极为有效的方法。     

遗传算法设计梯度子实现优化的图象边界检测

计算机图象处理技术可广泛应用各种图象测试、模式识别和计算机视觉等领域，而图象边界检测是计算机图象处理的最基本和最低层的步骤之一。由于噪声的干扰和图象光照不均匀等因素的影响，目前的图象边界检测方法还不能有效地检测出各种不同模式的边界。本文提出了一种基于遗传算法和灰度梯试算子的图象边界检测法，通过对样本图象的训练，设计对训练样本模式最优的灰度梯度算子，增加了对噪声的抗干扰能力，并且使被检测出的边界更准确。     

声发射检验技术进展

本文简要介绍了声发射技术的发展史，并从声发射技术的原理、波形分析法、参数分析法、声源定位技术和声发射仪器几个方面进行了综述，主要讨论了最新的波形分析技术和检测仪器的构成。最后指出了声发射检测的发展方向是声发射信号的模拟识别及人工神经网络模式识别分析。     

小波分析和人工神经网络在金属超声无损检测缺陷分类中的应用

基于金属超声检测中的缺陷脉冲回波为非稳态信号的特点，对高温合金材料超声检测信号的小波变换进行了特征分析，提取了各级小波分解信号的能量分布特征，最后将这些特征输入人工神经网络进行训练和分类，实验表明，这种方法具有良好效果。     

垃圾焚烧灰渣用于二灰碎石路面基层的试验研究

用城市生活垃圾焚烧灰渣替代部分集料,按照9种不同的配比制备二灰灰渣碎石路面基层材料,进行路用性能试验。结果表明:与普通二灰碎石对比,在相同的二灰含量下,灰渣碎石的最大干密度降低8.8%,而最佳含水量增大38.4%;无侧限抗压强度最高可达1.03 M Pa;粉煤灰含量对材料强度影响较为显著,其中粉煤灰含量减少1%,无侧限抗压强度值降低21%;材料的干缩系数最大为67.2μ/%;石灰与粉煤灰含量越低,材料的干缩应变越小,平均干缩系数也越小,当二灰含量减少2.5%,平均干缩系数降低3.1%。二灰灰渣碎石材料满足基层的相关要求,灰渣可以为公路建设提供可持续的集料来源。     

自治式水下机器人推进器故障检测、分离与重构

研究自治式水下机器人推进器故障检测、分离与重构问题。针对水下机器人故障诊断残差法中残差阈值不易选取的问题,提出了一种基于观测器的水下机器人推进器故障检测与分离方法,通过构建故障检测观测器对推进器故障与残差信号进行解耦,使推进器出现故障后仅引起与其相关的残差呈单调变化,从而可选择较大的阈值进行故障检测以提高诊断系统的可靠性,该方法在故障检测的同时可进行故障分离。针对系统不确定性导致的推进器故障重构精度低的问题,提出了一种RBF神经网络与等效输出注入相结合的故障重构方法,采用等效输出注入方法估计不确定性项,从神经网络输出中重构推进器故障。     

基于BIT的工程机械智能在线检测方法研究与实现

以某工程机械为研究对象,研究基于CAN总线的嵌入式BIT智能检测方法,研制具有高可信度的工程机械智能故障诊断仪,以提高工程机械作业的可靠性和安全性。     

一种变速风力机全风速范围发电策略

由于风力机系统复杂的机械阻尼和大惯量等强非线性因素的存在,增大了控制策略设计与实现的难度。同时,对于变速风力发电系统而言,风力机的转速控制器设计是实现发电控制策略的重要环节。本文首先分析了定桨距变速风力机全风速段的发电策略,针对传统方案所存在的问题,提出了新型的控制策略,该策略在不同运行状态之间的过渡过程迅速平滑,有效降低了系统的动态载荷;其次,基于现有的风力发电系统分析了定桨距风力机的小信号模型,推导了风力机系统的传递函数,并为转速控制环设计了P ID控制器;最后,通过仿真和实验,验证了全风速段发电策略的可行性和有效性。     

“微风”(Zephyr7)无人机机翼力学性能分析

利用ABAQUS有限元软件对英国的"微风"(Zephyr7)无人机机翼结构进行了静力学分析,重点分析了主梁直径和蒙皮张力对机翼结构抗弯性能的影响。分析结果表明,主梁的抗弯与抗扭性能随着其直径的增大呈几何级数提升,机翼抗弯性能随着其蒙皮张力的增加近似线性增加。     

基于G2DPCA的SAR目标特征提取与识别

给出了基于广义二维主分量分析（G2DPCA)的合成孔径雷达（SAR）图像目标特征提取 方法。与主分量分析（PCA）相比,在寻求最优投影方向时,它直接基于二维图像矩阵而不 是一维向量,在特征提取前不必将2维图像矩阵转换成1维向量。与二维主分量分析（2DPCA ）相比,它可以同时去除图像行和列像素间的相关性。基于美国运动和静止目标获取与识别 （MSTAR）计划录取的数据的实验结果表明,结合预处理,G2DPCA在大大降低了特征 维数的同时,又改善了识别性能,并且正确识别率在97％以上,且对目标方位变化具有较 好的鲁棒性。