基于ACMPE、ISSL-Isomap和GWO-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号特征提取困难的问题,提出了一种基于自适应复合多尺度排列熵(ACMPE)、改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)和灰狼群优化支持向量机(GWO-SVM)相结合的行星齿轮箱故障诊断方法。利用ACMPE从复杂域提取振动信号的故障特征,构建高维故障特征集;采用ISSL-Isomap方法对高维故障特征集进行维数约简,提取出低维、敏感故障特征;应用GWO -SVM分类器对低维故障特征进行模式识别,判断故障类型。行星齿轮箱故障诊断实验结果分析表明:与多尺度排列熵(MPE)、复合多尺度排列熵(CMPE)等特征提取方法相比,ACMPE方法在分类效果和识别精度上更具优势;与局部切空间排列(LTSA)、等度规映射(Isomap)、加权Isomap(W-Isomap)、监督Isomap(S-Isomap)和监督型自组织增量学习神经网络界标点Isomap(SSL-Isomap)等降维方法进行比较,ISSL-Isomap方法降维效果最佳;所提方法的故障识别率达到100%,具有一定优越性。      

直驱风电场并网对系统静态电压稳定性的影响

风电场的大规模接入会对电网静态电压稳定性造成不容忽视的影响。以含直驱风电机组的扩展单机无穷大系统为例,通过2种静态潮流计算方法对含直驱风机的系统等值模型进行分析,推导风电接入后系统并网点母线电压的解析式。在BPA中分别建立含直驱风电机组的扩展单机无穷大系统以及实际电网系统的仿真模型,对比理论计算结果与仿真试验结果。分析并网点母线电压在不同控制方式下,风电渗透率、风机并网位置、负荷接入比例和负荷接入位置等因素对系统静态电压稳定性的影响。     

融合背景图像信息和多特征压缩的相关滤波跟踪算法

针对相关滤波类跟踪算法目标背景图像信息利用率较低、目标特征表达能力较弱的问题,提出了一种融合背景图像信息的多特征压缩跟踪算法。首先,在上下文感知滤波器的基础上,将背景图像信息加入位置滤波器。其次,提取颜色名(Color Name, CN)特征与梯度直方图(Histogram of Oriented Gradient, HOG)特征,使用最大响应因子及平均峰相关能量(Average Peak-to-Correlation Energy, APCE)评估跟踪结果的可信度,实现两种特征的自适应融合。最后,利用特征降维简化模型的复杂度,实现算法运行速度的提升。实验结果表明,改进后的算法在遮挡、形变、尺度变化等复杂环境下均具有较高的鲁棒性,其跟踪精度和成功率指标均优于DSST及其他主流的跟踪算法,并且仍保持了实时性。     

光纤光栅传感器对非均匀应变场的响应特性

提出利用测量位置处光栅传感器的光谱特征反推该处对应的应变分布状态的方法。采用改进的传递矩阵方法,模拟了不同应变分布函数对应的光谱响应,分析了其基本特征参数同应变分布之间的变化规律。通过有限元仿真计算试验件在弯曲载荷下光栅粘贴处的应变分布,重构了传感器的光谱,并将其和应变分布函数的理论计算光谱图进行比较,验证了应变分布形式与反射光谱特征的关联性。构建带有不同半径圆孔的铝合金板孔口弯曲加载试验系统,测试试验件弯曲挠度和孔径大小与反射谱特性的关系。理论及试验结果表明,实测与仿真计算的谱图变化具有相同规律,光谱特征参数可作为预测铝合金孔径的有效指标,并为其他类型结构的应变场变化规律的监测提供参考依据。     

小天体光学导航特征识别与提取研究进展

针对小天体探测自主光学导航特征信息精确,快速获取的需求,阐述了利用图像信息实现光学导航特征识别与提取的必要性。首先分析了小天体光学导航特征识别与提取面临的主要问题;然后根据小天体探测各阶段目标成像特点,总结并分析了小天体探测光学导航特征识别与提取涉及的关键技术;最后,根据关键技术结合现有问题和未来发展需求,分析并对未来小天体探测光学导航特征识别与提取的发展趋势进行了展望。     

基于自适应伪谱法的升力式飞行器火星进入段快速轨迹优化

针对升力式火星飞行器定点着陆任务的轨迹优化问题,给出了基于自适应伪谱法的快速优化算法.综合考虑探测器火星大气进入过程中的动力学约束、边界约束、路径约束以及控制约束条件,利用自适应伪谱法将轨迹优化问题转换为离散的非线性规划问题,采用序列二次规划算法进行求解,得到性能指标最优的进入轨迹.通过仿真验证,给出了实现火星进入过程燃料消耗最优的状态量和控制量轨迹.仿真结果表明,在Matlab中采用自适应伪谱法,能够在800s内采用267个配点,给出近似精度为10-6的火星进入过程中消耗能量最优的参考轨迹.      

一种基于层次聚类的空间非合作目标重构方法

由于激光传感器内在的缺陷,获得的非合作目标原始点云数据往往处于一个分布不均匀的状态,这就对后续的高质量非合作目标表面重构带来了很大的挑战.提出了一种基于全局约束的局部层次聚类方法来提升非合作目标点云分布的连续性.该方法主要可分为两步：1.基于全局约束的自适应八叉树三维空间分解,2.基于全局约束的层次聚类.第一步的主要目的是为了降低算法的复杂度,第二步则将分布不均匀的点集转化为均匀分布的状态.本文在三个非合作目标模型上进行了实验.实验的可视化结果与定量计算结果均验证了该方法的有效性.     

基于量子搜索和高斯变异的MOEA/D算法

在实际应用中,尤其是在研究大规模决策空间的优化问题时,MOEA/D算法容易陷入局部最优。针对此问题,提出了一种基于量子搜索和高斯变异的MOEA/D算法。引入环境迁移模型,将两者进行并联,并且与原算法进行串联,利用量子搜索来提升算法的全局搜索能力,采用高斯变异位置更新方法保证算法的局部搜索能力。同时为了避免算法在迭代后期陷入"早熟"危险,提出了基于邻居位置的量子搜索,通过改变吸引点的生成方式,来加强量子搜索在迭代后期的局部搜索能力。结果表明:改进后的MOEA/D算法与原算法相比,提升了算法的搜索能力,也保证了算法的收敛能力。     

汽车牌照自动识别技术研究

提出了一种汽车牌照的自动识别算法：先对图象进行直方图均衡,平滑去噪,二值化预处理,再根据车牌上文字变化特点快速,准确地从复杂背景中分割车牌最后采用投影－变换系数法取汉字,英文和阿拉伯数字的不同维数的特征,送到相应的ＢＰ神经网络中进行识别,较好地解决了汽车牌照的自动畜产