旋变二次谐波测角误差自校正

旋变幅值误差和正交误差在角速度频谱上表现为旋变转频的二次谐波,是旋变测角误差的主要来源,影响伺服系统角速度控制精度和稳定度。本文提出了一种基于特征频率参考的二次谐波误差自校正方法。首先,分析旋变测角误差产生的机理,获知其幅值误差和正交误差的互不相关性,并证明对旋变输出信号进行幅值调整和相位差调整可实现二次谐波误差校正。然后,在旋变和旋变数字信号转换器(Resolver-to-Digital Converter,RDC)之间设计基于比例放大的幅值校正器和基于交叉调节的相角校正器。最后,根据误差信号在线性控制系统中特征频率不变的特性,对伺服系统进行匀速控制,以角速度频谱中二次谐波频率的幅值为参考基准,分别调整幅值校正器和相角校正器,校正二次谐波误差。实验结果表明:本方法可将旋变二次谐波测角误差幅值降低78.5%,伺服系统速率波动量降低40.5%。本方法实现了旋变二次谐波测角误差的自校正,大幅提升了旋变的测角精度和伺服系统的转速控制稳定度。

非最小相位工业过程自校正控制教学实验平台

工业过程中的非最小相位被控对象因其具有反向特性而会给控制器设计带来困难,在自动化教学中对非最小相位概念的描述通常偏重于零点位置、零动态等理论概念,因缺乏直观性而使得学生不易理解透彻。结合自适应控制课程教学,基于工业过程中典型的空气加热混合过程,通过合理构造实验条件,构建了具有非最小相位特性的物理被控对象装置,在此基础上,研发了自校正控制教学实验平台,可以开展非最小相位工业对象的辨识、控制和自校正控制的教学实验,有助于加深自动化专业学生对非最小相位概念的理解,从而改善教学效果。

基于选择性自校正卷积U-Net的肺部X射线图像肺实质分割

针对U-Net分割算法无法提取多尺度特征、易受到伪影和噪声干扰而导致在肺部X射线图像中肺实质分割不精确的问题,提出一种基于选择性自校正卷积的U-Net改进算法。改进后的U-Net算法将普通卷积模块替换为选择性自校正卷积模块,该模块采用多分支结构提取多尺度特征信息,使用Sigmoid函数和Softmax函数对多尺度特征信息进行选择性校正,使校正后的特征信息聚焦于肺实质区域,输出特征更加具有针对性。实验表明,该方法对骰子系数、交并比、F_(1)评分结果以及对肺实质分割结果都有一定程度的提升。

无误差阵列协方差矩阵分离的阵列自校正方法

针对高分辨方位估计方法受阵列幅度相位影响导致性能退化的问题,提出一种无误差阵列协方差矩阵分离的阵列自校正方法。该方法利用协方差矩阵重构方法获取近似无误差阵列的协方差矩阵,以弱化协方差矩阵中的阵列误差,并利用特征结构配置方法求解幅度和相位误差。迭代上述重构方法和特征结构配置方法,实现从未校正阵列的协方差矩阵中分离出无误差阵列的协方差矩阵和幅度相位误差矩阵。仿真结果表明,该方法准确地估计阵列误差,利用重构协方差矩阵进行方位估计能够提高方位估计精度和分辨力。湖试试验结果表明,经阵列校正后,空间中方位角度邻近的声源和干扰目标可被分辨。

高精度小区播种机自校正系统研究

在小区育种试验的播种环节过程中,小区行长和间隔的精准控制尤为关键,现常用的控制方式为北斗定位系统控制和编码器控制,但目前民用的北斗定位模块经过差分处理后,基本上接收北斗卫星发送的信号频率只能达到20 Hz,造成整个控制过程不是连续的。根据编码器的基本原理可知,控制精度虽低于北斗卫星,但编码器两个脉冲发送间隔低于北斗定位系统接收频率。为此,将编码器与北斗定位系统相互融合,设计了一种高净度的小区播种机自校正系统。大量田间试验结果表明:所研究的小区播种机自校正系统能够将小区长度误差精度控制在0.67%以内,相较于传统的编码器和北斗定位模式而言精度大大提升。

面向小目标的自校正YOLOv5检测增强算法

为了解决汽车智能驾驶精度不够高、小目标漏检和误检的问题,提出了一种基于自校正卷积的YOLOv5s的道路目标检测算法。该算法主要设计了一种自校正卷积网络,通过深层特征提取以及特征融合来提高检测精度以及对小目标的检测能力。对自校正卷积网络进行轻量化处理,减少模型的大小以及训练过程中的参数量。增加小目标校正检测层,输出检测小目标的特征图。设计了SAIoU损失函数来代替目标框回归中的CIoU损失函数,加速目标框的回归。在公开的自动驾驶KITTI数据集和BDD100K数据集上对该算法进行了测试,检测的平均精度均值(mAP)分别可达到95.1%和53.1%,相比于YOLOv5s算法分别提高了2.1百分点和4.2百分点。与其他算法进行对比实验,在检测精度和小目标检测能力上具有一定的优势,并且轻量化的自校正卷积网络在模型大小上相比于未进行轻量化处理的自校正卷积网络压缩了35%,提高了实时性。结果表明该算法能够满足实时性,能够提升检测精度以及小目标检测能力。

基于DFFRLS的PMSM自校正PI速度控制策略研究

基于惯量辨识的永磁同步电机自校正PI速度控制具有良好的抗负载扰动性能,但受到惯量辨识过程存在抖动的影响转速响应会产生高频振荡。为抑制高频振荡,提出一种基于动态遗忘因子递推最小二乘法惯量辨识的自校正PI控制策略。首先,构造指数函数形式的动态遗忘因子,分析其跟随辨识误差变化的规律并用于转动惯量辨识。然后,采用“振荡指标法”设计PI参数整定公式,并结合DFFRLS惯量辨识过程进行自校正PI控制。仿真和实验结果表明:改进的DFFRLS有效减小了辨识惯量的抖动幅度;所提ST-PIC调速控制策略在保证转速高性能响应的同时有效抑制了高频振荡。

基于自校正的多回路模拟信号数据采集电路设计

传统的多回路模拟信号数据采集电路存在信号放大单元硬件电路,随着应用环境的变化而产生基准漂移、同类型模拟信号在不同信道之间采集的数据不一致、人工调节电路容易引起误差等问题。本文设计一种可自校正的多回路模拟信号数据采集电路,主要包括信号放大单元、标准满幅值信号端、标准零值信号端和电子开关。电路包括正常运行、出厂调试和自动校正三种控制模式,由控制单元自动完成相应的校正和运行,不需要人工调节干预,可有效避免传统多回路模拟信号数据采集电路存在的问题。

基于权重因子自校正算法的锅炉排烟温度控制

常规的锅炉排烟温度控制,主要采用工况参数控制温升参数,忽略了外环境温度对温度值的扰动,导致控制结果平均热容流率较高。因此,提出基于权重因子自校正算法的锅炉排烟温度控制方法。根据锅炉烟气的传热系数解析其排烟温度动态特性,基于排烟温度最大值构建权重因子自校正算法,代入导热时差、外环境温度以及热传导阻滞权重因子修正温度扰动值,定义PLC程序逻辑,实现锅炉排烟温度的控制。实验结果表明:所提方法应用后得出的控制结果,表现出的平均热容流率较低,控制的排烟温度稳定性较高,满足了锅炉燃烧排烟性能的控制需求。

用于胸片分类的自校正特征融合金字塔网络

胸部疾病的病灶区域面积差异较大,易受健康部位的影响,难以定位,并且用于诊断疾病的X射线胸片样本数据分布不平衡,导致胸部疾病分类网络的分类准确度较低.针对胸部疾病分类任务中仍然存在的问题和挑战,本文提出了一种自校正特征融合金字塔网络.该网络使用自校正卷积增强疾病部位在特征图上以及通道之间的位置联系,在不引入额外参数量的条件下增大了卷积的感受野,避免无病区域的信息干扰;然后通过特征融合金字塔网络整合多尺度图像特征信息,在获取高分辨率特征图的同时,能够准确地定位病变区域,可以更好地识别不同尺度疾病的特征,在多标签分类任务上具有独特的优势;同时引入频率通道注意力机制强化网络对疾病特征的提取能力,在上采样和特征融合变换之前,减少全局平均池化过程中造成的特征丢失;最后提出一种轮次焦点损失函数区分不同种类胸部疾病的训练程度,根据分类难易程度区分样本,并在不同的训练轮次调整权重,以解决胸部疾病样本分布不平衡问题.在ChestX-ray14数据集上的平均AUC值可达0.853,在CheXpert数据集上的平均AUC值可达0.903,超过了近年来较为先进的网络模型.实验结果表明,该网络与传统的胸部疾病分类网络相比能有效地提高胸部疾病的分类精度,并且具有较强的泛化能力.

基于数据驱动的MEMS加速度计自检测自校正技术研究

MEMS加速度计是一种用于测量载体加速度的微型集成系统,已被广泛应用于生产生活中;然而MEMS器件在使用过程中易由内外因素影响出现故障,若不能及时检测故障并校正故障数据,将会使得系统无法准确感知外界环境进而导致控制出现偏差,因此及时检测MEMS加速度计的故障并校正其故障数据对于提高系统的鲁棒性、测量准确性以及控制稳定性等方面具有重要意义;现有检测校正方法大多依靠建立加速度计的物理模型或构建传感器冗余网络来实现加速度计的自检测与自校正,但这些方法存在建模复杂且引入额外误差或硬件资源需求高等问题;为了避免建模不准确引入的误差并减少算法对硬件资源的需求,基于近传感器计算的思想,设计了一种轻量化的、基于数据驱动的MEMS加速度计自检测自校正算法;测试结果表明,算法对冲击、偏差、信号丢失、恒定输出4种故障的检测率均达到90%,校正后数据与正常数据的平均绝对误差小于0.15 g,并且具有在2.54 ms内处理加速度计数据的能力。

对称NARMA-U模型及其神经网络自校正控制器

带预测误差补偿的改进NARMA-L2模型是由NARMA模型在自适应滤波动态工作点处一阶泰勒展开逼近得出的,在自适应滤波动态工作点处二阶泰勒展开逼近可得到对称NARMA-U模型,采用BP神经网络辨识对称NARMA-U模型参数,提出一广义目标函数,基于对称NARMA-U模型的非线性系统的神经网络自校正控制器,应用直接极小化指标函数自适应优化算法对BP神经网络连接权重值进行在线学习。仿真研究表明算法的响应优良。

多变量系统神经网络辨识的无模型自校正控制器研究

针对多变量NARMA模型,将其转化为具有耦合的子系统,采用具有辅助变量的多变量紧格式动态线性化方法逼近多变量NARMA模型,利用BP神经网络辨识其参数,基于多变量广义目标函数提出多变量NARMA模型的神经网络辨识的无模型自校正控制器,算法为关于控制输入的非线性方程组,通过非线性数值分析的牛顿法对其进行求解,根据非线性递推最小二乘法对BP神经网络的连接权重值进行在线学习。仿真研究表明系统的响应具有优良的性能。

小麦播种机播量控制参数自校正方法

针对传统外槽轮式播量控制系统因流量-转速标定关系失偏而导致控制精度下降的问题,提出了一种通过动态校正控制参数保持播量控制精度的方法,该方法采用基于氮气弹簧为支撑力、S型称重传感器为拉力的称重式播量检测系统,利用两类传感器加权信号与实际播量方程的线性组合实现原始传感信号滤波的独特测量特性,构建播量检测算法,并根据播量动态检测结果对基于流量-转速标定关系的控制参数作动态校正,实现播量的本质闭环控制,保持控制精度的稳定。利用搭建的播种机测试平台,开展了基于播量检测的播量控制参数未校正和自校正动态试验。在所有的测试过程中,播量检测结果与实际结果之间的绝对相对偏差最大值、平均值和标准差分别为4.52%、2.68%和1.14%;播量控制参数未校正时,实际值与目标值之间的绝对相对偏差最大值、平均值和标准差分别为18.38%、17.06%和1.21%,而引入控制参数自校正后,实际值和目标值之间的绝对相对偏差的最大值和平均值分别下降至3.70%和2.61%,标准差为0.67%。试验结果表明:基于加权信号的播量检测方法能有效获取播种机的实际播量信息,实现播量控制参数自校正,有效维持播量控制系统的控制精度。

非同轴激光雷达重叠因子的自校正系统设计

受振动,温度,预紧力变化等外部环境因素影响,激光雷达系统的激光发射光轴和望远镜接收光轴会发生变化,导致激光雷达系统的重叠因子发生变化,进而影响激光雷达系统的远场探测精度与探测稳定性。针对非同轴激光雷达提出开展重叠因子自校正的软硬件系统设计,采用二相电机驱动,具有自锁功能的蜗轮蜗杆发射光轴较正平台设计并搭建了激光发射光轴倾角调节系统,并以激光回波信号强度为校正判据寻找非同轴激光雷达系统收发光轴的最佳匹配位置。自校正过程采用粗扫描和细扫描相结合的方式,以实现校正精度和校正效率的综合考量,其中粗扫描采用环形扫时序,可在961 s内将激光发射光轴锁定在0.4 mrad×0.4 mrad倾角范围内;细扫描采用S形时序,可在441 s内实现激光发射光轴0.02 mrad的倾角调节精度。自校正前后的大气回波距离平方修正信号表明,设计的自校正系统能够实现非同轴激光雷达系统重叠因子的有效校正,并提升系统探测性能,为全天时,无人值守的激光雷达大气探测提供支持。

实用NARMAX-L2模型的神经网络自校正控制器

针对实用随机非线性NARMAX模型,参照改进的NARMA-L2模型,提出实用随机NARMAX-L2模型,采用BP神经网络逼近该模型,依据直接极小化指标函数自适应优化算法估计随机干扰模型的参数,并对BP神经网络的连接权进行学习,根据广义控制目标函数提出神经网络显式自校正控制器,仿真研究验证了上述研究的有效性,系统具有理想的控制效果。

基于麻雀搜索算法优化Elman残差自校正地面沉降预测模型

地面沉降是一种常见的地质灾害,严重阻碍当地居民的生产生活,如何对地面沉降进行准确预测已经成为相关专家学者讨论的热点话题,但常规数学模型难以对地面沉降量做出准确预测。提出了麻雀搜索算法(sparrow search algorithm,SSA)优化Elman的地面沉降量预测方法,同时根据组合模型原理提出了SSA-Elman残差自校正(SSA-Elman residual self-correction,SSA-Elman-RSC)模型的策略,通过残差校正的方式降低神经网络预测误差,成功地将地面沉降量预测模型应用于山西省大同市潇河产业园,将预测结果与未进行残差修正的模型预测结果进行比较分析。结果表明,对于均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)、均方误差(mean square error,MSE)3个指标,SSA-Elman-RSC拥有更高的精度。该模型的提出为山西地区地面沉降量预测提供了一种新方法,并且组合模型的建立提供了一种新思路。

直流母线单电流传感器零点漂移误差自校正策略

为了研究三相两电平逆变器中直流母线单电流传感器零点漂移对相电流重构精确度的影响,阐明了直流母线单电流传感器相电流重构原理,对比了多电流传感器与单电流传感器零点漂移误差,揭示了零点漂移误差产生的原因及扩大效应的产生机理,基于插入互补有效电压矢量代替零矢量的空间矢量脉冲宽度调制方法,提出了零点漂移误差自校正策略。分析了各扇区电流观测窗口时长,利用互补有效电压矢量动态电流双采样,实现了相电流重构与电流零点漂移量的自检测和自校正。搭建了基于TMS320F28035型DSP为电驱动控制器的实验平台,在额定转速以内的工况下,自校正后的重构相电流误差小于3.56%,表明了所提误差自校正策略能为控制系统提供可靠的重构电流。

风力发电机最大功率模型自校正复合自抗扰控制

为了进一步提高永磁同步风力发电机在变工况下实现最大功率跟踪的效率,设计了一种基于最佳叶尖速比法的模型自校正复合自抗扰控制器(model self-correcting composite active distur-bance rejection control, MSCADRC)对发电机转速进行实时跟踪.速度环ADRC控制采用可在线性与非线性间自由切换的扩张状态观测器(extended state observer, ESO)对系统因参数摄动或其他不确定因素引起的总扰动进行实时观测和估计,采用实时预测转矩和转动惯量观测器补偿控制器中参数扰动对ADRC的影响.在电流环ADRC控制中,通过加入q轴电流的补偿因子消除d轴电流的干扰,并采用基于转矩观测器的反馈补偿控制方法实现对q轴电流的实时补偿,加快系统响应速度.最后结合风速、风力机和永磁同步发电机的数学模型设计风力发电模型自校正最大功率跟踪系统,利用Matlab/Simulink进行仿真分析.仿真结果表明:模型自校正复合自抗扰控制器具有一定的优越性,模型自校正下的风力发电系统在风速急剧变化时可进行更好的功率跟踪控制,进一步提升系统的响应速度和抗外界干扰能力.

面向工业过程的自校正控制教学实验平台

该文针对自适应控制课程中的主干教学内容(自校正控制),研发了面向工业过程的自校正控制教学实验平台。该平台基于工业环境的空气加热混合过程被控对象和PLC控制系统,研发了平台化的自校正控制教学实验软件,可以通过I/O变量配对灵活选择不同特性的单变量被控对象,灵活引入各种扰动,灵活选择各种算法,并可结合自校正控制教学中的关键知识点开展递推辨识实验、模型已知时的控制器设计实验、模型未知时的自校正控制实验等。