一种串联式双浮体直驱式波浪发电系统的设计与试验研究

针对传统的直驱式波浪发电系统安装不便以及俘获波浪能能力弱的问题,文章提出了一种漂浮串联式双浮体直驱式波浪发电系统。该系统的两个浮体水平漂浮在波浪中,Halbach永磁直线发电机的初级与次级分别安装在两个浮体之间的侧面,两个浮体均可俘获波浪能,提升了系统的波浪能俘获能力。该系统还具有结构简单、易于制造与维护的优点。文章利用制作的原型样机在波浪水槽中进行了试验。试验结果表明,在波高为16 cm,浮体吃水为16 cm,在波浪周期从1.2 s增大到2.4 s的波况下,原型样机的平均发电功率在1.8 s处取得最大值6.54 W。比较双浮体原型样机与单浮体样机后发现,在波浪周期较大的范围内,双浮体原型样机输出的平均发电功率一直高于单浮体样机。

基于迁移学习与深度残差网络的滚动轴承快速故障诊断算法

针对现有基于深度学习的滚动轴承故障诊断算法训练参数量大,训练时间长且需要大量训练样本的缺点,提出了一种基于迁移学习(TL)与深度残差网络(ResNet)的快速故障诊断算法(TL-ResNet)。首先开发了一种将短时傅里叶变换(STFT)与伪彩色处理相结合的振动信号转三通道图像数据的方法;然后将在ImageNet数据集上训练的ResNet18模型作为预训练模型,通过迁移学习的方法,应用到滚动轴承故障诊断领域当中;最后对滚动轴承在不同工况下的故障诊断问题,提出了采用小样本迁移的方法进行诊断。在凯斯西储大学(CWRU)与帕德博恩大学(PU)数据集上进行了试验,TL-ResNet的诊断准确率分别为99.8%与95.2%,且在CWRU数据集上TL-ResNet的训练时间仅要1.5 s,这表明本算法优于其他的基于深度学习的故障诊断算法与经典算法,可用于实际工业环境中的快速故障诊断。

直接式波浪能采集的研究现状与展望

海洋波浪能量是风能、太阳能等环境能源中能量密度最大的一类能源,分布非常广泛。但海洋波能开发和利用还相对滞后,传统的波能采集装置由于存在转换机械结构复杂、转换效率低及耐冲击腐蚀能力差等缺点,实现较为困难。一种以提高转换效率、稳定可靠为目的的能量采集装置——直接式波能采集装置近年来越来越受到重视,成为该领域研究的热点。本文详细总结了直接式波浪能量采集的总体情况、特点、主要结构类型及其充电控制策略,论述了波能发电的电能管理系统,并对直接式波浪能量采集系统的发展趋势进行了展望。

基于卷积神经网络的车载疲劳驾驶检测系统的实现

设计并实现一套基于Android平台的人脸疲劳检测系统。该系统利用Android设备的外接OTG接口摄像头获取驾驶员脸部视频,通过Android4.4之后自带的人脸检测算法快速检测人脸,然后通过深度卷积网络训练的模型进行人脸关键点定位,粗定位出人眼和嘴部范围,利用最大类间方差法Otsu对人眼及嘴部进行目标提取然后通过最小二乘法椭圆拟合人眼和嘴部轮廓,从而进行状态分析,最后利用PERCLOS原理实时的检测出疲劳状态。在板车上实验结果表明,该系统对光照具有较好的鲁棒性,并且可以极大的降低事故率,保障了驾驶员的安全。

高体积优值系数振动能量采集器的设计与性能测试

小尺寸振动能量采集器通常难以高效采集低频振动能量。为提高能量采集效率,设计了一种高体积优值系数磁电式能量采集器。采用集总参数等效磁路模型对其换能系统的部分结构参数进行了优化,以提高感应线圈运动区域中运动方向上的磁链梯度,通过有限元分析验证了解析模型和理论结果。最后分别制作了3台不同参数的样机进行实验。实验结果表明,振动激励频率22.5 Hz、加速度幅值为100 mg时,经过参数优化的振动能量采集器能够在匹配负载上输出0.748 mW的平均功率,相应的体积优值系数达到了1.11%,优于其他两台样机在各自共振状态下的0.31%和0.77%。研究表明,通过合理优化磁电换能系统磁路,能够提高能量采集器的体积优值系数,是低频振动能量采集器小型化的一种实现途径。

SR-CNN融合决策的眼部状态识别方法

为了研究人眼状态识别对人眼定位的依赖性和实际使用中分类模型泛化能力不佳的问题,本文提出了一种基于选择性区域的卷积神经网络的融合决策的眼部状态识别方法。该方法用SR方法预处理wild人脸数据集,扩大了训练集的规模并引入了对眼部的先验知识,在此基础上训练卷积神经网络的分类模型进行眼部状态识别的评估。对比实验结果可知,基于SR-CNN融合决策的眼部状态识别方法测试的准确度能达到95%左右,显著降低了测试错误率,提高了模型的泛化能力和准确性。

基于KPCA和SVM的直升机旋翼桨叶损伤源定位

直升机旋翼桨叶在飞行过程中极易发生疲劳损伤,为了解决桨叶损伤源定位问题,构建了桨叶损伤监测及定位系统。通过核主成分分析(KPCA)对损伤源的声发射信号进行特征提取,结合支持向量机(SVM)及其回归功能对旋翼桨叶模型损伤源进行定位。使用特征提取后的参数区域损伤定位精度达到100%,回归分析平均误差率4.06%,均优于使用原始数据进行定位,因此该方法能够有效实现直升机旋翼桨叶损伤源定位,并且减少了输入数据的维数,降低了计算量。

复合式电磁馈能悬架阻尼器的设计与测试

车辆的节能低碳技术是当今的研究热点,针对悬架系统耗散功率大等实际问题,提出了一种基于Halbach永磁阵列的复合式电磁馈能悬架阻尼器,将电涡流发生结构与电磁式能量采集装置结合起来,研究了馈能阻尼性能与电涡流阻尼器的相互关系。建立了电磁式能量采集装置的等效磁路模型,定义了两组永磁体之间位错率,研究位错率对复合阻尼器的输出电性能和电涡流结构涡流损耗的影响。最后制作样机并搭建阻尼测试平台,样机的阻尼系数调节范围约为500～1 270 N·s/m,在位错率γ=1的条件下达到约1.7 W(频率f=5 Hz、振幅Y=6 mm的简谐振动激励)的最大能量采集功率,最大比质量阻尼系数可以达到1 427.0 s^(-1)。该复合式电磁馈能悬架阻尼器为以后的悬架能量回收及电磁阻尼器设计等方面的研究提供了一种新的思路。

基于自归一化神经网络的低分辨率人脸识别

为了解决传统人脸识别算法对低分辨率人脸图片识别效果不佳的问题,提出了一种轻型判别自归一化神经网络,能够从高分辨率及其对应的低分辨率图像中提取具有判别性的特征,并将特征耦合映射到共同的子空间。该模型引入缩放指数线性单元,具有自归一化属性,能够加速收敛。为了最小化类内距以及扩大类间距,基于高低分辨率图像特征之间的判别性和相似度,对现有的损失函数进行了优化,从而使得相同类别的特征更紧凑。提出的方法在一个标准人脸数据集以及两个监控数据集上的识别率分别达到了95.57%、94.10%和84.56%,优于其他算法,适用于非限制条件下的低分辨率人脸识别。

基于VMD交叉样本熵的旋翼桨叶故障诊断方法

针对旋翼桨叶常见的故障类型,提出了一种新的故障诊断模型。该模型首先对经无线测控系统采集的加速度信号进行变分模态分解,得到一系列不同频段上的模态分量。随后计算相同模态,不同传感器之间的交叉样本熵,最后将交叉样本熵作为特征向量代入经帝国竞争算法优化的支持向量机中进行故障分类。实验结果表明,基于交叉样本熵的特征具有较高的区分度,采用该模型对不同位置、不同大小的故障进行诊断时,总分类精度为98.67%,证明了提出的故障诊断模型的有效性。

基于NB-IoT技术的远程抄表采集系统设计

随着无线抄表技术的飞速发展,“多表合一”数据采集中系统的稳定性、准确性、可靠性和安全性等问题日益凸显。NB-IoT非常适合作为智能采集终端的通信技术,与现有的LoRa,LTE Emtc等方案相比,其功耗较低、覆盖性能指标较高,并有很高的稳定性。提出了一种基于NB-IoT技术的远程抄表数据采集方案,采用包括智能表计层、通信网络层以及数据网络层在内的3层架构。采集装置通过低压馈线收集智能表采集到的数据,将智能表收集到的数据经NB-IoT基站转发至IoT核心网,数据储存在IoT云平台以便用户随时查询或分析。对NB-IoT电能表辐射特性曲线的分析表明,得益于抗干扰设计,智能表采集装置在信号较差的环境下依然能够稳定运行。经用户测试,基于NB-IoT技术的远程抄表系统的月用电均值均低于未使用NB-IoT的远程抄表系统的用电均值。测试结果表明,该系统具有低功耗和高精度的特点,能够及时、准确地记录用户的使用情况,可以实现多表管理的智能化,为智慧城市的建设提供技术支持,有效降低公共事业综合运营成本,实现资源共享、业务互通,提升公共领域的整体服务能力。

重参数化VGG网络在滚动轴承故障诊断中的应用研究

基于神经网络的滚动轴承故障诊断方法训练时,存在诊断准确率低和易受到变工况噪声干扰的问题,提出一种基于重参数化VGG(RepVGG)滚动轴承故障诊断方法。为满足神经网络对数据量的要求,采用数据增强技术来扩充原始数据,使用短时傅里叶变换(STFT)对原始的振动信号处理成单通道时频图,并使用伪彩色处理技术转换成三通道时频图,进一步将数据输入到RepVGG网络的不同结构中进行滚动轴承的故障诊断。在凯斯西储大学(CWRU)滚动轴承数据集上开展试验验证,试验结果表明,RepVGG在变工况及噪声干扰下的平均诊断准确率分别为98.02%、95%以上,高于基于VGG、ResNet的故障诊断模型,有较高的故障诊断准确率且泛化性更好。

基于Android系统的司机驾驶安全监测系统的实现

近年来,交通事故频频发生,疲劳驾驶作为交通事故的主要原因之一,造成了巨大的人员伤亡和财产损失。针对疲劳驾驶问题,本文设计并且实现一套基于Android系统的司机驾驶安全监测系统。该系统由搭载Android系统的智能车载仪和外接摄像头组成。首先通过外接的Android摄像头获取司机驾驶过程中的脸部视频,然后通过SeetaFace人脸识别引擎系统和两级级联MobileNet-V2训练的模型,实现对人脸的检测和面部关键点的坐标提取。最后利用基于人脸关键点的疲劳算法,实现对司机疲劳的实时监测。在模拟驾驶室的情况下进行实验,实验结果表明,该系统对光照明暗、是否戴眼镜等有较好的鲁棒性,可以在很大程度上,减少事故的发生率,保证驾驶员的驾驶安全。

改进YOLOv3-SPP的无人机目标检测模型压缩方案

无人机设备算力低下,深度模型计算量过大不适合直接部署,航拍图像目标小并且密集,模型对目标识别分类效果也不佳。为了提高深度模型航拍目标检测的精度和速度,降低计算量。对YOLOv3-SPP模型进行改进,将GIoU代替平方和用作定位损失,提高定位精度。提出了一种数据集优化和数据增强方法。再针对特定类别按照权值进行采样处理均衡化类别数量。随机组合不同场景样本组成批训练,提高模型训练效率和检测鲁棒性。再对模型进行压缩,在BN层添加缩放因子进行稀疏训练和通道剪枝的基础上,通过缩放因子衡量模型残差层重要性,修剪不重要残差,进一步减小前向推理层数和参数。实验表明,模型参数量减小了95.7%,模型大小减小95.82%,同等算力下模型推理速度提高为原来3倍。且精度和速度均高于最新YOLOv5系列轻量模型。

基于嵌入式视觉的无人机目标定位系统

基于传统算法的无人机目标定位系统精确度较低且容易受到光照条件干扰,针对该问题提出了一种基于嵌入式视觉的无人机目标定位系统。使用深度可分离卷积替换YOLOv2原始模型中的Darknet-19骨干网络,大幅减小模型体积;引入RepVGG模块提取复杂特征,以提升检测精度。将模型部署到嵌入式端并进行了性能测试,结果表明改进YOLOv2算法的网络模型检测精度达到了96.7%,检测速度达到25 fps,解决了传统算法难以处理光照变化的问题并且有明显的性能提升。设计完成了上机试验,试验结果验证了无人机目标定位系统的有效性和可靠性。

融合码本模型和边缘检测的目标检测算法

提出了一种基于码本模型和边缘检测的运动目标检测算法。首先对基础码本模型中的码字部分进行改进,利用像素点中k个最大、最小Y分量的平均值来代替最大、最小Y分量值;同时融入自适应卡尔曼滤波的思想,利用前后两帧图像的亮度信息对当前像素值进行预测及修正;最后将改进后的码本模型算法与边缘检测相结合,利用码本模型检测到的初始运动目标与边缘检测检测到的运动目标相加得到最终的运动目标。实验结果表明,该改进算法在前景提取率上相比GMM算法提高了24%,且实时处理方面也能达到57帧/s,可以满足实际应用的实时性要求。

基于卷积图神经网络的滚动轴承故障诊断算法

针对常规深度学习方法在直接处理一维时域振动信号进行故障诊断时诊断准确度较低的问题,提出了一种基于一维卷积神经网络(Convolution Neural Network,CNN)与图神经网络(Graph Neural Network,GNN)的滚动轴承故障诊断算法(CGNN)。首先通过一维卷积层对振动信号做自适应滤波与数据压缩预处理,然后将预处理后的一维特征数据转换为图结构数据,最后使用三层图神经网络来进行滚动轴承的故障诊断。在凯斯西储大学滚动轴承数据集(CWRU)上开展实验验证,结果表明,CGNN在各个工况下都能具有90%以上的故障诊断准确率。

基于音圈电机的主动悬架双闭环控制系统研究

为了提高电磁式悬架主动控制的性能,简化作动器结构以及控制系统,设计一套以单相两极的动圈式音圈直线电机作为作动器的主动悬架控制系统。设计了外环模糊PID,内环电流滞环的双闭环控制器。搭建了作动器驱动电路,验证音圈电机的电流跟踪控制,证明音圈电机作为作动器是简单有效的。通过分析汽车悬架模型和音圈电机模型,在MATLAB/Simulink仿真环境中按照实际参数搭建控制系统进行仿真验证,结果表明,该系统动态响应快,控制精度高,降低车身振动加速度约27%,该控制策略可以有效减振。

基于LabVIEW的波浪能测控系统的设计

波浪能是一种清洁、新型且无污染的可再生能源。可靠高效的波浪能测控系统对波浪能的开发利用具有现实意义。结合NI CompactRIO嵌入式系统与LabVIEW软件平台设计了一套波浪能测控系统。首先,对波浪能测控系统进行需求分析与总体设计,根据总体结构构建相应的硬件系统,对各种硬件配置与电路进行介绍与设计。然后,利用LabVIEW编写系统软件程序,包括数据采集模块、数据存储模块、数据回放模块与PWM电流控制模块。最后,通过PWM电流控制实验验证了波浪能测控系统的可靠性与实用性。实验表明,该系统操作简便、人机交互界面友好、能够完成对波浪能的实时监测并且在一定程度上实现了最大功率点跟踪。

复杂声场下自适应LMS-VMT算法的研究

局部有源噪声控制(ANC)已得到广泛研究和应用,但其系统的降噪区域处于误差传声器附近,在实际应用场景中会受到较大限制。以自适应LMS虚拟传声器技术(LMS-VMT)为研究对象,以ANC系统产生的“静区”可以远离物理传声器为目标,使系统的实用性得到提升。在次级声源的复杂近场环境下对LMS-VMT算法加以改进,同时研究传声器阵列最佳权重的离线辨识方法。在此基础上对系统进行仿真实验,结果表明改进的LMS-VMT算法使得局部ANC系统无论在理想声场中还是在复杂声场模型中都能在虚拟位置得到较好的降噪效果。