旋转调制惯导系统转位机构的高精度控制研究

为了满足先进旋转调制惯导系统对转位机构的高控制精度要求,以及弥补传统PI控制无法兼顾动态响应和稳态误差的缺陷,设计了一种结合了饱和校正的模糊-PI复合控制方法。该方法布置在传统三闭环控制中的位置环,以位置误差以及位置误差变化率为输入,通过不同状态下配置相对合理的控制策略,可以兼顾模糊控制和PI控制的优点,实现对系统的精准调节。同时,引入的饱和校正技术可以有效抑制PI控制器积分项的过渡累积,从而减少了控制器在长期运行过程中可能出现的累积误差,提高了系统的稳定性和控制精度。该控制方法在某型号平台式旋转惯导装置上表现出色,实际测试结果表明,系统的稳态精度可以稳定控制在±5″内,响应时间可以控制在5 s以内,可满足高精度转位控制的需求。

基于多尺度特征提取深度残差网络的水稻害虫识别

[目的]在水稻生产过程中,针对不同虫害需要采用不同的防治方案,水稻害虫的准确识别分类是制定针对性防治方案的前提。[方法]采用深度学习结合机器视觉的方法,基于Res2Net结构提出了一种多尺度特征提取的深度残差网络,通过准确地提取害虫特征实现复杂自然背景下的水稻害虫识别;采用改进的残差结构,使用等级制的类残差连接取代了原本的3×3卷积核,增加了每个网络层的感受野,可以更细粒度地提取多尺度特征。[结果]本网络训练的模型能够有效地识别自然背景下的水稻害虫,在自建的包含22类常见水稻害虫的图像数据集上,平均识别准确率达到了92.023%,优于传统的ResNet、VGG等网络。[结论]本文提出的模型可应用于水稻虫情自动监测系统,为实现水稻害虫虫情的机器视觉监测提供参考。

基于LSTM网络的在线圆度预测

为解决在线测量圆度误差控制问题,利用长短时记忆网络(LSTM)对在线测量加工的工件圆度进行预测,并根据预测值对误差进行补调。通过LSTM网络实时预测工件信息,当预测值大于理论边界时及时调整工艺参数,避免了误差累积;最后设计并进行了基于长短时记忆网络的在线测量磨加工实验,通过实验结果对输入张量的维度与预测精度之间的关系进行分析。结果表明,长短时记忆网络满足在线磨削加工中圆度序列预测的需求,且具有较强的抗干扰能力。使用长短时记忆网络进行在线圆度预测及补调,可有效提高加工精度。