基于滤波技术的激光数控加工误差控制策略

为降低激光数控加工过程中的轨迹跟踪误差,分析了激光数控加工进给伺服系统跟踪误差和等效模型偏差形成的原因,设计了基于滤波技术的激光数控加工误差控制策略,旨在预测激光数控加工轨迹跟踪误差。通过设计的模态滤波控制器进行激光数控加工运动轨迹补偿,从而实现加工误差控制。测试结果表明,该策略能够有效获取激光数控加工轨迹的跟踪误差结果,两种加工模式均可在1 s内完成控制响应;能够有效完成激光数控加工动作补偿,双向加工轨迹跟踪误差结果均在15μm以下。

基于跨模态信息过滤的视觉问答网络

视觉问答作为多模态任务,瓶颈在于需要解决不同模态间的融合问题,这不仅需要充分理解图像中的视觉和文本,还需具备对齐跨模态表示的能力。注意力机制的引入为多模态融合提供了有效的路径,然而先前的方法通常将提取的图像特征直接进行注意力计算,忽略了图像特征中含有噪声和不正确的信息这一问题,且多数方法局限于模态间的浅层交互,未曾考虑模态间的深层语义信息。为解决这一问题,提出了一个跨模态信息过滤网络,即首先以问题特征为监督信号,通过设计的信息过滤模块来过滤图像特征信息,使之更好地契合问题表征;随后将图像特征和问题特征送入跨模态交互层,在自注意力和引导注意力的作用下分别建模模态内和模态间的关系,以获取更细粒度的多模态特征。在VQA2.0数据集上进行了广泛的实验,实验结果表明,信息过滤模块的引入有效提升了模型准确率,在test-std上的整体精度达到了71.51%,相比大多数先进的方法具有良好的性能。

“分解-校正-集成”模式下基于深度信念网络模型的径流预测

精准的短期径流预测可为流域内水资源规划、防洪调度及抗旱减灾工作提供重要的科学依据。为减小模型的系统误差,提高径流预测精度,在“分解-集成”模式的基础上提出“分解-校正-集成”框架,构建EEMD-DBN-EnKF、VMD-DBN-EnKF模型。利用集合卡尔曼滤波数据同化算法对偏离实测径流过大的分量校正以降低分解子序列在预测中产生的系统误差,并与未修正的EEMD-DBN、VMD-DBN模型及单一DBN模型进行了对比分析。结果表明:基于模态分解的组合模型较单一模型RMSE减小了至少23%,NSE与R^(2)增加了21%以上;基于径流分量校正的组合模型相较于模态分解的组合模型各评价系数有所提升,其中VMD-DBN-EnKF预测模型误差最小,效果最优,NSE与R^(2)达到0.89以上,其次依次为EEMD-DBN-EnKF>VMD-DBN>EEMD-DBN。综上“分解-校正-集成”模式的预测框架在玛纳斯河流域具有良好的适用性,可为玛纳斯河径流短期预报提供技术支持。

基于VMDFK和图像编码技术CNN网络刀具磨损状态识别

针对采集刀具加工数据过程中有冗余信息和干扰信号,导致刀具磨损状态特征识别困难、识别精度不高等问题,提出一种基于快速谱峭度图的变分模态分解模态分量选取(VMDFK)与格拉姆角场(GAF)图像编码技术相结合的卷积神经网络(CNN)刀具磨损状态识别方法。首先通过变分模态分解和快速谱峭度图,筛选符合要求的模态分量并重构;再采用形态滤波对重构信号去噪和增强;最后通过格拉姆角场图像编码技术,将经去噪增强后的信号转换为格拉姆角场图,并将其输入卷积神经网络中提取特征,较好地解决了信号中的干扰和图像识别中图像特征不明显问题。实验结果表明:该方法可准确清晰地展现刀具磨损状态的特征,在即时性、准确度等方面有较大提高,实现对刀具不同磨损状态的实时智能识别,具有较好的效果。

基于自适应维纳滤波和2D-VMD的声呐图像去噪算法

声呐图像易产生对比度低、分辨率低、边缘失真等问题,所以在去除声呐图像噪声时难以将有效信号与噪声准确分离,从而导致去噪后图像对比度降低、边缘轮廓不清晰、细节丢失严重等问题.本文提出一种基于自适应维纳滤波和2D-VMD(二维变分模态分解)的声呐图像去噪算法.首先通过二维变分模态分解对含噪图像进行分解,得到一系列不同中心频率的模态分量,利用相关系数和结构相似度筛选出有效的模态分量,并使用自适应维纳滤波处理有效的模态分量,最后将滤波后的模态分量进行重构,从而去除图像中的噪声.实验结果表明:所提图像去噪算法在相关系数(CC)、结构相似度(SSIM)这两项客观数据上表现最优,峰值信噪比(PSNR)略低于NSST域去噪,综合客观数据与视觉效果,本文所提算法去除噪声后的图像细节和边缘保持能力效果最佳.

融合风电动态特征与通道注意力的超短期风速混合预测

准确的风速预测对于保障电网的稳定性和提升运行效率至关重要。为了提高预测的准确性,提出一种融合风电动态特征与通道注意力的超短期风速预测混合模型。首先,考虑气象因素对风速变化的影响,融合气象数据的静态和动态特征构建特征矩阵,深入挖掘影响风速的关键潜在因素。然后,采用时变滤波经验模态分解对原始风速进行初步分解,随后应用变分模态分解对高频分量进一步分解,以降低数据的不稳定性并增强模型的可预测性。其次,为每个子序列分别构建双向长短期记忆网络预测模型,并引入高效通道注意力机制,以自适应地为多通道特征信息分配权重,使模型能够集中于关键特征信息,从而提高模型的预测精度。最后,通过综合各子模型输出得到最终的风速预测值。实例分析表明,所提模型具有较好的预测精度和鲁棒性。

融合TVF-EMD和CNN-GRU锅炉受热面能效预测

电站锅炉受热面积灰是导致锅炉热效率降低,甚至影响锅炉出力的重要因素之一,因此对锅炉受热面积灰结垢状况的精准预测是优化提升锅炉能效的前提。针对这一问题,本文以300 MW电站锅炉省煤器的清洁因子为研究对象,提出了一种融合基于时变滤波器的经验模态分解(time-varying filtered empirical mode decomposition,TVF-EMD)和卷积门控神经单元(convolutional neural network gated recurrent unit,CNN-GRU)的组合模型来预测锅炉受热面能效变化情况。首先通过改进的小波阈值法对非线性非平稳的清洁因子原始数据进行预处理,去除噪声和异常值;再通过TVF-EMD对处理后的数据进行分解得到预设好的本征模态分量,根据自相关系数对阈值大于0.2的分量进行叠加重构,在保留原始数据重要特征的同时降低相关性低的分量对预测精度的影响;最终将重构后的信号利用卷积神经网络(convolutional neural network,CNN)强大的特征提取能力和门控循环单元(gated recurrent unit,GRU)的时序记忆能力,建立输入与输出之间的非线性关系,实现较为精准的时间序列预测。研究结果表明,利用TVF-EMD进行分解相比直接进行预测可以提升9.62867%的预测精度,为后续优化及制订更加合理的吹灰策略提供了理论和技术支持。

多模态遥感图像模板匹配Log-Gabor滤波方法

针对多模态遥感图像匹配难的问题,本文提出了一种基于Log-Gabor滤波的高精度匹配方法。该方法采用由粗到细的多层级密集匹配框架,无须进行特征点检测,避开了多模态图像特征点检测重复率低的问题,能够提取大量高精度匹配点对。本文方法主要分为两步:首先,利用多尺度多角度Log-Gabor滤波器构建对图像间非线性辐射差异稳健的特征金字塔;然后,利用粗尺度的底层特征图进行密集模板匹配,提取大量粗粒度的特征匹配点对,在此基础上再利用特征金字塔,实现粗匹配点自下而上的逐层优化,完成高精度特征匹配点对的提取。同时,针对模板匹配滑窗运算效率不高的问题,提出了一种密集模板匹配的快速实现方式,有效减少了密集模板匹配的运算时间。本文使用多组不同模态的遥感图像进行试验,结果表明,本文方法能够克服图像间非线性辐射差异的影响,在正确匹配数目、匹配准确率与匹配精度上均优于现有多模态图像特征匹配方法。

堆栈自编码器下机电故障信号多尺度滤波方法研究

煤矿机电故障信号组成成分较复杂,会导致煤矿机电故障诊断质量下降。对此,提出基于堆栈自编码器的煤矿机电故障信号多尺度滤波方法。首先,采用非线性时间序列以及相空间重构的方式构建煤矿机电故障函数并采集故障信号。其次,通过成本函数与稀疏约束相结合的方式设计堆栈自编码器,将采集到的故障信号输入堆栈自编码器,以实现故障信号分类。最后,以分类结果为基础,通过集合经验模态分解(EEMD)将故障非平稳信号转变为平稳信号,并采用多尺度滤波对故障信号展开寻优处理,以获取煤矿机电故障的多尺度调解信号,从而实现煤矿机电故障信号多尺度滤波。经试验验证,所提方法对故障信号进行多尺度滤波处理后,大多数频率成分得到了保留,同时滤除了不需要的频率成分。煤矿机电故障诊断准确率平均值为99.71%、诊断时间平均值为0.24 s。该方法能够实现准确、快速的煤矿机电故障诊断。

基于VMD-Kalman-GM组合模型的滑坡位移预测

滑坡位移的预测与分析能为滑坡灾害的预警提供重要数据支持作用,针对受降雨影响存在波动发展的滑坡位移序列,为了提高降雨对滑坡位移影响的预测效果,文章建立了一种变分模态分解(VMD)算法和卡尔曼滤波(Kalman)、改进灰色模型(GM)组合预测的方法,文章基于变分模态分解算法将滑坡地表监测位移序列分解不同频率分量,经过时序组合得到波动值和趋势值,在确定波动值与降雨数值时滞相关性的条件下,提出了一种考虑降雨数值的变化趋势的卡尔曼滤波预测模型,建立降雨时间滞后影响下的卡尔曼滤波预测模型,利用该模型进行滑坡位移波动值的动态预测,同时建立动态灰色预测模型预测趋势值,最后波动值和趋势值合成得到滑坡预测数值,建立了VMD-Kalman-GM组合预测模型。以中国三峡库区八字门滑坡监测数据为例,将预测结果与实测值进行比较,验证了该方法的可行性和准确性,为滑坡位移的预测提供了一种新的方法。

基于MEEMD的MEMS陀螺仪降噪方法

为了有效抑制微机械陀螺仪的随机误差,基于改进的经验模态分解(MEEMD),结合粒子群优化算法(QPSO)优化的卡尔曼滤波(KF),提出了一种微机械陀螺仪降噪方法。通过引入排列熵的概念对微机械陀螺信号进行分解得到本征模态分量;计算各分量排列熵,分析排列熵变化趋势筛选出信号噪声混叠的分量,对其中混叠的分量分析建模,采用QPSO-KF算法滤波去噪;再对滤波结果和信号主导的分量进行重构,实现微机械陀螺信号降噪。实验验证了所提方法的有效性,相比传统经验模态分解(EMD)、KF精度提高了1个数量级,验证了所提方法的有效性和精度。

Error compensation on precision machine tool servo control system based on digital concave filter

It is concluded from the results of testing the frequency characteristics of the sub micron precision machine tool servo control system, that the existence of several oscillating modalities is the main factor that affects the performance of the control system. To compensate for this effect,several concave filters are utilized in the system to improve the control accuracy. The feasibility of compensating for several oscillating modalities with a single concave filter is also studied. By applying a modified Butterworth concave filter to the practical system, the maximum stable state output error remains under ±10 nm in the closed loop positioning system.

基于时间模式信号处理的三阶FIR滤波器实现

文中提出了一种基于时间模式信号处理电路的三阶低通有限脉冲响应(FIR)滤波器的实现。滤波器拓扑由一组新颖的构建块组成,这些构建块在时间模式下执行必要的功能,包括z-1运算、时间加法和时间乘法。设计的时域三阶FIR滤波器的输出与采样频率同步,且该滤波器的拓扑结构是模块化的,因此只需增加延迟和乘法器的数量就可以创建高阶滤波器。滤波器是在28 nm三星全耗尽绝缘体上硅FD-SOI工艺中设计的,电源电压为1 V,采样频率为5 MHz,仿真结果验证了理论分析的正确性,FIR滤波器在50 kHz的输入频率下实现了38.6 dB的信噪加失真比(SNDR),功耗约为200μW。

具有同步带伺服传动系统的振动误差控制策略

针对数控机床变频主轴同步带结构存在振动误差和非线性干扰问题,提出一种模态滤波器与改进补偿跟踪控制器的综合控制策略。通过辨识机床主轴同步带传动模态的基础上,建立了机械系统的动力学模型和伺服控制模型,针对机械传动环节低频和高频模态对伺服控制带宽的影响,通过零极点对消原理设计相应的模态滤波器将传动系统引入的低阶模态进行抑制,根据系统的传递函数和极点分布设计相应的相位跟踪控制器并添加前馈补偿进行改进,改善伺服传动系统的响应速度。结果表明,由同步带自身模态特性引起的低阶模态是影响控制系统带宽的主要因素,通过设计的模态滤波器可以将伺服带宽由12 Hz提高到110 Hz,并且设计的综合控制策略与其他控制策略相比,可以将跟踪误差大幅度降低。

风电场混合储能双级优化配置

针对风力发电输出功率的波动性以及混合储能容量优化,以风储联合发电系统为研究对象,提出一种风电场混合储能双级优化配置策略。该策略首先利用自适应滑动平均滤波(AMAF)得到并网功率,然后利用变分模态分解(VMD)将储能目标功率分解,上级循环采用储能组合方案为寻优变量,下级循环采用高频与低频功率的分界点为寻优变量,整个循环以混合储能经济成本为目标函数,得出最佳组合方案与分界点。最后,通过实验分析将所提策略与经验模态分解进行对比分析,结果表明该策略能够减少模态混叠,系统成本降低8.53%;混合储能不同组合方式对比单一储能,方案7中的混合储能系统(HESS)成本与单一储能全钒液流电池相比成本降低28.8%,与超级电容相比降低36.46%。

基于伪极值点的ALIF方法及其应用

针对自适应局部迭代滤波(Adaptive Local Iterative Filtering,ALIF)方法的模态混叠问题,提出了基于伪极值点的自适应局部迭代滤波(Pseudo-extrema-based Adaptive Local Iterative Filtering,PEALIF)方法.此方法采用增加伪极值点的方式使得信号极值点的分布更均匀,有效地抑制模态混叠问题的同时,亦保证了算法分解的顺序性.详细介绍了EPALIF方法的原理,同时构建仿真信号,将此方法与EMD、EEMD、CEEMD和ALIF方法进行分析和对比.结果表明PEALIF在分解能力、抑制模态混叠和抗噪声干扰等方面都具有一定的优越性.最后,将此方法应用在双半内圈轴承故障诊断中,实验结果表明PEALIF方法能获取更突出且易于辨识的故障特征信息,证实了该方法应用在轴承故障诊断分析上的实用性.

基于改进变分模态分解算法的海洋绝对重力数据滤波处理

原子重力仪具有采样率高、精度高及长期稳定性好等优点,适用于远洋深海高精度绝对重力测量工作。受恶劣海况影响,原子重力仪测量的绝对重力数据中存在大量非平稳、非线性的噪声信号,影响重力测量的精度,进而影响地质构造解释的准确性。为了消除重力测量数据中的噪声,本文分析了创新性地引入改进变分模态分解(improved variatio nal modal decomposition,IVMD)算法进行滤波处理。

基于自适应字典压缩感知的欠定工作模态参数识别

针对基于稀疏成分分析和正交基压缩感知的欠定工作模态参数识别方法准确率低、鲁棒性差的问题,提出一种基于自适应字典压缩感知的欠定工作模态参数识别方法。所提方法在模态振型估计的基础上利用自适应字典压缩感知重构模态坐标响应。在压缩感知框架下,首先,所提方法利用滤波分离的方法构造字典学习的训练样本;然后,使用基于K均值奇异值分解的字典学习方法和层次耦合字典训练策略生成自适应字典,实现了无监督的字典学习;最后,利用正交匹配追踪算法得到稀疏系数分量,进而恢复源信号重构模态坐标响应。在压缩感知框架下,所提方法利用K均值奇异值分解算法学习得到的自适应字典,对于信号的分解比傅里叶基或离散余弦基等正交基具有更强的稀疏表示能力。在5自由度的仿真数据集下的欠定工作模态参数识别的结果表明,所提方法比稀疏成分分析、正交基压缩感知等方法具有更好的识别精度和鲁棒性。

多模态柔性振动的混合时滞滤波抑制方法

针对串联型柔性多关节机器人实时运动控制中存在多模态残余振动这一问题,提出了一种通过设计混合时滞滤波器构建多模态输入整形器的振动抑制方法。首先,分析了柔性多关节机器人产生振动的原因,介绍了抑制柔性振动所采用主要方法,并分析了ZVD型时滞滤波器在解决多模态柔性振动问题上存在的局限;其次,针对级联多模态时滞滤波器时滞过大的问题,构建了最优时滞滤波器;再次,给出了基于频率误差的性能指标函数,通过构建混合时滞滤波器,将脉冲幅值以及时间滞与混合参数λ建立线性映射关系,将优化残余振动的问题简化为优化混合参数λ;最后,通过机器人本体实验验证本方法在时滞和对频率误差适应性上的优势。

基于模态分解多尺度熵的微机械陀螺仪降噪方法

为了有效抑制微机械陀螺仪的随机误差,基于完备自适应噪声集合经验模态分解(CEEMDAN),结合反向传播神经网络(BPNN)建模和卡尔曼滤波(KF),提出了一种微机械陀螺仪改进的降噪方法。微机械陀螺仪数据经过CEEMDAN分解,得到本征模态分量(IMF);利用多尺度熵(MSE)算法对分量分类,对其中信号噪声混叠的分量进行反向传播神经网络辅助卡尔曼滤波;再对滤波结果和信号主导的分量进行重构,实现微机械陀螺信号降噪。实验验证了所提方法的有效性,该方法相比卡尔曼滤波、小波降噪等有更好的降噪效果。