缩减基法在汽车车架分析中应用

在汽车车架分析中引入一种超高速计算方法——缩减基法。缩减基法的计算过程分为离线阶段和在线阶段,离线阶段中建立车架的参数设计空间,计算与设计参数无关的项,在线阶段中选取新设计参数即可快速得到计算结果。将缩减基法结果与有限元结果进行比较,对误差进行了分析。计算实例表明,缩减基法可快速甚至实时地得到计算结果,且有很高的计算精度。

改进缩减基法在框架结构中的应用

针对缩减基法需预先知道设计参数与线弹性算子分离关系的问题,基于求逆缩减基法,提出一种求解与设计参数无关的线弹性算子的方法。该方法在离线阶段构建低维解空间,无需预先知道设计参数与线弹性算子的关系,选取不同的设计参数,利用ANSYS提取需要的线弹性算子,用求逆缩减基法解得与设计参数无关的线弹性算子。在在线阶段代入新设计参数即可快速得到结构的计算结果。以平面框架结构为例,将改进后的缩减基法结果与有限元结果进行比较,表明该方法有很高的精度,且扩大了传统缩减基法的应用范围。

采样方式对改进缩减基法在框架静力计算中的影响研究

针对改进缩减基法需构造样本空间的问题,选用不同采样方式获取样本参数,计算结果组成减基矩阵,用改进缩减基法对结构进行分析。在离线阶段,改变样本参数,用ANSYS软件提取结构的整体刚度矩阵,得到与设计参数无关的矩阵,实现参数分离。在线阶段,选取设计参数用改进缩减基法计算得到结果。以平面框架结构为例,用改进缩减基法与有限元法进行计算,比较计算结果的精度。文章对此进行研究。

结合全局与局部信息的点云目标识别模型库构建

目的点云目标识别流程分为离线与在线阶段。离线阶段基于待识别目标的CAD模型构建一个模型库,在线基于近邻查找完成识别。本文针对离线阶段,提出一种新的模型库构建方法。方法首先将CAD模型置于一个二十面体中心,使用多个虚拟相机获取CAD模型在不同视角下的点云;然后将每个不同视角下的点云进行主成分分析并基于主成分分析的结果从多个选定的方向将点云切分为多个子部分,这些子部分包含点云的全局及局部信息;接着对每个子部分使用聚类算法获取其最大聚类,去除离群点;最后结合多种方式删减一些冗余聚类,减小模型库规模。结果在多个公开数据集上使用多种点云描述子进行对比实验,识别结果表明,相对于传统的模型库构建方法,基于本文方法进行识别正确率更高,在某些点云描述子上的识别正确率提升达到10%以上。结论通过将CAD模型在不同视角下点云的全局与局部信息都加入模型库中,本文提出的模型库构建方法可有效提高点云目标识别正确率,改善了场景目标发生遮挡时,近邻查找识别精度不高的问题。