基于改进JRD及误差修正的轴承剩余寿命预测方法

目前,风电机组齿轮箱性能发生初始退化时难以识别,现有退化指标易出现剧烈波动、单调性较差,且无法准确预测齿轮箱关键部件如轴承的剩余使用寿命(RUL),针对该问题,提出了一种基于改进杰森-瑞丽散度(JRD)及误差修正的双指数模型轴承RUL预测方法。首先,提取了振动信号样本的多域特征指标,利用高斯混合模型(GMM)与指数型权重JRD,得到了样本的后验概率分布向量,再经归一化处理得到置信值(CV);然后,对轴承从初始健康状态退化至当前检查时刻的CV值进行了相空间重构,提取了CV序列的动力学特征,并将其作为相关向量机(RVM)的训练集,获得了支撑整个退化轨迹的相关向量;最后,利用双指数模型拟合了相关向量,外推趋势至失效门限以计算RUL,并引入了差分整合移动平均自回归模型(ARIMA),对拟合相关向量产生的拟合误差进行了预测,以修正预测的结果。实验结果表明:改进后的退化指标单调性指标提高14.3%;且在不同工况、不同时刻下,经误差修正后的轴承的RUL预测结果较未修正之前有明显提高。研究结果表明:该预测方法可为风电机组齿轮箱重要部件的预测性维护提供参考。

A Goal-Oriented Adaptive Finite Element Method for 3D Resistivity Modeling Using Dual-Error Weighting Approach

A goal-oriented adaptive finite element（FE） method for solving 3D direct current（DC） resistivity modeling problem is presented. The model domain is subdivided into unstructured tetrahedral elements that allow for efficient local mesh refinement and flexible description of complex models. The elements that affect the solution at each receiver location are adaptively refined according to a goal-oriented posteriori error estimator using dual-error weighting approach. The FE method with adapting mesh can easily handle such structures at almost any level of complexity. The method is demonstrated on two synthetic resistivity models with analytical solutions and available results from integral equation method, so the errors can be quantified. The applicability of the numerical method is illustrated on a resistivity model with a topographic ridge. Numerical examples show that this method is flexible and accurate for geometrically complex situations.

基于ECOC平衡随机森林的雷达降水粒子分类

针对数据不平衡情况下的降水粒子分类问题,提出了一种基于纠错输出码(error correcting output code,ECOC)平衡随机森林的双偏振气象雷达降水粒子分类方法。首先,将多类别降水粒子数据集编码为多个二分类数据集;然后,对二分类数据集进行有放回的平衡重采样,构建多棵分类回归树;最后,利用所有的分类回归树联合进行降水粒子分类。对实测数据的处理结果表明,所提方法能够在保证总体准确率较高的情况下,大幅提高少数类的分类效果。

基于误差补偿的船舶双焊接机器人协同免疫网络控制

为了实现船舶双焊接机器人的高精度协同控制,提出了一种基于误差补偿的协同免疫网络控制算法。在双焊接机器人运动学分析基础上,将协同控制转化为二次型优化问题;将目标函数和关节角分别定义为抗原和抗体,借鉴免疫信息处理机制构建了包括输入层、跟踪隐层、补偿隐层和输出层的协同免疫网络;将由网络跟踪隐层评价所得递归误差经补偿隐层激活产生补偿项,再通过网络递归和疫苗接种实现船舶双焊接机器人的协同免疫网络控制器设计。4种不同轨迹的双机器人协同跟踪数值仿真表明,相比于MGNN和PDNN算法,协同免疫网络控制算法的平均跟踪误差降低19.05%,平均协同误差降低17.95%,平均关节偏移降低27.73%,验证了该算法的高精度、高协同性和高重复性控制性能。

基于SDES和双轮差错控制的大数据集成安全系统

针对大数据传输中的数据机密性、完整性和数据丢失等问题,提出一种基于简化数据加密标准(Simplified Data Encryption Standard,SDES)和双轮差错控制的大数据集成安全系统。使用SDES加密算法生成加密字符串,并设计意外数据丢失备份系统以提高机密性和防止意外数据丢失。基于双轮差错控制以较低的空间开销控制传输过程中包含的任意数量的离散或连续错误位,基于固定长度编码(Fixed Length Coding,FLC)的无损压缩技术来减少数据开销。该算法具有较高的AE值、熵和压缩百分比,具有提供更高的数据机密性和完整性的潜力。

基于双惯导协同的误差参数估计与融合算法

针对无外界参考信息的双惯导系统长期使用后系统参数发生变化导致导航精度降低,且系统间缺少信息融合的问题,提出了一种同等精度双惯导协同误差估计与信息融合算法。首先以两套旋转式惯导间相对速度误差与位置误差作为观测量,建立包含陀螺和加速度计零偏的导航误差模型。然后分析了不同转序下各状态量的可观测性,采用Kalman滤波对各参数进行有效估计,估计完成后对双惯导系统进行误差补偿及信息融合。仿真结果表明,所提算法对陀螺零偏估计精度优于0.002(°)/h,加速度计零偏估计精度优于4μg,在抑制误差发散的同时,提高了旋转式惯导导航精度。

基于地球GNSS和导航增强星的地月空间导航方法

针对载人登月及无人月球探测后续任务中亟须突破的高精度实时自主导航需求,拥有GNSS自主导航能力具有重大意义,符合未来月球探测任务简便、低代价导航发展趋势。而将地球GNSS导航直接应用到地月空间导航场景所能提供的实时导航能力有限,无法满足高精度导航应用的需求。因此,提出了一种基于地球GNSS和导航增强星的地月空间导航方法,通过仅增加一颗月球空间导航节点,在播发导航信号的同时,分别建立与地球GNSS导航星座和月球用户之间的双向时间同步链路,将钟差与位置误差进行解耦,实现月球用户的高精度实时三维绝对导航。仿真结果表明,该方法能大幅提升月球用户的几何精度因子,可获得优于50m的实时定位精度,具有很强的实用性。

基于双层像素值排序的可逆信息隐藏

基于像素值排序(pixel-value-ordering,PVO)的可逆隐藏方法借助像素块内的最值关系进行有效预测和可逆嵌入,具有显著优势。然而,现有基于PVO的方法大多在单一序列中进行预测和修改,导致每个像素块内参与生成直方图的像素数量相对固定。为了解决这一问题,提出了一种基于双层像素值排序的可逆信息隐藏方法,它在像素块中分层得到两个有序序列,并在两个序列之间进行跨序列预测,因此能够自适应地确定生成直方图的像素数量。同时,为双层嵌入所生成的直方图设计了不同的修改规则,以减少嵌入失真。实验结果表明,本方法具有较好的可逆嵌入性能。

DRG下医方编码行为背后的认知思维与逻辑动因

按疾病诊断相关分组(DRG)支付方式对抑制医疗费用的不合理增长、提高医疗服务质量和效率发挥了重要作用。保证诊断编码的准确性是实施DRG支付方式的首要前提。基于行为经济学理论下的透镜模型、双系统理论、前景理论,分析DRG下医方编码行为背后的认知思维与逻辑动因并提出对应的建议,为提高DRG编码准确性、推进DRG支付方式改革提供一个新的理论视角。

变步长CMA和DD-LMS双模式切换盲均衡算法

针对经典盲均衡算法收敛速度较慢和稳态误差较大的问题,提出了一种基于变步长恒模算法(Constant Modulus Algorithm, CMA)和判决引导的最小均方(Decision Directed Least Mean Square, DD-LMS)算法的双模式切换盲均衡算法。在算法收敛初期采用CMA算法,以确保算法可以较快收敛。在收敛之后切换至DD-LMS算法,以进一步降低稳态误差。通过设定阈值来切换算法,取相邻多次迭代误差的平均值作为算法的切换值,以确保算法切换时机的合理性。另外,引入Softsign变步长函数并加入3个参数对该函数进行改进,使得Softsign变步长函数可以依据不同信道环境设定最佳参数,同时提高算法的收敛速度。仿真结果表明,在卫星通用信道条件下,所提算法的收敛迭代次数约为1 000次,稳态误差为-12 dB,在信噪比为15 dB时,误码率为1×10~(-6)。与相关算法对比,所提算法的收敛速度较高,误码率和稳态误差较低。

天线反射面和馈源位置误差对电性能的影响规律研究

提出的基于Zernike多项式描述的反射面误差模型,用以分析反射面和馈源位置误差对电性能的影响规律。利用该模型,以标准卡塞格伦13 m口径天线为研究对象进行建模仿真。研究了反射面位置误差分布、馈源相位中心误差和馈源角度误差对远场方向图的影响规律,结果表明主面X偏移、RY偏移、馈源X偏移,导致了方向图整体偏移,副瓣电平不同程度抬高。主面Y偏移、Z偏移、馈源角度偏移,仅导致副瓣电平不同程度抬高。主面RX偏移对方向图基本无影响,增益损失对Z偏移较为敏感,相同偏移量时,Z偏移对增益损失为X、Y偏移的8倍。

基于自适应神经网络的工业机器人双臂协同鲁棒控制

为了克服机械摩擦、外界干扰和模型误差等不确定性对工业机器人双臂运动轨迹控制精度的影响,设计了一种基于自适应神经网络的工业机器人双臂协同鲁棒控制方法。首先,建立了带有各类不确定性的工业机器人双臂动力学模型;然后,通过构造障碍Lyapunov函数设计了带有不确定性的协同控制律,并设计了自适应神经网络对系统中的不确定性进行估计,从而得到工业机器人双臂协同鲁棒控制律;最后,利用Lyapunov稳定性理论证明了设计的协同鲁棒控制律能够将工业机器人双臂的轨迹跟踪误差、速度跟踪误差和不确定性估计误差约束在一个任意小的邻域内。仿真结果表明,设计的自适应神经网络可准确估计出工业机器人双臂系统中的不确定性,最大估计误差仅为0.04 N·m,提出的协同鲁棒控制律能够稳定、准确地跟踪轨迹控制指令,最大轨迹跟踪误差仅为1.3 mm,从而验证了设计方法的合理性。在三维空间固定坐标定位测试中,提出的协同鲁棒控制律与其他几种方法相比具有更高的控制精度,平均定位误差和最大定位误差分别仅为1.1 mm和1.4 mm,表现出了更强的鲁棒性和更优的工程适用性。

双机频率域交替闪烁的协同相参信号处理方法

多机协同探测从空域方面扩展了雷达辐射波形的复杂度,频率域交替闪烁为空战场强对抗复杂电磁环境下空、时、频域高度隐蔽提供了多维手段。针对双机编队频率域交替闪烁探测模式下距离—多普勒二维相参处理,本文提出了一种交替方向乘子法(ADMM)框架下嵌套多点欠定系统聚焦求解(MFOCUSS)的相位误差估计和二维场景重构方法。仿真结果表明,该方法能够精确估计双机雷达系统频率源引入的固有相位误差,同时对大间隔的双机频率能够进行有效地相参积累和二维场景重构。通过研究,本文设计一种新的双机协同探测工作模式,解决了双机频率域闪烁探测模式下的相位校正和场景重建问题,为复杂电磁环境下协同探测提供了信号处理方法。

S波段双偏振天气雷达降水产品评估与分析

为了发挥双偏振天气雷达中一小时降水产品对下一时次降水预报的指导性作用,文章匹配分析山东省2020年94次降水过程的2091个整点时次的一小时降水产品与自动气象站一小时降水量,以自动气象站降水量为真值,发现一小时降水产品存在较明显的误差。一小时降水产品远距离的小雨估测准确性较低,对近距离局地强对流降水估测准确性较差,存在明显的空报现象。造成误差的因素主要有高空风速及风向使降水落区具有不确定性、降水估测算法没有经过本地化处理以及晴空回波与弱降水回波非常相似。因此,降水估测产品的准确性需要进一步改善和提升。

基于波动趋势分段的风电功率区间预测

风电的波动性制约着其预测的准确性,为此,在对风电序列变化趋势进行分析的基础上,提出一种基于风电功率波动趋势分段的区间预测方法。首先,在全时段上应用平均滤波算法和滑动窗口提取功率变化趋势及转折点,针对传统分段方法仅考虑相邻转折点间功率变化率的问题,提出一种改进的双时段划分方法来得到分段结果。然后,综合不同时段功率误差的特点,提出一种分段预测方法:对突变时段和非突变时段分别应用k-means算法得到聚类结果,基于非突变时段聚类结果得到非突变时段的误差区间,基于突变时段聚类结果建立分类的误差云模型得到突变时段的误差区间,叠加确定性预测模型的预测值得到全时段区间预测结果。最后,利用Elia的风电数据进行算例分析,结果表明所提方法的风电功率区间预测效果更优。

双能X射线骨密度仪的质量控制检测与质量管理

目的对双能X射线骨密度仪(Dual-Energy X-Ray Absorptiometry,DXA)进行质量控制检测,探讨DXA设备的质量控制检测与质量管理方法。方法使用美国GE-Lunar公司生产的DXA设备质量保证(Quality Assurance,QA)模块和脊椎模型,对DXA设备进行准确度误差和精确度误差的质量控制检测,并使用Minitab质量管理统计软件进行质量管理。结果DXA设备检测QA模块高、中、低骨密度(Bone Mineral Density,BMD)的准确度误差绝对值分别为0.10%、0.10%、0.40%,精确度误差分别为0.70%、0.70%、0.80%;DXA设备检测QA模块高、中、低BMD的休哈特(Shewhart)质量控制图上各检测点均在基线附近随机波动,均未偏离Shewhart法则;DXA设备检测脊椎模体L1~L4:BMD、骨矿物质含量、面积的累积和质量控制图上各标绘点均在中心线附近随机波动,且所有累积和线均在上下控制界限内。结论通过对DXA设备进行定期质量控制检测和质量管理,可实时掌握设备的工作状态,为临床及科研工作提供准确、可靠的检测结果。

基于Haar小波的双直线电机自适应滑模控制

针对双直线电机伺服系统的同步控制精度易受耦合干扰、负载扰动和模型不确定性等因素影响,提出了一种基于Haar小波逼近的自适应滑模同步控制方法。采用滑模位置控制器克服扰动对伺服系统的影响,提高抗干扰性能;为削弱滑模控制引起的系统抖振,采用Haar小波基函数逼近系统动态模型中的时变非线性函数,进一步提高系统鲁棒性;同时采用自适应算法在线整定逼近函数的权值,并基于Lyapunov稳定理论证明了控制系统的渐进收敛性。实验结果表明,基于Haar小波的自适应滑模控制与滑模控制相比,不仅提高了系统的跟踪精度和同步精度,还增强了系统的鲁棒性。

基于双路径网络的矿井无线信号检测方法的研究

目前针对矿井无线信号检测的研究大多只考虑了比较理想的加性高斯白噪声信道和瑞利衰落信道,且信号检测误码率高,网络结构复杂。针对上述问题,提出一种基于双路径网络(DPN)的矿井无线信号检测方法,采用双路网络接收机(DPNR)优化正交频分复用(OFDM)接收端的整体性能,解决常规接收机的误差累积问题。首先采用残差(Res)块的shortcut对浅层特征进行一次卷积,将经过一次卷积后的特征图与经过多次卷积后的特征图相加。然后将密集(Dense)块浅层重复利用,并进行Dense块的卷积计算,得到卷积计算后的特征图。最后将两者的特征图融合成新的特征图,在牺牲较少复杂度的情况下,提取更多的特征,从而提高检测性能。实验结果表明:(1)在OFDM系统中,DPNR的误码率比常规接收机低,在信噪比为13时,误码率为零;在信噪比大于7时,DPNR的误码率较矿井环境下的常规接收机降低1个数量级以上;在信噪比大于11时,DPNR的误码率较加性高斯白噪声下的常规接收机降低1个数量级以上。(2)在通信系统滤波器组多载波/偏置正交幅度调制中,DPNR的误码率较常规接收机的降低2个数量级以上,说明其具有较好的鲁棒性。(3)随着信噪比的增加,DPNR和残差神经网络(ResNet)接收机的误码率较密集连接卷积网络(DenseNet)接收机低,且DPNR的误码率在最后阶段即信噪比大于13时更低。(4)在较高信噪比情况下,DPNR的误码率远远低于深度接收机,在信噪比大于8时,DPNR的误码率较深度接收机降低1个数量级以上。

体表光学图像引导技术联合图像引导放疗技术等中心双引导复位在乳腺癌调强放疗中的应用

【目的】探讨体表光学图像引导技术(SGRT)联合图像引导放疗技术(IGRT)在乳腺癌术后放疗中实施等中心双引导复位的可行性,评估新的复位模式相对于传统复位模式的误差精度差异。【方法】回顾性分析2021年7月13日至2022年10月15日在中山大学肿瘤防治中心ELEKTA infinity加速器放疗的乳腺癌保乳术后患者,按不同复位方式分为模拟机复位组(模拟组)41例和双引导复位组(双引导组)40例。模拟组采用模拟机进行复位,首次用CBCT扫描并记录摆位误差;双引导组采用体表光学设备AlignRT引导摆位并联合CBCT进行等中心双引导复位,记录CBCT配准获取的摆位误差。分别计算并比较两种复位方式的胸壁靶区(CROI)的整体摆位误差、患侧锁骨头区域(SROI)的局部残余误差和复位时间,分析SGRT联合IGRT双引导复位的CBCT误差值分布的优点。【结果】模拟组和双引导组在CROI区域的整体摆位误差(X/cm、Y/cm、Z/cm、Rx°、Ry°、Rz°)中,除了Ry、Rz方向无统计学意义(P>0.05)外,其他方向摆位误差具有统计学意义(P<0.05)。模拟组和双引导组在患侧SROI区域的局部残余误差(X/cm、Y/cm、Z/cm、Rx°、Ry°、Rz°)中,除X、Z轴平移方向无统计学差异(P>0.05)外,其他方向均具有统计学意义(P<0.05)。模拟组的复位时间为(505.36±21.96) s明显大于双引导组的(238.64±28.56) s,t=-24.555,P=0.000,差异具有统计学意义(P<0.05)。分析双引导组的CBCT误差值分布,发现X、Y、Z轴平移误差绝对值均覆盖在0.4 cm以内,而≤0.3 cm的比例分别为95%、93%和93%,Rx、Ry、Rz旋转误差绝对值≤1.5°的比例分别为90%、93%和90%。【结论】在乳腺癌调强放疗中,与传统的模拟机复位模式相比,SGRT联合IGRT进行等中心双引导复位,可以有效校正旋转角度和残余误差,提高放疗的精准度,复位时间更少,可行性高。这种精准、无标记的复位方式可在临床推广使用。

基于对偶误差的脉冲神经网络目标检测方法

脉冲神经网络(SNN)是一种模拟大脑神经元动力学的低功耗神经网络,为高计算效率、低能源消耗环境部署目标检测任务提供了可行的解决方案。由于脉冲的不可微性质导致SNN训练困难,一种有效的解决方法是将预训练的人工神经网络(ANN)转换为SNN来提高推理能力。然而,转换后的SNN经常遇到性能下降和高延迟的问题,无法满足目标检测任务对高精度定位的要求。该文针对ANN转SNN过程中产生的误差问题,引入对偶误差模型降低转换性能损失。首先,该文分析误差产生原因,构建对偶误差模型来模拟ANN到SNN转换误差。进一步地,将对偶误差模型引入到ANN训练过程,使转换前后的模型在训练和推理过程中误差保持一致,从而降低模型的转换性能损失。最后,利用轻量化检测算法YOLO在数据集PASCAL VOC和MS COCO上验证了对偶误差模型的有效性。