物联网双层耦合动力学信息传播模型研究

信息传播模型的研究是物联网领域的重要组成部分,它有助于提高物联网系统的性能和效率,促进物联网技术的进一步发展,针对物联网通信中影响信息传播的因素复杂且不稳定的问题,该文提出一种双层耦合信息传播模型SIVR-UAD,通过分析物联网中不同状态的设备和用户对信息传播的影响,建立了6种耦合状态,并利用马尔科夫方法分析耦合节点的状态变化过程,找到信息传播平衡点,最后通过理论分析证明了模型的平衡点的唯一性以及稳定性。仿真结果表明,在3组不同的初始耦合节点数下,SIVR-UAD模型中的6种耦合节点数量变化始终趋向同一稳定水平,证明了该模型的平衡点和稳定性。

基于虚拟现实技术的井喷抢险模拟平台开发

井喷着火抢险作业的培训模式普遍存在着实地模拟危险性高、视频教学经验积累慢的缺点。有必要开发一个不受时间和场地限制的虚拟现实(Virtual Reality,VR)培训平台。利用Unity3D引擎搭建虚拟井场环境,使用粒子表面渲染和粒子系统实现井喷着火效果模拟,并建立多点源火焰热辐射模型,动态计算人员受到的热辐射伤害,以不同热辐射伤害等级划定安全范围。同时基于分层式复合碰撞体实现救援设备的人机交互和结果事件响应,完成一体化救援流程。结果表明:井喷着火时,安全距离应在70米以上;随着火焰倾角增加,最大安全距离都会向火焰倾向方向不同程度增大,最小安全距离会向火焰倾向的反方向不同程度减小。上述平台的开发建立,对安全救援作业有一定的借鉴意义。

基于工况参数信息的摩擦界面形貌反演

为优化湿式离合器设计,增强传动系统可靠性,并为工程研究与应用提供基础数据,以湿式离合器为研究对象,设计通用机械性能测试仪(universal mechanical testing machine,UMT)摩擦磨损试验机盘-盘实验,在给定工况下应用循环神经网络(recurrent neural network,RNN)算法,构建了湿式离合器摩擦元件三维微界面形貌反演模型。通过对比11组工况下的真实值和反演值,验证了RNN反演模型的准确性,其中测试工况的平均绝对百分比误差为4.04%,决定系数为0.9806。最后,借助反演模型分析了转速和压力2个工况参数对界面形貌特征的影响,湿式摩擦副界面形貌受压力的影响较为显著。

机电系统状态监测及故障预警的信息化技术综述

机电系统,特别是高端、大型、关键机电设备,其运行状态的安全可靠性能够对生产、资源和环境产生重要影响。根据现代产业需求从揭示设备运行状态发展趋势入手,提出设备运行服役中状态监测及故障预警的若干信息化关键技术,研讨面临的关键技术问题并提出相应解决途径。设备运行状态监测及故障预警的信息化技术及其仪器系统已应用于制造业等许多行业的多类型机电设备及企业集团关键设备群,在保障设备健康服役、预防安全事故、实现科学维修等方面发挥了重要作用。

现代仪器制造柔性研发平台构建中的传感器技术

传感器是信息获取系统的首要部件,是现代信息技术的源头。从市场需求出发,针对仪器制造具有高技术、多用户、多品种和小批量的特点,提出和完成了开放性集成化的现代仪器柔性研发平台的初步构建。根据共性关键技术的特点,构建了相应的传感器数据库。介绍了信号调理电路数据库的构建,并对LTC6915精密的增益可编程放大器进行了分析。结果表明,通过现代仪器制造柔性研发平台,能提升新型仪器产品研发的技术水平、缩短开发周期、降低开发成本,从而提高了仪器制造企业适应市场的快速动态反应能力。

高梯度静磁场的多通道磨粒检测传感技术研究

针对机械设备磨损在线检测系统存在的大流量和高灵敏度难以同时满足的问题,提出了基于对向布置环形磁铁的多通道磨粒在线检测传感器结构.通过建立传感器磁特性及铁磁性磨粒磁化的数学模型,推导得到了磨粒通过传感器时磁场扰动的解析解;进而采用仿真与实验的方法验证了传感器结构参数对传感器性能的影响规律.研究表明,铁磁性球体磨粒通过传感器时,其内部磁感应强度约为背景磁感应强度的3倍,且传感器感应线圈布置于磁铁外边缘比布置于磁铁内边缘时的检测灵敏度高约10.1%;同时,随着磁铁外径及两磁铁轴向间距的增加,传感器输出感应电压呈现先增加后下降的趋势.采用优化后结构参数的传感器可实现直径80μm铁磁性磨粒的有效检测.

基于虚拟现实技术的钻具组合运动反演研究

井下振动信号采集过程的不同时间段均会产生大量新的噪声,滤波仅能起到一定的效果;为了减弱其他时间段噪声对当前时间段振动积分的干扰,在直接频域积分的基础上提出滑动窗口积分的方法,构建单自由度振动模型,增加窗口大小以增加窗口内噪声数量,分析窗口大小与振动积分精度的关系;选用适合的窗口大小,分别用滑动窗口积分和直接时频域积分重建位移,与实际位移对比分析。研究结果表明,滑动窗口积分优于直接时频域积分的位移重建能力,且窗口越大,窗口内噪声数量越多,位移重建精度越差。构建虚拟现实地下场景,将滑动窗口积分应用于井下振动信号的位移重建,以重建的位移数据与其他数据共同驱动底部钻具组合运动,实现基于虚拟现实技术的底部钻具组合运动反演研究。研究结果对完善虚拟钻井平台的建设具有一定的指导意义。

基于Bi-LSTM的金属疲劳裂纹涡流脉冲热像技术检测与识别

涡流脉冲热像(Eddy current pulsed thermography,ECPT)技术是一种新型的无损检测方法,广泛应用于金属材料结构的检测,但该技术常依赖人工经验提取特征进行裂纹检测与识别,自动化和智能性化程度不足。结合涡流脉冲热像技术以及循环神经网络(Recurrent Neural Network,RNN)的特性,提出一种基于双向长短期记忆网络(Bidirectional Long Short-Term Memory Network,Bi-LSTM)金属疲劳裂纹涡流脉冲热像分类识别方法。实验通过涡流加热装置对被测金属试件进行感应加热,使用红外热像采集装置对金属平板试件进行实时的数据采集,获得图像序列并制作数据集。运用设计的Bi-LSTM模型增强特征向量中的时序信息,对不同尺寸裂纹的热图像进行训练并测试。实验分析表明,Bi-LSTM网络可有效应用于金属疲劳裂纹检测与识别,针对现有裂纹检测准确率可达到100%,优于传统神经网络和其他深度学习的模型,具有更高的识别精度。

油液光谱数据诊断综合传动装置异常磨损定位方法

磨损是影响综合传动装置工作可靠性及使用寿命的重要因素之一,当前相关研究中常用的聚类、主成分分析、加权融合等油液光谱数据分析方法,缺乏对特定元素浓度指标异常磨损情况下随时间增长的考虑。为分析综合传动装置不同零部件的磨损状态,提出一种基于油液光谱数据的零部件异常磨损定位分析方法。针对综合传动装置异常磨损过程中部分元素在特定阶段会出现快速增长的情况,提出基于时间窗相关距离的聚类方法,分离表征不同零部件磨损状态的元素;提出磨损元素的磨损趋势分级方法,以高磨损趋势元素为聚类中心,使聚类结果具备可解释性;通过分级系数确定零部件磨损元素权重,融合各零部件磨损元素,获取不同零部件磨损状态表征;通过异常磨损界限值识别异常磨损,实现零部件异常磨损定位。以综合传动装置润滑油液光谱数据为例,检测判断该装置异常磨损的零部件及时间段。检测结果表明:Fe、Cu、Pb三种元素的磨损趋势分级系数最高,携带大量磨损信息,能够有效表征装置的磨损状态;基于时间窗相关距离的有中心聚类方法,成功将油液光谱数据分为Fe、Cu、Pb三类,可用于有效表征整体、摩擦片、齿轮组的磨损状态;基于分级系数的加权融合方法可以有效对该装置的异常磨损部位和时间周期进行检测和判断,为后续的故障预防和维护提供技术指导。

基于SPWVD与知识蒸馏的行星变速器故障诊断研究

行星变速器运行工况多是非平稳运行工况,运行过程中齿轮啮合振动信号相互耦合导致测试信号混叠,其隐藏故障诊断难度增大;同时应用复杂的神经网络模型进行故障诊断预测时多数会收到工业现场边缘计算设备硬件的限制。针对相关问题,在保证行星变速器故障诊断准确率的情况下减少网络模型的参数量,提出了一种应用平滑伪维格纳-威利分布(smooth and pseudo Wigner-Vile distribution, SPWVD)与知识蒸馏结合的智能识别模型用于行星变速器故障诊断。首先,利用集合经验模态分解(EEMD)方法将多分量振动信号分解后选取单分量信号进行SPWVD计算后线性叠加得到二维时频图作为输入,以ResNet101为教师模型指导学生模型MobileNet进行训练,复杂教师模型将数据中的知识传授给学生模型,提高了学生模型的精度。将该方法与同类方法进行了对比,结果表明,模型以牺牲2.43%准确率为代价,存储成本下降为教师模型的24.55%,相较未知识蒸馏的MobileNet的准确率提高了9.61%,实现模型轻量化。本研究方法对提高深度学习模型在工程实际应用,降低边缘计算设备部署成本提供了一种有效且可行的解决方法。

CNN-LSTM车辆运动状态识别的AUKF组合导航方法

针对固定的噪声协方差难以适应车辆不同运动行为下噪声统计特性差异大的问题,提出了一种基于卷积神经网络与长短期记忆网络(CNN-LSTM)的车辆运动状态识别自适应无迹卡尔曼滤波(AUKF)组合导航方法。首先,应用CNN-LSTM网络模型进行车辆运动状态识别,解决车辆自我运动不确定性的问题;其次,将特定运动状态约束下的噪声协方差应用于UKF的时间更新与量测更新;最后,将所提方法在采集的数据集上进行验证。实验结果表明,与经典的UKF算法相比,所提方法的位置均方根误差与速度均方根误差分别下降了22.67%与2.63%,验证了所提方法的有效性。

钻柱的黏滑与高频扭转耦合振动测量与分析

钻井系统的自激扭转振动会导致钻头和地层之间的接触力或切削力相对速度出现下降特征。为减轻这种机制的影响,通过对三轴振动的时域、频域分析,研究了钻柱扭转振动特征。研究结果发现,低频的扭转振动会引发黏滑振动,黏滑振动频率为0.128 Hz,三轴振动和转速会出现周期性波动。钻柱发生高频扭转振动(HFTO)时,三轴加速度都出现了177.2 Hz的主频率。时域分析发现,切向加速度远大于轴向和法向加速度峰值,均方根值也较高,表明切向振动波动较大、能量高,说明此时井下正发生扭转振动。黏滑与HFTO发生耦合时,法向加速度会出现2个主频,即黏滑时的主频和HFTO的主频。高扭转频率会提高扭矩和机械转速导致钻具疲惫。研究结果对描述扭转振动的特征,判断钻井过程是否发生黏滑、HFTO和及时采取消除黏滑振动、缓解钻具疲惫技术措施具有指导作用。

基于改进CNN-SVM的井下钻头磨损状态评估研究

现有钻头磨损评估方法中,存在人工特征提取过程可能无法完全提取正确分类所需的信号动态特征,及需要对各个统计量进行大量计算等问题。为此,提出了一种新的基于改进卷积神经网络支持向量机(CNN-SVM)的钻头磨损程度评估算法。该算法将采集的近钻头原始振动数据导入CNN-Softmax模型,通过训练好的CNN模型从近钻头数据中提取主要的特征参数,将提取的稀疏特征向量输入SVM并进行故障分类,利用遗传算法实现SVM参数的优化选择,最后应用t分布随机邻域法近邻嵌入,使其故障特征学习过程可视化,以评估其特征提取能力。采用该算法对钻头磨损的现场试验数据进行了分析。分析结果表明:基于改进CNN-SVM的井下钻头磨损状态评估算法准确率高达98.33%。所得结论可为实现钻头磨损状态的进一步监测提供理论支撑。

基于改进Q-Learning的移动机器人路径规划算法

随着移动机器人在生产生活中的深入应用,其路径规划能力也需要向快速性和环境适应性兼备发展。为解决现有移动机器人使用强化学习方法进行路径规划时存在的探索前期容易陷入局部最优、反复搜索同一区域,探索后期收敛率低、收敛速度慢的问题,本研究提出一种改进的Q-Learning算法。该算法改进Q矩阵赋值方法,使迭代前期探索过程具有指向性,并降低碰撞的情况;改进Q矩阵迭代方法,使Q矩阵更新具有前瞻性,避免在一个小区域中反复探索;改进随机探索策略,在迭代前期全面利用环境信息,后期向目标点靠近。在不同栅格地图仿真验证结果表明,本文算法在Q-Learning算法的基础上,通过上述改进降低探索过程中的路径长度、减少抖动并提高收敛的速度,具有更高的计算效率。

针对临时道路的端到端自动驾驶模型研究

近年来,基于深度学习的自动驾驶模型逐渐成为无人驾驶领域的研究热点,常规的自动驾驶模型多采用多级模块串联的方式构建,分别完成感知、规划、循迹等功能,存在耦合性高抗风险能力差的问题。文中提出一种针对临时道路的无人驾驶车辆自动驾驶端到端模型,该模型采用三路视觉传感器图像为输入,以GCViT作为主干网络进行图像特征提取,通过Transformer网络和GRU网络输出局部规划路径,采用PID算法输出转角信息,实现无人驾驶车辆自动循迹。实验结果表明,端到端模型的单帧轨迹规划耗时约80 ms,平均轨迹偏差为0.689 m,满足实时性要求的同时,可完成无人驾驶车辆在临时道路环境下的循迹任务。

基于EEMD-IGWO-SVM的电机轴承故障诊断

针对电机轴承易发生损坏、传统诊断方法耗时长且准确度低等问题,提出一种基于改进灰狼优化算法(IGWO)优化支持向量机(SVM)的电机轴承故障诊断方法。对电机振动数据进行集成经验模态分解(EEMD),提取出IMF能量矩作为特征向量,并结合IGWO-SVM分类器,构造电机轴承故障检测模型。在模型引入改进Tent混沌映射、非线性收敛因子、动态权重策略,得到改进的分类算法,该算法可以快速精准地寻找SVM的最优惩罚参数C和核参数γ。对电机轴承振动数据进行仿真实验,诊断结果表明该轴承故障方法平均准确率高达99.4%。最后通过实验验证提出的诊断方法具有良好的算法稳定性和抗噪性能,可有效提高故障诊断精度。

变转速工况下基于角度重采样与PCA-XGBoost轴承故障诊断方法研究

针对变转速工况下,轴承振动信号容易发生信号特征混叠、频率偏移、信号截断和噪声污染问题,提出了一种结合角度重采样、主成分分析(PCA)和极端梯度提升树(XGBoost)的故障分类模型。首先,采用脉冲信号估计轴承转速的方法对轴承振动信号进行角度重采样并求取时频特征指标;其次,利用主成分分析(PCA)对时频特征参数进行降维核心提取,选取总贡献大于95%的主元作为XGBoost模型的输入样本;最后,利用网格搜索法对XGBoost进行主要参数调优,并划分训练集和测试集对该模型进行训练,验证其故障分类的准确性。结果表明该方法的故障诊断准确率为96.44%,相较于未降维后的数据运行时间缩短了27.24 s,且角度重采样后的诊断效果明显优于未角度重采样的诊断效果,故障识别率提高了7%以上,证明所提方法能够更加快速、准确的做出诊断。

基于多传感器数据关联的综合传动装置服役状态辨识方法

针对综合传动装置在恶劣环境下传感器数据跳变、可靠性差,导致依赖单一传感器信息带来的状态判断虚警率高、服役状态难以准确辨识的问题,提出一种基于多传感器数据关联的综合传动装置服役状态辨识方法。通过时间窗均值关联网络,充分考虑关联传感器数据在各时间段的关联程度,可以有效表征复杂工况下传感器数据的关联关系。在时间窗关联度计算方法的基础上进一步构造了误差反向传播(Back Propagation,BP)数据映射模型,完成对关键传感器数据的映射。采用变分模态分解和样本熵(Variational Mode Decomposition-Sample Entropy,VMD-SE)方法对数据进行预处理;利用所提方法计算各传感器数据间的关联性,选取出相关性高的数据;将相关性高的数据输入构造出的BP数据映射模型进行映射。油压数据的案例验证结果表明,时间窗关联度计算方法能准确地衡量传感器数据间的关联性,BP数据映射模型输出的数据能够良好地表征关键传感器数据,二者结合能够有效提升服役状态判断的准确性。

应用双通道卷积神经网络的交通标识识别方法

针对交通标识识别问题,传统的LeNet-5网络结构对于交通标识识别准确率低,识别速度慢,并且忽略天气等自然因素的影响。通过卷积神经网络技术,提出一种基于LeNet-5改进的双通道、多尺度的网络结构模型。在双通道结构中每个通道包含两个分支结构,且每个通道的卷积个数和图像尺度不同,通过不同尺度图像的特征提取,使图像特征变得更为丰富。其次,改进后的网络结构大大增加卷积核的个数。最后,通过更改Sigmoid激活函数为ReLu激活函数,更改随机梯度下降算法为Adam算法,并添加Dropout层来防止过拟合,从而提高交通标识识别率。改进网络的识别率为98.6%,上下浮动0.5%,相对与传统的LeNet-5网络结构,识别率提高15%以上,验证得出改进的网络结构具有一定的鲁棒性。

无人车辆横向跟踪控制研究

使用传统模型预测控制对车辆轨迹进行跟踪时,模型中的路面附着系数往往为特定工况下的经验数值。当车辆在未知路面行驶时,现有控制算法难以对路面附着系数进行及时修正,并调整预测控制模型内的约束,进而导致车辆横向失稳。针对此种情况,提出一种考虑实时路面附着系数估计的横向跟踪控制策略,用于实现车辆横向轨迹跟踪。该算法针对路面附着系数未知的工况,利用车辆当前横纵向加速度、横摆角速度、前轮转角等状态量,通过扩展卡尔曼滤波预测路面附着系数后,再对控制模型中的侧偏角约束量进行实时调整,以保证车辆在未知路面工况下的行驶安全,使车辆跟随预期轨迹行驶。实验表明,将扩展卡尔曼滤波法与模型预测控制结合的控制算法具有可行性,且有效提高了车辆在不同附着系数路面行驶时横向轨迹跟踪的稳定性及鲁棒性。