基于DEM和GIS的修正通用土壤流失方程地形因子值的提取

 地形是影响土壤侵蚀的重要因子。以修正通用土壤流失方程中的地形因子为研究对象,以黄土高原延河流域县南沟5m分辨率的DEM为数据源,在ArcGIS软件平台下,实现对地形因子LS值的提取。对提取后的LS值和LS值分布进行检验分析,结果表明:以5m分辨率的DEM为数据源,采用适合该地区的修正后的LS值的算法,在ArcGIS支持下,可以获得较准确的LS值。研究结果可以为区域土壤侵蚀的地形因子研究提供数据支持,为更大区域尺度转换提供数据匹配基础,同时,为土壤侵蚀在区域尺度上进行预测评价提供方法引导和技术支持。     

采用不同方法测量切沟的误差分析

使用卷尺测量切沟的体积和面积是研究土壤侵蚀中最常用也是传统的测量方法,着重分析了使用卷尺测量切沟时,测得切沟体积的误差。其误差主要包括由卷尺精度限制而导致的误差,以及由测量原理所造成的系统误差。运用误差传递公式计算由卷尺精度限制导致的误差,这种误差与测量相邻横截面的间隔长度无关,只与测量仪器即卷尺有关;对于不同的切沟,卷尺精度导致的误差占所测切沟体积的百分比也是基本相同的,不到2%。由测量原理造成的系统误差又可分为两种：由于横截面不规则造成的系统误差,最多可达到体积的2%;由于相临两个横截面之间形状不规则造成的系统误差。在野外测量的时候,每次测量距离保持在10 m左右比较合适。卷尺测量与差分GPS测量的切沟体积的比较表明,单次测量误差较大,在10%左右,而两次测量的体积差,即两种方法所得的切沟体积的年际变化量相差不大。也就是说明,用卷尺测量切沟体积的年际变化是有效的。     

DEM提取坡度产生的边缘效应分析

由DEM提取地形因子时一般采取3×3窗口分析运算,导致得到的地形因子矩阵在边缘上存在明显边缘误差。以黄土高原不同地貌类型区坡度的提取为例,研究基于1∶10 000和1∶50 000比例尺DEM提取坡度时所产生的边缘效应,分析了边缘效应与DEM分辨率、区域面积及区域地貌特征之间的关系,提出了解决或改善边缘效应的方法。用2个指标量化了边缘效应:一是平均坡度的变化值;二是边缘部分坡度提取的中误差。试验结果显示:平均坡度的变化值与DEM分辨率、区域面积及区域地貌特征之间有较明显的相关关系,即分辨率越高、区域面积越大,地面起伏越小,则边缘效应对整个区域平均坡度的影响就越小;而边缘部分坡度提取的中误差与区域面积没有明显的稳定相关关系,但与DEM分辨率和区域地貌特征之间存在较明显相关关系,即分辨率越高,地面起伏越大,则边缘上坡度提取的中误差越大。     

大空间运动3-RRRU并联机器人运动学标定与误差分析

并联机器人具有高速、高刚度和大负载等明显优势,被广泛应用到农业和工业领域,但多关节导致该类机器人控制精度不高。针对大空间运动3-RRRU并联机器人的运动学建模和误差标定方法展开了系统、深入研究。综合应用DH法和空间矢量法建立了机器人的运动学模型,在此基础上,借助偏微分理论推导并建立机器人的误差模型;应用激光跟踪仪进行不同轨迹下机器人的空间位置数据采集,对一般遗传算法进行改进,以等步距搜索策略实现主要遗传算子的优化,并通过全局数值寻优获取机器人的误差补偿数据,完成标定和补偿工作。实验表明：基于直线标定方式,补偿后直线轨迹跟踪误差控制在0.14～1.34mm,但不适用于曲线轨迹补偿,其实测补偿后的最大误差高达5.08mm。曲线轨迹标定精度高于直线轨迹标定,补偿后将直线和曲线两种路径下的最大误差分别降低至1.18mm和1.56mm。该标定方法自动化程度高,适用于含有大量关节并联机器人的误差标定工作。     

基于PhotoScan的径流小区三维重建参数优化

提高径流小区数字地面模型精度是应用三维重建技术研究面蚀细沟间与细沟侵蚀过程的关键。以位于黑龙江省海伦市的中国科学院海伦水土保持监测研究站的裸地小区为研究对象,以验证点与控制点误差比和数字高程模型（Digital elevation model,DEM）误差为指标,优化Agisoft PhotoScan三维重建径流小区的处理参数,降低DEM误差。PhotoScan的精度参数和相机模型设置对DEM误差有较大影响。优化后的验证点与控制点误差比降低35%,改善了径流小区DEM对地面控制点的过度拟合。优化后的相机模型包含焦距、像主点、径向畸变、切向畸变等。基于单点和点云的验证结果表明,优化过程误差降低约40%。相对于默认参数设置下的验证点误差（20.0mm）,优化后的验证点误差为11.0mm,与细沟侵蚀深度标准相当（沟深大于等于10mm）,因此优化后的径流小区三维重建过程更适宜于细沟侵蚀过程的三维表达。     

基于注意力机制的时空卷积数控机床热误差模型研究

为了提高数控机床热误差模型的精度与泛化性,提出了基于注意力机制的长短时记忆卷积神经网络(Long short term memory convolutional neural network based on attention mechanism, AM-CNN-LSTM)热误差模型。利用卷积神经网络提取高维数据空间状态特征的能力和长短时记忆网络提取长时间序列状态特征的能力,构建具有2个支路的热误差模型,分别提取特征后输入到注意力机制中进行特征重要性重构,建立原始数据与热误差的特征映射,最后通过全连接层进行热误差预测。采用G460L型数控机床进行实验数据采集,将不同季节采集到的温度数据和热误差作为模型输入,采用循环学习率与正则化优化方法对模型进行训练。与LSTM、ConvLSTM和CNN-LSTM热误差模型对比,结果表明,AM-CNN-LSTM模型对特征还原能力最强,残差波动范围最小,其残差范围较最大值下降62.09%,模型预测精度在2.4μm以内。     

风洞6_PUS并联支撑机器人运动误差建模与补偿

针对风洞6自由度并联支撑机器人,利用单支链D-H参数方法和摄动法建立了其运动误差模型,编写了误差模型仿真程序。根据风洞实验所需的6种典型运动模式,分析了不同模式下并联支撑机器人输出运动位姿的误差,得到了典型运动模式的误差变化规律。在风洞并联支撑机器人的构件设计和装配过程进行了针对性的误差控制,使设计和制造的并联支撑机器人精度达到了风洞实验的要求,并通过在风洞实验中嵌入与运动误差仿真类似的误差估算程序,再对风洞实验中被试模型的位姿误差进行补偿,实验证明这种方法提高了风洞实验数据的精度。     

干燥机粮层通风阻力特性数值模拟与试验

粮层内部通风阻力特性是影响干燥均匀性和能量损耗的关键因素之一。针对传统的经验公式存在精度偏低、未考虑粮层多孔介质的复杂变化因素和非线性的不确定性问题,基于传统的Ergun模型进行了压力损失因素分析;在通风阻力试验平台测定试验数据,通过探索性分析方法对风速进行分段,引入误差影响因子λ,导出了一种新的基于多孔介质Ergun的稻谷变层压力场模型;给出了优化阻力特性曲线,构建了变层阻力与层厚的数学关系。试验结果证实,风速小于0.2m/s时,λ取值为1;风速在0.2~0.4m/s范围内时,λ取值为0.89;风速在0.4~0.6m/s范围内时,λ取值为0.79。     

颗粒料质量流量测量误差动态估算方法

提出了一种利用冲量原理测量固体颗粒物料实时物料速度和质量流量的方法,同时给出了一种可动态估算速度和质量流量测量误差的方法.利用自行设计的实验装置,并采用大豆作为实验材料进行了测量误差估算的实验,实验结果表明:在所设计的实验条件下,估算的质量流量相对误差最大值为4.00％,平均相对误差为1.44％;估算的速度相对测量误差最大值为9.69％,平均相对误差为5.03％,动态测量精度和总质量计量精度之间有较好的相关性.     

基于机器视觉的五坐标机床旋转轴误差检测方法

提出了一种利用机器视觉技术对五坐标机床旋转轴转角定位误差进行检测的方法。首先,通过制作特定的标志,用CCD相机获取标志图像;然后,通过数字图像处理技术对所获得的图像进行分析处理;最后,根据标志在不同位置处的相对转角偏差计算机床旋转轴的转角定位误差,实现五坐标机床旋转轴转角定位误差的辨识和测量。同时,将该方法与传统检测方法进行对比,实验结果表明,所提出的检测方法简单、高效,可以实现机床旋转轴误差的快速检测,并为五坐标机床旋转轴误差的补偿提供了计算依据。