基于自适应深度学习的数控机床运行状态预测方法

针对机床状态动态标签及差异化分布数据下的预测适应性差与准确度低问题,结合时序特征关系和模型融合方法,建立自适应混合深度学习模型进行机床状态预测.首先,通过融合最小近邻分类器,设计一种基于权值累积的自适应更新法则,建立具有数据自适应性的状态预测模型.在此基础上,提出一种基于中心损失函数的特征距离度量优化策略,构建综合决策...     

基于云平台和BFAST算法的地表变化检测方法

准确识别地表变化的时空信息,有助于探究地表自然环境和生态系统发展演变的规律,支撑相关的科研与行政管理工作。本文以河南某生态保护修复工程部分实施范围为研究区域,基于Google Earth Engine(GEE)云平台,以2013—2020年的98景Landsat8/OLI遥感影像作为数据源,应用Breaks for additive season and trend(BFAST)算法对地表变化进行了信息提取和制图。首先基于GEE云平台对Landsat8/OLI地表反射率数据集进行调用和预处理,基于CFMask算法对遥感数据集进行云影掩膜,开展光谱指数(植被指数NDVI)的计算以及时间序列数据集的构建。其次基于时序数据集与BFAST算法构建由趋势项、季节项和残差项组成的广义线性回归模型,通过最小二乘法求解模型中的未知参数集,以此进一步构建时序拟合模型,而后基于残差的Moving sums(MOSUM)方法对时序结构变化进行检测。最后从检测结果中抽取像元样点,通过与Google Earth高分辨率影像数据叠置和目视解译,开展结果验证和精度评价。结果表明,本文提出的方法在研究区的时序地表变化...     

基于ST-LSTM的植物生长发育预测模型

提早预知植物生长发育是智能育种过程的重要组成部分,针对植物表型难以精准预测和模拟的问题,利用植物生长发育的空间和时间依赖性,提出了一种基于时空长短时记忆网络（Spatiotemporal long short-term memory, ST-LSTM）的植物生长发育预测模型,实现植物生长发育的预测。首先,通过微调Mask R-CNN模型实现识别、提取植物掩模,预处理具有时空相关性的植物生长发育图像序列,构建植物生长发育预测数据集。然后,基于ST-LSTM建立植物生长发育预测模型,利用历史生长发育图像序列,融合时空深度特征,预测植物未来的生长发育图像序列。研究结果表明,所提出模型预测的图像序列与生长发育实际图像序列具有较高的一致性和相似性,首个预测时间节点的结构相似度为0.874 1,均方误差为17.10,峰值信噪比为30.83,测试集的冠层叶面积、冠幅和叶片数预测R²分别为0.961 9、0.908 7和0.915 8。该研究实现了基于植物生长发育图像序列的生长发育预测,有效减少了田间反复试验的时间、土地和人力成本,为提高智能育种效率提供了参考。     

深度学习框架下融合注意机制的机床运动精度劣化预示

数控机床运动精度衰退是一个动态的演化过程。为尽早发现数控机床潜在的失效风险,挖掘蕴含在各类监测数据序列中的运动精度演化特征,在深度门控循环网络（Gated recurrent unit,GRU）框架下,提出了一种融合注意机制的数控机床运动精度劣化预示方法。为了克服传统深度卷积神经网络不能学习时序特征的缺陷,采用深度编码器-解码器框架,提出基于深度GRU的运动精度深度学习建模方法,以数据驱动,自动挖掘运动精度与振动、温度、电流等状态信号时间序列的时空特征,预测运动精度,根据预测曲线对机床劣化趋势进行预示。为了增强主要状态信号和关键时间点的信息表达,提高精度劣化预测的准确性,提出一种在深度学习框架中融合注意机制的方法,建立状态参量的注意网络,计算振动、温度等状态信号与机床精度间关联程度,自动调整各信号的权值;进一步,建立时序注意网络自主选取精度劣化历史信息关键时间点,以提升较长时间段预示的准确性。实验结果表明,基于深度学习网络与注意机制的预示模型可以很好地追踪数控机床运动精度的劣化趋势和规律,有较高的预测精度,优于传统方法。     

水产养殖水质检测与控制技术研究进展分析

水质的实时监测和调控是水产养殖过程中的关键环节,是保证水产品品质的重要措施。本文在总结和整理现有国内外研究成果的基础上,结合国内水产养殖多为池塘、网箱等封闭水质环境的特点,对水产养殖水质监测与控制系统的典型架构、水质重要参数的检测技术、水质监测与控制系统的通信技术和智能控制技术进行了分析和讨论。提出了未来技术发展方向:实时在线的水质监测和传感技术将成为研究的重点方向;水质参数的预测仍将是水质监测技术的重点研究方向,其中非线性预测模型是水质预测模型构建的主流方法;结合数据融合技术的多参数传感器正成为研究热点;低功耗广域网将成为水产养殖水质监控系统主流的远程通信技术。     

BP和RBF神经网络预测射流式喷头射程对比

为了探究适合全射流喷头多因素下射程的预测模型,通过改变喷头工作压力、安装高度、喷嘴直径、喷头仰角共4个参数,对射程进行测量.基于BP神经网络和广义径向基(RBF)神经网络的基本原理和算法,建立了全射流喷头射程预测的BP和RBF神经网络模型,并分析BP和RBF神经网络的预测性能.结果表明射程与工作压力、喷嘴直径呈非线性关系;当喷头在1.2 m安装高度、27°仰角、4~10 mm喷嘴直径时,压力增大到0.4 MPa,射程趋于极限,并且安装高度与射程呈正相关关系.BP与RBF神经网络均能较好地表达全射流喷头射程与主控因素之间的非线性关系.在训练时间方面,RBF网络比BP网络慢8.05 s;预测过程中,BP网络在每次运行程序时的预测结果不一定相同,而RBF网络则不会出现此问题,且RBF网络预测值与实测值之间的平均绝对误差比BP网络的小3.55%.从网络预测总体效果观察,RBF神经网络预测喷头射程具有更好的推广能力.     

仿人机器人头部设计与目标跟踪运动控制

针对仿人机器人视觉目标跟踪任务需求,设计了一种高精度、灵巧型仿人机器人头部系统,构建了视觉感知模块与3自由度机械臂运动机构。利用虚拟连杆方法对仿人机器人头部进行运动学建模,将目标跟踪问题转换为机械臂的运动学逆解问题,通过计算机构可操作度与条件数,显示机器人头部对目标跟踪任务具有良好的运动学灵活性。在此基础上,基于梯度投影法建立了目标跟踪运动学逆解与规避关节极限位置的同步优化算式,并针对视觉测量系统带宽较窄、容易造成较大跟踪误差的问题,提出了在两次视觉测量间隔内用轨迹预测的方法获得目标位置的估计值,以提高跟踪精度。仿真与实验结果表明,在测量盲区内采用轨迹预测方法,可将跟踪精度提高约80%,实现高精度目标跟踪。所提出的仿人机器人头部及控制方法,对动态目标具有良好的跟踪性能。     

四驱汽车电控分动器性能预测与试验

为了探讨四驱汽车电控分动器的传动性能,以带多片式离合器式的电控分动器为研究对象,提出一种基于遗传PID控制的电控分动器性能预测方法。首先通过分析分动器各部件功耗损失,构建电控分动器传动特性预测模型;其次探讨离合器摩擦副数、摩擦片内外径、润滑油粘度等参数对其性能传递的影响规律;最后在电控分动器试验台上开展了分动器性能试验。试验结果表明,所提性能预测方法能较好地预测行驶过程中电控分动器传动特性,为后期控制系统设计提供理论依据。     

我国亚热带山地土壤发生特性和系统分类研究进展

为了解亚热带山地成土环境下土壤形成规律和分类现状, 推动中西部山地土壤发生学研究和土系建立, 为山地土壤资源的可持续利用提供参考。综述了有关中国亚热带山地土壤的发生发育特性及其系统分类的研究资料, 包括中国亚热带山地的主要地球化学过程和成土过程特点, 亚热带山地土壤分类的主要诊断层、 诊断特性和诊断现象以及高级分类单元的垂直分布规律, 基层分类单元的主要诊断指标。在此基础上, 展望了亚热带山地土壤系统分类研究值得重视的 4个方面：（1）深入理解亚热带山地土壤的地球化学和成土过程;（2） 建立中国亚热带典型山地土壤的代表性土族、 土系, 检验和完善现有基层分类单元的诊断指标体系;（3） 强化山地土壤系统分类中分析指标和数据标准化意识;（4） 重视薄片微形态、 现代仪器分析和计算机新技术的应用。     

射流自吸式离心泵三维湍流数值模拟与实验分析

为了获取射流自吸式离心泵内部流动信息,以一内置射流喷嘴的自吸式离心泵为研究对象,建立了各过流部件三维水体,采用了RNG k-ε湍流模型,通过6组网格无关性检查,确定了计算所需网格,运用CFX 14.0流场分析软件数值模拟预测了7种不同工况下外特性和内部流动,得到了全流场压力、速度等物理量变化规律,并将数值模拟结果与开式实验台测试结果作了对比分析。结果表明,设计工况下数值模拟与实验扬程、轴功率和效率的相对误差为2.63%、6.16%和14.29%,泵实际效率较低,其值为15.68%;当流量Q3.5 m3/h时数值模拟和实验的功率曲线呈近似水平直线,变化很平缓;喷嘴到直线段之间的速度分布沿旋转轴对称,扩散段和叶轮进口之间速度呈上大下小分布,液流不均匀进入叶轮进口;L=0.148 m处是静压、速度和湍动能耗散率等物理量剧烈变化的分界点,静压在此处为最小值,而速度和湍动能耗散率为最大值。数值计算结果为该泵性能预测设计提供了直观的理论依据。