基于视觉技术的光纤陀螺闭合光路光纤缺陷检测方法

针对光纤陀螺内部光纤在装配后光路闭合,无有效手段进行光纤缺陷检查,对光纤陀螺长期稳定可靠工作带来潜在危险的问题,提出利用红外视觉检测技术检查光纤缺陷,分析光纤缺陷图像特征,采用最大熵法进行图像分割,提出了结合直方图特征、缺陷区域形状特征、缺陷边界形状特征提取方法,采用改进的神经网络分类方法,用两层网络进行缺陷分类,识别判断不同类别的光纤缺陷。针对光纤缺陷图像的处理结果表明,该方法能够有效地检测光纤缺陷,对不可接受的缺陷能够100%地正确判断。     

光纤陀螺高速检测电路设计

缩短光纤长度是光纤陀螺降低成本、实现小型化的重要手段，中介绍了一种适用于短光纤的光纤陀螺高速检测电路，并针对高速检测电路的几项关键技术进行了讨论。测试结果表明：高速检测电路比普通检测电路具有更高的性能，其应用于短光纤陀螺的方案是可行的。     

一种基于深度学习的超声导波缺陷重构方法

超声导波检测因其传播效率高、耗能少等优势成为了无损检测领域的重要研究方向.目前已有的利用超声导波进行结构缺陷探测和定量化重构的方法主要由相关的导波散射理论推导得出.然而,由于导波散射问题本身的高复杂性,使得在推导上述理论方法时引入一些近似假设,降低了重构结果的质量.另外,有些方法通过优化迭代的方式提高重构精度,又会增加检测的时间成本.有鉴于此,论文探索了一种将卷积神经网络与导波散射理论模型以局部融合的方式实现缺陷定量化重构的新方法.应用样本数据训练后的神经网络实现缺陷定量化重构,弥补缺陷重构过程中的理论模型误差,同时去除在实际检测过程中所存在的环境噪声.论文以利用SH导波重构平板中的减薄缺陷为研究对象,通过数值模拟验证了该方法在缺陷重构时具有高效率和高精度的特点,特别是对矩形缺陷的重构,新方法的结果精度比波数空间域变换法的精度提高了近200%.     

光纤陀螺环路增益高精度实时检测与闭环控制方法

传统光纤陀螺控制算法,只能保证反馈通道增益的稳定,无法实现前向通道增益的实时检测与稳定保持,而前向通道增益稳定性是影响光纤陀螺性能、反映实际条件下光纤陀螺工作状态的重要参数之一.为此,提出了一种光纤陀螺环路增益高精度实时检测与闭环控制方法,利用新引入的增益监控调制信号实现了全环路增益的实时精确检测,采用增益闭环自动控制...     

基于光纤陀螺的工程结构形变检测精度分析

针对光纤陀螺形变检测系统在应用中遇到的形变精度难以评估和运行速度难以选择问题,对形变检测精度和光纤陀螺性能之间的关系进行了分析。从光纤陀螺的工程结构形变检测机理出发,基于光纤陀螺误差模型,分析了光纤陀螺零偏重复性误差和稳定性误差与形变检测误差的对应关系,在此基础上还仿真分析了检测系统的运行速度与检测精度的关系。仿真结果表明,当运行速度较快时,稳定性误差是影响检测精度的主要因素,当运行速度较低时,重复性误差是影响检测精度的主要因素,若采用中精度光纤陀螺,运行速度2 m/s时,可实现均方根为8.514μm的形变测量精度。研究成果可为光纤陀螺工程结构形变检测技术的工程应用提供理论指导。     

基于LS-WSVM的光纤陀螺漂移辨识

提出了一种最小二乘小波支持向量机(LS-WSVM)的光纤陀螺的漂移辨识算法.该方法将Mexihat小波函数作为核函数,与最小二乘支持向量机(LS_SVM)相结合建立起通用模型;用光纤陀螺漂移数据训练通用模型,从而得到该光纤陀螺的漂移模型.并用F法则检验了该模型的适应性.试验表明,在相同条件下,与基于Gauss核函数的最小二乘支持向量机模型相比,该模型拥有更高的辨识精度.证明了用最小二乘小波支持向量机对光纤陀螺的机漂移辨识是合适的,有效的.     

螺栓松紧程度的受控敲击检测方法

螺栓连接是工程中大量使用的装配形式.在振动等环境因素的作用下,螺栓很可能会发生松动,这样不但会影响结构的正常功能,严重时还会导致安全事故.因此,螺栓松紧程度的无损检测方法一直受到研究者的关注.为了发展一种简单有效的检测方法,本文回避了复杂的非线性动力学分析,而直接根据螺栓敲击装置加速度功率密度谱中的敏感频段来检测螺栓的松动情况.另外,本方法要求对敲击力进行严格控制,以保证激励的可重复性,这样就可以结合支持向量机方法来定量地检测螺栓的松紧程度.实验表明,方法可以较好地实现对螺栓的松紧程度的定量检测,特别是对于螺栓全松和螺栓刚开始松动这两种情况,可以达到较高的检测精度.     

在PC机上实现开环光纤陀螺数字解调的方法研究

本介绍了开环光纤陀螺输出信号数字调解在通用PC机上的实现方法,合理地选取了相关参数,为研制采用DSP微处理器的数字式光纤陀螺提供良好的技术基础。     

基于光纤环安装方式的光纤陀螺振动误差抑制方法

随着光纤陀螺的实用化,发现载体振动会引起光纤陀螺尤其是高精度光纤陀螺的测量误差增大,对光纤陀螺的性能指标造成不可忽视的影响。对干涉式数字闭环光纤陀螺,从弹光效应出发,分析了振动对光纤陀螺光路的影响机理,得出了振动影响下光纤环中反向传播的光信号非互易相移误差信号的表现形式,并针对此提出了通过合理安装光纤环,使光路满足互异性,来抑制振动情况下光纤陀螺输出信号噪声和漂移。实验结果表明,该方案有效降低光纤陀螺输出信号的噪声,抑制了由振动引起的陀螺漂移,使得陀螺振动误差减小了一个数量级。     

基于PECT-EMAT复合检测方法的铁磁性材料的复合缺陷检测

铁磁性材料在现代能源工业设备关键结构上广泛应用。一些关键部位由于生产、使用时产生的拉应力状态及环境影响,易萌生表面应力腐蚀裂纹,同时在弯管或焊缝处经长期冲蚀也可能出现内部局部减薄缺陷,对工业设备结构的安全可靠性构成了严重的威胁。本研究提出并开发了基于脉冲涡流-电磁超声复合电磁无损检测方法来检测铁磁性试件的表面裂纹和底部减薄缺陷。并开发了基于频谱滤波的信号分离方法,成功提取出复合检测中的脉冲涡流信号和电磁超声信号。实验结果表明,其中脉冲涡流信号可以有效检测试件的表面裂纹,电磁超声信号可以很好地定量试件底部减薄缺陷的残余厚度。由此可见,本研究开发的新型方法可以同时检测试件上下表面两种类型的缺陷,具有明显的优势。     

基于深度卷积神经网络的SAR图像舰船小目标检测

针对合成孔径雷达(SAR)图像舰船目标背景复杂的特点,提出一种基于改进YOLOv3的SAR图像舰船小目标检测算法。首先,通过分析残差网络的设计原理,针对不同场景下舰船目标的特点,重新设计底层残差单元;其次,改进特征金字塔的网络结构,解决感受野与定位之间的矛盾问题,提高了小尺度舰船的检测效果;最后,通过引入平衡因子,优化损失函数中的小目标权重。实验结果显示,相比原始YOLOv3方法,所提方法在舰船目标公开数据集上F1值提高6.3%,同时,较快的检测速度使得所提算法可用于实时目标检测。     

基于四元数卷积神经网络的移动机器人闭环检测

为提高复杂环境下移动机器人闭环检测的准确性,减少视觉里程计的累积误差,提出了四元数卷积神经网络的闭环检测算法。首先,利用超像素分割,提取多尺度路标,提升图像描述的视角和外观不变性;然后,扩展卷积神经网络的卷积层为四元数卷积层,增加红绿蓝三通道的关联性,提取彩色图像的深层信息,更好地体现彩色图像的整体性;最后,在图像相似度度量中,不仅计算路标距离,还考虑路标形状和空间分布信息,提高相似性度量的准确性。在卡内基梅隆大学和昆士兰大学公开数据集上对算法有效性进行了验证。实验结果表明,相比传统闭环检测算法,所提算法在保证较高召回率的同时,提高了闭环检测的准确率,在数据集上分别取得87.64%和90.12%的平均准确率,显著提高了光照、视角和季节变化等复杂环境中移动机器人闭环检测的准确性。     

A method of convolutional neural network based on frequency segmentation for monitoring the state of wind turbine blades

Wind turbine blades are prone to failure due to high tip speed,rain,dust and so on.A surface condition detecting approach based on wind turbine blade aerodynamic noise is proposed.On the experimental measurement data,variational mode decomposition filtering and Mel spectrogram drawing are conducted first.The Mel spectrogram is divided into two halves based on frequency characteristics and then sent into the convolutional neural network.Gaussian white noise is superimposed on the original signal ...     

基于手机惯性传感器与多特征CNN的驾驶行为识别算法

不良驾驶行为识别对于减少交通事故的发生及实现智能交通具有重要意义。针对目前驾驶行为识别精度不高及系统稳定性不好问题,提出了一种基于多特征卷积神经网络和智能手机惯性传感器的新型驾驶行为识别方法。通过获取手机惯性传感器数据,利用多特征卷积神经网络对数据集进行特征提取和分析,来实现对多种驾驶行为的识别。最后,利用实际采集的车载数据进行不同方法试验对比,该算法对驾驶行为的分类精度达到97.14%,在识别精度上有一定优势。此外,MFCNN测试结果的方差仅为0.014 391,小于其它3种网络模型,可见所研究的网络模型及方法更加稳定可靠。     

基于概率神经网络分类器的数据融合损伤检测方法

为了有效地利用来自大型结构健康监测系统大量冗余、互补的信息进行结构健康状况评估,本文从数据融合的基本原理入手,将小波分析、概率神经网络和数据融合等技术有机地结合起来,提出了一种5阶段的决策级数据融合损伤检测新方法,最后用2个数值算例验证了方法的有效性,并探讨了测量噪声对损伤识别的影响.研究结果表明,所提出的方法是可行、有效的.     

Multilayer brain network combined with deep convolutional neural network for detecting major depressive disorder

As a global and grievous mental disease, major depressive disorder (MDD) has received much attention. Accurate detection of MDD via physiological signals represents an urgent research topic. Here, a frequency-dependent multilayer brain network, combined with deep convolutional neural network (CNN), is developed to detect the MDD. Multivariate pseudo Wigner distribution is firstly introduced to extract the time-frequency characteristics from the multi-channel EEG signals. Then multilayer brain network is constructed, with each layer corresponding to a specific frequency band. Such multilayer framework is in line with the nature of the workings of the brain, and can effectively characterize the brain state. Further, a multilayer deep CNN architecture is designed to study the brain network topology features, which is finally used to accurately detect MDD. The experimental results on a publicly available MDD dataset show that the proposed approach is able to detect MDD with state-of-the-art accuracy of 97.27%. Our approach, combining multilayer brain network and deep CNN, enriches the multivariate time series analysis theory and helps to better characterize and recognize the complex brain states.

     

基于并行卷积神经网络的地磁方向适配性分析

针对地磁方向适配性分析时人工特征提取主观性较强、所取特征难以表达深层的结构性特征的问题,并为了进一步提高方向适配性分析的准确率,提出了一种基于并行卷积神经网络的地磁方向适配性分析方法。首先,从不同角度建立了地磁场在6个代表方向上的适配性分析图;然后,从同一磁场的不同角度出发,利用卷积神经网络自动完成了特征学习,得到了更为全面的方向适配性特征描述;最后,在并行卷积神经网络所得特征的基础上,利用BP网络建立了地磁方向适配性的分析模型。仿真结果证明,该方法可以有效避免人工特征提取和计算等复杂步骤,实现了地磁方向适配性分析的自动化,而且可以获得优于传统网络和单路卷积神经网络的准确率。     

基于BP神经网络辅助的惯性/天文组合导航方法

针对高动态环境下惯性/天文组合导航精度下降的问题,提出一种基于神经网络辅助的惯性/天文组合导航方法。首先以组合导航滤波估计过程中的增益矩阵和动态环境下的惯性器件量测信息构建特征向量;然后,采用导航估计误差对BP神经网络进行训练;最后,利用BP神经网络的输出结果辅助修正组合导航系统。计算机仿真验证结果表明,相较于传统方法,基于BP神经网络辅助的惯性/天文组合导航系统的姿态估计精度可提高30%以上,在动态环境下姿态精度可以保持在5″(1σ)以内。所提出的方法对提高动态环境下惯性/天文组合导航系统的精度和适应能力具有一定的参考价值。     

一种改进的基于小波神经网络的SINS快速初始对准方法

捷联惯性导航系统静基座初始对准的可观测度低,采用卡尔曼滤波等最优滤波方法进行SINS初始对准时,方位失准角收敛慢且存在滤波器实时性较差的问题。对此提出了一种改进的基于小波神经网络的SINS静基座快速初始对准方法。该方法采用一个小波神经网络替代卡尔曼滤波器,利用该小波神经网络估计出两个水平失准角等SINS误差,然后利用两水平失准角快速收敛的估计结果,通过另一个小波神经网络对方位失准角直接进行快速估计。初始对准试验结果表明,该方法在保证对准精度的情况下大幅度地提高了SINS静基座初始对准的速度,同时也大大提高了系统状态估值运算的实时性。     

基于LSTM深度神经网络的MEMS-IMU误差模型及标定方法

针对微惯性传感器受热、力学等环境的影响显著,传统的多项式误差模型补偿效果不理想的问题,建立一种基于长短时记忆(LSTM)深度神经网络的MEMS-IMU误差模型。模型输入信息为MEMS-IMU输出的角速度、加速度、温度,输出为角速度误差、加速度误差。同时,设计了基于长短时记忆神经网络的MEMS-IMU误差模型标定流程,构建了MEMS-IMU热、线运动、角运动等多维误差因素的综合激励训练集,对长短时记忆神经网络模型进行训练。对训练得到的模型进行验证,结果表明,相对于传统方法,采用所提出的模型对加速度和角速度进行误差补偿后残差均值减小约70%,均方差分别减小39%和64%,补偿效果更好。