堆棧稀疏自編碼器的齒輪箱1037390上海秉銘DFS60B-S4AC02500軸銑床加工過程中速度波動(dòng)對工件表面刀痕的影響,建立了單軸速度誤差模型。以華大電機(jī)為研究對象,用SSTT軟件采集電機(jī)適配不同編碼器在加工時(shí)的速度信號,利用MATLAB軟件對速度波動(dòng)數(shù)據(jù)進(jìn)行時(shí)域分析和頻域分析。通過對速度波動(dòng)進(jìn)行傅立葉變換和小波變換,找到不同頻率振動(dòng)對應(yīng)的振源,進(jìn)行針對性的抑制和改進(jìn)。實(shí)驗(yàn)表明:在加工條件一定的情況下,電機(jī)速度波動(dòng)主要為低頻振動(dòng)頻為6由電機(jī)的齒槽效應(yīng)產(chǎn)生,需要通過改進(jìn)電機(jī)的制造工藝解決;提高電機(jī)的編碼器精度,速度波動(dòng)時(shí)域和頻域幅值都會(huì)變小,工件加工的表面質(zhì)量也更好。 的PID算法調(diào)速系統(tǒng),本文首先設(shè)計(jì)了系統(tǒng)的硬件原理框圖,然后展開了調(diào)速系統(tǒng)的硬件設(shè)計(jì)。接著介紹了PWM直流電機(jī)的調(diào)速原理和PID控制算法的原理框圖和數(shù)學(xué)模型。然后,在前面硬件的基礎(chǔ)上進(jìn)行了系統(tǒng)的軟件的設(shè)計(jì),后進(jìn)行了實(shí)物平臺的搭建,并對直流電機(jī)的調(diào)速系統(tǒng)做了一系列實(shí)驗(yàn),主要有:三種轉(zhuǎn)速下的PWM波形測試實(shí)驗(yàn)和電機(jī)編碼器A、B兩相波形測試實(shí)驗(yàn),并對實(shí)驗(yàn)波形進(jìn)行了分析。實(shí)驗(yàn)結(jié)果表明,基于PID算法控制下的直流電機(jī)調(diào)速系統(tǒng),轉(zhuǎn)速能按設(shè)定值進(jìn)行自動(dòng)調(diào)速,后趨于穩(wěn)定,超調(diào)量小,證明了該系統(tǒng)的可行性。 學(xué)信號的典型代表有多模態(tài)睡眠圖和多通道腦電圖等,采用無監(jiān)督深度學(xué)習(xí)表征多元醫(yī)學(xué)信號是目前健康信息學(xué)領(lǐng)域中的一個(gè)研究熱點(diǎn)。為了解決現(xiàn)有模型沒有充分結(jié)合醫(yī)學(xué)信號多元時(shí)序結(jié)構(gòu)特點(diǎn)的問題,該文提出了一種無監(jiān)督的多級上下文深度卷積自CAE）。首先改進(jìn)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),提出一種多元卷積自編碼模塊,以提取信號片段內(nèi)的多元上下文特征;其次,提出采用語義學(xué)習(xí)技術(shù)對信號片段間的時(shí)序信息進(jìn)行自編碼,進(jìn)一步提取時(shí)序上下文特征;后通過共享特征表示設(shè)計(jì)目標(biāo)函數(shù),訓(xùn)練端到端的多級上下文自編碼器。實(shí)驗(yàn)結(jié)果表明,該文所提模型在兩種應(yīng)用于不同醫(yī)療場景下的多模態(tài)和多通道表現(xiàn)均優(yōu)于其它無監(jiān)督特征學(xué)習(xí)方法,能有效提高多元醫(yī)學(xué)信號的融合特征表達(dá)能力,對提高臨床時(shí)序數(shù)據(jù)的分析效率有著重要意義。電機(jī)高性能速度閉環(huán)的關(guān)鍵步驟是高精度的轉(zhuǎn)子速度檢測。在速度采樣環(huán)節(jié),由于檢測周期固定,編碼器產(chǎn)生的脈沖信號上升沿與檢測周期開始或結(jié)束時(shí)刻無法嚴(yán)格同步,會(huì)產(chǎn)生速度檢測過程中的量化誤差,加之系統(tǒng)振動(dòng)也會(huì)對速度估計(jì)產(chǎn)生干擾。針對以上問題,首先對光電編碼器測速原理進(jìn)行簡要分析,在此基礎(chǔ)上,為改進(jìn)傳統(tǒng)M/T法引起的估計(jì)誤差,設(shè)計(jì)了一種檢測周期不固定的轉(zhuǎn)速觀測器算法,繼而將其應(yīng)用于對速度反饋精度要求較高的PMSM雙閉環(huán)矢量控制系統(tǒng)進(jìn)行對比驗(yàn)證。仿真結(jié)果顯示該算法能有效地消除量化誤差,在保證動(dòng)態(tài)響應(yīng)性能的同時(shí),提高轉(zhuǎn)速檢測。 智能診斷方法訓(xùn)練時(shí)間長、識別率不高的問題,提出一種基于總體平均經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）和堆疊稀疏自編碼（SSAE）的滾動(dòng)軸承故障診斷方法。首先,采用EEMD對滾動(dòng)軸承振動(dòng)信號進(jìn)行分解,得到若干個(gè)固有模態(tài)函數(shù)和一個(gè)趨勢項(xiàng)之和;其次,計(jì)算每個(gè)固有模態(tài)函數(shù)分量的峭度,選取峭度值較大的分量作為敏感故障特征分量;第三,提取敏感故障特征分量的時(shí)域及頻域特征,構(gòu)建新的數(shù)據(jù)集,作為診斷網(wǎng)絡(luò)的輸入。后,將構(gòu)建的新數(shù)據(jù)集作為堆疊稀疏自編碼網(wǎng)絡(luò)的輸入,進(jìn)行訓(xùn)練和測試。與現(xiàn)有方法的對比結(jié)果表明,所提方法在準(zhǔn)確性、計(jì)算耗時(shí)方面更具優(yōu)勢。

堆棧稀疏自編碼器的齒輪箱1037390上海秉銘DFS60B-S4AC02500車輛運(yùn)動(dòng)軌跡的預(yù)測在車輛的自動(dòng)駕駛與車聯(lián)網(wǎng)技術(shù)中有著重要意義,通過預(yù)測軌跡可以判斷車輛未來運(yùn)動(dòng)狀態(tài),避免發(fā)生碰撞。針對車輛換道軌跡的預(yù)測問題,提出了基于生成對抗網(wǎng)絡(luò)的換道軌跡預(yù)測模型。通過實(shí)車實(shí)驗(yàn),以城市道路中換道行為為實(shí)例,采用高精度GPS儀器采集車輛換道軌跡數(shù)據(jù)。在此基礎(chǔ)上,建立基于生成對抗網(wǎng)絡(luò)的軌跡預(yù)測模型,其中生成模型采用了LSTM的編碼器結(jié)構(gòu),通過輸入給定的歷史換道軌跡,經(jīng)成預(yù)測時(shí)段換道軌跡。判別模型通過搭建基于MLP的神經(jīng)網(wǎng)絡(luò),將生成的預(yù)測軌跡與目標(biāo)軌跡進(jìn)行多重判別,并通過聯(lián)合訓(xùn)練生成模型和判別模型,實(shí)現(xiàn)對車輛未來時(shí)段內(nèi)的換道軌跡進(jìn)行預(yù)測。同時(shí)通過交叉驗(yàn)證與模型對比,分析了不同長度的歷史軌跡與預(yù)測軌跡對預(yù)測精度的影響,并驗(yàn)證了模型的有效性和準(zhǔn)確性。結(jié)果表明軌跡生成對抗模型與傳統(tǒng)模型相比,可實(shí)現(xiàn)對換道軌跡長時(shí)段的預(yù)測,且預(yù)測精度有明顯的提高。 網(wǎng)絡(luò)輸入權(quán)重和隱層偏置,存在網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜和魯棒性較弱的不足。為此,提出基于棧式降噪稀疏自編碼器（sDSAE）的ELM算法。利用sDSAE稀疏網(wǎng)絡(luò)的優(yōu)勢,挖掘目標(biāo)數(shù)據(jù)的深層特征,為ELM產(chǎn)生輸入權(quán)值與隱層偏置以求得隱層輸出權(quán)值,完成訓(xùn)練分類器,同時(shí)通過加入稀疏性約束優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),提高算法分類準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明,與ELM、PCA-ELM、ELM-AE和DAE-ELM算法相比,該算法在處理高維含噪數(shù)據(jù)時(shí)分類準(zhǔn)確率較高,并且具有較強(qiáng)的魯棒性。