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,。以華大電機為研究對象,用SSTT軟件采集電機適配不同編碼器在加工時的速度信號,利用MATLAB軟件對速度波動數(shù)據(jù)進行時域分析和頻域分析。通過對速度波動進行傅立葉變換和小波變換,找到不同頻率振動對應的振源,進行針對性的抑制和改進,。實驗表明:在加工條件一定的情況下,電機速度波動主要為低頻振動頻為6由電機的齒槽效應產(chǎn)生,需要通過改進電機的制造工藝解決;提高電機的編碼器精度,速度波動時域和頻域幅值都會變小,工件加工的表面質(zhì)量也更好,。 的PID算法調(diào)速系統(tǒng),本文首先設計了系統(tǒng)的硬件原理框圖,然后展開了調(diào)速系統(tǒng)的硬件設計。接著介紹了PWM直流電機的調(diào)速原理和PID控制算法的原理框圖和數(shù)學模型,。然后,在前面硬件的基礎上進行了系統(tǒng)的軟件的設計,后進行了實物平臺的搭建,并對直流電機的調(diào)速系統(tǒng)做了一系列實驗,主要有:三種轉(zhuǎn)速下的PWM波形測試實驗和電機編碼器A,、B兩相波形測試實驗,并對實驗波形進行了分析。實驗結(jié)果表明,基于PID算法控制下的直流電機調(diào)速系統(tǒng),轉(zhuǎn)速能按設定值進行自動調(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)督深度學習表征多元醫(yī)學信號是目前健康信息學領域中的一個研究熱點,。為了解決現(xiàn)有模型沒有充分結(jié)合醫(yī)學信號多元時序結(jié)構特點的問題,該文提出了一種無監(jiān)督的多級上下文深度卷積自CAE）。首先改進傳統(tǒng)卷積神經(jīng)網(wǎng)絡結(jié)構,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,提出采用語義學習技術對信號片段間的時序信息進行自編碼,進一步提取時序上下文特征;后通過共享特征表示設計目標函數(shù),訓練端到端的多級上下文自編碼器,。實驗結(jié)果表明,該文所提模型在兩種應用于不同醫(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)督特征學習方法,能有效提高多元醫(yī)學信號的融合特征表達能力,對提高臨床時序數(shù)據(jù)的分析效率有著重要意義,。電機高性能速度閉環(huán)的關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)束時刻無法嚴格同步,會產(chǎn)生速度檢測過程中的量化誤差,加之系統(tǒng)振動也會對速度估計產(chǎn)生干擾,。針對以上問題,首先對光電編碼器測速原理進行簡要分析,在此基礎上,為改進傳統(tǒng)M/T法引起的估計誤差,設計了一種檢測周期不固定的轉(zhuǎn)速觀測器算法,繼而將其應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)進行對比驗證,。仿真結(jié)果顯示該算法能有效地消除量化誤差,在保證動態(tài)響應性能的同時,提高轉(zhuǎn)速檢測,。 智能診斷方法訓練時間長、識別率不高的問題,提出一種基于總體平均經(jīng)驗模態(tài)分解（EEMD）和堆疊稀疏自編碼（SSAE）的滾動軸承故障診斷方法,。首先,采用EEMD對滾動軸承振動信號進行分解,得到若干個固有模態(tài)函數(shù)和一個趨勢項之和;其次,計算每個固有模態(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域及頻域特征,構建新的數(shù)據(jù)集,作為診斷網(wǎng)絡的輸入,。后,將構建的新數(shù)據(jù)集作為堆疊稀疏自編碼網(wǎng)絡的輸入,進行訓練和測試。與現(xiàn)有方法的對比結(jié)果表明,所提方法在準確性,、計算耗時方面更具優(yōu)勢,。

堆棧稀疏自編碼器的齒輪箱1037390上海秉銘DFS60B-S4AC02500車輛運動軌跡的預測在車輛的自動駕駛與車聯(lián)網(wǎng)技術中有著重要意義,通過預測軌跡可以判斷車輛未來運動狀態(tài),避免發(fā)生碰撞。針對車輛換道軌跡的預測問題,提出了基于生成對抗網(wǎng)絡的換道軌跡預測模型,。通過實車實驗,以城市道路中換道行為為實例,采用高精度GPS儀器采集車輛換道軌跡數(shù)據(jù),。在此基礎上,建立基于生成對抗網(wǎng)絡的軌跡預測模型,其中生成模型采用了LSTM的編碼器結(jié)構,通過輸入給定的歷史換道軌跡,經(jīng)成預測時段換道軌跡。判別模型通過搭建基于MLP的神經(jīng)網(wǎng)絡,將生成的預測軌跡與目標軌跡進行多重判別,并通過聯(lián)合訓練生成模型和判別模型,實現(xiàn)對車輛未來時段內(nèi)的換道軌跡進行預測,。同時通過交叉驗證與模型對比,分析了不同長度的歷史軌跡與預測軌跡對預測精度的影響,并驗證了模型的有效性和準確性,。結(jié)果表明軌跡生成對抗模型與傳統(tǒng)模型相比,可實現(xiàn)對換道軌跡長時段的預測,且預測精度有明顯的提高。 網(wǎng)絡輸入權重和隱層偏置,存在網(wǎng)絡結(jié)構復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)絡的優(yōu)勢,挖掘目標數(shù)據(jù)的深層特征,為ELM產(chǎn)生輸入權值與隱層偏置以求得隱層輸出權值,完成訓練分類器,同時通過加入稀疏性約束優(yōu)化網(wǎng)絡結(jié)構,提高算法分類準確率。實驗結(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)時分類準確率較高,并且具有較強的魯棒性。