【摘 要】
：
磁瓦是永磁电机中的核心元件,有着广泛的市场和需求。由于磁瓦的制造工艺复杂,磁瓦成品不可避免会带有瑕疵或缺陷,这些结构上的不足会严重影响磁瓦产品的性能与效益。磁瓦内部缺陷具有不可见、分布随机、程度不一的特点,致使相关的自动检测技术发展缓慢。现阶段大多数企业针对磁瓦内部缺陷仍采用人工的方式进行检测。为改善人工检测带来的困境,本文以磁瓦声振信号为研究对象,利用信号处理算法实现磁瓦内部缺陷的有效识别。本文
论文部分内容阅读
磁瓦是永磁电机中的核心元件,有着广泛的市场和需求。由于磁瓦的制造工艺复杂,磁瓦成品不可避免会带有瑕疵或缺陷,这些结构上的不足会严重影响磁瓦产品的性能与效益。磁瓦内部缺陷具有不可见、分布随机、程度不一的特点,致使相关的自动检测技术发展缓慢。现阶段大多数企业针对磁瓦内部缺陷仍采用人工的方式进行检测。为改善人工检测带来的困境,本文以磁瓦声振信号为研究对象,利用信号处理算法实现磁瓦内部缺陷的有效识别。本文的主要研究内容如下:（1）通过实验对比常用的信号分解算法,综合分解效果和速度两方面,选择变分模态分解（Variational mode decomposition,VMD）作为最终的信号分解算法。但VMD的分解性能受制于预设参数,因此本文针对该问题对VMD展开了具体的讨论。（2）方法1:提出一种结合VMD、粒子群优化（Particle swarm optimization,PSO）和随机森林（Random forest,RF）的信号分析方法。该方法首先以模态能量和相邻模态中心频率差值构建代表VMD处理性能的适应度函数,再利用该函数配合PSO对VMD的分解参数进行优化;然后由优化参数执行信号的最优分解并通过计算模态能量筛选有效的特征模态,继而从中提取能够反映磁瓦内部缺陷的特征信息;最后由RF分类器对这些特征进行识别并对内部缺陷的存在情况做出判断。实验结果表明,该方法对四类磁瓦的测试样本识别率均为100%,单片磁瓦检测所需的平均时间为3.4s,能达到准确、高效地检测磁瓦内部缺陷的目的。（3）方法2:PSO结合适应度函数虽然能够有效确定VMD分解参数,但寻优过程复杂且耗时较长,为解决这一问题提出一种循环分解策略来简化VMD的参数优化过程。该方法通过固定惩罚参数来反复执行只产生一个模态的VMD分解,每次分解的对象为原信号去除历次模态后的残余信号,并以由模态能量和相关性所确定的阈值条件来终止循环,最后将所有模态和剩余信号整合为信号分解结果。从结果可知,该方法可全面分解出磁瓦声振信号中表征内部缺陷的不同频率成分,同时预设参数的选择变得更为简单、灵活,整个检测算法对四类磁瓦样本的平均识别率为99.11%,平均检测速度为4.08s/片。
其他文献
近年来,云控制系统作为网络化控制系统的下一代远程控制系统而备受关注,将多智能体编队控制与云控制系统相结合是最近几年多智能体研究领域的一个热点,不少学者已经取得了一定的理论研究成果。但是应用在该领域的相关实验平台还比较缺乏,现有的实验平台大都面向单个被控对象或者只适用于局域网环境下的相关实验,无法满足云控制系统下实验的需求。针对上述问题,本文设计并实现了一套能够适用于云控制系统下多智能体系统研究的实
实时定位与建图（SLAM,Simultaneous Localization and Mapping）技术,始终是移动巡检机器人的关键技术研究方向之一。传统的视觉SLAM技术,一般通过视觉里程计捕获图像特征点或者简单的几何信息,直接用于位移判定。但如果视野中存在动态目标,由于传统的视觉SLAM方法仍然将其视作静态物体,那么就会误判实际的像素位移,影响定位建图的精度。本文以社区巡检机器人动态环境下的
在施工环境中,施工人员佩戴安全帽可以有效避免或减轻安全事故的伤害。利用机器视觉技术对施工现场工作人员佩戴安全帽情况进行识别,避免安全事故的发生。在恶劣的环境中,基于机器视觉技术的安全帽佩戴识别算法常常出现漏检、误检。针对夜间与雾天等低照度环境下安全帽佩戴识别困难问题,本文对图像增强技术与深度学习技术进行研究,提出有效的低照度图像增强算法与轻量化高精度安全帽佩戴识别卷积神经网络,实现低照度环境下安全
随着人们日常生产生活对电能需求的增加和社会经济的不断发展,电力输电网络变得越来越复杂。从节约投资以及其他客观条件限制等方面考虑,T接输电线路因其接线方式的独特性,被广泛应用于高压和超高压电力输电网中。由于T接输电线路常连接着大系统与大电厂,其线路传输的功率高,因此当线路故障时,有可能导致大面积停电事故。为防止因输电线路故障引起事故的进一步扩大,以及减小因停电造成的经济损失,就要求能够快速、准确地诊
低照度条件下获取的图像受可见光低、光照不均和噪声等因素的影响,不仅视觉上的观感被大打折扣而且常常导致重要信息的丢失,正常光照条件下的人脸检测模型是最常见的,若直接使用一般光照模型的检测算法对低照度图像中的人脸进行检测,显然无法满足检测需求的,这给后续的处理和应用带来了极大的麻烦,严重地降低了图像的应用价值。因此针对低照度图像存在的亮度低、对比度低和细节缺失等问题,本文提出一种改进Retinex模型
控制系统中网络的引入为远程控制的实现打下了基础,然而在通过网络实现远程控制的过程中会遇到网络延迟、数据包丢包和错序等问题,这些问题会降低系统的稳定性和远程控制过程中的实时性。因此基于上述问题,本文在网络化控制系统下以全向机器人为研究对象,对远程控制过程中的延迟、数据包丢包和错序等问题进行了研究,并且通过网络化预测控制的方式对远程控制过程中前向通道和反馈通道可能出现的延迟、数据包丢包和错序等问题进行
由于微电网光伏功率的间接性与随机性以及电力负荷的波动性会对微电网系统的稳定运行产生较大影响,而传统优化算法对复杂非线性的优化调度问题的优化达不到设定需求,存在收敛速度慢,容易陷入局部最优等缺点。文章以光伏微电网为对象,基于对光伏功率和负荷的预测,对光伏微电网优化调度进行研究。在微电网光伏功率预测和负荷预测方面,本文设计了结合卷积神经网络（Convolutional Neural Networks,
室内定位对于室内自动导引运输车、虚拟现实、服务机器人等应用具有及其重要意义。视觉同时定位与地图构建（Visual Simultaneous Localization and Mapping,VSLAM）因其设备简单、价格低廉、效果优秀、不依赖于GPS等优点成为了目前无人系统领域的研究热点。然而,VSLAM过于依靠相机对周围环境特征信息的采集,无法处理特征缺失及弱纹理场景,且相机采集帧率较低,无法处
本文以低光照环境下的视频序列为基础,进行人脸跟踪算法的改进研究。传统的人脸跟踪算法在低光照环境下进行跟踪时,由于人脸的颜色特征表现不明显,且容易受到遮挡、尺度变化等干扰的影响,产生跟踪漂移,甚至丢失目标,导致跟踪失败,不能够达到长时间准确跟踪的目的。为解决以上问题,本文进行了如下研究:（1）针对低光照环境下颜色特征表达不明显,导致跟踪的过程容易出现漂移的问题,本文提出了一种融合局部二值模式（Loc
随着5G和人工智能时代的来临,元器件的运行速度不断上升,对印刷电路板（Printed Circuit Board,PCB）的设计要求越来越高,电路布局更加复杂。PCB的高速效应导致了电路信号的失真更为普遍。信号完整性（Signal Integrity,SI）作为数字电路设计过程中一个不可避免的问题,极大的影响了电路系统的稳定性和信号的传输性能。因此,本文基于人工智能算法对SI分析的仿真技术进行研究