课程文献中心 更多>>

关键词： 加速度校准   共面激励法   子空间辨识-状态空间法   力学参数测量模组  

摘要： 针对在月壤原位探测任务中,力学模组为适应侵彻高冲击环境采用树脂灌封,造成了传感器响应的非线性,影响加速度信号测量准确度的问题,提出了基于速度参量的“共面激励”动态校准方法。将被校模组与标准加速度计对称布置于冲击放大器可动台面,当激励脉冲宽度大于0.5 ms时,二者获得相同的加速度与速度,此脉冲可认为是共面激励;基于速度不变原理,通过最小二乘法拟合求解被校模组灵敏度,进而构建基于“子空间辨识-状态空间法”(Subspace Identification-State Space Model,SI-SSM)的动态矫正模型,在不依赖灌封材料力学参数的条件下,通过离散状态方程自适应捕获传感器响应的非线性特性,实现加速度输出的矫正。矫正后力学模组测量值的扩展不确定度为4.16%,满足月壤原位探测的技术指标要求。

关键词： 微波光子学   到达角测量   集成光子学   绝缘体上铌酸锂   微环谐振器  

摘要： 本文提出并实验验证了一种波长选择调制芯片的微波光子到达角(Angle of Arrival,AOA)测量系统。该系统在绝缘体上铌酸锂平台上集成了类马赫-曾德尔干涉仪结构,通过在两路平行的支路上级联微环谐振器与相位调制器,实现了波长选择以及信号独立调制。该方案利用光子下变频机制,将高频回波信号的相位差信息映射至低频信号的功率特征上,缓解了后端信号处理的带宽压力。实验结果表明,该系统能够有效测量20、25、30 GHz回波信号的相位差,在10°–170°范围内相位误差低于±2.23°;基于相位差解算得到的AOA,在半波长天线间距下,0°–70.8°范围内的测量误差小于±2.31°。

关键词： 路基工程   图像特征提取   物理信息机器学习   探地雷达  

摘要： 随着道路基础设施养护需求的增长,探地雷达(GPR)已成为路基无损检测的重要手段。然而,现有基于深度学习的模型存在物理可解释性不足、计算复杂的问题,制约了其工程应用。为此,本研究提出一种融合GPR图像物理信息的特征提取方法,结合反映全局灰度分布的灰度统计矩和刻画纹理时空变化的灰度共生矩,以实现特征优势互补。在模型构建上,系统评估了多种机器学习算法并优化超参数,同时采用SHAP方法增强模型可解释性。实验结果表明,该方法在保证模型准确率95%以上的基础上,显著提升了计算效率(单样本特征提取时间仅10.56ms)并压缩了模型体积(各模型均小于1.5MB),满足了边缘计算的需求。SHAP分析进一步验证了关键物理特征与地下结构的内在关联,证明了特征融合的合理性。本研究不仅为优化GPR特征提取提供了理论依据,还可与各类智能化系统集成,为智慧交通建设提供关键技术支撑。

关键词： 物联网   机电设备   状态信息采集   边缘计算   特征提取   区块链存证  

摘要： 针对传统机电设备状态信息采集中存在的感知维度单一、数据实时性差及可信度低等问题,提出一种基于物联网的多层次状态信息采集技术体系。该体系融合边缘计算预处理、主成分分析(Principal Component Analysis,PCA)特征降维、消息队列遥测传输(Message Queuing Telemetry Transport,MQTT)安全传输及区块链存证等关键技术,构建从信号获取到云端分析的完整技术链路。实验表明,方案B数据采集准确率达97.6%,较单传感器方案提高约4.8%;平均响应延迟为4.2 s,降幅约51.7%;特征提取准确率为96.3%;在强电磁干扰与断网场景下数据恢复成功率及数据篡改检测率均达100%,可为工业机电设备智能运维提供有效技术支撑。

关键词： 多域感知   异构信息融合   动态适应性算法   跨域协同   边缘计算  

摘要： 针对复杂场景中高维异构数据融合面临的环境适应性差与边缘端计算开销大的难题，提出一种基于动态适应性算法的多域感知与异构信息融合框架。通过引入跨域协同机制、动态权重分配策略以及轻量化的边缘计算模型，有效应对传统方法在处理高异构性数据时所面临的融合效率低、交互成本高及跨域协同困难等瓶颈问题。实验结果表明，该方法在智慧城市场景中的多域融合目标检测准确率（mAP@0.5）提升至94.2%，在20%高噪声干扰的网络安全态势感知中异常检测F1分数仍保持84.3%，同时通过边缘云协同机制将边缘设备的能耗降低了40%、推理延迟缩短至28.7 ms，为实现高效、鲁棒的多域感知与信息融合提供了新的技术路径。

关键词： 耕地地块   扩散模型   遥感样本生成   深度学习   边缘特征  

摘要： 针对遥感耕地信息提取任务中存在的数据稀缺、边界模糊和地块内部同质性差等问题,提出一种扩散模型驱动的多任务耕地提取方法。通过条件扩散模型集成边缘形态、文本语义与风格控制,生成多样化合成耕地影像,解决样本稀缺问题;同时设计边缘-语义-距离多任务协同网络,利用任务互补性强化地块提取结果在空间分布上的连续性,降低特征漂移影响。实验表明,本文方法在AI4Boundary数据集上表现良好,mIoU指标较基线方法提升3.8%,在引入合成数据增强后达到85.9%的优异性能。本文不仅为耕地资源监测提供了更精准的技术手段,通过合成数据生成有效缓解了样本不足的问题,其提出的边缘引导增强策略和多源复合损失等方法也为其它地物分割任务提供了有价值的参考,特别适用于标注数据匮乏地区的耕地监测需求。

关键词： 红外基准载荷   红外辐射基准源   黑体   发射率   热环法   不确定度  

摘要： 针对红外基准载荷在轨辐射定标对黑体发射率高精度测量的工程需求,本文面向国内首次在轨工程化应用的带热环结构高精度黑体,开展了基于热环法的发射率测量技术研究与地面实验验证。在真空条件下搭建了发射率测量实验系统,获取了多组受控背景辐射条件下的光谱辐亮度测量数据,并据此反演黑体发射率。测量结果表明,黑体发射率与标称值0.999高度一致,多组重复测量具有良好的稳定性。实测结果的均方根误差(RMSE)与发射率不确定度模型的仿真结果吻合良好,验证了该不确定度模型在工程条件下的可靠性与适用性。进一步的不确定度贡献分析表明,发射率测量不确定度主要受限于光谱仪灵敏度,而黑体与热环温度不确定度的影响相对较小。研究结果表明,热环法能够在工程条件下实现高精度黑体发射率测量,可为带热环结构高精度黑体在未来红外定标载荷中的在轨应用提供实验依据与技术支撑。

关键词： 喇叭口检测   GDS机制   C2f-RVB-EMA结构   Focaler-ShapeIOU损失函数   轻量化  

摘要： 【目的】为解决现有玉米喇叭口检测算法模型精度低、计算复杂且易漏检误检的问题。【方法】提出了一种基于YOLOv8n的全局特征信息融合轻量化检测模型:首先,引入收集分发与尺度序列融合(gather and distribute - scale sequence feature fusion GDS)特征提取机制替换原模型颈部网络的路径聚合和特征金字塔结构(path aggregation network-feature pyramid network PAN-FPN),通过收集和分发(gather and distribute GD)模块和尺度序列特征融合(scale sequence feature fusion SSFF)模块来进一步提升颈部网络的特征信息提取与融合能力,能够在保持计算效率的同时,成功解决PAN-FPN传统架构中特征信息衰减的问题;其次,将C2f模块替换为由重参数化视觉变形器特征提取模块(reparameterized visual transformers feature extraction block RVB)与有效多尺度注意力机制(efficient multi-scale attention mechanism EMA)融合而成的增强型的C2f-RVB-EMA复合结构,通过EMA注意力机制实现像素级注意力分配,增强关键区域感知以提高遮挡目标检测精度,同时提升目标特征提取能力,保留更多小目标特征以提高其检测精度;最后,使用融合后的Focaler-ShapeIOU作为损失函数,通过优化定位精度与识别能力,提高检测性能。【结果】该算法在喇叭口数据集上mAP@0.5、Precision和Recall相较YOLOv8n分别提升4.3%、2.1%和7.7%,参数量减少3.8 M,模型体积压缩至4.5 MB。【结论】该算法通过网络结构与损失函数的优化,在提升检测精度的同时,实现了模型轻量化,为玉米喇叭口的精准喷药提供高效的视觉支撑。

关键词： 气泡大小测量   分水岭分割   改进地貌图   透明窗   泡沫浮选  

摘要： 矿物浮选泡沫的气泡尺寸是决定矿粒吸附效率、浮选稳定性与分选指标的核心特征参数,实现气泡大小高精度在线测量对提升选矿指标与智能化水平具有重要意义。控制标记分水岭分割因无需大量标注样本、运算效率高,已成为浮选气泡视觉检测的主流方法,但现有研究普遍聚焦于标记点提取策略优化,对分水岭地貌图构建机理与干扰抑制研究不足。在工业现场复杂工况下,气泡表面常出现矿物吸附稀疏的透明窗区域,该区域灰度低、纹理弱,会在传统地貌图中形成虚假高地,导致分水岭算法产生严重过分割、误分割与边界偏移问题。针对上述行业痛点,本文提出一种基于改进地貌图的标记分水岭分割方法。该方法以气泡高亮反射区为自适应标记,构建面向浮选场景的透明窗区域专用数据集,设计基于U-Net的透明窗像素级识别模型,实现复杂泡沫图像中透明窗区域精准定位;在此基础上提出地貌图自适应修正策略,将透明窗区域在地貌图中置为最低高程,消除伪边缘干扰;最后采用优化地貌图完成标记分水岭分割,获取准确连续的气泡轮廓。试验结果表明,本文方法的平均交并比mIoU达到61.14%,较传统标记分水岭方法提升2.22%,在含透明窗干扰的真实工业泡沫图像上分割更稳定、边界更精准。该方法可有效提升气泡大小测量精度,为浮选过程智能监测、工艺参数优化与高效分选提供关键技术支撑。

关键词： 风电机组   状态监测   物理信息图神经网络   物理约束设计   数据采集与监测系统  

摘要： 风电机组(WTs)是一个强耦合关联的系统,其高效与安全运行依赖于数据采集与监控(SCADA)系统的支撑。考虑实际工程条件以及受限于传感器的数量与安装,机组运行过程中部分物理参量难以直接测量;此外,传统数据驱动方法因欠缺物理约束,对机组动态复杂的运行状态难以有效建模。鉴于此,提出一种面向风电机组状态监测的物理信息图神经网络(PIGNN)方法。该方法以图结构建模风电机组不同部件之间的耦合关系,通过图神经网络(GNN)学习SCADA数据中的时空关联特征和表征机组运行动态特性,在此基础上引入物理信息神经网络(PINN),将功率、力矩、电压和温度的平衡以及运行边界约束等方面的关系统一表示为物理约束损失,进而实现物理先验与数据驱动模型的有效融合。为解决数据拟合损失与物理约束损失数量级不一致问题,提出一种基于指数移动平均的自适应归一化策略,实现不同损失项数值尺度的平衡,以提升模型训练的稳定性。最后,通过两台风电机组的案例分析表明,所提PIGNN方法在保证模型预测精度的同时,能够有效平衡数据拟合目标与物理约束目标,提升异常状态识别和早期故障预警的能力,验证了物理约束建模在风电机组状态监测中的有效性。