检索结果-内蒙古大学图书馆

制造系统中多智能体运输子系统的调度与监控

引用

机床与液压 2011年第11期39卷 73-76,50页

作者：钟建琳刘忠和北京信息科技大学机电学院现代测控技术教育部重点实验室北京100192

在论述制造控制系统常用体系结构的基础上,提出AGV运输子系统的体系结构,详细阐述AGV运输子系统中的运输调度、路径规划和冲突解决等关键技术;并开发了该AGV运输子系统的仿真系统。

关键词：多智能体 AGV 调度监控

来源：评论

学校读者我要写书评

暂无评论

ISSA优化SVM的电机滚动轴承故障诊断

引用

电子测量技术 2023年第15期46卷 186-192页

作者：杨旭张涛李玉梅刘洪北京信息科技大学高动态导航技术北京市重点实验室北京100101 北京信息科技大学现代测控技术教育部重点实验室北京100101

针对电机轴承易发生故障,传统故障诊断方法具有耗时长、诊断精度低、调节参数多等问题,提出一种改进麻雀搜索算法ISSA优化支持向量机SVM的轴承故障诊断方法。该分类算法在传统麻雀寻优算法中引入改进Tent混沌映射、鸡群算法随机跟随策... 详细信息

针对电机轴承易发生故障,传统故障诊断方法具有耗时长、诊断精度低、调节参数多等问题,提出一种改进麻雀搜索算法ISSA优化支持向量机SVM的轴承故障诊断方法。该分类算法在传统麻雀寻优算法中引入改进Tent混沌映射、鸡群算法随机跟随策略、自适应t分布与动态选择策略,首先采用CEEMDAN能量熵对振动信号进行分解,选取与原信号相关性最大的5个IMF分量的能量熵值作为特征向量,然后输入到ISSA-SVM分类器中进行轴承故障诊断。分别与PSO-SVM、GWO-SVM、SSA-SVM分类模型进行实验对比,结果表明ISSA-SVM诊断模型的诊断精度最高可达到100%。

关键词：支持向量机滚动轴承麻雀搜索算法相关系数

来源：评论

学校读者我要写书评

暂无评论

写字机器人绘制纸基微流控芯片便携检测Ca^(2+)

引用

分析测试学报 2022年第11期41卷 1607-1613页

作者：刘旭高国伟胡敬芳张开宇李延生北京信息科技大学传感器实验室北京100101 北京信息科技大学现代测控技术教育部重点实验室北京100192 中国科学院上海微系统与信息技术研究所传感技术联合国家重点实验室上海200050

纸基微流控芯片是一种纸质基底芯片,具有性能优良、价格低廉的优势,然而其制备技术多依赖专业昂贵的设备,限制了纸基微流控芯片的发展。该文采用成本低廉的家用写字机器人,将具有敏感特性的智能水凝胶绘制在纸质基底材料上,得到具有水... 详细信息

纸基微流控芯片是一种纸质基底芯片,具有性能优良、价格低廉的优势,然而其制备技术多依赖专业昂贵的设备,限制了纸基微流控芯片的发展。该文采用成本低廉的家用写字机器人,将具有敏感特性的智能水凝胶绘制在纸质基底材料上,得到具有水凝胶阀门的纸基微流控芯片。以Ca^(2+)为模型靶标,该纸基微流控芯片能实现不同浓度(0.1~50 mmol/L)Ca^(2+)溶液的裸眼定量检测,并具有很好的易用性和重现性。同时采用ILX506 CCD传感器制作纸基微流控芯片的数字显示设备,以实现芯片测量结果的自动读取功能。该方法能快速便捷、低成本地制备多条纸基微流控芯片,为其普适化制备提供了新的研究思路,在发展中地区具有良好的推广前景。

关键词：纸基微流控芯片写字机器人水凝胶快速检测可视化定量检测

来源：评论

学校读者我要写书评

暂无评论

可穿戴定位系统阵列惯性器件故障检测方法

引用

电子测量技术 2023年第16期46卷 105-111页

作者：陈豪苏中徐湛北京信息科技大学高动态导航技术北京市重点实验室北京100101 北京信息科技大学现代测控技术教育部重点实验室北京100192

通过阵列惯性器件构成的可穿戴自主定位系统,可显著提高人员的定位精度,但是可穿戴自主定位系统中的阵列式惯性器件在工作过程中难以避免出现故障。针对应急救援人员穿戴的自主定位系统中阵列加速度计的噪声增大现象,提出了一种基于卷... 详细信息

通过阵列惯性器件构成的可穿戴自主定位系统,可显著提高人员的定位精度,但是可穿戴自主定位系统中的阵列式惯性器件在工作过程中难以避免出现故障。针对应急救援人员穿戴的自主定位系统中阵列加速度计的噪声增大现象,提出了一种基于卷积神经网络的阵列加速度计故障检测方法,使用广义似然比检验对比得到阵列陀螺仪对照数据,再通过CNN计算加速度计数据与陀螺仪对照数据的映射结果,实现了对阵列加速度计噪声增大故障的快速检测。通过十二IMU阵列数据融合和故障检测试验结果表明,该检测方法能够快速有效检测地出阵列惯性器件中的加速度计噪声增大典型故障,故障检测率≥98%,效果明显。

关键词：阵列惯性器件故障检测 CNN 广义似然比可穿戴装备

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的移动机器人视觉里程计

引用

控制工程 2023年

作者：刘海涛戴娟朱胜涛李剑锋北京信息科技大学高动态导航技术北京市重点实验室北京信息科技大学现代测控技术教育部重点实验室北京信息科技大学自动化学院

针对移动机器人位姿估计过程中存在累积误差导致位姿估计精度差的问题，提出一种基于深度学习方法的视觉里程计。设计卷积神经网络提取图像序列的视觉特征，设计自适应存储网络记录历史位姿信息，通过双向LSTM网络预测未来位姿信息，将... 详细信息

针对移动机器人位姿估计过程中存在累积误差导致位姿估计精度差的问题，提出一种基于深度学习方法的视觉里程计。设计卷积神经网络提取图像序列的视觉特征，设计自适应存储网络记录历史位姿信息，通过双向LSTM网络预测未来位姿信息，将历史信息和未来信息同时作用于当前时刻的位姿输出，降低累积误差对位姿估计精度的影响。在KITTI和TUM数据集进行的实验表明，提出的方法可以直接获取相机的相对位姿参数，并能准确估计出机器人的运动轨迹。相比于其他视觉里程计算法，位姿估计模型精度有较大提升，其绝对轨迹误差和相对位姿误差均有很大改善。

关键词：视觉里程计深度学习相位姿估计卷积神经网络 Bi-LSTM 自适应存储

来源：评论

学校读者我要写书评

暂无评论

基于CEEMD和WOA_LSSVM滚动轴承声信号故障诊断

引用

组合机床与自动化加工技术 2021年第2期 52-56,61页

作者：孙萧黄民马超北京信息科技大学机电工程学院北京信息科技大学现代测控技术教育部重点实验室北京100192

针对强背景噪声下滚动轴承故障诊断问题,结合互补集合经验模态分解(CEEMD)与鲸鱼优化算法优化最小二乘支持向量机(WOA_LSSVM)进行滚动轴承的故障诊断研究。首先对声信号进行快速谱峭度分析并进行带通滤波预处理,提取故障冲击成分;其次,... 详细信息

针对强背景噪声下滚动轴承故障诊断问题,结合互补集合经验模态分解(CEEMD)与鲸鱼优化算法优化最小二乘支持向量机(WOA_LSSVM)进行滚动轴承的故障诊断研究。首先对声信号进行快速谱峭度分析并进行带通滤波预处理,提取故障冲击成分;其次,利用CEEMD算法将滤波信号进行分解运算,得到一系列模态分量(IMF);再利用相关系数法选取有效IMF分量进行信号重构;再提取重构信号的近似熵、峭度、峰峰值、峰值因子、波形因子作为特征值组成特征向量;最后,将归一化的特征向量输入WOA_LSSVM进行故障类别识别。将该方法用于滚动轴承试验数据,并进行对比试验分析,验证了该方法的有效性,提高了故障诊断的准确率。

关键词：滚动轴承故障诊断支持向量机 CEEMD 鲸鱼优化算法

来源：评论

学校读者我要写书评

暂无评论

智能反射面辅助NOMA系统AOA定位算法

引用

半导体光电 2024年第5期45卷 823-829页

作者：张月霞段世茹北京信息科技大学现代测控技术教育部重点实验室北京100101 北京信息科技大学信息与通信系统信息产业部重点实验室北京100101

智能反射面(RIS)由大规模光电器件阵列组成,可以调控入射电磁波的幅度、相位等电磁特性来获得定制化的反射波束,改善非视距(NLOS)环境的无线定位服务问题。构建了一个智能反射面的非正交多址接入(NOMA)定位系统,利用部署在空中的多个RI... 详细信息

智能反射面(RIS)由大规模光电器件阵列组成,可以调控入射电磁波的幅度、相位等电磁特性来获得定制化的反射波束,改善非视距(NLOS)环境的无线定位服务问题。构建了一个智能反射面的非正交多址接入(NOMA)定位系统,利用部署在空中的多个RIS对基站发射给用户的信号进行反射,便于用户接收;另外,RIS利用伪随机序列对基站发射的信号进行再调制然后反射至用户,方便用户识别不同RIS反射的信号。最后,用户使用多重信号分类算法估计出多个信号到达角(AOA)来获取定位坐标。仿真结果表明,所提出的方法在NLOS环境下定位精度可达厘米级。

关键词：智能反射面角度估计非正交多址接入到达角定位

来源：评论

学校读者我要写书评

暂无评论

广义形态滤波和VMD分解的滚动轴承故障诊断

引用

电子测量与仪器学报 2018年第4期32卷 51-57页

作者：崔锡龙王红军邢济收左云波北京信息科技大学机电工程学院北京信息科技大学现代测控技术教育部重点实验室北京信息科技大学机电系统测控北京市重点实验室

滚动轴承早期故障信号的特征提取通常都会受到强噪声的影响,难以得到有效信息,因此提出了广义形态滤波和变分模态分解(variational mode decomposition,VMD)相结合的方法。首先利用不同结构元素构成的广义形态滤波去除故障信号中噪声信... 详细信息

滚动轴承早期故障信号的特征提取通常都会受到强噪声的影响,难以得到有效信息,因此提出了广义形态滤波和变分模态分解(variational mode decomposition,VMD)相结合的方法。首先利用不同结构元素构成的广义形态滤波去除故障信号中噪声信息的影响,突出故障信号的冲击特征;其次运用VMD对处理过后的信号进行分解,得到若干个模态分量;然后由峭度准则选取故障信息最为丰富的模态分量进行包络谱分析,获取滚动轴承的故障特征频率。通过对仿真信号和实测数据的处理结果表明,方法对噪声的去除效果显著,获取故障特征频率也十分明显,能够作为滚动轴承故障诊断的有效方法。

关键词：变分模态分解广义形态滤波滚动轴承故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于VMD共振稀疏分解的滚动轴承故障诊断

引用

电子测量与仪器学报 2018年第9期32卷 20-27页

作者：杨伟王红军北京信息科技大学机电工程学院北京信息科技大学现代测控技术教育部重点实验室北京信息科技大学机电系统测控北京市重点实验室

针对滚动轴承早期故障信息难以提取且信号呈现非平稳、非线性的特点。提出了一种基于变分模态分解和共振稀疏分解相结合的滚动轴承故障诊断方法。首先利用VMD将信号分解为一系列模态分量;然后根据峭度准则对包含故障信息最多的模态分量... 详细信息

针对滚动轴承早期故障信息难以提取且信号呈现非平稳、非线性的特点。提出了一种基于变分模态分解和共振稀疏分解相结合的滚动轴承故障诊断方法。首先利用VMD将信号分解为一系列模态分量;然后根据峭度准则对包含故障信息最多的模态分量进行双Q因子的共振稀疏分解;最后对包含故障信息量丰富的低共振分量进行能量幅值谱分析从而得到轴承故障特征频率。其次将基于EMD共振稀疏分解应用于仿真信号作对比分析,证明VMD共振稀疏分解方法的有效性。基于此,将VMD共振稀疏分解方法应用于轴承内、外圈故障诊断中,成功提取出故障特征频率,验证了此方法的有效性。

关键词：变分模态分解共振稀疏分解品质因子故障诊断

来源：评论

学校读者我要写书评

暂无评论

车联网中的协同通信平均传输时间计算

引用

电讯技术 2021年第4期61卷 482-487页

作者：赵义飞张月霞北京信息科技大学信息与通信工程学院北京100101 北京信息科技大学现代测控技术教育部重点实验室北京100101

车联网(Internet of Vehicles,Io V)是智能交通和通信领域的热点课题,协同通信算法的研究是Io V通信的重要技术之一。针对Io V环境下因通信拓扑结构快速变化导致数据信号利用单一通信方式难以高效传输的问题,提出Io V环境下协同通信算法... 详细信息

车联网(Internet of Vehicles,Io V)是智能交通和通信领域的热点课题,协同通信算法的研究是Io V通信的重要技术之一。针对Io V环境下因通信拓扑结构快速变化导致数据信号利用单一通信方式难以高效传输的问题,提出Io V环境下协同通信算法,利用车对车(Vehicle-to-Vehicle,V2V)和车对路(Vehicle-to-Infrastructure,V2I)协同通信方法,对目标数据从请求到完成的平均传输时间进行了理论分析和推导。仿真结果表明,该算法的传输效率比基于移动边缘计算(Mobile Edge Computing,MEC)车联网协作传输算法提升40%,比基于分簇V2X车载广播传输算法提升25%;该算法的平均传输时间随着路侧单元(Road Side Unit,RSU)缓存概率从0.5增加至1可提高9%,随着车辆缓存概率从0.5增加至1可提高46%。

关键词：车联网车对车(V2V) 车对路(V2I) 协同通信平均传输时间随机位置

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：