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軟件對速度波動數據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,工件加工的表面質量也更好。 的PID算法調速系統,本文首先設計了系統的硬件原理框圖,然后展開了調速系統的硬件設計。接著介紹了PWM直流電機的調速原理和PID控制算法的原理框圖和數學模型。然后,在前面硬件的基礎上進行了系統的軟件的設計,后進行了實物平臺的搭建,并對直流電機的調速系統做了一系列實驗,主要有:三種轉速下的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。實驗結果表明,基于PID算法控制下的直流電機調速系統,轉速能按設定值進行自動調速,后趨于穩定,超調量小,證明了該系統的可行性。 學信號的典型代表有多模態睡眠圖和多通道腦電圖等,采用無監督深度學習表征多元醫學信號是目前健康信息學領域中的一個研究熱點。為了解決現有模型沒有充分結合醫學信號多元時序結構特點的問題,該文提出了一種無監督的多級上下文深度卷積自CAE）。首先改進傳統卷積神經網絡結構,提出一種多元卷積自編碼模塊,以提取信號片段內的多元上下文特征;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,訓練端到端的多級上下文自編碼器。實驗結果表明,該文所提模型在兩種應用于不同醫療場景下的多模態和多通道表現均優于其它無監督特征學習方法,能有效提高多元醫學信號的融合特征表達能力,對提高臨床時序數據的分析效率有著重要意義。電機高性能速度閉環的關鍵步驟是高精度的轉子速度檢測。在速度采樣環節,由于檢測周期固定,編碼器產生的脈沖信號上升沿與檢測周期開始或結束時刻無法嚴格同步,會產生速度檢測過程中的量化誤差,加之系統振動也會對速度估計產生干擾。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M/T法引起的估計誤差,設計了一種檢測周期不固定的轉速觀測器算法,繼而將其應用于對速度反饋精度要求較高的PMSM雙閉環矢量控制系統進行對比驗證。仿真結果顯示該算法能有效地消除量化誤差,在保證動態響應性能的同時,提高轉速檢測。 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驗模態分解（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函數和一個趨勢項之和;其次,計算每個固有模態函數分量的峭度,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,構建新的數據集,作為診斷網絡的輸入。后,將構建的新數據集作為堆疊稀疏自編碼網絡的輸入,進行訓練和測試。與現有方法的對比結果表明,所提方法在準確性、計算耗時方面更具優勢。

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網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,避免發生碰撞。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據。在此基礎上,建立基于生成對抗網絡的軌跡預測模型,其中生成模型采用了LSTM的編碼器結構,通過輸入給定的歷史換道軌跡,經成預測時段換道軌跡。判別模型通過搭建基于MLP的神經網絡,將生成的預測軌跡與目標軌跡進行多重判別,并通過聯合訓練生成模型和判別模型,實現對車輛未來時段內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。結果表明軌跡生成對抗模型與傳統模型相比,可實現對換道軌跡長時段的預測,且預測精度有明顯的提高。 網絡輸入權重和隱層偏置,存在網絡結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稀疏網絡的優勢,挖掘目標數據的深層特征,為ELM產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化網絡結構,提高算法分類準確率。實驗結果表明,與ELM、PCA-ELM、ELM-AE和DAE-ELM算法相比,該算法在處理高維含噪數據時分類準確率較高,并且具有較強的魯棒性。