关键词： 定位探地雷达   深度学习   特征指纹   地下特征指纹库   里程计  

摘要： 随着自动驾驶技术的日益完善,定位技术的重要性也日益凸显。为了解决复杂情况下的定位问题,利用定位探地雷达(Localizing Ground Penetrating Radar,LGPR)采集到的唯一且稳定的地下数据作为定位数据,同时本文将深度学习与LGPR数据结合的定位算法作为现有定位方法的补充。主要研究内容如下: 1、对LGPR数据进行预处理及分析,证明利用LGPR数据定位的可行性。然后针对LGPR数据设计出定位算法系统及特征指纹选择算法。通过将图像全局特征表征内部信息的强弱作为挑选特征指纹数据的依据,并利用三种不同的特征指纹选择算法分别挑选特征指纹数据及非特征数据。 2、利用LGPR数据实现定位。将LGPR数据中的特征指纹数据作为定位的依据从而实现点到点的定位。在仿真定位中采用路线A及路线B进行实验,整个实验分为离线建库阶段及在线定位阶段。离线建库阶段利用改进的VGG19网络训练三种不同的特征指纹选择算法所挑选出特征指纹数据及非特征数据制作的数据集,并构建粗分类网络模型,然后利用Res Net18网络训练特征指纹数据并结合GPS信息构建地下特征指纹库。在线定位阶段,利用基于奇异值的特征指纹选择算法的粗分类效果最好,且切分长度为250时,对于路线A的准确率最高为96.12%,分类速度为0.009秒每张图片,对于路线B准确率最高为96.86%,分类速度为0.008秒每张图片,且改进后的VGG19网络全连接层参数量减少了98.7%,分类准确率提升至少0.31个百分点。在细分类中路线A及路线B的准确率可达100%,同时路线A的整体分类准确率为96.69%,路线B的整体分类准确率为97.61%,分类速度均为0.013秒每张图片。 3、利用地下特征指纹库的地下特征点结合里程计传感器测试定位效果,通过其与基于里程计传感器定位效果对比,路线A的定位平均误差降低了62.56%,路线B的定位平均误差降低了56.63%,说明地下特征点在实际环境中对路径漂移有约束作用,且有效的降低了定位误差。 本文整体介绍了LGPR数据实现定位的流程,并将定位算法分为离线建库及在线定位两个阶段,最后通过实验证明了定位算法的可行性以及可靠性,对未来实现更安全、更高效的自动驾驶技术具有重要的研究意义。

关键词： 钢轨打磨   打磨工艺   三次样条   数据处理   自动化  

摘要： 随着铁路运输业的不断进步,列车速度的提高和运输量的增加对铁轨造成了更大的压力,导致钢轨问题变得更加突出。这些问题不仅影响列车运行的平稳和乘客的舒适度,还会减少铁轨的使用年限,增加维护成本,并且危及行车安全。因此,及时有效地解决这些钢轨问题至关重要。然而,目前在国内,钢轨打磨的技术研究还不够充分,主要表现在现场打磨作业仍然依赖于人工经验来决定打磨工艺,这既低效又可能导致欠打磨或过打磨。鉴于此,本文深入探讨了在轨道廓形修复方面,大型铁路维护机械的打磨技术。研究基于钢轨廓形的钢轨打磨模式算法,以实现更高精度的打磨,对铁路运输的顺畅运行具有极其重要的意义。 本研究旨在开发一种钢轨打磨模式生成算法,通过对实测钢轨廓形和目标廓形的精确对齐、切割处理,实现钢轨磨损修复模式生成的自动化和优化。该方法首先利用Python编程语言和相关数学库对钢轨的实测廓形数据进行预处理和加载,然后通过线性回归分析计算旋转角度,实现实测廓形与目标廓形的准确对齐。接下来,采用立方插值方法拟合廓形,使用金属切割方程计算切割深度以执行切割操作,模拟切割流程并形成最终的模拟廓形。 在廓形对齐过程中,通过旋转和平移操作调整目标廓形,确保其与实测廓形精确匹配。此外,本研究还引入了数据过滤机制,有效去除数据中的异常点,确保处理结果的准确性和可靠性。切割处理步骤中,系统根据目标廓形和实测廓形的差异,智能生成切割路径,不断优化切割深度和角度,以最小化材料移除量并提高修复效率。 最终实现切割过程的可视化展示,包括切割前后的廓形对比、切割点的动态显示,以及生成的打磨模式列表为施工现场提供直观的操作反馈。研究成果不仅能够显著提高钢轨打磨作业的自动化程度,减少人工干预,还能够优化打磨参数,提高打磨效率和质量,具有重要的理论意义和应用价值。 本研究的创新之处在通过数学建模、数据处理以及通过图形变换和拟合等技术来实现对钢轨廓形数据的分析和处理。通过智能分析和处理钢轨廓形数据,实现了钢轨打磨作业的自动化和优化以及对钢轨廓形质量的实时评价,以现场实际案例为例对模式算法进行验证。未来工作将进一步探索算法优化和硬件集成,以实现更高效、更智能的钢轨维护系统。

摘要： 本文以“信号分析与数据处理”专业课教学为例，针对现阶段专业课思政环节薄弱、总课时压缩的问题，提出了加强师资队伍建设、修改教学大纲、挖掘思政元素、改变教学模式、改革教学评价的课程建设方案，以探讨新时代背景下机械电子工程专业新型人才培养的途径。新形势下，高校教师在进行科学文化知识教学过程中，应强化家国情怀等主流价值引领，注重课程思政潜移默化育人。郑州大学“信号分析与数据处理”（以下简称“信号课程”）课程团队专业课教师，积极响应国家课程思政教育改革要求，持续探索在课堂教学中融入思政元素，以期将思政教育和自然学科的教学有机融合，实现立德树人的目标。

关键词： 飞机蒙皮   缺陷检测系统   数据采集   数据处理   点云自适应降采样算法   多尺度K值   多尺度曲面模型   深度图像  

摘要： 机身蒙皮是飞机暴露于外部环境的主要部位，在飞机服役期间常常出现各种各样的缺陷，如裂纹、划痕、凹坑和腐蚀等。这些缺陷如若不能及时检修，会破坏飞机蒙皮自身结构，甚至可能带来重大事故。因此能够及时准确地对飞机蒙皮进行缺陷检测是十分有必要的。目前各大机场仍然采用以人工巡检为主的飞机蒙皮缺陷检测方法，存在费时费力、主观性强、漏检率高等诸多问题。实现一种自动化的飞机蒙皮缺陷检测方法成为主要研究方向。本文在基于由Photoneo PhoXi 3D Scanner深度相机采集得到的三维点云和深度图像数据的基础上，按照裂纹以及凹坑缺陷表达出来的不同特点对其进行设计检测方法，具体工作为:　　1）设计缺陷检测系统的总体结构。系统架构主要有数据采集和数据处理两部分组成。数据采集部分指的是无人车控制系统设计;整个无人车系统架构由下层移动平台、上层伸缩支架、顶层Photoneo PhoXi 3D Scanner深度相机传感器三大部分组成;数据处理部分是指在上位机中对采集得到的数据进行处理。通过数据采集对所需要检测的缺陷进行数据采集并手动进行缺陷数据集整理;数据处理对采集到的缺陷数据集进行处理。　　2）针对点云数据量大、处理效率低、降采样过程中局部区域易受到K邻域的影响、且存在数量自适应等问题，提出一种基于多尺度K值的点云自适应降采样算法。首先通过统计滤波处理明显的离群点，然后通过分析长方体包围盒法和法向量曲率精简法，在此基础上，设计了点云自适应降采样算法。自适应降采样算法通过计算点的微分信息来辨别点的重要性，以便期望能够尽可能保存点的局部细节特征，同时结合自适应以便确定后续算法所需要的点云数。最后从自适应性和降采样结果两方面对比分析，实现了海量点云数据下模型的自适应降采样处理。　　3）针对飞机蒙皮凹坑缺陷检测时间久，机身表面不平整，且在二维图像中缺乏视觉信息、难以进行自动检测的问题，设计了一种基于多尺度曲面模型的飞机蒙皮缺陷自动检测算法。首先对降采样后的数据做最小移动二乘法处理;在此基础上，将预处理数据拆分为多个局部蒙皮网格区域，对所有区域基于随机抽样一致算法进行曲面构建和优化估计;聚合局部曲面模型，得到缺陷区域与非缺陷区域;在缺陷区域中利用表面特征进行凹坑点聚类，从而得到最终的凹坑检测结果。最后从参数选择、机身部位性能、检测结果算法对比三方面进行分析，实现了在飞机蒙皮场景中自动检测凹坑缺陷的目标。　　4）针对裂纹在点云数据中的表示信息并不能表达出来明显的位置信息的问题，设计了一种基于深度图像的裂纹缺陷检测算法。首先对整体深度图像数据进行数据拆分，接下来是进行局部模型估计，并在每个已估计的局部模型进行裂纹像素点提取及筛选，最后通过融合全局模型并根据裂纹的长度与宽度进行骨架提取，消除掉虚假裂纹，得到最终的裂纹缺陷检测结果。最后从参数和检测结果算法对比结果两方面分析，实现了在飞机蒙皮场景中检测裂纹缺陷的目标。　　本文的研究对于提高检测蒙皮缺陷率，减少人工和时间成本，实现自动化的飞机蒙皮缺陷检测具有一定的意义。

摘要： 三峡物资招标管理有限公司下属企业三峡国际招标有限责任公司成都分公司（以下简称“招标公司”），作为国内水电招投标领域的佼佼者，因三峡而生，从三峡工程到金沙江流域的四座梯级电站工程，深耕水电三十载，汇聚了一批专业优秀人才。2023年共实施招投标484个项目，涉及专业涵盖水电、新能源和环保等多个行业和领域，为三峡集团公司的“两翼”战略做出了积极贡献。

关键词： 大数据   公立医院   财务数据   处理与分析  

摘要： 大数据时代，公立医院如何对海量的财务数据予以处理和分析，对于实现资源优化配置、提升医院财务管理水平以及医疗服务质量具有重要意义。从大数据时代公立医院财务数据处理与分析面临的挑战出发，分析大数据时代公立医院财务数据处理与分析存在的问题，探讨大数据时代公立医院加强财务数据处理与分析的重要意义，提出大数据时代公立医院财务数据处理与分析的优化路径，包括打造智慧化信息数据平台交互系统，“业财融合”助力数据分析、运用具体的数据处理和分析方法等。

关键词： 智能感知   特征识别   电力工程   数据处理技术  

摘要： 本研究专注于利用智能感知和特征识别技术进行电力工程数据的高效处理，以提升电力系统的运行效率和可靠性。我们通过深入研究传感器、数据传输协议和技术，以及特征提取与选择方法，结合机器学习和深度学习技术，构建了一套全面而高效的数据处理框架。此框架能够实时监测电力系统的关键参数，从而为电力系统的稳定运行提供有力保障。这一研究成果不仅有助于优化电力系统的运行管理，也为相关领域的研究提供了新的思路和方法。

关键词： 铣削加工   小波降噪   特征分析   多传感器融合   表面粗糙度预测  

摘要： 智能制造是当前制造业发展的主要趋势,被加工零件的表面粗糙度预测是实现智能制造的核心内容之一。传统方法中多以切削力信号或切削振动信号这类单一信号结合切削三要素进行表面粗糙度预测,而这会带来表面粗糙度预测精度不准确的问题。 为了进一步提高表面粗糙度预测精度,本文提出采用多传感器信号融合技术,采集了铣削TC4钛合金过程中的切削力、切削振动信号,在选择了小波阈值降噪方法的基础上,融合了切削力、切削振动信号的时域、频域以及时频域特征,并作为构建的BP神经网络表面粗糙度预测模型的输入项,结果表明本文多传感器信号融合的方法提高了表面粗糙度的预测精度,对机械加工智能化发展奠定了基础。主要研究内容如下: (1)铣削实验与信号采集。通过分析铣削加工过程的特点,搭建了TC4钛合金铣削实验平台,确定了铣削稳定域以及完成工艺参数方案的设计,采集了切削力、切削振动和相应的表面粗糙度值,为多传感器信号的处理提供了数据基础。 (2)铣削信号降噪处理。基于TC4钛合金铣削实验采集的切削力和切削振动信号,对比分析了不同阈值、小波基函数和分解层数的降噪处理结果,提出了采用小波软硬阈值改良折中法,确定了切削力信号采用db5小波,切削振动信号采用coif5小波,在分解层数为1时可实现有效降噪,为后续的多传感器信号特征提取工作提供了良好的数据样本。 (3)多传感器信号特征提取及融合。通过时域、频域以及小波包分析相结合的方法对降噪后的切削力和切削振动信号进行特征提取,从而提取与加工状态紧密相关的特征参数。通过计算提取的特征量与表面粗糙度之间的相关系数值,分析两者之间的相关性,将相关性高的时域、频域以及时频域特征进行融合,进而构建融合特征向量。最终选取每组实验共18个信号能量组成融合特征量,为表面粗糙度预测提供了输入项。 (4)表面粗糙度预测。基于BP神经网络,建立了TC4钛合金铣削表面粗糙度的预测模型,通过将上述多传感器融合特征作为模型输入获得的预测结果与将铣削实验原始振动信号作为模型输入获得的预测结果作对比,表明多传感器信号通过降噪和特征提取及融合后能够获得更高的预测精度。