摘要:针对电力变压器复杂运行环境下油中溶解气体随时间呈现非平稳和非线性特性，仅考虑时间维度关联特征的神经网络预测模型难以满足高准确性、高可靠性需求，且在数据采集过程中不可避免的存在异常值，导致数据质量下降，进而影响预测模型精度。因此首先采用基于密度的噪声应用空间聚类(DBSCAN)对油中溶解气体数据清洗，然后提出自适应非线性权重和莱维飞行策略改进鲸鱼优化算法，提高其局部及全局寻优能力，利用改进的鲸鱼优化算法优化DBSCAN中超参数提高数据清洗效果，最后分析气体成分间复杂关联关系，构建时空耦合卷积神经网络模型挖掘气体的时空特征，实现油中溶解气体时间序列预测。通过某电站变压器油中溶解气体实测数据验证，结果表明数据清洗后预测拟合优度(R2)提高0.727，在6种特征气体预测中R2都在0.9以上。相较于其他模型，所提模型在特征气体预测中均取得了最佳的预测结果，充分证明所提模型的有效性。

摘要:电潜泵采油是目前海上油田最主要的采油方式之一,其故障会影响油井正常生产运行并造成经济损失,因此,进行电潜泵剩余使用寿命预测与故障预防尤为重要。为保障电潜泵优质运行,根据电潜泵的数据特征,提出一种基于集成学习模型的剩余使用寿命预测方法。首先计算各时间点剩余使用寿命作为标签函数,利用随机森林算法筛选高贡献度特征参数输入模型,构建由 麻雀搜索算法-卷积神经网络(SSA-CNN)和麻雀搜索算法-长短期记忆（SSA-LSTM）两个基模型经绝对误差加权组成的集成模型。现场数据验证表明,两个基模型算法在不同情况下具备各自的优势和劣势,SSA-CNN在数据波动期更具优势,SSA-LSTM整体预测更为准确,将相同数据代入集成模型中,发现集成模型的预测误差明显小于两个基模型的预测误差兼具两者优势,在整体精度和变化阶段的评估准确率方面均有显著改善。实际算例验证表明，集成模型的预测精度相较基模型提升6.41%，较现有方法有显著提升，具备较强的鲁棒性和稳定性。

摘要:针对传统模型荷电状态（SOC）和健康状态（SOH）估计精度低、鲁棒性差的问题,提出一种基于扩展卡尔曼滤波（EKF）和深度学习模型Informer改进优化的估计模型EKF-HInformer,实现电动汽车动力电池SOC与SOH的实时精准估计。首先,运用EKF算法归一化整理电池实时数据,并通过调整自适应增益因子减少噪声波动,提高EKF数据滤波处理的性能。然后,运用Informer网络模型对归一化后的电池数据进行智能估计。为减少Informer模型离群点或异常值所导致的注意力权重偏差问题,采用Hampel算法对Informer进行优化,提高多头概率稀疏自注意力机制特征学习的能力。最后,把滤波整理后的数据输入到HInformer网络中估算实时的SOC和SOH。采用牛津大学与马里兰大学的电池数据集进行实验验证,结果显示SOC与SOH估计精度均超99.5%,均方根误差（RMSE）小于1%,最大绝对误差（MAXE）小于0.5%。相比传统Informer、Transformer和长短期记忆（LSTM）模型,该模型估计SOC和SOH的速度更快、准确度更高,展现出优越的鲁棒性和泛化能力。

摘要:以特征波长点簇类和吸收峰区间筛选串联选择模式，提出了一种基于波簇区间的波长选择算法用于挥发性有机气体红外光谱波长选择。首先进行簇类聚集，在保留足够特征吸收峰特性同时避免算法波长区间机械划分或随机不确定性，接着设计改进移动窗口方式对同一簇类中的波长点进行再次筛选，保留最能代表光谱特征的波长区间用于后期各种模型预测。用苯乙烯、对二甲苯和邻二甲苯近红外光谱数据在偏最小二乘法、偏最小二乘、岭回归、支持向量机4种模型上进行了验证分析，结果表明在不影响模型精度前提下，数据集可缩小至原来的43.71%~36.35%；以3种气体各2种浓度全排列组合混合气体为数据集，通过3种不同结构卷积神经网络（CNN）模型上光谱波形选择前后实验对比，在保证预测精度的同时验证了算法在降低机器学习模型复杂度上的有效性，波长选择前后在3种CNN预测模型上运行效率提升90%。

摘要:YOLO算法模型在轻量化与保证检测精度之间存在矛盾。针对印刷电路板小目标缺陷检测任务，提出一种基于改进YOLOv8s的轻量级目标检测算法。首先，删除主干网络中最后的卷积层与C2f层，然后引入轻量级跨尺度特征融合模块CFFM，在实现模型轻量化的同时提升小目标检测精度。其次，引入分布移位卷积DSConv，将C2f与DSConv结合生成C2f_DSConv模块，再与轻量级注意力机制 CBAM集成，设计出C2f_DSConv_CBAM模块，分别替换骨干网络部分与颈部网络部分的C2f，进一步减少模型参数量，增强模型特征提取能力。最后将辅助边界框损失函数Inner-IoU、边界框聚焦损失函数Focal IoU Loss、原边界框损失函数CIoU三者结合生成Focal Inner-CIoU，引入大小可控的辅助边界框用以计算定位损失，提高较高的IoU边界框所占比重，最终实现检测精度提升。实验表明，改进模型较YOLOv8s原模型参数量降低81.5%，计算量降低21.3%，模型大小降低72.3%，平均精度均值（mAP）提升3.0%。有效降低了算法的计算成本，便于实际应用部署。

摘要:随着新能源汽车的大范围推广，其核心部件——动力电池的状态评估和可充电容量的准确预测对于评估新能源汽车的可靠性、续航里程和剩余价值意义重大。提出了一种基于ITPAInformer模型的新能源汽车动力电池可充电容量预测方法，首先通过安时积分法结合卡尔曼滤波来估算可充电容量，并通过两阶段特征工程（递归特征消除和核主成分分析）来筛选特征并降维，以缓解实际工况下的维数灾难。模型方面，在Informer模型的Decoder中引入了改进的时间模式注意力机制，提取了除采样时间间隔外不同时间尺度下的特征，通过指数衰减因子调整每个时间步对当前预测的贡献度，增强可充电容量随行驶里程增加而逐渐降低的时序依赖性。实验结果表明，所提出的模型在多个评价指标上均优于传统的卷积神经网络（CNN）、长短期记忆（LSTM）和门控循环单元（GRU）模型，并且在不同月份下的运行数据验证了模型具有较好的泛化能力。

摘要:超宽带（UWB）技术因其高时间分辨率和强穿透能力，在室内定位领域受到广泛关注。然而，传统的UWB非视距识别与补偿定位方法难以准确描述复杂环境下的信道状态，导致定位准确度和精度不足。针对信道脉冲响应（CIR）数据的特点，借鉴对比学习的SimCLR框架进行特征提取，结合谱聚类（SC）原理提出了一种基于SimCLR-CIR-SC的自主分类方法。依据自主分类结果，设计了一种基于注意力机制的时间卷积神经网络（TCN-A）模型用于确定信道状态类别。进一步针对每一类信道状态类别，设计了一种TCN-A模型用于测距误差的预测。该误差用于补偿测量距离并衡量测距的权重，结合加权最小二乘（WLS）算法实现了未知节点的定位。实验结果表明，与现有3种聚类方法相比，所提出的SimCLR-CIR-SC方法实现了对信道状态的自主有效分类和标注。TCN-A分类模型准确度达到98.16％，优于现有的5种分类模型。此外，所提定位方法在3个锚点的平均误差达到0.57 m，相较于现有4种方法定位精度最少提升了31.3%，且随着锚点数量增加定位精度显著提高。

摘要:针对目前接地网故障诊断方法效果单一与非智能化的问题,提出了一种多注意力残差脉冲神经网络(MAR-SNN)的接地网故障诊断方法。首先,创建用于训练的接地网数据集,通过对电阻抗成像技术(EIT)网格大小的重新剖分,提高成像速度，并利用局部自适应对比度增强方法,增强不同故障等级间的图像特征;其次,利用所提出的多注意力脉冲残差块,构建MAR-SNN模型,实现对接地网故障等级的识别任务,该残差模块通过在两次脉冲神经元后进行身份映射,同时引入多注意力机制,并采用参数-泄露-积分-触发脉冲神经元与批归一化层,分别提升模型识别准确率;最后,利用EIT与训练好的MAR-SNN模型,建立对接地网故障的智能诊断模型。模型对比分析结果表明, MAR-SNN在接地网智能故障诊断中的效果优于现有先进模型,在测试集中准确率可达96.31%,其中在轻、中腐蚀程度下的准确率可达100%、97.20%;同时实验结果证明,所提方法可以完成对接地网故障检测与等级识别的综合诊断任务,实现对接地网的智能故障诊断,验证了该方法的有效性与可行性。

摘要:模拟电路是现代电子系统中的核心组成部分，随着电子设备日益复杂，传统的故障诊断方法已无法应对现代模拟电路中的故障检测需求，尤其是在软故障诊断中，因信号响应相似而导致故障定位困难。为解决这一问题，提出了一种基于Koopman算子的纯数据驱动故障检测方法。首先，通过延迟嵌入法构建Hankel矩阵，将电路输出信号映射至高维空间，从而实现系统全局线性化；然后，利用动态模式分解求解Koopman算子，在Koopman算子的特征空间内分析模态分布及信号的模态能量占比，通过提取储存特征值变化的范德蒙矩阵得到关键模态，来构建具有良好可区分度的特征向量；最后，将其输入到卷积神经网络中来完成故障识别。为验证该方法的有效性，搭建了基于Pspice与Simulink的四运放双二阶高通滤波器电路的联合仿真模型，利用 SLPS 模块结合电路网表实现模拟电路状态参数自动采集。实验结果表明，所提出的方法具有较高的准确精度，平均准确率99.86%，高于其他方法。

摘要:环形振荡电路作为一种基于现场可编程门阵列（FPGA）的温度传感器，因其结构简单、成本低廉且易于集成的优势，在温度检测领域得到了广泛应用。然而，环形振荡电路的测温精度易受多种因素的影响，包括非门个数、非门布局、振荡频率、采样时长、采样间隔以及冷却时间等设计和操作参数。因此，如何优化这些参数以提升测温精度具有重要的研究意义。基于控制变量法，系统地分析了上述关键参数对环形振荡电路测温性能的影响。首先，通过实验研究不同非门个数对振荡频率与测温误差的影响，发现非门个数的增加会降低振荡频率；进一步实验表明，将非门个数优化设置为 40~48，可获得最佳的测温精度和分辨率。此外，对非门布局进行了深入分析，发现同可编程逻辑块（CLB）下左右Slice互连的延迟远大于跨 CLB 的互连延迟，通过布局优化选用特定的布局可以有效增加延迟，进而优化测温精度。通过对比采样时长、采样间隔及冷却时间等参数组合，提出了最优的系统参数配置。在最佳参数组合下的实验验证显示，温度误差最低可减少 0.5 ℃，在25 ℃~85 ℃环境下相较于对比参数组合，平均温度误差从2.0 ℃下降到了1.2 ℃，降低了0.7 ℃，且在 65 ℃以上的环境下，温度误差能够稳定控制在 ±1 ℃以内。最终结果证明，提出的参数优化方法显著提升了环形振荡电路的测温精度，为 FPGA 温度传感器的设计和应用提供了有力支持。

摘要:针对卷积神经网络（CNN）在振动数据结构信息上挖掘不足导致故障诊断精度不高的问题，提出一种基于卷积神经网络与图采样和聚合网络（CNN-GraphSAGE）双分支特征融合的齿轮箱故障诊断方法。首先，对齿轮箱振动数据进行小波包分解，利用分解后的小波包特征系数构建包含节点和边的图结构数据；然后，建立CNN-GraphSAGE双分支特征提取网络，在CNN分支中采用空洞卷积网络提取数据的全局特征，在GraphSAGE网络分支中通过多层特征融合策略来挖掘数据结构中隐含的关联信息；最后，基于SKNet注意力机制融合提取的双分支特征，并输入全连接层中实现对齿轮箱的故障诊断。为验证研究方法在齿轮箱故障诊断上的优良性能，首先对所提方法进行消融实验，然后在无添加噪声和添加1 dB噪声的条件下进行对比实验。实验结果表明，即使在1 dB噪声的条件下，研究方法的平均诊断精度为92.07%，均高于其他对比模型，证明了研究方法能够有效地识别齿轮箱的各类故障。

摘要:多节链式倾转旋翼飞行器具有多样的本体构形形态、丰富的组合变换序列以及非唯一的构形达成解集等特点。为使飞行器在应对不同任务条件时能够获得优越的飞行性能与任务达成的重构方案，进而提高其变体执行效率和任务适应性，本文研究了多节链式倾转旋翼飞行器的构形重构与策略。首先，分析了该飞行器的属性，并确定了通过性、稳定性和能耗3个关键因素作为重构策略的评价指标；其次，通过层次分析法（AHP）确定了各指标的权重，并基于加权平均法建立了重构决策方法；最后，通过实验验证了重构策略的有效性和科学性，结果表明该重构策略将综合评分平均提高了26.87%，有效改善了飞行器的性能，特别是在通过性和稳定性方面。研究结果表明，所提出的重构策略不仅提升了飞行器在复杂环境中的自适应能力，还为未来无人机技术的发展提供了重要的理论基础和实践指导。

摘要:在微机电系统（MEMS）惯性测量器件的应用中，研究有效的多传感器数据融合算法是提高姿态解算精度和抗干扰能力的关键技术之一。针对载体姿态解算精度低和磁力计易受磁干扰的挑战，提出了一种结合Mahony滤波和容积卡尔曼滤波的姿态解算算法。首先，利用磁力计和加速度计的信息构建误差修正量，对陀螺仪数据进行修正。同时，通过关键帧技术对受到磁干扰的数据进行主动补偿。修正后得到的初步姿态四元数被用作构建容积卡尔曼滤波的状态信息。接下来，使用磁力计和加速度计解算得到的姿态作为观测信息，并通过磁力计数据的残差信息建立自适应量测噪声协方差矩阵，以减小磁干扰对姿态解算的影响。车载实验结果表明，该算法显著提高了姿态解算的精度。与传统方法相比，横滚角、俯仰角和航向角的精度分别提升了45.3%、50.2%和32.8%。因此，所提算法在抑制陀螺仪漂移和抵抗磁干扰方面表现出良好的性能。

摘要:在工业检测场景下,按照是否引入正常样本中不存在的异常,可以将异常检测问题分为结构异常检测和逻辑异常检测两类,逻辑异常检测对网络的全局理解能力提出了更高的要求。针对现有无监督异常检测模型在结构异常上已有较好的检测精度,但无法适应逻辑异常检测需求的问题,提出一种包含空间聚合模块和通道聚合模块的双自编码器结构,主要由3部分组成。首先设计了并行空空间通道双自编码器架构,从空间和通道两个方向得到包含全局信息的特征向量,提升网络的长程依赖关系;其次设计一个选择性融合模块,融合双自编码器信息,放大包含重要信息的特征,以进一步提高对逻辑异常的表达能力;最后提出在自编码器与学生网络的损失函数中加入余弦损失,避免网络对单个像素差异过于敏感,从而关注于全局差异。在MVTec LOCO AD数据集上进行实验,逻辑异常检测精度达到89.4%,结构异常检测精度达到94.9%,平均检测精度92.1%,超越了基线方法和其他无监督缺陷检测方法,验证了方法的有效性和优越性。

摘要:细针穿刺活检全玻片图像（FNAB-WSI）的细胞学检查对甲状腺乳头状癌或良性结节性增生的诊断至关重要。由于样本级FNAB-WSI具有上亿像素的超高分辨率，利用深度网络进行样本级别分类会消耗相当规模的计算资源。考虑到样本级FNAB-WSI兼具全局和细胞团局部细节特征，提出了一种全局-局部特征融合的轻量化样本级分类方法。首先利用轻量化GhostNet网络提取全局特征，通过设置卷积步长控制特征图谱尺寸，并用特征切片与融合获取局部特征；然后对全局和局部特征分别最大池化和降维，进而融合为全局-局部特征；最后全连接全局-局部特征，并通过 softmax 分类器达成甲状腺样本级良恶性分类。在自建的FNAB-WSI样本级数据集上，方法的各项性能指标上均超越了其他轻量化方法，精度、召回率、准确率和AUC分别达到了最高的89.9%、91.2%、91.7%和92.5%，同时参数量方面具有可比性，为6.1×106，展现出了良好的平衡性能。方法不仅提高了样本级分类的准确性，还通过减少参数量优化了模型的计算效率，有望为甲状腺癌的临床诊断提供了一种有效的辅助工具。

摘要:针对传统算法特征点匹配时间长、误匹配率高及双目视觉测量精度低等问题，提出一种基于二维熵与低维度描述符的双目视觉测量方法。首先利用图像二维熵对特征点进行筛选，过滤部分无用特征点，保证特征点稳定性；然后，构建一种低维度而具有多梯度方向的SIFT特征描述符，提高对特征点的分辨能力并获取种子点更多梯度信息，同时采用马氏距离作为相似性度量标准进行特征点匹配，并用随机采样一致性（RANSAC）算法消除误匹配，优化匹配准确度并降低算法复杂度；最后用二元二次曲面拟合获取特征点的亚像素坐标，通过三角测量得到其空间三维坐标并计算被测物体相关尺寸。以连铸坯模型为测量对象，实验结果表明，该算法测量的平均相对误差为0.41%，较SIFT算法和ORB算法分别低1.45%和0.72%，满足测量精度要求；特征点匹配正确率较SIFT、BRISK、ORB算法分别提高20.94%、18.19%和11.38%，特征点匹配用时较SIFT降低57.48%，验证了该算法的精确性与高效性。

摘要:获取准确的弹丸加速度对评估电磁炮性能至关重要。然而，弹丸在膛内与出炮口受到迥异的环境因素影响，使得加速度信号在膛内与出炮口阶段具有不同的模态特征，导致常规的基于全局的非线性非平稳信号处理方法失效。因此，提出融合最大似然-小波与改进完全自适应噪声集合经验模态分解的电磁炮加速度自适应解析与重构方法，以期获得准确的电磁炮加速度：首先，通过最大似然-小波自适应地寻找在各时间区域的模态差异，实现信号分区；其次，采用改进完全自适应噪声集合经验模态分解方法对分区信号进行自适应分解；最后，基于t检验提取有效模态分量进行信号重构，实现有效电磁炮加速度的准确提取。相关实验表明，均方根误差改进率均大于0，相关系数提高至0.673 1，信噪比提高至3.861 4，相较于常规的全局性处理方法，避免了部分区域过分解或分解不彻底的问题，实现了电磁炮加速度的准确提取。

摘要:心血管疾病是世界人口发病和死亡的最大原因之一。及时且可靠的心血管疾病风险评估是减轻患病风险,保障生命安全的关键。提出了一种高效、便捷的心血管疾病风险评估方法。采集了108个全血样本的傅里叶变换红外衰减全反射光谱和拉曼光谱进行风险评估模型的构建与评价。针对基于传统最小二乘法（PLS）、联合区间偏最小二乘法（siPLS）等算法进行特征提取而建立的风险评估模型效能低下的问题,提出了化学键驱动的区间联合偏最小二乘算法(CBDsiPLS)用于特征提取,并结合机器学习构建了单一数据的风险评估模型,测试结果表明该方法优于传统的特征提取算法。此外,利用中红外与拉曼光谱的信息互补性,进行特征级信息融合后结合机器学习方法建立融合数据的风险评估模型。最终的融合数据风险评估模型的准确率均超过90%,灵敏度均超过80%,特异性均达到95%。实验结果表明,所提出的方法可以实现对心血管疾病风险的有效评估。

摘要:油气管道的缺陷尺寸量化是管道检测的关键问题和最终目标。传统的缺陷检测方法往往停留在缺陷分类的阶段，数据处理不具体给后续结果分析增加了难度；智能识别方法又对漏磁数据的质量有更高要求。因此提出一种粒子群优化算法结合随机森林（PSO-RF），实现管道缺陷长、宽、深的自动量化。首先对一组缺陷漏磁数据进行多维度的特征提取，然后利用随机森林算法进行回归预测；针对随机森林算法最佳参数不宜获得的难点，使用粒子群优化算法进行超参数调优，最终获得比较准确的缺陷长、宽、深预测数据。将PSO-RF算法与经典的卷积神经网络和粒子群算法支持向量回归（PSO-SVR）训练算法进行对比，对长、宽、深的量化精度分别提高了28%、32%、68%，验证了PSO-RF算法的有效性与优越性。最后使用一组带标签的管道缺陷数据对算法进行验证，长、宽、深量化误差在20%以内的数据分别达到80.3%、88.5%和95.9%。

摘要:无监督行人重识别是一种在没有任何标签的情况下，通过特征提取和聚类算法对行人进行识别和匹配的计算机视觉方法。针对当前无监督行人重识别方法普遍存在的特征提取不足、聚类不准确、计算复杂度高以及模型缺乏鲁棒性等问题，提出了一种基于深度聚类学习的无监督行人重识别方法。首先，研究了结合GeM池化方法的实例批量归一化网络（IBN-Net）作为特征提取网络，使得提取出的行人特征更具判别性；其次，针对聚类算法对于超参数较为敏感的问题，提出通过有序点识别聚类结构（OPTICS）辅助基于密度的聚类算法（DBSCAN）选取超参数，进一步降低了DBSCAN对超参数的敏感度；此外，为了更加充分利用训练集的所有数据，将离群值也视为单独的聚类参与到记忆字典的初始化与更新过程中；最后，针对记忆字典更新过程中各个聚类更新速率不一致的问题，提出了聚类级别的记忆字典，消除了聚类更新速率不一致的问题。实验结果验证了研究工作的有效性，提出的方法在无监督行人重识别任务中的精度与准确度均有明显的提升。

摘要:在有色金属冶金等重工业环境中,危险气体泄漏的检测对保障工作人员安全和维持生产稳定至关重要。传统单模态的检测方法无法有效应对复杂工业环境中的干扰,在噪声环境下面临准确性降低的问题。针对上述问题,提出了一种面向工业环境下的多模态气体泄漏检测模型,该模型融合了烟雾传感器数据和红外图像数据,利用各数据源的互补优势,提高检测的准确性和鲁棒性。首先针对不同模态数据的特性,使用门控多层感知机(gMLP)捕捉传感器数据中的复杂模式;同时采用 Swin-Transformer 提取红外图像中的局部特征和全局特征。之后,利用基于多头注意力的融合策略,有效融合不同模态数据之间的潜在表示并获得有害气体的识别结果。通过在正常环境下和噪声环境下的多模态气体数据集上进行实验,该模型取得了 97.92% 的识别准确率,结果表明,相较于单一模态,多模态的方法可以有效提升检测的准确性和鲁棒性,提升了在复杂工业场景下气体泄漏检测的性能。

摘要:针对机场无人化、少人化的需求，对自动驾驶特种车辆在机坪行车道交叉路口运行控制问题展开深入研究。首先，面向机坪行车道交叉路口建立非常规交叉路口模型。在此基础上，针对特种车辆通过行车道进入机坪与其他特种车辆可能存在冲突的问题，首次将重决策与间隙理论结合，并对间隙理论进行改进，提出了一种基于间隙理论的特种车辆控制策略LSGO。RSU通过提出的控制策略计算特种车辆的最佳转向车道以及特种车辆队列之间的最优间隙，并结合车辆运动学模型提供执行命令。通过LSGO策略，可以有效避免车辆间冲突，并减少特种车辆通过交叉路口的时间。最后，在典型机坪与行车道场景下进行仿真，验证了该策略的功能和性能。仿真结果表明，采用提出的LSGO策略，特种车辆队列通过交叉路口的时间相较于传统控制策略最多可降低29.2%，能耗最多可降低11.6%。单车通过调整优化区和交叉口区的时间最多减少20.5%。

摘要:现有基于证据理论的故障检测算法通常需假设证据具备独立性，但在实际工程中这一假设往往难以成立，尤其在数据源受到复杂环境干扰的情况下，可能导致理论分析与实际结果之间存在较大差异。针对上述问题，提出一种复杂干扰环境下相关证据推理的故障检测算法。首先，根据证据可靠度确定加权模型下的证据融合顺序，以降低复杂干扰造成融合结果的不确定性；然后，在证据融合阶段中考虑证据相关性问题，计算最大信息系数以评估证据间的关联程度；其次，根据证据依赖系数计算依赖折扣因子，并将其融入证据推理规则中；最后，考虑数据源的复杂干扰特性，借鉴统计学习的提升方法思想，设计双层证据决策机制计算最终的故障检测结果。通过航空电磁继电器的故障检测实验，验证了所提算法的可行性与有效性。与现有方法相比，算法的优势在于放宽了对证据独立性的要求，尤其适用于受噪声干扰较大的工程环境中。

摘要:行星齿轮箱是一种广泛应用于工业领域的关键传动装置，其在复杂工况和长期负荷下易出现故障。传统的故障诊断方法依赖于专家经验和昂贵设备，存在数据稀缺和诊断效率低的问题。针对这一挑战，近年来生成对抗网络（GAN）的发展为图像生成和数据增强提供了新的解决方案。然而，现有GAN模型在处理小样本数据时，常出现语义错位和伪影问题，限制了其在智能故障诊断领域的应用潜力。为此，提出了一种基于多尺度渐进式特征融合的生成对抗网络（MSA-PF-GAN）模型，通过引入渐进式解码器结构与多尺度注意力模块，有效提升小样本条件下的图像生成质量及故障诊断精度。实验基于两个独立的行星齿轮箱故障数据集进行验证，结果显示，该方法显著降低了生成图像的FID分数，提升了诊断准确率（分别提高35%和20%）。在多种评价指标上，MSA-PF-GAN均优于其他主流方法。进一步分析表明，该模型通过渐进式特征融合和多尺度注意机制，不仅在生成图像的多样性和真实感上表现优异，还能有效增强对复杂故障特征的捕捉能力。因此，该技术在行星齿轮箱故障诊断领域具有有效的应用潜力和实际价值。

摘要:为满足采煤机在井下开采工况的安全采高控制需求，解决传统摇臂倾角检测方法如油缸行程位移法和编码电位器旋转测距法，存在因摇臂铰接轴长期磨损导致精度和可靠性下降，且维修困难的问题。因此，提出了基于微机电系统（MEMS）加速度计的采煤机摇臂倾角检测方法。首先，为抑制强振动工况下的高频高幅值振动噪声，提高倾角测量精度，采用临界阻尼法和组合积分法对加速度计三轴原始数据进行滤波处理，成功分离并提取出有效的重力加速度数据并得到角度；其次，通过搭建摇臂振动模拟实验台获取滤波处理后的数据，实现了振动环境下的动态倾角辨识，有效地提高了角度测量精度。实验结果表明，在5g振动环境下，两种滤波器设计具备较快的响应速度，能够迅速跟踪输入信号变化，经过组合积分滤波器后角度误差小于0.3°，经过临界阻尼滤波器后角度误差小于0.1°，测量精度能够满足实际摇臂采高需求，为实现摇臂倾角检测提供一种可行的方法。

摘要:圆度是评价微小圆柱零件制造精度和互换性的一项重要指标。针对圆度测量过程中零件定位不准导致测量数据存在倾斜误差的问题，提出一种分割－截取圆度测量方法，将零件横截面圆分割为8等分、10等分和12等分，采用轮廓仪对等分后的零件表面进行线性扫描，利用扫描得到的一系列坐标数据表征出各段圆弧轮廓，截取各段圆弧中心部分重构零件横截面圆轮廓，拟合得到被测零件的半径和圆度，实现了微小圆柱零件的高精度圆度测量。以直径为3 mm的滚针为例进行圆度测量实验，不同分割截取情况的测量结果表明，十等分截取75°圆弧拟合得到的滚针半径和圆度分别为1.500 892 9 mm和0.092 μm，偏差均在±0.1 μm内。通过GUM法对影响测量结果的不确定度分量进行分析，计算得到影响圆柱零件半径的综合标准不确定度为0.049 96 μm，表明了所提分割截取圆度测量方法的可靠性和一致性。