兼顾鲁棒性的多目标焊点自适应优化方法

电阻点焊是白车身制造过程中主要的装配工艺手段,其数量和布置会对白车身动刚度和静刚度产生很大的影响,但这两种影响并不总是一致的。因此,在以同时提升动/静刚度为目标的焊点优化中,需要一种能够兼顾动刚度和静刚度的指标,同时还要确保生产中的工业鲁棒性,使焊点设计方案实施效果不会轻易受到焊点制造缺陷的影响。本文中提出了一种以焊点及相邻单元应变能为基础,兼顾动刚度性能和静刚度性能的焊点优化决策指标,并利用该指标,构建了高效的鲁棒性分析方案,从而形成了一种多目标的焊点自适应优化方法,能实现同时考虑多种性能指标和鲁棒性的焊点优化过程。该方法被应用于某款轻型客车白车身焊点的性能优化和鲁棒性分析,并通过试验验证了其有效性。     

基于卷积神经网络的铆钉缺陷检测方法研究

针对铆接过程中铆钉内部断裂缺陷难以分类判别问题,利用卷积神经网络和长短期记忆网络设计检测算法。首先,使用平滑滤波法将特征信号中的异常噪声值滤去,同时根据拟合函数对检测信号进行插值,提高特征数据的信息量。其次,利用处理后的故障样本训练网络来实现铆钉缺陷诊断。实验结果表明：该方法总体识别准确率可达99%,能够有效地进行铆钉缺陷诊断。     

基于虚拟线圈的内河船舶流量检测方法

实时检测内河船舶流量对水上交通管理具有重要意义.为实时检测船舶流量,研究了一种基于虚拟线圈的船舶流量检测系统.虚拟线圈即在视频图像上设置一个封闭区域,根据该区域内图像的变化检测是否有运动目标通过.利用RGB三通道背景差分法得到视频图像的二值化图像,二值化图像的三个分割阈值由大津法求出.设置2个平行的虚拟线圈,通过虚拟线圈的船舶会被检测并计数,同时检测船舶的船长与船宽,利用BP神经网络对船舶进行分类.通过在武汉长江大桥和武汉长江二桥上不同时间段采集的视频进行实验,结果表明,船舶计数正确率达到97.1%,计数漏检率2.9%,计数错检率0%,船舶分类正确率98.6%.处理一帧图片的平均时间为7 ms,具有较好的实时性.      

斜拉索检测机器人的智能表观检测研究

为解决斜拉索检测日益繁重的工作任务,提高检测效率,结合斜拉索检测机器人与智能检测技术对斜拉索的外表进行检测。通过机器人在斜拉索上攀爬收集表面图像,将图像输入到卷积神经网络中进行缺陷识别,以确定缺陷的区域和位置。该项技术已成功应用于广东番禺大桥斜拉索的缺陷检测,结果证实:1)机器人能够灵活地采集到完整的斜拉索外表图像,基于智能算法的图像识别过程能够准确分辨出斜拉索不同的缺陷状态;2)识别正确率超过99%,且检测效率比传统方法提高300%,可以显著解决当前斜拉索检测的难题。     

基于车辆动力学响应特征的越野地面分类方法

利用车辆动力学响应进行地面分类是越野智能汽车的关键技术之一。本文中提出了结合地面不平整度特征和力学特征进行越野地面分类的方法，对沙地、土路、水泥路和雪地进行分类。本方法中选取等效地面轮廓和车身垂向加速度作为地面不平整度特征，选取行驶阻力和轮速波动作为力学特征，设计了基于LSTM模型的越野地面分类器，对自行采集的车辆越野行驶数据集进行训练与测试，结果表明，分类正确率达到95.5%；最后，使用HMM模型实现了分类后处理，解决了分类结果在连续数据上跳变的问题，使该算法在连续越野数据上的地面分类正确率从88.44%提高到90.13%。     

基于深层卷积神经网络的公路边坡灾害识别研究

人工检测公路边坡灾害,费时费力,效率和识别率较低,随着以深度卷积神经网络为代表的深度学习技术在图像目标识别方面取得的卓越成绩,为实现公路边坡灾害图像自动检测提供了新的思路。有鉴于此,针对传统人工方案存在的问题,本文设计了基于深度卷积神经网络实现公路边坡灾害自动识别系统。系统由预处理、深度学习网络模型及后处理三部分构成,在深度学习开源Caffe开发环境下,实现了Alex Net和Goog Le Net深度学习网络模型并采用大量公路边坡数据完成模型训练。通过对公路边坡实测数据的分类试验,本方案的边坡灾害识别率达到90%左右,表明基于深度学习的公路边坡检测方案可有效完成公路边坡灾害识别任务,有效替代传统人工检测方式。     

基于深度学习与漏磁探伤的桥梁缆索检测预警系统研究

为准确、全面地评估桥梁缆索的损伤，开发了基于深度学习和漏磁探伤的桥梁缆索检测预警系统。该系统主要由检测平台和预警平台两部分组成，利用检测平台中爬索机器人的高清摄像头和磁传感器列阵收集缆索表面的缺陷图像及漏磁信号数据，随后将缺陷图像输入到深度学习模型中对其进行自动分类与识别，利用小波分析处理漏磁信号数据以确定内部高强钢丝锈蚀缺陷位置，并根据检测到的数据提出了五级预警。为验证桥梁缆索检测预警系统的可靠性，利用该系统对4座在役斜拉桥的缆索进行检测。结果表明：该系统嵌入的深度学习模型和经过小波分析处理后的磁信号能够准确识别桥梁缆索表面的缺陷特征和内部钢丝锈蚀位置；该系统中预警平台可以将检测信息及时发送给管养部门，便于其采取相应的补救措施。     

基于深度学习和监测数据的桥梁损伤识别方法

为了挖掘桥梁健康监测数据蕴含的大量隐藏信息,以及改进传统结构损伤识别方法的不足之处,提出了基于桥梁监测数据的损伤识别方法。从有限元模拟数据和实际监测数据中分别提取加速度响应,并对原始数据进行了预处理。通过卷积神经网络和栈式自编码网络分别对明州大桥监测数据的可视化图像和时间序列进行识别,同时与浅层神经网络方法的识别正确率对比。结果表明:基于深度学习和监测数据的损伤识别方法不论是通过图像识别还是通过时间序列识别,都表现出优秀的性能:识别正确率达85%以上。与浅层神经网络相比,深度神经网络的损伤工况分类能力更强,识别正确率提高20%以上。     

探地雷达对隧道工程脱空缺陷及处理检测的应用

探地雷达检测技术作为一种无损伤、高精度的物理探测方法,对隧道的缺陷及处理效果检测有着重要意义。介绍了探地雷达的工作原理及检测方法,并以二广高速某隧道的检测情况为例,介绍了雷达检测技术在隧道缺陷的发现及处理效果方面的应用。     

车身涂胶无损检测应用开发

文章利用显示超声波传输距离和波幅衰减关系的距离-波幅曲线,基于超声波焊点检测设备的二次开发以及传感器技术,开发车身涂胶无损检测应用。通过试验建立各种汽车车身涂胶样本的DAC曲线数据库,集成到涂胶无损检测软件上,对曲线拟合状态进行判断,实现汽车车身涂胶的无损检测。     

重型汽车燃油箱隔板装焊技术改进

本文介绍了一种新的燃油箱隔板装焊技术。通过生产及售后反馈,这种隔板装焊的方法有效地克服了焊点拉裂燃油箱、导致燃油箱渗漏的缺陷,保证了隔板装配牢固,从而提高了燃油箱的使用寿命,并改善了燃油箱的外观质量。     

汽车制造电阻点焊常见缺陷及质量控制措施

<正>随着经济社会的发展,汽车已经成为人们生活中必不可少的交通工具,焊接技术已广泛应用在汽车制造中,在被应用的焊接技术中电阻点焊占据绝大部分。汽车的整体质量很大程度上取决于点焊质量。焊点质量精度较高的汽车,使汽车的安全系数和整体性能大大提升,给用户留下良好的印象。点焊缺陷会降低汽车整体强度,使得组件无法正确装配,影响汽车的安全性。在汽车生产制造过程中及时发现点焊缺陷,并对焊点采取相应的修补措施,对降低生产成本,提高生产率具有重要意义。因此,降低焊接缺陷,提高焊点质量,是提高车身质量的关键因素。     

车身纵梁补丁板热成形轻量化设计及优化

为实现某车型前地板下纵梁零件的轻量化设计,消除高强钢冷冲压零件存在的尺寸精度问题,采用补丁板热成形技术对初始设计中的高强钢冷冲压产品结构进行等强度优化设计。在产品优化设计过程中,结合补丁板热成形技术针对零件功能和受载工况对总成进行了材料厚度优化。并使用Pam-Stamp 2G软件对补丁板热成形工艺过程进行模拟分析,预测出成形过程中存在的焊点变形问题。通过对焊点数量、位置的优化设计迭代,经实物验证,消除了焊点变形可能导致的产品失效风险。最终实现总成减重24.1%的同时降低了模具投资。     

基于转向盘图像的驾驶员疲劳检测方法研究

为避免因疲劳驾驶导致交通事故,提出一种基于转向盘图像的驾驶员疲劳检测方法。该方法利用摄像头实时采集转向盘图像,经过处理得到转向盘转角,进而提取与疲劳相关的零速百分比和角度标准差两项指标,在此基础上采用支持向量机融合算法建立了驾驶员疲劳判别模型。试验结果表明,所建立的判别模型检测正确率达85%,检测方法具有操作简单、实用性强和鲁棒性好等优点。     

基于(SAGA-FCM)-PNN的交通状态判别方法研究

为了提高城市道路交通状态判别的正确性与稳定性,研究了一种基于遗传模拟退火算法改进的FCM算法与概率神经网络(PNN)结合的短时交通流状态判别方法.针对传统FCM算法会收敛到局部最优解的问题,利用遗传模拟退火算法对其进行改进,优化算法初始聚类中心;将已分类的数据分为训练集与测试集对概率神经网络(PNN)模型进行训练与测试,通过对径向基函数的扩展速度的优化提高PN N算法的准确性;并利用厦门市城市道路地磁检测数据对模型进行实例验证及性能分析.结果表明,文中方法能够有效的实现交通状态的判别,且能够得到全局最优解;同竞争神经网络模型、GRNN模型、SVM模型相比,文中模型的交通状态判别正确率分别提高2.1%,4.5%,2.7%,且具有更好的稳定性.      

基于因子分析与Fisher判别分析法的隧洞围岩分类研究

为快速有效地预测隧洞围岩的类别,提高地下工程的稳定性和安全性,应用因子分析与Fisher判别分析理论,选取岩石质量指标、完整性指标、饱和单轴抗压强度、纵波波速、弹性抗力系数和结构面摩擦因数等6个指标作为Fisher判别分析的判别因子。建立基于因子分析的隧洞围岩分类的Fisher预测模型。将现场勘测的30组隧洞围岩数据作为学习样本进行训练。利用回代估计法对模型效果进行检验,正确率为96.7%。将建立的判别模型应用于工程实例,以6组工程数据作为预测样本,进行隧洞围岩的分类预测,并与神经网络方法和Bayes方法进行对比。结果表明:因子分析可以有效提取围岩分类指标,去除冗余影响因素,基于因子分析的Fisher判别模型可有效地预测隧洞围岩的类别,所得预测结果的正确率为100%。     

正交异性钢桥面板疲劳裂纹智能检测机器人研究

目前,正交异性钢桥面板(OSD)结构焊缝疲劳裂纹的检测以人工检测为主,其检测工作量大、成本高,同时由于顶板一纵肋结构构造复杂,绝大多数无损检测方法因检测工艺限制难以适用,导致缺陷检测效率低、漏检错检现象频发.为了提高OSD疲劳裂纹检测效率,设计制作了一种集超声波相控阵检测技术与图像识别技术于一体的智能检测机器人.该机器人可以利用电磁铁交替吸附在正交异性钢桥面板上进行安全有效的移动,通过控制上层云台系统配合超声波相控阵检测设备完成缺陷的采集作业,并基于卷积神经网络算法智能识别缺陷图像.详细介绍了智能检测机器人的整体设计和超声波相控阵检测技术,并通过理论分析和室内人工缺陷试块试验对该检测方法进行了验证.结果 表明,将超声波探头放置于顶板位置时,实测缺陷位置与设计值最大偏差为2 mm,缺陷长度最大偏差为5 mm,基本与人工缺陷位置一致,满足检测要求.这种检验机器人技术为实现OSD焊缝缺陷的智能检测提供了新方法.     

磁粉检测在电站锅炉定期检验中的运用研究

经过不完全统计研究证明原材料制造过程中出现的缺陷有70%都是表面缺陷,但是在原材料使用之后就会出现90%左右的表面缺陷,这些缺陷的存在严重威胁了电站锅炉的安全运行。磁粉检测对表面缺陷有很高的检测灵敏度、准确性和可靠性,是电站锅炉运行的一种重要无损检测方式。为此,文章在阐述磁粉检测原理的基础上,结合某电站锅炉运行实际情况就如何借助这种无损检测方式来检验电站锅炉运行进行策略分析。     

基于Kinect深度虚拟线圈的夜间车流量检测

针对夜间环境下基于摄像机的车辆检测方法存在精度低、稳定性差以及无法对车型进行有效识别等问题,提出一种基于Kinect深度虚拟线圈的夜间车辆检测与计数算法.首先对Kinect深度图像进行预处理,分别获得运动目标深度图(MDM)与空洞深度图(HDM).然后在MDM与HDM上设置虚拟线圈,利用积分图像分别生成对应的一维运动信号,对其进行加权合成获得对车辆运动特征的表达,并在合成的运动信号范围内检测出车辆目标,并计算出车辆目标的几何特征,通过SVM对车型进行有效识别.实验结果表明,该算法对于单双车道的车辆计数正确率分别高达99.75%与99.25%,大小车型分类正确率可达99.80%,处理单张图片的平均时间仅为7 ms.      

基于光学超精密检测的新能源汽车电池缺陷检测技术

针对新能源汽车电池表面缺陷,提出了基于超精密检测的新能源汽车电池表面缺陷检验方法。构建光学超精密成像模型,通过超精密激光扫描技术完成能源汽车电池表面的激光成像,获得其 纹理分布情况和边缘轮廓特征。将区域信息与图像边缘相融合,定位新能源汽车电池表面缺陷,检测 其表面纹理异常点。通过仿真试验证实,利用该方式判断新能源汽车表面缺陷具有准确性高、抗噪性强等特点,能有效提升汽车电池表面缺陷检测效率。