檢測(cè)與跟蹤中遮擋編碼器1058618 SICKDFS60E-S4CL02000遠(yuǎn)洋航向的船舶來(lái)說,軌跡預(yù)測(cè)的意義在于能夠有效控制油耗實(shí)現(xiàn)更大盈利和避免進(jìn)入危險(xiǎn)水域而影響貨運(yùn)時(shí)效;對(duì)于近海船舶來(lái)說,軌跡預(yù)測(cè)的意義在于能夠?yàn)榇魈峁┍芘龊吐肪€規(guī)劃決策的技術(shù)支持。近年來(lái)針對(duì)船舶軌跡數(shù)據(jù)的分析與預(yù)測(cè)研究越來(lái)越受到學(xué)者們的重視。目前,已有的方法大部是基于傳統(tǒng)機(jī)器學(xué)習(xí)方法或船舶運(yùn)動(dòng)學(xué)方程的方法,也有少數(shù)基于深度學(xué)習(xí)的模型的方法但預(yù)測(cè)時(shí)間較短,這些模型已經(jīng)很難適應(yīng)日益復(fù)雜的海上交通狀況。如今,幾乎所有的船舶都配備有船舶自動(dòng)識(shí)別系統(tǒng)（Automatic Identification System,AIS）設(shè)備,該設(shè)備可以無(wú)間斷的對(duì)外廣播船舶的動(dòng)靜態(tài)信息,相對(duì)于傳統(tǒng)的船舶交通服務(wù)（Vessel Traffic Service,VTS）數(shù)據(jù)和雷達(dá)數(shù)據(jù),AIS數(shù)據(jù)更加容易獲得。本文基于大量的歷史AIS數(shù)據(jù)并在不破壞其數(shù)據(jù)結(jié)構(gòu)的基礎(chǔ)上進(jìn)行軌跡提取,針對(duì)提取的數(shù)據(jù)集,基于深度學(xué)習(xí)模型建立了具有相對(duì)長(zhǎng)期預(yù)測(cè)和多維預(yù)測(cè)能力的船舶軌跡預(yù)測(cè)模型。本文的研究?jī)?nèi)容為以下幾個(gè)方面:（1）時(shí)間特征是軌跡數(shù)據(jù)的重要特征,為避免各種插補(bǔ)方法對(duì)AIS數(shù)據(jù)造成結(jié)構(gòu)上的破壞,本文使用了一種新的軌跡劃分方法,該方法分為兩步:步計(jì)算出相鄰兩點(diǎn)時(shí)間增量,第二步對(duì)時(shí)間增量的分布進(jìn)行分析,確定時(shí)間增量軌跡劃分閾值對(duì)軌跡進(jìn)行劃分。經(jīng)劃分得到的軌跡仍比較復(fù)雜,不能直接作為數(shù)據(jù)集使用,需要進(jìn)行子軌跡提取操作。為更合理地對(duì)軌跡建模,終數(shù)據(jù)集中應(yīng)包含一定量的彎航軌跡且這些軌跡不能太復(fù)雜,這就需要設(shè)置合理的子軌跡提取長(zhǎng)度,所以本文進(jìn)行了子軌跡提取長(zhǎng)度確定實(shí)驗(yàn)。（2）為避免不同位置下相同軌跡形狀出現(xiàn)帶來(lái)的影響,本文使用每個(gè)點(diǎn)相對(duì)于前一點(diǎn)的經(jīng)度增量和緯度增量來(lái)替換原有的經(jīng)度信息和緯度信息。使用的軌時(shí)間增量,經(jīng)度增量,緯度增量,對(duì)地航速和對(duì)地航向五個(gè)特征進(jìn)行預(yù)測(cè)以達(dá)到多維預(yù)測(cè)的目的。（3）深入研究了長(zhǎng)短期記憶優(yōu)點(diǎn)。詳細(xì)分析了粒子群算法的參數(shù)對(duì)其性能的影響及改進(jìn)策略,建立了基于改進(jìn)的粒子群算法船舶軌跡預(yù)測(cè)模型。實(shí)驗(yàn)表明,PSO-LSTM模型的預(yù)測(cè)能力優(yōu)于純LSTM模型。（4）為進(jìn)一步提高模型的相對(duì)長(zhǎng)期預(yù)測(cè)能力,建立了基于變分的船舶軌跡預(yù)測(cè)模型。實(shí)驗(yàn)表明基于VLSTM的預(yù)測(cè)模型在相對(duì)長(zhǎng)期預(yù)測(cè)和彎航軌跡預(yù)測(cè)上展現(xiàn)出了更好能力。同步電機(jī)以其構(gòu)造簡(jiǎn)易、效率高、轉(zhuǎn)矩慣量比高及良好的低速跟蹤性能等*性在高精度數(shù)控機(jī)床、望遠(yuǎn)鏡控制系統(tǒng)、雷達(dá)衛(wèi)星等高精度伺服控制場(chǎng)合被廣泛應(yīng)用。近年來(lái),隨著目標(biāo)檢測(cè)要求和制造工藝的提高,望遠(yuǎn)鏡控制系統(tǒng)所制造的望遠(yuǎn)鏡口徑不斷增大,國(guó)內(nèi)外的大型直驅(qū)望遠(yuǎn)鏡都采用了永磁同步電機(jī)伺服控制系統(tǒng)來(lái)取代原先的直流伺服控制以提高望遠(yuǎn)鏡的低速跟蹤性能。本文主要探討永磁同步電機(jī)的低速平穩(wěn)控制,來(lái)拓寬永磁同步電機(jī)在高精度伺服控制系統(tǒng)特別是望遠(yuǎn)鏡控制系統(tǒng)中的應(yīng)用。影響電機(jī)低速平穩(wěn)性的主要因素有電機(jī)的轉(zhuǎn)矩脈動(dòng)以及控制系統(tǒng)中的速度檢測(cè)誤差,本文從抑制轉(zhuǎn)矩脈動(dòng)和轉(zhuǎn)速瞬時(shí)檢測(cè)兩方面來(lái)提高電機(jī)低速運(yùn)行時(shí)的平穩(wěn)性。首先,為了后文進(jìn)行速度脈動(dòng)抑制和速度檢測(cè)算法的研究,本文簡(jiǎn)單介紹了永磁同步電機(jī)在三大坐標(biāo)系（三相靜止坐標(biāo)系、兩相靜止坐標(biāo)系和同步旋轉(zhuǎn)坐標(biāo)系）下的數(shù)學(xué)模型,揭示了速度脈動(dòng)和轉(zhuǎn)矩脈動(dòng)的聯(lián)系,闡述了永磁同步電機(jī)id=0矢量控制系統(tǒng)的框架結(jié)構(gòu)和基本原理,進(jìn)一步分析了速度脈動(dòng)的影響因素,對(duì)其影響規(guī)律進(jìn)行了總結(jié)。其次,針對(duì)永磁同步電機(jī)的速度脈動(dòng),本文設(shè)計(jì)了自抗擾電流注入復(fù)合控制器,并與常規(guī)的PI控制以及PI疊加電流注入進(jìn)行了對(duì)比。設(shè)計(jì)了速度環(huán)自抗擾控制器來(lái)抑制電機(jī)的外部負(fù)載擾動(dòng),以及設(shè)計(jì)了電流補(bǔ)償模塊來(lái)抑制電機(jī)的轉(zhuǎn)矩脈動(dòng),隨后將自抗擾控制器與電流補(bǔ)償模塊相結(jié)合,得到自抗擾電流注入復(fù)合控制器。仿真結(jié)果表明,所提方法能在低速運(yùn)行條件下對(duì)系統(tǒng)速度脈動(dòng)進(jìn)行更有效的抑制,同時(shí)在負(fù)載擾動(dòng)時(shí),確保了系統(tǒng)的魯棒性和良好的動(dòng)態(tài)響應(yīng)性。再者,針對(duì)平均測(cè)速算法難以滿足電機(jī)低速時(shí)的測(cè)速精度和無(wú)法消除測(cè)速延遲,本文設(shè)計(jì)了自適應(yīng)卡爾曼觀測(cè)器。根據(jù)電機(jī)的機(jī)械運(yùn)動(dòng)方程設(shè)計(jì)了三階卡爾曼觀測(cè)器,得到了參數(shù)矩陣的設(shè)計(jì)原則,并引入了自適應(yīng)機(jī)制來(lái)消除負(fù)載突變時(shí)的測(cè)速延遲。仿真結(jié)果表明,相對(duì)于平均測(cè)速算法和卡爾曼觀測(cè)器法,所提方法在電機(jī)低速運(yùn)行時(shí)可有效減少測(cè)速延遲,提高測(cè)速精度。后,為驗(yàn)證本文提出的低速平穩(wěn)控制算法,利用實(shí)驗(yàn)室的永磁同步電機(jī)平臺(tái)進(jìn)行低速控制實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果驗(yàn)證了所提算法具有良好的低速運(yùn)行平穩(wěn)性。

檢測(cè)與跟蹤中遮擋編碼器1058618 SICKDFS60E-S4CL02000 一項(xiàng)至關(guān)重要的參數(shù)。其預(yù)測(cè)精度將直接影響終產(chǎn)品的質(zhì)量,并有效減小帶材的頭尾長(zhǎng)度,提高原材料的利用率。此外,軋制力大小還決定著軋輥輥縫的預(yù)設(shè)定,對(duì)軋制過程的穩(wěn)定性有直接影響。傳統(tǒng)的機(jī)理模型結(jié)構(gòu)簡(jiǎn)單且存在較多假設(shè)問題,適用面窄,無(wú)法滿足要求。為了提高冷軋機(jī)組的軋制力預(yù)測(cè)精度,本文基于軋制基本理論,將機(jī)理模型同神經(jīng)網(wǎng)絡(luò)以及智能優(yōu)化算法相結(jié)合來(lái)建立模型,利用現(xiàn)場(chǎng)采集的數(shù)據(jù)進(jìn)行仿真。Bland-Ford-Hill公式是常用的軋制力機(jī)理模型。首先結(jié)合Bland-Ford-Hill公式,著重分析變形區(qū)參數(shù),確定影響軋制力大小的變量,以此作為神經(jīng)網(wǎng)絡(luò)模型的輸入,用神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行軋制力預(yù)測(cè)。相比于機(jī)理模型,神經(jīng)網(wǎng)絡(luò)減少了參數(shù)設(shè)置的困難,避免了繁瑣的公式計(jì)算。極限學(xué)習(xí)機(jī)）神經(jīng)網(wǎng)絡(luò),因其結(jié)構(gòu)簡(jiǎn)單,無(wú)法獲取數(shù)據(jù)中的隱含的深層次特征。此外,對(duì)于軋制過程中產(chǎn)生的海量數(shù)據(jù)處理能力欠佳。為了提高對(duì)復(fù)雜目標(biāo)函數(shù)的擬合能力,滿足大數(shù)據(jù)集下的軋制力預(yù)測(cè)要求,建立深度神經(jīng)網(wǎng)絡(luò)模型來(lái)進(jìn)行軋制力預(yù)測(cè)。為了解決深度網(wǎng)絡(luò)難以訓(xùn)練的問題,采用批歸一化（）算法穩(wěn)定激活函數(shù)的梯度區(qū)間;采用Adam隨機(jī)優(yōu)化算法為參數(shù)提供自適應(yīng)學(xué)習(xí)率。同時(shí),為了提取數(shù)據(jù)中的有效信息,使用深度稀疏自編碼器encoder,DSAE）完成模型的無(wú)監(jiān)督訓(xùn)練。為了濾除現(xiàn)場(chǎng)采集數(shù)據(jù)中的噪聲,進(jìn)一步提高軋制力預(yù)測(cè)精度,建立引入去噪機(jī)制的深度信念網(wǎng)絡(luò)（采用改進(jìn)的對(duì)比散度算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,修正參數(shù)更新過程中的梯度誤差與方向誤差,加快網(wǎng)絡(luò)的收斂速度。選取Relu函數(shù)作為激活函數(shù),避免常規(guī)激活函數(shù)如Sigmoid由于飽和非線性特性造成的梯度彌散現(xiàn)象。仿真結(jié)果表明,軋制力預(yù)測(cè)精度以及建模速度優(yōu)于深度稀疏自編碼網(wǎng)絡(luò)。