檢測與跟蹤中遮擋編碼器1058618 SICKDFS60E-S4CL02000遠洋航向的船舶來說,軌跡預測的意義在于能夠有效控制油耗實現更大盈利和避免進入危險水域而影響貨運時效;對于近海船舶來說,軌跡預測的意義在于能夠為船主提供避碰和路線規劃決策的技術支持。近年來針對船舶軌跡數據的分析與預測研究越來越受到學者們的重視。目前,已有的方法大部是基于傳統機器學習方法或船舶運動學方程的方法,也有少數基于深度學習的模型的方法但預測時間較短,這些模型已經很難適應日益復雜的海上交通狀況。如今,幾乎所有的船舶都配備有船舶自動識別系統（Automatic Identification System,AIS）設備,該設備可以無間斷的對外廣播船舶的動靜態信息,相對于傳統的船舶交通服務（Vessel Traffic Service,VTS）數據和雷達數據,AIS數據更加容易獲得。本文基于大量的歷史AIS數據并在不破壞其數據結構的基礎上進行軌跡提取,針對提取的數據集,基于深度學習模型建立了具有相對長期預測和多維預測能力的船舶軌跡預測模型。本文的研究內容為以下幾個方面:（1）時間特征是軌跡數據的重要特征,為避免各種插補方法對AIS數據造成結構上的破壞,本文使用了一種新的軌跡劃分方法,該方法分為兩步:步計算出相鄰兩點時間增量,第二步對時間增量的分布進行分析,確定時間增量軌跡劃分閾值對軌跡進行劃分。經劃分得到的軌跡仍比較復雜,不能直接作為數據集使用,需要進行子軌跡提取操作。為更合理地對軌跡建模,終數據集中應包含一定量的彎航軌跡且這些軌跡不能太復雜,這就需要設置合理的子軌跡提取長度,所以本文進行了子軌跡提取長度確定實驗。（2）為避免不同位置下相同軌跡形狀出現帶來的影響,本文使用每個點相對于前一點的經度增量和緯度增量來替換原有的經度信息和緯度信息。使用的軌時間增量,經度增量,緯度增量,對地航速和對地航向五個特征進行預測以達到多維預測的目的。（3）深入研究了長短期記憶優點。詳細分析了粒子群算法的參數對其性能的影響及改進策略,建立了基于改進的粒子群算法船舶軌跡預測模型。實驗表明,PSO-LSTM模型的預測能力優于純LSTM模型。（4）為進一步提高模型的相對長期預測能力,建立了基于變分的船舶軌跡預測模型。實驗表明基于VLSTM的預測模型在相對長期預測和彎航軌跡預測上展現出了更好能力。同步電機以其構造簡易、效率高、轉矩慣量比高及良好的低速跟蹤性能等*性在高精度數控機床、望遠鏡控制系統、雷達衛星等高精度伺服控制場合被廣泛應用。近年來,隨著目標檢測要求和制造工藝的提高,望遠鏡控制系統所制造的望遠鏡口徑不斷增大,國內外的大型直驅望遠鏡都采用了永磁同步電機伺服控制系統來取代原先的直流伺服控制以提高望遠鏡的低速跟蹤性能。本文主要探討永磁同步電機的低速平穩控制,來拓寬永磁同步電機在高精度伺服控制系統特別是望遠鏡控制系統中的應用。影響電機低速平穩性的主要因素有電機的轉矩脈動以及控制系統中的速度檢測誤差,本文從抑制轉矩脈動和轉速瞬時檢測兩方面來提高電機低速運行時的平穩性。首先,為了后文進行速度脈動抑制和速度檢測算法的研究,本文簡單介紹了永磁同步電機在三大坐標系（三相靜止坐標系、兩相靜止坐標系和同步旋轉坐標系）下的數學模型,揭示了速度脈動和轉矩脈動的聯系,闡述了永磁同步電機id=0矢量控制系統的框架結構和基本原理,進一步分析了速度脈動的影響因素,對其影響規律進行了總結。其次,針對永磁同步電機的速度脈動,本文設計了自抗擾電流注入復合控制器,并與常規的PI控制以及PI疊加電流注入進行了對比。設計了速度環自抗擾控制器來抑制電機的外部負載擾動,以及設計了電流補償模塊來抑制電機的轉矩脈動,隨后將自抗擾控制器與電流補償模塊相結合,得到自抗擾電流注入復合控制器。仿真結果表明,所提方法能在低速運行條件下對系統速度脈動進行更有效的抑制,同時在負載擾動時,確保了系統的魯棒性和良好的動態響應性。再者,針對平均測速算法難以滿足電機低速時的測速精度和無法消除測速延遲,本文設計了自適應卡爾曼觀測器。根據電機的機械運動方程設計了三階卡爾曼觀測器,得到了參數矩陣的設計原則,并引入了自適應機制來消除負載突變時的測速延遲。仿真結果表明,相對于平均測速算法和卡爾曼觀測器法,所提方法在電機低速運行時可有效減少測速延遲,提高測速精度。后,為驗證本文提出的低速平穩控制算法,利用實驗室的永磁同步電機平臺進行低速控制實驗,實驗結果驗證了所提算法具有良好的低速運行平穩性。

檢測與跟蹤中遮擋編碼器1058618 SICKDFS60E-S4CL02000 一項至關重要的參數。其預測精度將直接影響終產品的質量,并有效減小帶材的頭尾長度,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設定,對軋制過程的穩定性有直接影響。傳統的機理模型結構簡單且存在較多假設問題,適用面窄,無法滿足要求。為了提高冷軋機組的軋制力預測精度,本文基于軋制基本理論,將機理模型同神經網絡以及智能優化算法相結合來建立模型,利用現場采集的數據進行仿真。Bland-Ford-Hill公式是常用的軋制力機理模型。首先結合Bland-Ford-Hill公式,著重分析變形區參數,確定影響軋制力大小的變量,以此作為神經網絡模型的輸入,用神經網絡來進行軋制力預測。相比于機理模型,神經網絡減少了參數設置的困難,避免了繁瑣的公式計算。極限學習機）神經網絡,因其結構簡單,無法獲取數據中的隱含的深層次特征。此外,對于軋制過程中產生的海量數據處理能力欠佳。為了提高對復雜目標函數的擬合能力,滿足大數據集下的軋制力預測要求,建立深度神經網絡模型來進行軋制力預測。為了解決深度網絡難以訓練的問題,采用批歸一化（）算法穩定激活函數的梯度區間;采用Adam隨機優化算法為參數提供自適應學習率。同時,為了提取數據中的有效信息,使用深度稀疏自編碼器encoder,DSAE）完成模型的無監督訓練。為了濾除現場采集數據中的噪聲,進一步提高軋制力預測精度,建立引入去噪機制的深度信念網絡（采用改進的對比散度算法對網絡進行訓練,修正參數更新過程中的梯度誤差與方向誤差,加快網絡的收斂速度。選取Relu函數作為激活函數,避免常規激活函數如Sigmoid由于飽和非線性特性造成的梯度彌散現象。仿真結果表明,軋制力預測精度以及建模速度優于深度稀疏自編碼網絡。