识别性能（精选7篇）
识别性能 篇1
1 引言
Microarray技术, 亦称生物芯片技术。作为一种高通量检测技术, 它可以同时检测几十万个大分子生物表达水平, 大规模的提高了检测效率, 是生物信息学领域具有里程碑式意义的一项重大技术革新。生物信息学研究的一项重要课题就是对芯片上成千上万个基因点的杂交信息进行解读, 从而揭示生命特征及规律[1]。差异表达基因识别是一项重要的基因芯片数据的分析方法。通过该技术可以找到疾病中表达水平发生显著变化的基因, 进而对疾病的预后有着极为重要的意义。
2 差异表达基因分析算法
在研究中, 我们需要在两种完全不同的实验条件下 (例如癌症与非癌症患者) 处理生物样本, 主要目的就是要得到不同条件下的基因表达值。其中, 处理后的样本被称为实验组样本;未被处理的样本被称为对照组样本。下面我们简述SAM、t-test和RSDM三种不同类型的差异表达基因识别算法。
2.1 SAM算法
2001年由Tusher提出的基因芯片显著性分析算法SAM是一种基于统计分析理论的差异表达基因识别算法。
检验统计量如公式2.1所示:
估算di的期望, 如公式2.2所示:
SAM算法流程如下:构造检验统计量并排序;计算期望值;识别差异表达基因 (统计量与其期望的差别超过门限值) ;计算错误发现率FDR (即在多重检验中, 错误的拒绝原假设数与拒绝原假设总数的比值的期望) 。
2.2 T-test算法
T-test算法主要用于计算样本量小的正态分布数据。该算法是一种简单的、基于统计分析理论的差异表达基因识别方法。
Global T检验统计量如公式2.3所示:
Gene-specifi c T检验统计量如公式2.4所示:
上式中, Rg代表基因表达值平均对数比, SE代表合并数据集的标准误差, SEg代表标准误差对数比。Gene-specifi c方法的主要特点是不受异质性数据的影响。
2.3 RSDM算法
RSDM是一种具备标准差过滤技术的元分析差异表达基因识别算法。该算法可以处理异质性数据集, 通过对多组同质芯片数据进行整合分析, 计算差异表达基因, 并通过标准差分析, 滤除计算结果中存在的部分伪差异表达基因[3]。
算法流程如下:计算实验组与对照组数据的差异度量值;形成差异度矩阵, 并对矩阵数据排序;使用统计量判断差异表达基因;计算每个基因的标准差, 进行B次随机扰动, 计算P-value。
3 差异表达基因识别系统
为了比较三种算法的性能, 我们采用Jav语言设计并实现了一款集成了三种差异基因识别算法的软件系统。软件主要具备数据导入、算法选择、差异表达基因识别以及结果读取等主要功能。软件功能流程如图3.1所示。
4 实验与分析
采用上述系统对包含3000个基因的模拟数据集进行实验与分析。模拟数据中预置了30个差异表达基因, 其中上调基因20个, 下调基因10个。对原始数据进行标准化处理, 然后分别采用三种差异表达基因识别算法SAM、T-test和RSDM进行计算, 最终得到三组不同的数据, 我们对其进行比较与分析, 结果如表4.1所示。
上表中, 伪差异表达基因代表算法所识别的结果中所包含的非差异表达基因个数, 识别率代表算法发现的正确的差异表达基因占总差异表达基因数量的比率。
SAM算法共发现24个差异表达基因, 其中伪差异表达基因5个, 识别率为63%;T-tes算法共发现26个差异表达基因, 其中伪差异表达基因3个, 识别率为77%;RSDM算法共发现了全部30个差异表达基因, 其中伪差异表达基因为0, 识别率为100%。通过实验结果可以发现, RSDM算法的准确度最高, 其次是T-test, SAM的准确度相对最低;对于算法运算处理速度, SAM最快, 其次是T-test, RSDM相对较慢。
5 结论
差异表达基因的识别是微阵列基因表达谱数据分析的一项重要任务。通过比较正常和非正常状态下基因表达的差异, 对于生物疾病的发生机理及预后预测都有极为重要意义。我们对SAM、T-test、RSDM三种不同类型的差异表达基因识别算法进行了简要的描述, 并结合实验数据对三种算法计算准确度和运算速度进行比较与分析。希望本文的工作能为从事生物数据分析的科研工作者提供一定的帮助。
参考文献
[1]CandesEJ, etl.An Introduction to Compressive Sampling[J].Signal Processing Magazine.2008.
[2]Cui X, etl.Statistical tests for differential expression in cDNA microarray experiments[J].Genome Biol, 2003.
[3]吴佳楠, 周春光.基于元分析的差异表达基因识别[J].吉林大学学报, 2012 (5) .
浅谈汽车制动性能识别及评价标准 篇2
关键词：制动,性能,验证,主观评价
引言
制动系统作为汽车底盘系统的重要组成部分,制动性能好坏直接影响汽车在市场上的整体形象和行车安全,随着汽车制动系统新技术的不断发展,在新车型试制验证阶段要求对整车底盘性能做好全面评价验证,确保车辆上市满足市场需求。本文主要对制动系统进行,主要分为两部分:识别制动系统的关键评价指标和对关键评价指标的评价标准。
1、制动性能识别
制动性能是指汽车行驶时,能在短时间,短距离内迅速降低行驶速度直至停车且维持行驶方向的稳定和下长坡时能维持一定车速,以及保证汽车长时间停驻坡道的能力。制动性能的好坏,可通过其评价性能指标与检测标准的比较加以评价,评价性能指标主要有:汽车制动力、制动距离、制动减速度、制动协调时间及制动时的方向稳定性。
1.1制动力
汽车制动力是指驾驶员控制汽车制动后,车轮制动器起作用,由地面所提供给车轮与汽车行驶方向相反的切向作用力。汽车车速在制动力作用下迅速降低以至停车。
汽车制动力是评价汽车制动性能的最本质因素。汽车制动力越大,则汽车的制动减速度就越大,汽车的制动性能就越好。
汽车制动力的大小取决于两方面因素:
一是取决于制动器制动力,而制动器制动力与汽车制动系统的结构、技术状况;
二是与地面附着力的有关,而地面附着力取决于轮胎与路面的附着条件。
汽车在制动过程中人为地使汽车受到一个与其行驶方向相反的外力,汽车在受一外力作用下迅速地降低车速至停车,这个外力称为汽车的制动力。
图1为汽车在良好的路面上制动时的车轮受力图(图中Tu为车轮制动器的摩擦力矩,Tj为汽车旋转质量的惯性力矩,Tf车轮的滚动阻力矩,F为车轴对车轮的推力,G为车轮的垂直载荷,Fz是地面对车轮的法向反作用力)。
地面制动力FX是汽车制动时地面作用于车轮外力,FX值取决于车轮的半径与制动器的摩擦力矩Tμ,但其极限值受到轮胎与地面间附着力Fφ的限制。
在轮胎周缘克服车轮制动器摩擦力矩所需的力称为制动器制动力Fμ即
制动器制动力Fμ取决于制动器结构、型式与尺寸大小,制动器摩擦副系数和车轮半径。一般情况下其数值与制动踏板成正比,即与制动系的液压或气压大小成线性关系。对于机构、尺寸一定的制动器而言,制动器动力主要取决于制动踏板与摩擦副的表面状况,如接触面积大小,表面有无油污等。
图2是在不考虑附着系数φ变化的制动过程,地面制动力FX及附着力Fμ随制动系的压力(液压或气压)的变化关系。
车辆制动时,车轮有滚动或抱死滑移两种运动状态。当制动踏板力FP()较小时,踏板力和制动摩擦力矩不大,地面与轮胎摩擦力即地面制动力FX足以克服制动器摩擦力矩使车轮滚动。车轮滚动时的地面制动力等于制动器制动力(FX=Fμ)时,且随踏板力FP的增长成正比增长。
所以汽车制动时必须具有足够的制动器制动力(制动器摩擦力矩),同时路面又能提供高的附着力,才能获得足够的地面制动力。
由上述分析可知,制动器制动力是评价汽车制动性能的最本指标之一。通过对制动力的评价,还可以了解汽车前后轴制动力合理分配,以及各轴两侧轮制动力平衡状况。
1.2制动距离
制动距离与行车安全有直接关系,而且最直观。驾驶员可按预计停车地点来控制制动强度,故政府职能部门通常按制动距离的要制定安全法规。
各国对制动距离的定义不一致,在我国安全法中,制动距离是指在指定的道路条件下,机动车在规定的初速度下急踩制动时,从脚接触制动踏板(或手触动制动手柄)时起至车辆完全停止车辆驶过的距离(见GB7258-2003)。制动距离与制动过程的地面制动力以及制动传动机构与制动器工作滞后时间有关,而地面制动力与检验时在制动踏板上的踏板力或制动系的压力(液压或气压)以及路面的附着条件有关,因此,测试制动距离时必须对制动踏板力或制动系的压力以及轮胎与地面的附着条件作出相应的规定。
1.3制动减速度
制动减速度j与地面制动力FX及车辆总质量有关,以下式表示:
对某一具体车辆而言,制动减速度与地面制动力是等效的。因此也常用制动减速度作为评价制动效能的指标。制动减速度在一次制动过程中是变化的,如图所示。当车辆制动到全部车轮抱死滑移时,回转质量换算系数δ等于1,而此时地面制动力,由此可得最大减速度:
通常,车辆检测时用平均减速度或最大减速度作为制动效能的评价指标,在我国的安全法中则采取充分发出的平均减速度MFDD(Mean Fully Development Deceleration):
1.4制动时间
制动过程所经历的时间即制动时间,很少作为单纯的评价指标。但是作为分析制动过程和评价制动效能又是不可缺少的参数。如对于同一型号的两辆汽车产生同样的制动力所经历的时间不同,在两辆汽车的制动距离就可能相差很大,对行驶安全将产生不同效果。因此通常把制动时间作为一辅助的评价指标。制动过程各阶段的时间分布大致如图所示。
图中所示时间t1为驾驶员反应时间,从接受制动信号到脚踩到制动踏板为止,一般需要0.7s~1.0s。该时间车辆按原车速继续行驶;t2为制动器作用时间(又称制动协调时间)。一般为0.2s~0.7s主要取决于驾驶员踩制动踏板的速度和制动系的形式和结构,该期间制动减速度逐渐增大,直至达到最大制动减速度;t3为持续制动时间,该期间制动减速度基本不变;t4为制动释放时间,一般在0.2s~1.0s之间。
在我国安全法规中还采用制动协调时间评价制动效能(见GB7258-2003,)。该法规中所提到的制动协调时间,是指在急踩制动时从踏板开始工作至车辆减速度(或制动力)达到表1-3中规定的车辆充分发出的平均减速度(或表1-1中所规定的制动力)75%时所需时间。
1.5制动抗热衰退性
汽车制动抗热衰退性能是指汽车高速制动,短时间内重复制动或下长坡连续制动时制动效能的热稳定性。因为制动过程实质是把汽车的动能通过制动器吸收转化为热能。制动过程中制动器温度不断升高,制动器摩擦系数下降制动器摩擦阻力矩减小,从而使制动能力降低,这种现象称热衰退现象。因此,可以用制动器处于热状态时能否保持有冷状态时的制动效能来评价汽车制动抗热衰退性能。制动抗热衰退性是衡量制动效能恒定性的一个指标。随着高速公路的发展和车速的提高,汽车制动性能的恒定性也愈来愈高。但由于测试方法复杂,在一般汽车综合检测中较难实施。对于在用汽车也无需检测制动抗热衰退性。
1.6制动稳定性
制动稳定性是指制动时汽车的方向稳定性。通过制动时汽车按给定轨迹行驶的能力来评价,即汽车制动时维持直线行驶或预定弯道行驶的能力。制动稳定性良好的汽车,在试验时不会产生不可控制的效能使汽车偏离一定的试验通道。我国安全法规中对制动稳定性有相应的规定(见GB7258―1997,6.14.1)。
汽车丧失制动稳定性表现为制动跑偏和车轴侧滑现象,特别是后轴侧滑,是造成交通事故的重要原因。
汽车跑偏是指汽车制动时不能按直线方向减速停车,而无法控制地向左和向右偏驶的现象。汽车制动时出现某一轴或两轴的车轮相对地面同时发生横行移到的现象称为制动侧滑现象。
产生制动跑偏的主要原因是汽车左右车轮制动时制动力增长快慢不一致或左右轮制动力不等,特别是转向轮左右车轮制动器制动力不相等。另外轮胎的机械特性、悬架系统的结构与刚度、前轮定位、道路状况、车辆轮荷分布状况等因素也会影响制动跑偏。为了控制制动跑偏,在安全法规中对左右轮制动力的平衡有相应要求(见GB7258―1997,)。
汽车在制动过程中,当车轮未抱死制动时,车辆具有承受一定侧向力的能力。汽车在一般横向干扰力的作用下不会发生制动侧滑现象。当车轮抱死制动时,车轮承受侧向力的能力几乎全部丧失,汽车在横向干扰力作用下极易发生侧滑。
制动时前后轮抱死的顺序取决于设计时制动力在各轴之间的合理分配,道路状况。为了改善制动稳定性,在有的汽车上装有制动力分配调节装置如限压阀、比例阀、感载阀等,目前以发展到采用计算机如控制的汽车防抱死装置。汽车制动跑偏与汽车制动时车轮侧滑也是有联系的。严重的跑偏常会引起后轮侧滑。
上述几方面的评价指标主要评价汽车制动时制动性能的好坏,然而一旦需要解除制动力时制动装置能否迅速、彻底、解除往往也会影响行车安全严重时也会造成交通事故。例如当车轮抱死制动而汽车又失去控制时,驾驶员通过放松制动踏板不能迅速解除制动,此时汽车将可能丧失制动稳定性。
在行车中,若踩下制动踏板后再抬起踏板而不能迅速解除制动,这种现象称为制动拖滞。除上例外,一般情况下这种现象不会立即引起行车事故,但如果不及时排除其故障,将会导致制动系统损坏,特别时引起制动系过热,制动蹄片烧蚀,降低车辆制动性能,增加车辆行驶阻力。因此车轮阻滞力也应列入汽车制动性能检测项目。但需要指出的是这里所检测的车轮阻滞力除包含制动系的因素外,还与车轮安装有关,如轴承安装紧度、车轴变形以及车轮与试验台滚筒之间的安置角等。
2、制动性能主观评价标准
2.1制动踏板感觉
车辆行驶过程中,评价人员对踩制动踏板的感觉打分,评价的内容包括制动踏板行程(包括自由行程)、踏板力以及制动响应等方面,并对综合感觉进行评价。
2.2制动距离
在指定的道路条件下,机动车在规定的初速度下急踩制动,从脚接触制动踏板(或手触动制动手柄)时起至车辆停止车辆驶过的距离。
评价方法:
车辆行驶在平坦直线路面上,踩制动踏板至车辆完全停止(在ABS工作正常情况下),根据轮胎整车制动后在地面留下的痕迹,测量其制动距离,从而判断是否满足设计要求。
2.3制动稳定性
制动稳定性是指汽车在制动过程中维持直线行驶的能力或按预定弯道行驶的能力。
评价方法:
1)在平坦直线路面保持车速60km/h左右行驶时紧急制动,观察车辆是否存在偏离试验通道、制动跑偏和车轴侧滑现象;
2)在指定的弯道行驶,车速保持在60km/h时缓慢制动和紧急制动,观察车辆是否按照预期的方向行驶。
2.4制动操纵性
制动操纵性是指在车辆制动评价过程中,紧急制动,在ABS或ESP作用,地面提供侧向力较小的情况下,进行转向避让或是移线时,车辆是否可以按照驾驶员的意图行驶以及车辆的稳定性。
评价方法:
在平坦干燥的路面上,车辆在中、高速(一般设定中速为60km/h,高速为100km/h)行驶中进行转向避让或是移线操作来判断车辆制动稳定性。
2.5制动噪音
制动噪音是指车辆行驶在任何工况下,制动时车辆所产生的不正常异响。
评价方法:
在平坦直路或是颠簸路面行驶,分别以轻度、中度及紧急制动,判断其制动过程中,车身、制动系统以及其他底盘样件是否存在异响。
2.6驻车制动性能评价
1)将试验车驶到试验的坡道上,用行车制动停车,用正常使用方法操作驻车制动,解除行车制动,观察5min,试验车不应发生任何移动。以满载和空载分别进行试验,上坡和下坡方向各进行3次;
2)以驻车制动方式,作坡道起步试验,观察驻车制动控制装置的表现,以及适用性和操作方便性;
3)以正常拉驻车方式,评价驻车制动手刹力的大小。
3、结论
本文主要研究了整车底盘制动系统在试制验证阶段需要重点评价的关键性能指标,并且针对关键性能制定了相关的评价方法与标准为后期新车型开发提供底盘验证依据,避免制动系统在市场上存在性能缺陷的问题。
参考文献
[1]顾柏良.汽车工程手册.北京理工大学出版社.2003.
[2]陈家瑞.汽车构造.[M]第2版.机械工业出版社.1996.
[3]王望予.汽车设计.[M]机械工业出版社.2004.
[4]余志生.汽车理论.[M]机械工业出版社.2008年4月第四版.
[5]张代胜.汽车理论.[M]合肥工业大学出版社2011.10.
识别性能 篇3
机械、汽车、电机等行业大量使用轴类、杆类零件,这些零件的原材料在粗加工或热处理等过程中不可避免的会出现弯曲变形,如果不进行校直处理会直接影响工件的后序加工和使用。为了能获得下道工序所允许的最小切削量或通过精密校直保证工件达到严格的最终设计公差要求,校直机成了工件热处理后不可缺少的关键设备。自动校直是一种先进的生产制造工艺,得到被越来越广泛地应用。
为了开发我国自主知识产权的自动校直设备,国内不少学者围绕自动校直工艺理论展开了大量的研究[1]。其中,一个研究重点集中在校直工艺参数的分析和计算上[2~5]。从所建立的计算模型来看,都需要用到被校工件的材料性能参数。然而,由于工件材质及热处理等方面的原因势必会造成材料性能参数的波动,从而影响到计算的准确性。为此,本文提出一种基于神经网络的材料性能参数在线识别的方法,这样既提高了工艺参数的计算精度,又能实现自动校直机的实时智能控制。
1 校直工件的性能参数
校直过程材料性能参数识别的目的是为了获得准确的材料参数,作为校直工艺参数计算模型的输入量。对于一批工件,其性能参数的大致范围是明确的,但因材质和热处理等原因存在着性能参数的波动问题,从而导致每个工件的参数仍各有差异。对此,可采取参数识别的方法来加以解决。
校直工艺过程是弹塑性变形过程,在线识别的材料性能参数主要有弹性模量和屈服极限,若采用线性强化弹塑性材料模型则还包括线性强化系数。目前弹塑性变形过程中材料性能参数识别的特征数据都是依据其载荷-行程曲线的初始阶段数据。与板材成形不同的是,校直产生的工件弯曲程度是很有限的。板材成形的弯曲程度大,弯曲过程的载荷-行程曲线中的初始阶段数据含有能够充分地反映材料性能特征的信息,数据差别明显,易于进行参数识别[6,7]。而校直工艺过程是属于小应变的弹塑性弯曲问题,弯曲的程度小,在校直过程中又要求尽可能早地对材料性能参数进行在线实时识别以便于校直行程的预测计算。也就是说,校直过程载荷-行程曲线初始阶段的数据反映材料性能的特征信息不明显,这就为校直过程材料参数的准确识别带来了一定的困难。
2 基于神经网络的参数识别
2.1 神经网络类型的选择
鉴于BP网络应用的广泛性,开始的研究选用了BP神经网络进行校直过程材料性能参数的识别。研究发现,应用校直过程的样本数据进行训练时,BP神经网络很难达到所要求的精度。改变BP神经网络的隐层数和结点数,以及选用不同的学习规则后,训练时依然难以达到要求。
考虑到基于神经网络的校直过程材料参数识别是以载荷-挠度曲线的数据作为样本数据,类似于函数逼近的求解问题。而且,校直智能控制系统中是依据载荷-挠度曲线的初始阶段数据对材料性能参数的波动进行识别,所以要求神经网络的函数逼近能力较强。因此,在选择神经网络类型时,考虑选用径向基函数网络进行校直过程的材料性能参数识别。径向基函数(RBF)网络是以函数逼近理论为基础而构造的一类前向网络,这类网络的学习等价于在多维空间寻找训练数据的最佳拟合平面[8]。径向基函数网络与BP网络相比规模通常较大,但学习速度较快,并且网络的函数逼近能力、模式识别与分类能力都优于后者。
2.2 训练样本的确定
训练样本一般均来自于大量的实验数据,在进行相关研究时,亦可以采用数值模拟计算结果或有限元计算结果来生成训练样本数据的方法,其前提是数值模拟计算结果或有限元计算结果应有足够的准确性[7]。这样可以获得适用范围更广的输入-输出量的关系,解决实验数据获取困难的矛盾,生成更多数据,加快了研究的节奏。在本文的研究,采用了应用校直过程数学模型进行计算的方法来生成训练样本数据,这是基于校直过程数学模型的准确性和计算精度已得到验证[4~5]。
现以某45#钢轴类零件为例进行相应研究。确定的已知参数为:截面直径为25mm,支点距离为360mm。对此类零件材料的弹性模量和屈服极限进行识别。经实验分析,确定弹性模量的变化范围180~210GPa,屈服极限的变化范围为3 5 0~400MPa。计算表明,材料性能各参数在其范围内变化时的校直过程(F~δ)曲线中,弹塑性弯曲变形均在下压行程1.5mm至2.5mm的范围内开始发生,如图1所示。为此,根据校直过程特点,可将上述的行程范围等分成10个区段,即从1.5mm到2.5mm每隔0.1mm确定一个点,共11个点,可在线读取每个点的载荷值。不同参数情况下的载荷值各不相同,但11点的行程值是一样的,故只需将11个点的载荷值作为训练样本的输入矢量即可,从而使输入数据减少一半。
根据所确定的识别参数变化范围进行训练样本的设计。将弹性模量分成180 GPa、190GPa、200GPa和210GPa四种情况,将屈服极限分成350 MPa、360MPa、370 MPa、380 MPa、390 MPa和400 MPa分成六种情况,共组成24种情况。对每一种情况进行校直过程计算获得载荷-行程曲线,根据行程值从1.5mm到2.5mm每隔0.1mm共确定11个点,拾取每个点的载荷数据作为一个训练样本的输入矢量,与目标矢量(弹性模量和屈服极限)组成一个训练样本。这样,共生成24组训练样本。当需要更大量的训练样本时,可以加大两参数的划分密度。
2.3 神经网络模型结构设计与训练
采用径向基函数网络进行参数识别研究,并选用MATLAB软件的神经网络工具箱进行分析。一个典型的径向基函数网络包括两层:隐层(径向基层)和输出层,如图2所示。网络的输入维数为R,隐层神经元采用主斯函数radbas作为传递函数,输出层的传递函数为线性函数。
工具箱函数newrb可用于设计径向基函数网络。函数newrb利用迭代方法设计径向基函数网络,该方法每迭代一次就增加一个神经元,直到平方和误差下降到目标误差以下或隐层神经元个数达到最大值时迭代停止。函数newrb的调用形式为:
net=newrb(P,T,GOAL,SPREAD,MN,DF)其中,GOAL表示目标误差,MN表示最大神经元个数,DF表示迭代过程的显示频率。SPREAD是扩展常数,其值的选取决定了网络的逼近性能。
现应用函数newrb进行径向基函数网络设计,确定目标误差GOAL=0.01,最大神经元个数MN=20,迭代过程的显示频率DF=1。扩展常数SPREAD的选取对网络的性能有较大影响,需结合仿真识别比较加以优选。利用前面所设计的24组训练样本对该径向基函数网络进行训练,训练结果如图3所示。由图可知,在训练到第1 7步时网络性能达标且训练后目标误差可以达到非常小的值(4.6852e-26),说明径向基函数网络应用于校直过程材料参数识别的优越性。另外,相比BP神经网络而言,在误差指标相同的情况下,径向基函数网络还具有训练时间短、训练步数少的显著优点。
2.4 在线识别效果检验
为了检验神经网络识别的准确性,随机选取以下三种情况进行计算生成三组检验样本:
1)弹性模量E=200GPa,屈服极限σs=378.52MPa;
2)弹性模量E=190GPa,屈服极限σs=366MPa;
3)弹性模量E=195GPa,屈服极限σs=375MPa。
由经过训练的径向基函数神经网络对上述三组样本数据进行材料性能参数的仿真识别。考虑到扩展常数SPREAD的选取对网络的识别性能有较大影响,故选用不同的SPREAD取值对网络的仿真识别进行比较,以确定最佳的SPREAD取值。将SPREAD分别取值为0.1、0.2、0.25时的仿真识别结果列于表1、表2和表3中。
由上述三表的仿真识别结果表明,函数newrb所建立的径向基函数网络的识别效果良好,但仿真结果在一定程度上受到扩展常数SPREAD取值的影响。比较表明,当扩展常数SPREAD=0.2时的神经网络识别效果最好,弹性模量和屈服极限的识别误差均在1%以内。研究结果表明,应用径向基函数神经网络进行校直工艺过程材料参数识别的可行性,识别结果具有很高的准确性,也进一步证明了神经网络在线识别技术在校直过程智能控制中的成功应用,为校直工艺过程的智能实时控制提供了良好的基础支持。
3 结束语
研究表明,对于校直工艺的弹塑性变形过程,可以通过材料性能参数在线识别的方法来解决校直工艺参数计算中材料性能参数波动的难题。由于校直过程材料的弹塑性弯曲程度较小,在线识别必须在材料发生弹塑性变形的初期阶段进行,本文提出的基于径向基神经网络的识别方法具有良好的识别效果。实例分析表明,选取合适的扩展常数,可达到很高的识别精度,验证了本方法正确、实用。
摘要：全自动校直机因其校直精度好和生产效率高,得到日益广泛的应用。在校直工艺的参数计算时,校直工件材料性能参数的波动将影响计算结果的准确性。本文在分析校直工艺过程的基础上,提出基于径向基函数神经网络的性能参数在线识别方法。经实例研究表明,该方法识别精度高,可直接应用于校直工艺参数的计算,为全自动校直机的开发提供理论指导。
关键词：校直,参数识别,神经网络,径向基
参考文献
[1]李骏,邹慧君,熊国良.压力校直工艺理论研究的现状与展望[J].机械设计与研究,2004,20(4):69-71.
[2]钦明浩,柯尊忠,蒋守仁,等.精密矫直机中轴类零件矫直工艺理论研究[J].机械工程学报,1997,33(2):48-53.
[3]翟华,韩春明,蒋守仁,等.轴类零件精密校直行程算法研究[J].重型机械,2001(5):35-38.
[4]李骏,邹慧君,熊国良,等.压力校直过程的理论模型研究及其实验验证[J].机械强度,2005,27(5):636-639.
[5]LI Jun,XIONG Guoliang.Study on Calculation Method of Press Straightening Stroke Based on Straightening Process Model.Key Engineering Materials,2007,
[6]赵军,官英平,郑祖伟,等.基于神经网络的材料性能参数和摩擦系数的实时识别[J].塑性工程学报,2001,8(2):36-39.
[7]李雪春,扬玉英,王永志,等.弯曲成形中材料性能参数的在线识别[J].材料科学与工艺,2002,10(1):59-61.
识别性能 篇4
在大型直缝焊管的生产过程中, 受焊管材料的性能不均、成形设备及模具整体直线度、焊接热应力等因素的影响, 最终成形管件的直线度总是不达标!。鉴于大型直缝焊管的几何特殊性, 目前国内厂家多采用压力矫直的方式修正其直线度。
长期以来, 大型直缝焊管压力矫直工艺的实施多由操作者凭经验估计确定矫直行程来完成, 需反复测量和试校。近年来国内外学者对压力矫直工艺进行了研究, 其中以崔甫为代表的国内学者从弹塑性理论出发对矫直的反弯过程进行了力学分析, 建立了矫直曲率方程式, 进而计算出了最大挠度处的矫直行程[1,2]。Katoh等[3]、King等[4]阐述了依据矫直过程中载荷-挠度的关系, 通过在线测量计算弹性回弹量, 达到矫直控制的目的。在上述两种解析方法中, 无论是通过计算行程还是计算回弹量去控制矫直过程, 其前提均是需要知道焊管真实的材料性能参数。但由于焊管的材料批次、热处理、变形情况的差异, 会导致其材料性能参数的波动, 所以获取每一个待矫焊管精确的材料性能参数是实现精密矫直的必备条件。
借鉴文献[5-7]的研究, 本文利用管件在压力矫直过程中的载荷-行程曲线, 精确识别出了管件的材料性能参数。
1 小曲率曲管压力矫直过程与直管三点弯曲过程的等价关系
管件的压力矫直过程实质是小曲率曲管的三点弯曲弹塑性变形过程, 由于待矫曲管的初始曲率分布各不相同, 故很难通过建立通用的力学模型去确定压力矫直过程中载荷-行程之间的理论关系。
本文以相同截面形状、相同材质的小曲率曲管与直管为研究对象, 使其产生等量的弯曲变形, 比较这两个成形过程中载荷-行程曲线之间的相似性关系, 寻求将直管弯曲成形过程的规律应用于曲管压力矫直过程的可能性。
1.1 相同截面特征的小曲率曲管和直管准备
对某大型直缝焊管生产企业生产线上规格不满足直线度要求的管件进行了测量, 现场如图1所示。采用美国星科 (CimCore) 公司生产的3000iTM系列便携式三坐标测量仪进行测量, 其测量精度为0.01mm。待矫大型直缝焊管材料为X70钢, 其几何参数如表1所示, 管件初始挠度分布的测量结果如图2所示。依据上述数据, 建立了待矫管件的三维几何模型, 同时建立了一根与待矫管件相同截面特征相同管长的直管件的三维模型。
mm
1.2 管件三点弯曲有限元模型的建立
依据有限元分析软件ABAQUS分别对上述曲管、直管的三点弯曲成形过程进行模拟。由于大型管件的压力矫直过程为小变形弹塑性问题, 且其边界条件和几何模型都比较简单, 故算法采用静力隐式算法。管件单元类型为C3D8I (8个节点非协调实体单元网格) , 它可以避免积分单元出现剪切闭锁现象;将管壁厚度划分为4层, 总体共包含22 400个单元。管件材料模型为弹塑性模型, 材料性能参数如图3所示, 泊松比ν=0.3。
分别建立曲管弯曲与直管弯曲的有限元模型, 如图4所示。由图4可知, 压头、两支点的几何特征与该大型直缝焊管生产企业的矫直设备相同, 且在模型里这三个部件均被设置为离散刚体, 在载荷作用下不发生变形, 其中两支点间距与实际相同固定为L=6000 mm, 对称分布在压点两侧。
1.3 数值模拟结果分析
当压头行程h=67mm时, 曲管和直管加载后管长方向变形区的应力云图见图5。由图5可知, 加载后, 虽然在宏观上曲管和直管挠曲变形情况不同, 但微观上看, 曲管应力的分布情况与直管的应力分布情况相同, 均为典型的弯曲应力分布, 即外层受拉内层受压、塑性变形在管长方向上由压点附近向两侧外延, 而在管截面方向上由管外缘向管内部深入。对比两管坯的最大应力可知, 曲管最大拉应力为629.0MPa, 直管最大拉应力为639.2MPa, 曲管与直管最大拉应力相差1.6%;曲管最大压应力为638.2MPa, 直管最大压应力为639.6MPa, 曲管与直管最大压应力相差0.2%。故由应力分布结果可知, 在小变形情况下, 小曲率曲管的压力矫直过程的应力状态与直管在三点弯曲时的应力状态等价。
曲管和直管加载过程中载荷-行程曲线见图6。由图6可知, 对应相同行程值时, 直管弯曲时的载荷值与小曲率曲管的载荷值相近, 最大相对误差不超过3%。实验结果证明:在工程应用范围内, 小曲率曲管的压力矫直过程可等价于相同截面特征、相同材质的直管的三点弯曲过程, 进而可以通过解析直管三点弯曲成形时的载荷-行程理论关系, 来代替对曲管压力矫直过程的解析。
2 识别系统建立
由小曲率曲管压力矫直过程与直管三点弯曲过程的等价关系可知, 已建立的直管三点弯曲过程中的载荷-行程的数学表达式[8]同样适用于曲管的压力矫直过程。
由于大型管件的压力矫直过程为小变形弹塑性问题, 选用双线性硬化材料模型可以保证在弹性变形区和小塑性变形区都有较好的吻合度, 其表达式为
式中, D为塑性切线模量;σs为材料初始屈服应力。
2.1 识别模型
由文献[8]可知, 压力矫直过程中载荷-行程抽象表达式可写为
该式中 (P, h) 的一组数据作为在线监测量已知的情况下, 在线识别问题就被具体化为下述问题:即在式 (1) 中确定一组合适的参数E、D、σs, 使得由式 (2) 计算得到的P-h曲线与通过在线监测所获得的载荷-行程曲线吻合得最好。数学中处理此类问题的最好方法是最小二乘法曲线拟合。因为在式 (2) 中E、D和σs是非线性的, 所以, 此处智能化压力矫直系统的在线识别问题是一个非线性函数的最小二乘曲线拟合问题。因此, 在线识别材料性能参数的数学问题可进一步描述为:
已知一组实测数据 (Pi, hi) (i=1, 2, …, n) , 要求确定式 (1) 中的非线性参数
使得下述目标函数的值为最小:
计算数学中求解上述问题的计算方法很多。通过对多种算法的分析及笔者以往的经验, 利用载荷-行程曲线解析式求关于材料性能参数的梯度函数是比较困难的。因此, 本文采用直接法中的坐标轮换法作为在线识别的算法。坐标轮换过程中, 一维搜索采用黄金分割法[7]。
2.2 识别系统
根据上述识别模型, 开发出一套“压力矫直过程中材料性能参数的在线识别系统”, 该系统可以依据载荷-行程数据在线识别出不同矫直参数下不同几何尺寸管件的材料性能参数。图7为依据图5中曲管压力矫直时的实测数据 (Pi, hi) (n=59) 对曲管材料性能参数进行识别时系统的主界面。由于识别模型的建立是基于最小二乘原理, 所以可以发现图中的拟合曲线与实验数据吻合程度较高。识别结果中, E=200.06 GPa、σs=500.2MPa, 与材料的真实弹性模量和屈服极限相比相差不到0.05%, 具有较高的识别精度。
图8为依据识别参数绘出的双线性硬化模型对应的应力-应变曲线与曲管的真实应力-应变曲线的对比。由图8可知, 当ε∈[0, 0.055]时, 识别结果与真实材料性能参数吻合程度很高;而当ε∈[0.055, 0.16]时, 随着ε的增大, 识别结果与真实数据就相差越大。这是由于在上述曲管压力矫直成形过程中最大应力为638.2MPa, 最大应变为0.055, 相应其载荷-行程数据中只包含了ε∈[0, 0.055]时的应力应变特征值。识别参数在ε∈[0, 0.055]区域内与真实应力应变数据的误差不足1%, 而该区域的应力-应变数据的准确识别恰恰将会直接影响到矫直结果。识别结果证明了识别系统的可行性和可靠性, 可为后续精密矫直提供理论依据。
3 识别系统在压力矫直实验中的应用
3.1 小管坯材料性能参数的在线识别
在实验室条件下, 对未知材料性能参数的初始最大挠曲为9.47mm的圆管坯进行在线识别, 其中圆管坯的几何尺寸如表2所示。采用WDD-LCT-150型电子拉扭组合多功能试验机作为矫直设备, 可在线记录载荷-行程数据, 其行程控制精度可达到0.01mm。实验模具如图9所示, 其中两下模支点间距为600mm。将曲管进行压力矫直实验, 在线识别其材料性能参数, 实验结果如图10所示。由图10可以发现, 识别系统的拟合曲线与实验数据十分接近。
mm
3.2 识别系统的试验验证
通过实测小尺寸管坯的材料性能参数来验证识别系统的识别结果。小尺寸管坯的材料性能通过单向拉伸试验获得, 拉伸试样通过纵向切取管壁制备, 拉伸试验结果与识别结果的对比如图11所示。由图可知, 在小弹塑性变形范围内, 识别结果与真实材料性能数据吻合程度较高, 最大误差不足1%。试验结果表明, 在工程应用范围内, 该识别系统具有较高的可靠性和准确性, 可以满足工程需求。
4 结论
(1) 采用有限元方法对小曲率曲管的压力矫直过程和直管的三点弯曲过程进行了仿真, 仿真结果表明:在工程应用范围内, 小曲率曲管的压力矫直过程可等价于同截面、同材质的直管三点弯曲过程。该等价关系为后续对压力矫直过程的研究提供了便捷途径。
(2) 基于直管三点弯曲数学模型建立了在线获取管件材料性能参数的识别模型, 只需输入管件的几何参数、矫直模具参数、压力矫直过程中实测载荷-行程数据, 即可获取管件的材料性能参数。
(3) 大管的仿真实验与小管坯的物理试验均证明了识别系统的可靠性与可行性, 识别误差不足1%, 这为智能化矫直、自动化矫直提供了理论基础。
摘要：鉴于大型直缝焊管的几何特殊性, 多采用压力矫直的方式修正其直线度。受材料批次、热处理、变形情况等因素的影响, 焊管的性能参数会有较大波动, 准确地识别出管件的材料性能参数是提高矫直精度的一个重要条件。采用有限元方法验证了相同截面形状、相同材质的小曲率曲管在压力矫直过程与直管三点弯曲过程的等价关系;依据直管三点弯曲过程的理论模型建立了在线识别材料性能参数的识别系统, 只需输入管件的几何参数、矫直模具参数、载荷-行程实验数据, 即可获取管件的真实材料性能参数。大型管件的有限元仿真结果和小尺寸管坯的试验结果均验证了识别系统的可行性、可靠性。
关键词：管件,材料性能参数,压力矫直,在线识别
参考文献
[1]崔甫.矫直理论与参数[M].北京:冶金工业出版社, 1994.
[2]钦明浩, 柯尊忠, 张向军, 等.精密矫直机中轴类零件矫直工艺理论研究[J].机械工程学报, 1997, 33 (2) :48-53.Qin Minghao, Ke Zunzhong, Zhang Xiangjun, et al.Precise Straightening Machine Axis Parts Straightening Process Theory Research[J].Chinese Journal of Mechanical Engineering, 1997, 33 (2) :48-53.
[3]Katoh T, Urata E.Measurement and Control of a Straightening Process for Seamless Pipes[J].Journal of Engineering for Industry, 1993, 115 (3) :347-351.
[4]Kim Seung-Cheol, Chung Sung-Chong.Synthesis of the Multi-step Straightness Control System for Shaft Straightening Processes[J].Mechatronics, 2002 (12) :139-156.
[5]官英平, 赵军, 苏春建.宽板V形自由弯曲智能化控制过程材料参数识别及最优工艺参数预测[J].机械工程学报, 2005, 41 (4) :199-202.Guan Yingping, Zhao Jun, Su Chunjian.Material Parameter Identification and Optimal Technological Parameter Prediction for Intelligent Control of Vshape Free Bending Process of Bending Process of Wide Sheet Metal[J].Journal of Mechanical Engineering, 2005, 41 (4) :199-202.
[6]孙红磊, 赵军, 殷璟, 等.大型管件JCOE成形智能化控制中的材料性能参数识别[J].燕山大学学报, 2011, 35 (3) :223-227.Sun Honglei, Zhao Jun, Yin Jing, et al.Parameters Identification of Material Properties in Intelligent Control of Large Diameter Pipe with JCOE Forming[J].Journal of Yanshan University, 2011, 35 (3) :223-227.
[7]赵军.锥形件智能化拉深系统中材料参数和摩擦系数的在线识别[J].塑性工程学报, 2001, 8 (3) :48-52.Zhao Jun.On-line Indentification of Material Parameters and Friction Coefficient during Intelligent Control of Conical Workpiece Deep Drawing[J].Journal of Plasticity Engineering, 2001, 8 (3) :48-52.
识别性能 篇5
关键词：智能车,图像采集,图像处理,路径识别,模糊控制
0 引言
对于智能车整体而言,其路径识别和控制系统是智能车运行过程的核心部分, 路径识别的准确性和实时性,以及控制系统的灵敏性和鲁棒性是影响智能车运行效果的关键因素[1,2]。
目前,从智能车路径识别技术来看,通常采用 “图像采集 — 图像处理” 顺序执行的方式来实现[3,4], 因此, 在图像采集阶段, 图像处理单元将处于空闲, 从而造成图像处理单元的资源浪费; 而在图像处理阶段, 由于待处理的图像数据较多,导致图像处理单元在单位时间内的处理负荷较大, 从而处理速度过慢, 进而引起下游控制单元数据处理滞后的问题,而导致智能车路径识别的准确性及实时性较差, 最终导致智能车的运行速度慢、灵活性差。
从智能车控制系统技术来看, 由于智能车具有非常复杂的非线性动力系统, 难以建立精确的数学模型[5]。因此, 如果采用传统的PID控制算法对智能车进行控制,虽然响应速度较快,精度也较高,但是容易造成智能车控制发生阶梯式跳跃变化和路径变化反应不灵敏等问题, 且易产生超调和振荡现象, 导致智能车控制系统灵敏性和鲁棒性较差[6,7]。
针对上述问题,在智能车路径识别处理和控制系统两方面进行了优化。
首先,在路径识别处理方面,将 “图像采集 — 图像处理”交叉执行,在图像采集的时间间隙中进行图像处理,而无需等到所有图像采集完成再进行图像处理,能够保障图像处理的实时性,且在图像处理阶段采用跟踪边缘算法, 能够提高图像处理的效率, 从而保障路径识别的准确性和实时性。 其次,在智能车控制方面,采用模糊控制器和传统PID控制相结合的控制策略,既使智能车控制系统具有模糊控制的灵活性和适应性强的优点, 又具有PID控制精度高响应快的优势,最终提高了智能车控制系统的灵敏性和鲁棒性。
1 路径识别处理
在智能车路径识别处理过程中, 考虑到处理速度的需求,通常在保证图像信息足够的情况下取用整幅图像中的一部分[8], 这种情况会导致智能车在图像采集阶段CPU会有两部分时间处于空闲时间: 未被选取的行间隔期和消隐期。 因此,在本研究中将充分利用这两部分时间进行图像处理,即采用 “图像采集 — 图像处理”交叉执行的方式。
具体实施方法为: 在图像采集过程中, 图像采集单元是将图像分为N个单元块分别采集, 当完成任一个单元块的采集时,则触发图像处理单元在空闲时间对该单元块进行图像处理。
表1以处理100帧图像所占用的时间为例,对两种图像采集处理方式进行了比对。从占用时间结果可以看出,本研究中采用的“图像采集-图像处理”交叉结构的数据处理速度比传统的“图像采集-图像处理”顺序结构的处理速度高15.5%。
综上所述,采用 “图像采集-图像处理”交叉结构,能够提高对图像处理单元的空闲时间利用率,且图像处理单元利用空闲时间对图像单元块进行图像处理,减少了图像处理单元在单位时间内的负荷, 提高数据处理效率,在一定程度上解决了下游控制单元数据处理滞后的问题, 从而能够保障智能车路径识别的实时性, 提高智能车的运行速度和灵活性。
除了在路径识别处理的执行结构上的优化, 本研究在图像处理的算法上也进行了优化。 采用跟踪边缘检测算法, 较传统边缘检测算法[9], 不会对图像单元中每个像素点进行比较运算,从而无需对采集到的整幅图像中所有的像素点进行处理,因此,占用系统资源少,还可以排除外界噪声干扰,进而可以提高图像处理单元的数据处理效率,并能够为智能车提供准确、可靠的行驶路径。图1 所示为图像处理中边缘跟踪检测算法流程图。
为了验证在图像处理算法上的优势, 分别采用跟踪边缘检测算法和传统边缘检测算法对同一幅图像进行图像处理。 如图2 所示,图2(a)为源图像,图2(b)为采用传统边缘检测算法的处理结果, 图2 (c) 为跟踪边缘检测算法的处理结果。
可以看出,跟踪边缘检测算法能够有效排除外界噪声的干扰,最终提供给智能车准确的行驶路径。
除此之外, 较传统边缘检测算法, 本研究采用的跟踪边缘检测算法还具有较高的数据处理速度。 表2 对两种算法的数据处理时间进行了比较。
从表2 中可以看出,跟踪边缘检测算法的数据处理速度是传统的边缘检测算法的2.34 倍, 保证了智能车中数据处理的高效性和实时性。
2 模糊自适应PID控制器设计
在控制系统中, 将模糊控制算法和传统的PID算法相结合,以提高智能车控制系统的自适应性和鲁棒性。模糊自适应PID控制器以误差e( 实际测量值与设定值之差) 和误差变化率ec作为输入参数, 利用模糊控制规则对PID控制器的3 个参数(Kp、Ki和Kd) 进行调整, 并将该三个参数值作为输出, 以选取适合智能车当前运行状态最佳参数值。 图3 所示为智能车控制系统结构示意图。
模糊自适应PID控制器输入变量e的语言变量为E , ec的语言变量为EC , 两者的论域都为{ - 3 , - 2 , - 1 , 0 ,1 , 2 , 3 } , 相应的语言值为{ NB , NM , NS , ZO , PS , PM , PB } ;输出参数Kp、Ki和Kd的语言变量分别为KP、KI和KD,论域都为{0,1,2,3},相应的语言值为{ZO,PS,PM,PB}。 输入参数与输出参数的隶属度函数均采用三角函数,图4 所示为基于上述参数值的隶属函数图。
模糊自适应PID控制器以控制规则作为模糊推理的依据[10]。 PID参数值的选取必须考虑在不同情况下三个参数的作用以及相互关系。 按以上原理并根据智能车的运行特性和控制经验建立输入为E、EC, 以及输出为KP 、KI和KD的多输入多输出的模糊规则, 并在MATLAB中进行仿真,得到如图5 所示的控制规则曲面图。
通过MATLAB提供的Simulink对模糊自适应PID控制器的设计进行仿真,并将其处理结果与传统PID的处理结果进行比较,其比较结果如图6 和表3 所示。 可以看出, 模糊自适应PID控制器具有超调量小、 响应时间短的优点。
3 整体实验对比及分析
为了验证最终效果, 在相同路径下, 分别采用传统方法和本研究的方法对智能车的性能进行了测试,经过20 次对比实验, 得到智能车跑完全程的时间、 平均速度及准确率,如表4 所示。
从表4可以看出,应用本文所取得的方法,能够有效加快智能车响应速度,提高准确率,对智能车的整体性能的提升有显著的作用,且在实际运行中能使智能车转向相对比较连续,不出现突变现象,运行轨迹相对平滑、稳定。
同时可见, 车速受硬件响应速度、 图像算法处理速度、车体结构、测试环境等因素的整体非线性叠加影响,而非简单的线性比例关系。
4 结束语
本研究采用 “ 图像采集 — 图像处理” 交叉执行的方式提高了智能车的数据处理速度,且在图像处理阶段采用跟踪边缘检测算法, 较传统边缘检测算法, 既具有对外界声进行滤除的作用, 又能够将图像处理时间提高2 . 34 倍, 从而在保障智能车路径识别准确性的同时还保障智能车数据处理的高效性和实时性。
而在智能车控制系统方面, 将模糊控制算法和传统的PID算法相结合, 较传统的PID算法, 其超调量减少了近12 倍,且收敛时间也相对减少,同时响应速度也提高了近5 倍。
最后对整体性能进行了实际验证比较, 结果表明本研究取得的方法最终使智能车速度提高了33.3% ,准确率提高了35.7%。 因此,采用本研究方法,能够有效使智能车具有较好的灵活性、较高的自适应性和鲁棒性。
参考文献
[1]王国胤,陈乔松,王进.智能车技术探讨[J].计算机科学,2012(5):1-8.
[2]Md.Nazmul Hasan,S.M Didar-Al-Alam,Sikder Rezwanul Huq.Intelligent car control for a smart car[J].International Journal of Computer Applications,2011,143:15-19.
[3]HUANG Z Q.Design of smart car section PID control algorithm based on CCD camera[J].Electronic Design Engineering,2011,19(2).
[4]吴斌华,黄卫华,程磊,等.基于路径识别的智能车系统设计[J].电子技术应用,2007(3):80-82.
[5]FRAICHARD T,GARNIER P.Fuzzy control to drive car-like vehicles[J].Robotics&Autonomous Systems,2001,34(1):1-22.
[6]王威,杨平.智能PID控制方法的研究现状及应用展望[J].自动化仪表,2008(10):1-3.
[7]MARTINS F G,COELHO M A N.Application of feedforward artificial neural networks to improve process control of PID-based control algorithms[J].Computers&Chemical Engineering,2000,24:853-858.
[8]李旭东,廖中浩,孟娇.基于CMOS摄像头的智能车控制系统设计及实现[J].吉林大学学报(信息科学版),2013(4):414-418.
[9]魏玉虎,石琛宇,姜建钊,等.基于视觉的智能车转向控制策略[J].电子技术应用,2009(1):130-134.
识别性能 篇6
本文所针对的基于动态图像的人脸识别系统的研究设计目的在于通过前端摄像头判断某一视野是否有人, 如果有人则对其身份进行鉴定, 进而作出一些必要的反应。
该基于动态图像的人脸识别系统研究的关键问题及研究思路如图1所示:
1. 图像采集环节
图像采集是指将前端摄像头传过来的信号采集为视频和图片。该环节包括三个研究重点:
(1) 采集摄像头传来的视频信号
(2) 对采集到的视频进行分割与取帧
(3) 对处理后的视频的再现
在具体的实现过程中, 此处我们在Windows操作系统下, 采用VFW方法, 对数字摄像头进行操作, 用VC6.0编程。
2. 人脸检测与分割环节
根据采集的图像, 确定图像中是否有人脸, 如果有则确定人脸的位置, 并转化成标准大小的人脸图像。此处我们采用基于皮肤颜色的人脸检测方法。首先在图像中检测人的皮肤, 确定皮肤的位置, 以此作为人脸的候选区域。再在这些候选区域中检测脸部特征, 进一步确定人脸区域。
2.1 主要研究步骤
第一步:光线补偿
第二步:将RGB图像转化为YCBCR图像
第三步:建立皮肤颜色的高斯分布模型
第四步:用高斯模型检测出图像中的皮肤区域
第五步:求出皮肤区域中皮肤色调的马氏距离图
第六步:用主成份分析法确定皮肤区域是否是人脸
2.2 主要涉及算法及说明
(1) 光线补偿与将RGB图像转化为YCBCR图像的目的是减小外界光照的影响;
(2) 建立皮肤颜色的高斯分布模型;
(1) 实现思路:
利用皮肤颜色服从高斯分布, 计算公式如下:
(2) 辅助工作:
收集皮肤图像样本 (收集一些皮肤图像样本) , 统计计算出皮肤颜色高斯分布的参数。
(3) 用高斯模型检测出图像中的皮肤区域;
(1) 实现思路:
根据上面的高斯模型, 可以直接计算出颜色c是皮肤的可能性的概率, 也可用从颜色向量c到均值向量的Mahalanobis距离来度量, 计算公式如下:
(2) 研究步骤:
第一步:计算图像的马氏距离
第二步:根据马氏距离确定图像中各点像素是否是皮肤像素
第三步:对皮肤像素进行膨胀与腐蚀
第四步:去除假区域
第五步:确定可能的人脸区域并缩放到标准人脸图像大小
第六步:用MATLAB进行编程。
3. 人脸识别环节
人脸识别环具体内容在于根据前面检测的人脸图像, 计算其特征, 根据这些特征判断是不是已知的人脸, 从而确定人的身份。这些特征可以是具体的, 也可是抽象的。为了便于计算, 可以将人脸图像作为高维空间的一个点或一个向量, 将这个高维向量映射到维数较低的向量空间, 并用映射空间的向量表示人脸图像, 来进行人脸识别。
3.1 实现思路
利用特征脸法。在人脸识别中, 用主成份分析方法对人脸图像的原始空间进行转换, 即构造人脸图像数据集的协方差矩阵, 对之进行正交变换, 求出协方差矩阵的特征向量, 再依据特征值的大小对这些特征向量进行排序, 每一个向量表示人脸图像中一个不同数量的变量, 这些特征向量表示特征的一个集合, 它们共同表示一个人脸图像。在人脸识别领域, 人们能常称这些特征向量为特征脸。每一个体人脸图像都可以确切地表示为一组特征脸的线性组合。采用MATLAB进行编程实现, 仿真对象是ORL (Olivette Research Lab) 标准人脸库。
3.2 算法训练过程
(1) 构造训练样本集trainingSet即从人脸图像目录中读取多个人脸图像到trainingSet中;
(2) 计算出所有训练样本的平均脸meanImage和各训练样本相对于平均脸的差值图像differenceImages;
(3) 用特征值分解的方法求差值图像differenceImages的特征值和特征向量Eimage Eval;
(4) 求训练集中的每个差值图像相对于各特征向量上的投影值xuWeight构成的特征脸向量;
(5) 计算每一类的平均投影值xuAveWeight (对于最近邻法不需要这一步)
3.3 算法识别过程
(1) 读取一幅待识别图像recogniseImage
(2) 求取该图像相对于平均脸meanImage差值图像recDiffIm
(3) 求差值图像recDiffIm在各特征向量上的投影weight
(4) 求该投影值weight构成的向量与各类的xuAveWeight构成的向量之间的欧氏距离xuDiffWeigh (基于夹角最小法则:该投影值weight构成的向量与各训练样本的xuWeight构成的向量之间的夹角余弦)
(5) 判断与最小的欧氏距离xuDiffWeight则该图像属于该类 (基于夹角最小法则:判断最小的夹角余弦所对应的训练样本所属类为该图像的类别)
4、人脸特征库管理环节
主要包括对皮肤图像库的管理、对已知人脸图像库的管理, 对各种学习方法的管理和计算出的人脸各种表征值的管理。
本系统因为在设计开发实现过程中使图像采集受各种外界条件影响很小, 实际检验证明可使实际识别性能获得较大提高。
摘要：图像的摄制过程决定了人脸图像识别系统必须面对不同的光照条件、视角、距离变化等视觉问题, 尤其是在用户不配合、非理想采集条件下, 这些成像因素都会极大影响人脸图像的表观, 从而使得识别性能欠稳定。笔者研究设计了一个确实可行的基于动态图像的人脸识别系统, 本文阐述了研究的关键问题及研究思路, 并对其中的人脸检测与分割环节、人脸识别环节的研究步骤和算法进行了深入探讨。
识别性能 篇7
近年来, 土木工程结构的性能监测系统在计算机、信息、通信及智能等技术支持下, 不断进行自我更新和完善。当前的土木工程结构的性能监测系统中, 采用的监测设备和监测技术主要是传感器、信息处理系统以及人工智能技术等。
土木工程结构的性能监测系统和损伤识别方法还比较欠缺, 需要监测技术人员提出及研发工作者创新研究, 这对于我国大量土木工程意义很大。
1 土木工程结构性能监测实验分析
1.1 案例背景
压电材料是当下土木工程结构中广受好评的一项智能材料。其本质是利用过电偶极子在电场中的自然排列次序, 来改变智能材料的尺寸。采用压电材料制成的床拿起具有灵敏度高、结构简单以及频带宽的特点。随着配套二次仪表以及绝缘性高、噪声低的电缆应用, 使得压电传感器的应用更加便利快捷[1]。此种新型水泥基压电传感器被广泛的应用于土木工程结构的性能监测中。
1.2 正压电效应与逆压电效应
若是对智能材料朝着其某一固定方向施加外力, 一旦这个外力超过材料的承受极限就会发生形变, 这种智能材料的表面将产生等量且符号相反的电荷。通常情况下, 人们将机械能转换为电能的现象定义为正压电效应, 反之则称为逆压电效应。常见的力-电转换方式有三种, 分别称为压电性的纵向效应、横向效应、剪切效应, 如图1所示。
1.3 水泥基压电传感系统在土木工程结构的性能监测系统中的应用优势
(1) 良好的兼容性
随着配套二次仪表以及绝缘性高、噪声低的电缆应用, 使得压电传感器的应用更加的便利快捷, 新形势下的水泥基压电传感器的传感单元不同于以往传感器是采用金属外壳包装, 而是采用水泥块包裹。因此施工人员可将这种水泥基压电传感器像骨料一样埋入混凝土结构中。
(2) 良好的耐久性
水泥基压电传感器本身结构比较稳定结实, 不易出现质量问题, 即便土木工程的施工环境比较恶劣, 它的稳定性能依然良好, 可以确保水泥基压电传感器的应用时间。
(3) 成本低
水泥基压电传感器是由水泥材质或是陶瓷片材质的材料组成, 这两种材料成本较低而且购买方便, 可节约施工人员大量的时间和资金成本。不会给施工单位造成资金压力。
2 水泥基压电传感器实验设计及其实验结果分析
2.1 水泥基压电传感器实验设计
为了检验水泥基压电传感器在土木工程结构的性能监测系统中应用的可靠性, 还需要对其进行实验。首先将标定好的水泥基压电传感器埋入混凝土短柱中, 具体如图2所示。混凝土短柱截面为1 0 0 m m×1 0 0 m m, 高度为5 0 0 m m。水泥基压电传感器埋在短柱的中间位置, 其高度方向和短柱的高度方向平行。
2.2 水泥基压电传感器实验结果分析
将水泥基压电传感器的短柱放入数字式电液自动式实验机进行测试通过水泥基压电传感器的实验设计可以得知, 水泥基压电传感器在土木工程结构的性能监测系统中的应用, 对土木工程结构的稳定性能是十分有帮助的。此外, 水泥基压电传感器在土木工程结构的性能监测中的应用可以减少或避免传统传感器的弊端, 而且其造价成本低且耐久性强, 适用于各种规模的土木工程施工。
3 土木工程结构损伤识别中存在的问题
近些年, 随着我国土木工程的大量修建, 土木工程结构的损伤识别也逐渐受到施工人员的重视。当前我国在土木工程结构的性能监测中投入了大量的研究资金, 但苦于损伤识别技术和研究人员专业水准的限制, 使得土木工程结构的性能损伤识别不能达到预期效果, 本文中对土木工程结构损伤识别技术不足作以总结。
3.1 土木工程结构模型存在误差
如今, 人们对土木工程结构的性能的损伤识别, 都是建立在一定基础条件之上, 在规定的情境下, 必须将土木工程结构客观的抽象事物运用数学模型进行替代, 当前针对具体的土木工程结构系统, 考虑到该系统比较复杂, 会引发多种随机现象, 对此, 施工人员应提前做好各种随机事件的模型预设[2]。不可否认的是在真正的模型应用中, 总会出现这样或那样的问题, 致使土木工程结构模型出现误差。随着现代化信息技术的发展, 对土木工程结构模型不断进行自我更新和完善。
3.2 土木工程结构损伤性能的实测数据的缺失
土木工程结构损伤识别中存在的一大问题是实测数据的不完整。造成这种现象的主要原因是, 土木工程结构损伤识别都是假定土木工程结构模型具有相同的自由度和实测自由度, 然而在实际的土木工程结构损伤识别中, 会存在多种条件的限制, 进而造成土木工程结构损伤识别实测数据的不完整。尤其是一些复杂的土木工程结构, 损伤识别的影响因素较多, 加之传感器的安装较为稀疏, 这就更加拉大了土木工程结构损伤实测数据的不完整。
4 土木工程结构的性能监测系统与损伤识别方法的修正
(1) 强化土木工程结构的性能监测系统的数据采集和处理
土木工程结构的性能监测系统中的数据采集和处理, 主要涉及硬件系统和软件系统两种, 硬件系统为数据传输电缆、数模转换卡[3]。软件系统则是将土木工程结构数字信号, 采用一种特殊的方式存在计算机当中, 之后便有专业技术人员对计算机中的数据信息进行整合和优化, 为土木工程结构损伤识别鉴定提供有效依据。
(2) 强化土木工程结构损伤识别、模型修正
在土木工程结构损伤识别中, 模型修正是缩小实测数据误差和增加实测数据准确性的关键。为保证损伤识别的有效性, 在进行土木工程结构损伤识别前期, 需要对损伤识别软件、模型修正软件进行检验, 确保其应用功能正常后方可予以使用。在土木工程结构损伤识别中, 若是识别结构发生损伤, 则应该安排预警设备发出报警信息。此外, 损伤识别软件和模型修正软件的研究人员应该加强对以上两款软件的测验, 使其始终保持在高水平运行状态。
5 结束语
综上所述, 土木工程结构的性能监测系统是针对特定结构专门设计的一种监测系统, 这对增强我国土木工程结构的稳定性非常有用, 然而, 我国土木工程结构的性能监测系统和损伤识别方法仍存在很大的漏洞, 致使我国土木工程的质量难以提升。因此, 还需不断强化土木工程结构的性能监测系统的软件应用技术, 并研发新的损伤识别方法, 提升土木工程结构的性能实测数据的准确性, 使其为土木工程结构的建设提供更多可靠的数据参考, 进而提升土木工程质量的安全性和稳定性。
摘要：为提升土木工程结构的稳定性能, 土木工程结构的损伤识别及性能监测系统尤为重要, 我国土木工程结构的性能监测系统和损伤识别方法亟需提高。为此本文阐述了土木工程结构性能特点及其监测系统需求, 研究了土木工程结构损伤识别的问题, 分析了土木工程结构的性能监测系统与损伤识别方法, 并提出了对应的解决建议。
关键词：土木工程,结构性能监测,损伤识别方法
参考文献
[1]李晓明.浅谈土木工程结构的性能监测系统与损伤识别方法[J].安徽建筑, 2014, 21 (3) :203-204, DOI:10.3969/j.issn.1007-7359.2014.03.096.