铁水扒渣检测系统是一套基于机器视觉的扒渣评级系统,其主要作用是采用高分辨率摄像器观察铁水罐中实时情况,通过工控机采集成像,分析图像中铁渣的厚度和范围,并对照评级工艺条件评判出扒渣的等级.本系统提高在线扒渣等级评判的自动化水平,降低工人经验判别不稳定因素的影响,实现工人的劳动保护

针对现今煤岩图像识别方法的缺乏与不足,为了挖掘新的煤岩图像识别方法以及更好地处理高维煤岩图像数据,提出了基于最大池化稀疏编码的煤岩识别方法.本方法在提取煤岩图像特征时加入了池化操作,在分类识别时采用了集成分类器,即多个弱分类器组成一个强分类器.实验结果表明:最大池化稀疏编码的特征提取方式能简单有效表达煤岩图像的纹理特征,大大增强煤岩图像的可区分性,获得较高的识别率,并且具有良好的识别稳定性.研究结果可为煤岩界面的自动识别提供新的思路和方法

单板机地址自动递增的附加器

对国内一钢厂EAF→LF→VD→CC工艺生产的高品质GCr15轴承钢进行系统取样,针对DS类非金属夹杂物随机性强的特点,利用能够进行大面积试样检测的ASPEX自动扫描电镜分析统计钢中非金属夹杂物的成分、尺寸、数量等信息.研究发现:GCr15轴承钢冶炼过程中非金属夹杂物主要为MgO-Al2O3-CaO复合夹杂物和MnS,同时有少量的SiO2-Al2O3和MgO-Al2O3复合夹杂物;夹杂物尺寸主要集中在38μm,并有少量DS类夹杂物出现且尺寸范围波动很大,最大可以达70μm以上,形貌为圆形或近似圆形;VD有较强的去除夹杂物功能,经过VD真空精炼,夹杂物中CaO含量有增加趋势;吊包至铸坯过程,夹杂物成分向Al2O3含量增多的区域移动,最终轴承钢铸坯中夹杂物成分位于高Al2O3含量（≥80%）,少量MgO（<20%）和低CaO（<5%）的区域;DS夹杂物的生成和去除具有较强的随机性

针对自动化高速公路（Automated highway system，AHS）车队稳定性问题，发展了一种多目标自适应巡航控制算法，根据李雅普诺夫（Lyapunov）稳定性理论对该问题进行了量化分析，并给出了同质与异质车队稳定性的设计要求，基于模型预测控制（Model predictive control，MPC）理论，综合协调驾驶员期望响应、跟驰安全性、车队稳定性、车队整体品质等控制目标，采用加权二次型性能泛函以及线性矩阵不等式约束的形式，将协同式多目标自适应巡航（Adaptive cruise control, ACC）设计问题最终转化成带约束的在线凸二次规划问题。仿真结果表明，相比单车ACC而言，协同ACC的约束空间更为严苛，车队互联系统稳定性易受车间时距、车队规模、多目标权重、瞬态工况、车辆异质性等因素的影响，建议在跟驰安全性、车队稳定性良好的前提下寻求一定的驾乘舒适性与燃油经济性，以确保车队整体品质

随着我国隧道工程建设的快速发展,由隧道病害引发的隧道质量和安全问题越发常见.通过地质雷达探测隧道病害对于减少隧道质量和安全问题具有十分重要的意义,为了提高病害探测的效率及可靠性,基于雷达反射波信号多维度分析,提出一种隧道病害智能辨识的新方法.根据反射波信号时域、频域及时频域分析结果提取病害信号辨识的6个典型特征,利用支持向量机算法对典型特征的训练构建病害信号的二分类模型,实现了病害水平分布范围的自动辨识;再依据病害信号的第一本征模态函数分量振幅包络计算病害深度分布范围,最终实现隧道病害的智能辨识.结合某隧道回填层雷达实测数据对智能辨识算法的性能进行评价,与人工辨识结果的对比表明,该智能算法对于病害的辨识能力较强,病害的识别率高达100%,但辨识结果中同时存在少量误判,准确率达78.6%,满足工程应用的需求.该算法可用于隧道工程各类地质雷达探测数据中病害的智能辨识,而对于其他领域的地质雷达探测数据,本文研究成果亦可为不同类型探测目标智能辨识算法的设计提供可行思路

非刚性图像配准一直是计算机视觉领域的研究重点. 为解决上述问题, 提出一种改进的光流场模型算法, 以提高光流估计的准确度. 算法首先对原始变分光流模型进行了改进, 提出利用新的各向异性正则项来代替原来的同向扩散函数, 以避免图像模糊, 保留图像的边缘特征与细节特征; 此外, 通过引入包含邻域信息的非局部平滑项来去除光流噪点, 同时增加了一个结合图像结构与光流运动信息的权函数, 以减少过平滑所造成的细节丢失, 提高算法的鲁棒性. 最后, 利用交替最小化与金字塔分层迭代策略相结合的方法求解位移场, 实现非刚性图像的自动配准. 仿真实验结果表明, 与传统方法相比, 本文算法对不同类型的非刚性图像均具有较高的鲁棒性, 取得了理想的图像配准效果

为了尽可能的去除钢中大颗粒的夹杂物, 在实验条件下通过向GCr15轴承钢中添加适量镁、稀土对夹杂物进行改性, 并利用Aspex夹杂物自动分析仪和扫描电镜对钢中改性后的夹杂物尺寸、类型、形貌等进行了观察、分析, 研究了稀土-镁复合处理对夹杂物的影响规律.研究结果表明, 对轴承钢中加入微量镁处理, 可将未进行镁处理钢中的MnS-Al2O3、MnS、Al2O3夹杂改性为以含硫、镁复合夹杂物为主, 同时包含少量Al2O3、镁铝尖晶石夹杂.进一步采用稀土-镁复合处理后, 钢中的夹杂物转变为主要以含Re-S-O夹杂物为主, Al2O3、MnS、镁铝尖晶石夹杂逐步消失, 且夹杂物成球状分布, 绝大多数夹杂物在5 μm以下.稀土-镁复合处理轴承钢后, 10 μm以上的大颗粒夹杂物大大降低, 钢中的夹杂物明显得到细化.钢中镁含量不变时, 随着稀土含量的增加, 大颗粒夹杂物比例明显下降.而在稀土含量相近的情况下, 增加钢中的镁含量也有利于大颗粒夹杂物的去除.稀土-镁的相互作用进一步促进了夹杂物的细化

由于转炉冶炼过程中的热力学和动力学反应复杂，副枪控制模型和传统的烟气分析模型存在很大的局限性，导致了转炉冶炼终点碳含量的预测精度偏低，是实现智能炼钢的主要技术瓶颈. 针对上述问题，提出了基于烟气分析的炼钢过程函数型数字孪生模型. 首先，利用烟气分析得到连续监测的实时数据，以此来实时监控转炉熔池内钢水的碳氧反应状态; 然后，根据熔池反应所处的不同阶段，利用函数型数据分析方法建立吹炼前期和吹炼后期的函数型预测模型; 在此基础上，按照吹炼前期和吹炼后期这两个阶段来分别自动修正模型中的系数函数，从而能在复杂的实际工况条件下完成对熔池碳含量的准确预测. 通过260 t氧气转炉的工业应用实例，证实函数型数字孪生模型具有良好的自学习和自适应能力，对异常冶炼状态具有良好的鲁棒性，可以实现全过程的熔池碳含量动态预测，终点碳质量分数在± 0. 02% 范围内的命中率为95%. 利用函数型数字孪生模型在拉碳阶段对钢水中碳含量的预测值来控制终吹点. 更为重要的是，在保证入炉原料成分、温度、质量等参数稳定的前提下，采用该模型可以有望取消基于副枪的停吹取样步骤，从而降低生产成本，提高产品质量和生产效率，具有广泛的工业应用前景

融合手工特征和深度特征，提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性，如相邻心跳时间间隔反映了心跳信号的时域特性，小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine，ELM），将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定，进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法，使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证，分类准确率达到了99.02%，实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率