基于多傳感器信息融合的小通道氣液兩相流參數(shù)檢測(cè)

本項(xiàng)目在多傳感器信息融合的框架下，針對(duì)小通道氣液兩相流的特點(diǎn)，分別設(shè)計(jì)了新型光學(xué)陣列傳感器、軸向和徑向兩種電極結(jié)構(gòu)的電容耦合非接觸式電導(dǎo)測(cè)量（Capacitively Coupled Contactless Conductivity Detection，簡(jiǎn)稱C4D）傳感器；開(kāi)發(fā)了光學(xué)參數(shù)檢測(cè)系統(tǒng)、基于C4D傳感器的參數(shù)檢測(cè)系統(tǒng)、基于PVT原理的參數(shù)檢測(cè)系統(tǒng)以及多視覺(jué)參數(shù)檢測(cè)系統(tǒng)；結(jié)合數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)等技術(shù)，對(duì)獲取的光學(xué)、電學(xué)、差壓和圖像信息進(jìn)行了深入分析，分別建立了小通道氣液兩相流流型辨識(shí)模型、相含率測(cè)量模型、流速/流量測(cè)量模型和液膜厚度測(cè)量模型，實(shí)現(xiàn)了相應(yīng)參數(shù)的檢測(cè)；進(jìn)行了流型和相含率多傳感器信息融合模型的研究工作，提高了系統(tǒng)辨識(shí)精度和測(cè)量的可靠性；拓展研究了C4D電學(xué)傳感器在小通道沸騰傳熱監(jiān)測(cè)中的應(yīng)用，提出了一種小通道沸騰傳熱在線監(jiān)測(cè)新方法。實(shí)驗(yàn)研究結(jié)果表明所提出的檢測(cè)方法和系統(tǒng)是有效的。本項(xiàng)目資助下，已在Measurement Science and Technology，AIChE Journal，Review of Scientific Instruments，Pattern Recognition Letters，Particuology，Sensors等國(guó)際著名期刊發(fā)表SCI收錄論文7篇，他引27次，EI收錄論文7篇，獲得授權(quán)發(fā)明專(zhuān)利7項(xiàng)。本項(xiàng)目的研究為小通道氣液兩相流參數(shù)測(cè)量提供了有效的手段，具有重要的學(xué)術(shù)價(jià)值和廣闊的應(yīng)用前景。

小通道氣液兩相流已成為多相流領(lǐng)域研究的熱點(diǎn)之一。現(xiàn)有的兩相流檢測(cè)技術(shù)難以滿足小通道氣液兩相流研究發(fā)展和工程應(yīng)用的迫切需求。本項(xiàng)目擬在多傳感器信息融合的框架下，尋求適用于小通道氣液兩相流參數(shù)檢測(cè)的新方法。擬研發(fā)出適用于小通道的新型一體型電學(xué)傳感器。擬綜合應(yīng)用電學(xué)和光學(xué)先進(jìn)傳感技術(shù)，獲取反映小通道氣液兩相流流動(dòng)特性的信息。擬結(jié)合數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)等技術(shù)，進(jìn)行小通道內(nèi)兩相流流動(dòng)特性的分析，建立小通道氣液兩相流參數(shù)測(cè)量模型。最終，實(shí)現(xiàn)小通道氣液兩相流流型辨識(shí)，液膜厚度、相含率和流速/流量等關(guān)鍵參數(shù)的測(cè)量。本項(xiàng)目的研究工作將為小通道氣液兩相流參數(shù)測(cè)量提供有效的測(cè)量方法，具有重要的學(xué)術(shù)價(jià)值和廣闊的實(shí)際應(yīng)用前景。

投影多通道融合是只兩臺(tái)以上投影機(jī)通過(guò)邊緣融合后達(dá)到整體更大畫(huà)面的增強(qiáng)效果，投影采用邊緣融合技術(shù)后，可以應(yīng)用于指揮監(jiān)控中心，網(wǎng)管中心，視頻會(huì)議，學(xué)術(shù)報(bào)告，技術(shù)講座和多功能會(huì)議室，主要適合對(duì)大畫(huà)面，多色彩，高亮度，高分辨率等有特定需求的超大場(chǎng)所。大型展會(huì)邊緣融合大屏幕大型演出邊緣融合大屏幕

邊緣融合的優(yōu)勢(shì)：

1，增加圖象尺寸。

2，維持畫(huà)面的完整性。

3，增加圖像亮度。

4，增加分辨率，可以實(shí)現(xiàn)超高分辨率。

5，縮短投影機(jī)投射距離。

6，投射出非平面圖像，例如弧形幕和球形幕，以增強(qiáng)圖像層次感

隨著對(duì)機(jī)電設(shè)備狀態(tài)檢測(cè)和質(zhì)量測(cè)控要求的不斷提高，傳感器的優(yōu)化布置和信息的有效利用已成為提高機(jī)電設(shè)備狀態(tài)檢測(cè)和質(zhì)量測(cè)控精度的關(guān)鍵問(wèn)題。本項(xiàng)目針對(duì)傳感器優(yōu)化布置、信息融合理論與方法在機(jī)電設(shè)備狀態(tài)檢測(cè)、質(zhì)量測(cè)制中存在的局限性，以旋轉(zhuǎn)機(jī)械和復(fù)雜制造系統(tǒng)為研究對(duì)象，將理論研究、實(shí)驗(yàn)研究及工程應(yīng)用相結(jié)合，綜合考慮傳感器布置受限條件，結(jié)合各人工智能方法，通過(guò)信息的有效利用及復(fù)用，研究在機(jī)電設(shè)備狀態(tài)檢測(cè)和質(zhì)量測(cè)控過(guò)程中高效、適應(yīng)性廣的傳感器優(yōu)化布置策略，實(shí)現(xiàn)多目標(biāo)函數(shù)優(yōu)化、降低檢測(cè)成本和提高狀態(tài)檢測(cè)與質(zhì)量監(jiān)控的可靠性。建立多層次、多方法的信息融合模型以融合不同時(shí)空、不同種類(lèi)的傳感器信息，并將傳感器優(yōu)化布置理論與信息融合技術(shù)相結(jié)合，研究?jī)烧咧g的作用關(guān)系，完善傳感器優(yōu)化布置策略。本項(xiàng)目將能有效地提高設(shè)備狀態(tài)檢測(cè)和質(zhì)量控制的準(zhǔn)確性和實(shí)用性，推動(dòng)狀態(tài)檢測(cè)和質(zhì)量控制理論的發(fā)展和應(yīng)用。

采用有限元分析法對(duì)單跨轉(zhuǎn)子和不同聯(lián)軸節(jié)的多跨轉(zhuǎn)子系統(tǒng)進(jìn)行動(dòng)力學(xué)響應(yīng)分析，并根據(jù)實(shí)際約束條件，提出了旋轉(zhuǎn)機(jī)械軸向與徑向振動(dòng)傳感器的布置方法和策略；提出了基于相關(guān)熵與特征相似度的傳感器冗余度計(jì)算方法，作為度量傳感器信息間冗余性的指標(biāo)；提出了一種根據(jù)噪聲變化自適應(yīng)調(diào)整窗長(zhǎng)的方差估計(jì)算法，給出了對(duì)方差估計(jì)曲線突變段的尋找方式以及自適應(yīng)窗長(zhǎng)的選擇策略；提出了一種基于證據(jù)貼近度的加權(quán)權(quán)值的計(jì)算方法，并建立了一種基于神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的多傳感器信息融合的故障診斷模型。 針對(duì)傳統(tǒng)的BP網(wǎng)絡(luò)在應(yīng)用時(shí)易陷入局部最優(yōu)、收斂速度慢等缺陷，提出了混合蛙跳算法（ISFLA）并融合BP網(wǎng)絡(luò)形成ISFLA-BP網(wǎng)絡(luò)的故障診斷模型，通過(guò)對(duì)滾動(dòng)軸承的早期故障實(shí)驗(yàn)，與BP網(wǎng)絡(luò)、SFLA-BP網(wǎng)絡(luò)相比，該模型泛化能力好，魯棒性較強(qiáng)，可以提高軸承早期故障模式識(shí)別的準(zhǔn)確率。 基于遺傳算法的馬爾科夫特性，提出了將Markov鏈用于循環(huán)次數(shù)估計(jì)，并通過(guò)設(shè)定自適應(yīng)交叉算子以及變?nèi)后w規(guī)模的一種自適應(yīng)進(jìn)化算法用于車(chē)削過(guò)程狀態(tài)監(jiān)測(cè)的傳感器布置策略。提高了模型的收斂特性。針對(duì)單工位多工步切削過(guò)程狀態(tài)監(jiān)測(cè)，基于多工位誤差流理論構(gòu)建了單工位多工步信息流模型，確定了故障/監(jiān)測(cè)量信息傳遞系數(shù)用來(lái)表征不同測(cè)點(diǎn)傳感器的監(jiān)測(cè)能力?；趯傩詫哟文Ｐ停ˋHM）構(gòu)建了傳感器，故障/檢測(cè)量以及系統(tǒng)檢測(cè)能力之間的因果關(guān)系，提出了基于單工位狀態(tài)監(jiān)測(cè)的六步傳感器優(yōu)化布置策略。 針對(duì)切削過(guò)程中工件表面形貌形成的隨機(jī)性的特點(diǎn)，提出了基于隱馬爾科夫模型的工件表面粗糙度和圓度綜合質(zhì)量監(jiān)測(cè)方法。分析了刀尖在三個(gè)方向振動(dòng)位移對(duì)于工件表面粗糙度和圓度的影響，構(gòu)建了二者與刀尖振動(dòng)位移的理論模型?；跀?shù)據(jù)分層思想，提出了一種判別矩陣判別法用于工件質(zhì)量識(shí)別，提高了目標(biāo)特征的識(shí)別率。在硬車(chē)削全因子試驗(yàn)樣本缺失的情況下，以ICA和SSA提取的多方向刀具振動(dòng)信號(hào)融合特征作為輸入，提出了基于貝葉斯推理的HMM-SVM工件表面質(zhì)量二次識(shí)別方法，使其能有效滿足試驗(yàn)樣本缺失條件下的硬車(chē)削監(jiān)測(cè)要求。 2100433B