摘要:随着现代控制系统对高实时性和高精度要求的不断提升，微秒级采样的实时控制技术已成为研究热点。针对现有技术高度依赖国外平台的问题，本研究基于STM32微控制器，设计并实现了一种具有自主知识产权的微秒级采样实时控制系统，重点解决了控制任务的实时性、通信任务的高效性以及自动代码生成的复杂性问题。系统采用FreeRTOS实时操作系统进行任务调度，通过硬件定时器实现控制任务的高优先级执行，同时引入LwIP协议以实现低延迟网络通信，支持实验数据的高效上传与指令接收。此外，本研究提出了一种基于图形化框图的控制算法解析与自动代码生成方法，通过服务器对用户前端搭建的控制框图进行解析，并生成适配STM32硬件的高效控制代码。以永磁同步电机的场向量控制为案例的实验验证表明，所设计系统在微秒级采样下具备优异的实时性和控制性能，有效突破了国外技术封锁对相关领域发展的限制，显著提升了自主控制系统的研发能力。该成果为解决关键技术“卡脖子”问题提供了一种可行的技术方案，并展现出广泛的应用前景与推广价值。

摘要:针对雷电电磁脉冲侵入通信系统发射通道，导致功率放大器受到干扰，甚至是毁伤的问题，据此设计一种雷电防护模块，实现对雷电电磁脉冲的幅值和特定频率分量的下降，保护功率放大器不受雷电侵入的影响。模块包括瞬态防护电路和滤波电路，瞬态防护电路主要是限制雷电感应电压并转移由雷电引起的相关电流；滤波电路则是对雷电1 MHz以下的低频分量进行抑制。将通信系统发射通道进行简化后，安装防护模块并仿真进行8/20 μs的雷电流侵入，功率放大器峰值功率不会超过30 dBm，小于可耐受的峰值阈值功率范围的最小值。实验对简化后的发射通道进行雷电电磁脉冲的侵入，通过增益数据显示，放大器在中心频率144 MHz处未出现明显的增益压缩，说明防护模块可以有效保护敏感器件。

摘要:为更好地抑制立式转子系统的振动，提出了一种基于主动电磁力的电磁阻尼器，以替代传统油膜阻尼器中依赖黏性阻尼力的减振方式，并利用有限元分析法对磁路结构进行仿真验证，根据阻尼体在电磁力作用下的动力学模型，设计相应PD控制系统。搭建立式转子升速试验台，将电磁阻尼器和油膜阻尼器分别作为系统下支承结构，进行减振试验分析。试验结果表明，电磁阻尼器的支承特性动态可调，在合理的控制参数下具有良好的减振效果，相较于油膜阻尼器，振幅下降46.49%；此外，电磁阻尼器在PD控制器上加入相位超前校正环节后，转子在临界区域的振幅进一步下降15.78%，低频振动能量下降86%。研究结果证明了电磁阻尼器在立式转子系统减振应用中的可行性和适用性，并指出未来需要优化的方向。

摘要:针对基于油中气体分析（DGA）数据的传统变压器智能诊断模型准确率容易受到输入特征维度以及超参数的选择影响，本研究提出了基于实域粗糙集和NRBO-XGBoost相结合的变压器智能故障诊断模型。首先，基于实域粗糙集的概念提出了一种具有自适应性能的特征提取算法用于对变压器初始故障特征进行特征提取；其次针对变压器故障诊断中XGBoost受超参数选择影响的缺陷，本研究利用NRBO算法高收敛速度和有效避免局部最优的特点对XGBoost的超参数进行全局寻优，从而提出NRBO-XGBoost模型进行变压器故障诊断；最后通过多组实验对比，相较于其他传统特征，使用本研究所提取特征在多种分类器中的性能都得到了提升，证明了本文所提特征提取算法能有效提取特征中的信息增强模型表现性能。并且NRBO-XGBoost在变压器故障诊断领域相较于其他对比模型仅收敛20次的同时就达到了92.09%的准确率，拥有更优越的表现性能。

摘要:针对电动车头盔佩戴检测方法存在着复杂路况下头盔小目标检测精度较低、目标相互遮挡漏检率较高、检测模型大运算复杂等问题。本研究提出一种基于改进YOLOv10n的目标检测算法，以解决在实际应用中的这些问题。首先，在MAFPN的基础上融合了BiFPN的优点，创新性地提出了BIMAFPN结构，提高了模型在复杂路况场景下的检测性能。其次，构建Inner-Wise-MPDIoU损失函数以替代传统的CIoU损失函数，在提高网络的检测精度的同时，还加速了模型的收敛过程。最后，引入LSCD检测头进一步减少模型参数量并提升检测性能。实验结果表明，改进模型相比于原模型在mAP@0.5精度上提升了2.7%，同时参数量降低了25%，模型大小减少了35%。本研究使用的检测方法不仅显著提高了复杂路况下的头盔检测精度，同时在兼顾轻量化的基础上保持了良好的实时性，便于将模型部署于小型嵌入式交通设备中。

摘要:针对无人机磁反潜任务中因机载设备、运动特性等引入的磁干扰问题，开展基于改进磁补偿模型的研究。提出了一种基于GAN和LSTM的改进T-L磁补偿模型，该模型融合了传统T-L模型在姿态相关噪声建模方面的优势、LSTM对长时间间隔依赖关系的捕获能力以及GAN对数据分布特性的学习能力，从而显著提升了噪声识别精度，进一步提高了磁数据的测量准确性。仿真结果表明，补偿精度较T-L模型提高了67%，改善比达到43.67；无人机机载试验中，补偿精度提高了64%，改善比达到26.93。研究表明，该方法显著提升磁测数据的质量，为基于磁场变化的水下反潜任务提供准确的磁场。

摘要:针对电动汽车负荷随机性以及预测精度低的问题，在TCN基础上，提出一种结合变分模态分解、注意力机制和多尺度特征的电动汽车负荷预测模型（VMD-AM-MSF-TCNnet）。首先，采用鲸鱼优化算法结合变分模态分解将电动汽车负荷序列分解；其次，引入门控机制和双重注意力改进TCN残差块结构，把不同尺寸的改进TCN残差块与注意力相结合实现多尺度特征融合；最后，对负荷分量进行预测再重构得到最终结果。实验结果表明，所提模型相比原始TCN在RSE、RAE、R2性能指标上均有所提升，该模型具有较好的预测效果。

摘要:云层的遮挡会导致光伏功率发生剧烈波动，给电力系统的稳定运行带来巨大的挑战。本研究针对云层遮挡时光伏功率波动大、复杂天气条件下预测精度低等问题，提出了一种基于双流特征增强网络的超短期光伏功率预测模型(TSFE-LSTM)。首先，基于畸变校正算法和光流计算优化处理了地基云图，通过双流卷积网络提取了地基云图序列的时空特征。其次，设计了基于长短期记忆网络的超短期光伏功率预测模型，实现了未来15 min光伏功率的预测。实验结果表明，TSFE-LSTM模型融合地基云图与光流图后，光伏功率预测值的MAE、RMSE较单独输入地基云图分别提高了5.81%、4.61%。在晴天时，TSFE-LSTM模型较CNN模型MAE、RMSE分别提高了7.23%、14.99%，阴天时，TSFE-LSTM模型预测精度略有下降，较CNN-MLP模型 MAE、RMSE分别提高了3.53%、1.26%。为云层遮挡时光伏功率预测提供了新思路。

摘要:针对单导航源定位系统在室内外场景切换时存在定位精度低和连续性差的问题，提出了一种抗差估计的GNSS/UWB/IMU集成式室内外无缝导航定位方法。在面对室内外复杂场景切换的情况下，采用抗差估计算法对GNSS与UWB的观测信号进行置信度评估和融合，并将融合的数据与惯导系统数据相结合，利用扩展卡尔曼滤波算法实现定位。为了评估算法在干扰和噪声下的导航定位精度，将惯导定位模块、卫星定位模块以及超宽带标签集成到一起进行实验。实验结果表明，所提融合定位方法的东向、北向定位均方根误差分别为6.95 cm和6.89 cm，最大定位误差为28.55 cm；在室内外过渡阶段，系统能够保持连续准确的定位，提高了复杂多变的室内外环境下的导航定位精度和稳定性。

摘要:针对YOLOv8算法在复杂场景下电梯内电动车检测精度的问题，提出了一种以YOLOv8n算法为基础改进的算法。首先，对于主干网络，将C2f模块与通用倒置瓶颈结构融合形成新的C2f_UIB模块来优化计算效率，降低参数量的同时提高全局信息捕获能力，同时在主干网络中添加空间和通道协同注意力模块SCSA，提高特征提取能力和模型的鲁棒性。其次，用改进后的重参数化广义特征金字塔网络DSRepGFPN对颈部网络进行重构，增强跨尺度特征融合能力，提升多尺度目标的检测效果并减小模型的计算复杂度。最后将原有的损失函数CIOU替换为MPDIOU，提高目标框的定位精度，特别是在光照变化和目标遮挡场景中表现出更强的定位与识别能力。实验结果表明，在电梯内电动车数据集中，相较于YOLOv8n，本文所改进的YOLOv8-UAR算法在mAP50上提高了2.5%，在mAP50.95上提高了1.8%，同时检测速度达到94 fps，方便部署在边缘设备上，且更符合电动车进电梯检测的实际应用要求。

摘要:针对电力负荷非线性、高波动性和强随机性等特性导致无法充分提取时序特征引起预测误差较大的问题，提出了基于改进的自适应白噪声完全集合经验模态分解和误差修正的双向时间卷积网络双向长短期记忆网络短期电力负荷预测方法。先由最大信息系数筛选出与负荷高度相关的特征集，以削弱特征冗余；通过改进的自适应白噪声完全集合经验模态分解将高波动性的负荷分解为频率各异的本征模态分量和残差，以降低非平稳性；引入样本熵将复杂度相近的分量重构成新子序列，以降低计算量；然后，结合并行双向时间卷积网络提取不同尺度的特征，利用双向长短期记忆网络对负荷序列初步预测，使用麻雀优化算法对神经网络超参数调优；最后，误差序列通过误差修正模块对初始预测值进行修正。经实验验证，与其他预测模型相比，RMSE最多降低51.42%，最少降低34.26%，验证了模型的准确性和有效性。

摘要:为了实现基于表面肌电信号（sEMG）的连续手指力估计，本文提出了一种融合ShuffleNetV2基本单元与Vision Transformer(ViT)结构的新模型，命名为ShuffleVT。为验证该模型的性能，采用公开数据集NinaPro，其包含40名健康受试者的sEMG数据和6个自由度的手指力数据。性能评估指标为Pearson相关系数（CC）、均方根误差（RMSE）和决定系数（R2）。结果显示，ShuffleVT模型的CC、RMSE和R2平均值分别为0.92±0.05、1.27±0.66和0.83±0.10，显著优于ShuffleNetV2、ViT、Transformer和LSTM等4种深度学习模型。该结果展示了ShuffleVT模型在基于表面肌电的连续运动意图估计中的应用潜力。

摘要:针对开集场景下闭集网络无法有效识别未知类的问题，本研究提出了一种基于深度学习与无监督聚类相结合的辐射源开集个体识别（SEI）方法。通过对原始数据进行精细化的预处理以提取蕴含指纹特征的常规特征波形，将常规特征波形进行闭集网络训练，基于概率度量手段对待识别类样本进行已知/未知判决，对识别成未知类的样本提取残差网络全连接层特征进行无监督降维、聚类处理，通过聚类结果明确未知个体数量。实验结果表明，相对于传统闭集网络识别，本研究所提方法能够在已知类准确识别的前提下，实现对已知/未知类的有效区分，识别正确率均在97%以上，并能准确识别10个未知电台数目，实验结果验证了方法的有效性。

摘要:针对模拟电路多故障并发的定位问题,提出了一种实复域相结合的定位算法。在实数域利用空间和通道注意力机制的不同操作，在控制网络深度和参数数量的同时获取完整数据特征；在复数域利用复数卷积神经网络跨越层级产生的差异，通过跳跃联接构建深浅层特征融合结构，保留了易丢失的浅层信息并将其与深层信息融合后得到复数域特征。将实复域特征融合用于模拟电路复合故障定位研究，定位平均准确率均在85%以上,最高准确率达到100%。该方法具有较强的稳定性和鲁棒性，为模拟电路复合故障定位研究提供了可行性方案。

摘要:太阳能电池片表面缺陷的出现会严重影响太阳能转化效率，准确检测太阳能电池片表面缺陷并及时处理可以有效提高发电效率。针对太阳能电池片生产过程中表面缺陷检测高精度、实时性的需求，本文提出了一种基于改进的YOLOv5s的太阳能电池片表面缺陷检测算法。该算法首先在主干特征提取网络中用C3CA模块替换网络中C3模块，并加入CBAM注意力机制，提升网络的特征提取能力；其次，在特征融合网络中引入BiFPN网络结构，提升网络中不同语义和尺度信息的特征融合能力；最后，在输出端引入解耦头，提高了模型网络的收敛速度与检测精度。实验结果表明：改进模型在光伏电池EL数据集上平均精度均值mAP@0.5∶0.95为66.4%，相较于原网络提高了7.1%，实现了对太阳能电池片表面缺陷的快速有效定位识别，在太阳能电池工业生产过程中具有一定的实际应用价值。

摘要:3D打印碳纤维增强复合材料构件常见缺陷包括裂纹、气泡、脱粘和分层等。然而，传统的红外热图处理技术存在边缘模糊、“伪影”等问题，并未充分利用像素值在时间维度上的信息。因此，提出了一种基于时序信息的自适应中值滤波算法。结合当前像素在时间维度上的变化信息，利用z-score离群值去除法，判断当前像素在一定时间维度内是否异常，从而减少噪声污染。实验证明：该算法与小波分解去噪、张量主成分分析等方法相比，信噪比指数平均高出6.155 dB，边缘保持良好。此外，使用半高宽测量法、最大类间差法和高斯拉普拉斯算子量化了缺陷，实验表明碳纤维含量和激励时间影响缺陷量化的精度。

摘要:针对电动自行车电池样式单一，特征信息少，应用场景单一问题，重点关注模型轻量化，提出了一种基于视频监控的改进YOLOv8的电动自行车电池检测算法——PSPG-YOLO。在网络中特征提取方面，设计了一种多分支的PStarblock结构优化C2f模块，在Starblock的基础上进一步降低模型复杂度，增强特征信息表达能力；在多尺度融合特征金字塔方面，应用具有共享参数的空洞卷积改进SPPF结构，有效增大了感受野，保留了更多的细节特征信息；在检测头方面，提出了一种超轻量化共享卷积检测头GSPH，应用可共享参数的部分卷积，大幅降低模型复杂度的同时能够动态调整锚点和步长，自动调整内部参数，从而提高对不同尺度特征图的适应能力。在专门针对电动自行车电池的自建数据集上实验表明：PSPG-YOLO相较于基线模型YOLOv8n在计算量、参数量分别下降57%和43%的同时mAP50值提高0.8，在与其他主流检测模型的对比中，综合性能最佳，为目前电动自行车电池违规入户管理提供了一种有效的解决方式。

摘要:机器人视觉伺服控制主要依靠其视觉系统对工件角点、边线和圆等的检测为其后续决策与控制提供依据。随着系统作业密度的骤增，边缘模组已很难满足其检测负荷，尤其面对复杂场景的连续批量检测，终端视觉的实时性和准确性均受到巨大挑战，降低了系统作业效率。针对上述瓶颈，尤其是难度更高的圆检测，创新性的提出了一种基于霍夫梯度的同步圆检测方法：通过对边缘图像进行边缘筛选去除图像中的干扰信息；然后通过八点法同步确定圆心和半径，并通过半径再搜索减少半径误差，通过圆心位置约束减少无效计算；最后通过候选圆再搜索和最优圆获取实现图像中圆目标的准确检测。为进一步提高圆检测速度和效率，上述算法与CUDA并行技术进一步融合，提出了一种基于霍夫梯度的同步并行圆检测方法，能够充分利用并行计算的优势加速圆检测过程。实验结果表明，与GHT、CACD、RCD和Zhao等相比，该方法显著提升了圆检测的精度和效率，具备更强的抗噪声和抗扰动能力。其精确率、召回率、F 值分别为99.1%、90.7%和94.7%；单张图像的平均检测时间为0.09 s，检测效率最高提升26倍，使其在工业领域的批量图像处理任务中具有较好的实用价值。

摘要:锂电池作为当前新能源市场的重要组成部分，广泛应用于消费电子、电动汽车和储能领域。为确保锂电池的安全性，在出厂前通常利用X射线对其内部进行检测，从而剔除有缺陷的产品。然而，利用X射线成像的锂电池原始图片通常对比度低、对比度不均匀、灰度值集中在狭窄区域，导致无法判别样品的细节信息。针对锂电池X射线图片的以上特点，本文提出了两种方法增强锂电池X射线图片的对比度。第1种方法是利用自定义非线性灰度变换函数结合CLAHE算法来增强对比度，第2种方法是利用同态滤波结合CLAHE变换实现对比度的增强。本文编写程序实现了该想法，并在圆柱形卷绕锂电池图片上进行了测试。结果显示，本文提出的对比度增强算法使图片的信息熵提高约20%，灰度直方图显示更加均匀，有着更高的对比度，显著提高了锂电池X射线图像质量。这项研究将为微焦点X射线锂电池缺陷检测和自动识别提供技术支持。

摘要:飞机起落架缺陷检测对于确保飞行安全具有重要意义。针对现有目标检测方法存在的精度不足、模型参数量大等问题，提出了一种名为GSV-YOLO的飞机起落架缺陷检测方法，该方法基于YOLOv7-tiny并对其进行改进。首先，采用Ghost卷积替代YOLOv7-tiny模型中的标准卷积，实现模型轻量化并减少参数量；其次，引入深度可分离自注意力模块(SepViT)，增强模型对全局信息的提取能力，减少小目标样本的误检和漏检；设计轻量级检测头以强化模型的分类和定位能力；最后，利用基于Wise-IoU损失的动态非单调聚焦机制对普通质量锚框进行聚焦，进一步提升检测性能。实验结果表明，GSV-YOLO在飞机起落架缺陷数据集上平均检测精度达到80.4%，相较于原模型提升了4.9%，且模型参数量减少了10.6%，同时改善了模型规模和检测精度。将该方法应用于工业环境，显著提高了检测效率，具有极大应用价值。

摘要:针对光伏电池电致发光图像缺陷的复杂背景干扰不均、形状多变和缺陷多尺度等问题，提出了一种基于重参数化的光伏电池缺陷检测算法OM-Detector。首先结合广义高效层聚合网络和在线重参数化，提出了OREPANCSPELAN4模块，引入重参数化有效地通过梯度下降优化算法进行训练，在提升精度的同时降低了模型参数量，使模型轻量化；其次，在颈部网络中引入了多尺度卷积注意力模块，抑制复杂背景的干扰，提高模型检测细小缺陷的准确率；最后，结合重参数化特征提取—融合模块和多尺度卷积注意力模块，构建光伏电池缺陷检测器。使用光伏电池异常检测数据集对算法性能进行验证，实验结果表明，与YOLOv8检测网络相比，平均精度均值提升了2.5%，参数量降低了29%，推理速度加快了5.7%，优于目前的主流目标检测算法，能快速、准确地对光伏电池表面缺陷进行检测。