期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于多传感器信息融合的无轨胶轮车井下高精度建图研究
1
作者
李星
陈湘源
张伟
《中国煤炭》
北大核心
2025年第6期126-134,共9页
针对煤矿巷道多岔路、底板起伏不平的行驶工况,以德塔WLR-5BA型无轨胶轮车为研究对象,提出了一种激光雷达与毫米波雷达数据信息融合算法(LIDAR-MMWR-DFA),结合自适应路面起伏的点云分割算法以及点云聚类分析法,以实现巷道高精度建图及L...
针对煤矿巷道多岔路、底板起伏不平的行驶工况,以德塔WLR-5BA型无轨胶轮车为研究对象,提出了一种激光雷达与毫米波雷达数据信息融合算法(LIDAR-MMWR-DFA),结合自适应路面起伏的点云分割算法以及点云聚类分析法,以实现巷道高精度建图及L3级别的无人驾驶。同时为了验证LIDAR-MMWR-DFA算法的有效性,以郭家湾煤矿辅运巷为行驶场景进行工业性试验,并与传统算法进行对比试验。试验结果表明:在下坡、岔路、调头等工况下,巷道建图三维点云坐标平均误差为0.070~0.408 m,与井下常用的传统LOAM算法相比拥有更小误差,并显著提升了煤矿井下复杂环境(多岔路、起伏路面)的三维建图精度,为L3+无人驾驶提供了技术支撑。
展开更多
关键词
信息融合技术
无轨胶轮车
高精度建图
巷道感知
激光雷达
多传感器
在线阅读
下载PDF
职称材料
基于多模态深度学习的充电硐室锂电池健康状态预测
2
作者
赵应华
陈安碧
+2 位作者
张增誉
李文中
韩宇
《工矿自动化》
北大核心
2025年第5期120-128,共9页
在井下多尘、潮湿且易爆的环境中,锂电池的退化过程往往呈现非线性、多阶段的特点,传统的单一模型难以全面捕捉其动态变化。针对该问题,提出一种基于多模态深度学习的充电硐室锂电池健康状态预测方法。构建了多模态深度学习网络模型TCN−...
在井下多尘、潮湿且易爆的环境中,锂电池的退化过程往往呈现非线性、多阶段的特点,传统的单一模型难以全面捕捉其动态变化。针对该问题,提出一种基于多模态深度学习的充电硐室锂电池健康状态预测方法。构建了多模态深度学习网络模型TCN−BiLSTM−Transformer。该模型通过多层级特征提取机制实现时序信号的高效处理:时间卷积网络(TCN)采用具有指数扩展率的空洞卷积核,在保持时序完整性的同时捕获多尺度局部特征;双向长短期记忆网络(BiLSTM)通过双向门控循环单元(GRU)建立时序双向依赖关系,有效识别电池退化过程中的正反向退化特征;Transformer层则通过多头自注意力机制动态分配特征权重,实现全局退化模式的关键特征聚焦。通过锂电池工作过程中的多源传感数据(电压、电流和温度等)作为健康状态表征指标,通过Pearson相关性分析评估健康指标与电池容量的关联性,确定5个间接健康因子并作为预测模型的输入。实验结果表明,该方法的相关度均在98%以上,且均方误差、均方根误差、平均绝对误差、平均绝对百分比误差均较小。在煤矿防爆锂电池模拟工况应用验证中,该方法的相关度达99.47%,与传统方法的预测结果相比,波动幅度更小,精度更高。
展开更多
关键词
防爆锂电池
健康状态预测
多模态深度学习
时间卷积网络
双向长短期记忆网络
TCN−BiLSTM−Transformer
在线阅读
下载PDF
职称材料
履带行走车辆行走轨迹纠偏方法研究
被引量：
1
3
作者
高启业
高明
宋丽军
《中国工程机械学报》
北大核心
2023年第6期527-531,共5页
为实现履带行走车辆精确行驶,依据履带行走车辆的转向原理,构建履带车辆行驶转向姿态方程,提出基于虚拟前轮反馈控制算法的轨迹跟踪控制器,建立履带车的输入量求解模型,采用Matlab软件对模型进行仿真,并与纯跟踪算法比较。结果表明:模...
为实现履带行走车辆精确行驶,依据履带行走车辆的转向原理,构建履带车辆行驶转向姿态方程,提出基于虚拟前轮反馈控制算法的轨迹跟踪控制器,建立履带车的输入量求解模型,采用Matlab软件对模型进行仿真,并与纯跟踪算法比较。结果表明:模型履带车的横向误差xe与纵向误差ye最大值不超过0.15 m,直线误差值e最大值不超过0.12 m,纯跟踪法下的模型履带车横向误差x_(e)最大值为0.31 m,纵向误差y_(e)最大值为0.53 m,直线误差e最大值为0.64 m,在低速工况下,轨迹跟踪精度较纯跟踪法相比,具有更高的精度值。
展开更多
关键词
履带
行走系统
纠偏
轨迹跟踪
在线阅读
下载PDF
职称材料
题名
基于多传感器信息融合的无轨胶轮车井下高精度建图研究
1
作者
李星
陈湘源
张伟
机构
国能榆林能源
有限
责任
公司
深圳市德塔工业智能电动汽车有限公司
出处
《中国煤炭》
北大核心
2025年第6期126-134,共9页
文摘
针对煤矿巷道多岔路、底板起伏不平的行驶工况,以德塔WLR-5BA型无轨胶轮车为研究对象,提出了一种激光雷达与毫米波雷达数据信息融合算法(LIDAR-MMWR-DFA),结合自适应路面起伏的点云分割算法以及点云聚类分析法,以实现巷道高精度建图及L3级别的无人驾驶。同时为了验证LIDAR-MMWR-DFA算法的有效性,以郭家湾煤矿辅运巷为行驶场景进行工业性试验,并与传统算法进行对比试验。试验结果表明:在下坡、岔路、调头等工况下,巷道建图三维点云坐标平均误差为0.070~0.408 m,与井下常用的传统LOAM算法相比拥有更小误差,并显著提升了煤矿井下复杂环境(多岔路、起伏路面)的三维建图精度,为L3+无人驾驶提供了技术支撑。
关键词
信息融合技术
无轨胶轮车
高精度建图
巷道感知
激光雷达
多传感器
Keywords
information fusion technology
trackless rubber-tired vehicle
high-precision mapping
roadway perception
laser radar
multi-sensor
分类号
TD91 [矿业工程—选矿]
在线阅读
下载PDF
职称材料
题名
基于多模态深度学习的充电硐室锂电池健康状态预测
2
作者
赵应华
陈安碧
张增誉
李文中
韩宇
机构
国能榆林能源
有限
责任
公司
青龙寺煤矿分
公司
深圳市德塔工业智能电动汽车有限公司
国能榆林能源
有限
责任
公司
出处
《工矿自动化》
北大核心
2025年第5期120-128,共9页
基金
辽宁省教育厅基础项目(LJ2019JL030)
国能榆林能源青龙寺煤矿示范项目(YLNY-QLSCB-JF-2023-22)。
文摘
在井下多尘、潮湿且易爆的环境中,锂电池的退化过程往往呈现非线性、多阶段的特点,传统的单一模型难以全面捕捉其动态变化。针对该问题,提出一种基于多模态深度学习的充电硐室锂电池健康状态预测方法。构建了多模态深度学习网络模型TCN−BiLSTM−Transformer。该模型通过多层级特征提取机制实现时序信号的高效处理:时间卷积网络(TCN)采用具有指数扩展率的空洞卷积核,在保持时序完整性的同时捕获多尺度局部特征;双向长短期记忆网络(BiLSTM)通过双向门控循环单元(GRU)建立时序双向依赖关系,有效识别电池退化过程中的正反向退化特征;Transformer层则通过多头自注意力机制动态分配特征权重,实现全局退化模式的关键特征聚焦。通过锂电池工作过程中的多源传感数据(电压、电流和温度等)作为健康状态表征指标,通过Pearson相关性分析评估健康指标与电池容量的关联性,确定5个间接健康因子并作为预测模型的输入。实验结果表明,该方法的相关度均在98%以上,且均方误差、均方根误差、平均绝对误差、平均绝对百分比误差均较小。在煤矿防爆锂电池模拟工况应用验证中,该方法的相关度达99.47%,与传统方法的预测结果相比,波动幅度更小,精度更高。
关键词
防爆锂电池
健康状态预测
多模态深度学习
时间卷积网络
双向长短期记忆网络
TCN−BiLSTM−Transformer
Keywords
explosion-proof lithium-ion battery
state of health prediction
multi-modal deep learning
Temporal Convolutional Network(TCN)
Bidirectional Long Short-Term Memory Network(BiLSTM)
TCNBiLSTM-Transformer
分类号
TD611 [矿业工程—矿山机电]
在线阅读
下载PDF
职称材料
题名
履带行走车辆行走轨迹纠偏方法研究
被引量：
1
3
作者
高启业
高明
宋丽军
机构
深圳市德塔工业智能电动汽车有限公司
内蒙古鄂尔多斯市东胜区能源管理综合行政执法大队
出处
《中国工程机械学报》
北大核心
2023年第6期527-531,共5页
文摘
为实现履带行走车辆精确行驶,依据履带行走车辆的转向原理,构建履带车辆行驶转向姿态方程,提出基于虚拟前轮反馈控制算法的轨迹跟踪控制器,建立履带车的输入量求解模型,采用Matlab软件对模型进行仿真,并与纯跟踪算法比较。结果表明:模型履带车的横向误差xe与纵向误差ye最大值不超过0.15 m,直线误差值e最大值不超过0.12 m,纯跟踪法下的模型履带车横向误差x_(e)最大值为0.31 m,纵向误差y_(e)最大值为0.53 m,直线误差e最大值为0.64 m,在低速工况下,轨迹跟踪精度较纯跟踪法相比,具有更高的精度值。
关键词
履带
行走系统
纠偏
轨迹跟踪
Keywords
track
traveling system
deviation correction
trajectory tracking
分类号
TD67 [矿业工程—矿山机电]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于多传感器信息融合的无轨胶轮车井下高精度建图研究
李星
陈湘源
张伟
《中国煤炭》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于多模态深度学习的充电硐室锂电池健康状态预测
赵应华
陈安碧
张增誉
李文中
韩宇
《工矿自动化》
北大核心
2025
0
在线阅读
下载PDF
职称材料
3
履带行走车辆行走轨迹纠偏方法研究
高启业
高明
宋丽军
《中国工程机械学报》
北大核心
2023
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
