实现移动机器人的同步定位与建图（SLAM）是实现移动机器人真正意义上自主导航的关键。越来越多的研究者开始关注基于机器视觉的SLAM技术，这是因为它具有丰富的信息和低廉的价格。针对传统的室内环境下的3D SLAM存在实时性差、鲁棒性低等问题，提出了一种改进的RGB-D SLAM算法，利用主成分分析法（PCA）对特征描述子进行降维处理，以加快图像匹配的速度。同时针对RGB-D SLAM过程中平移和旋转较慢这一特征，提出了一种将图像区域分块匹配的方法，提高了特征点匹配的效率，降低了误匹配率。同时限制所划分的区域内的特征点数目，使得提取到的图像特征更均匀。为了克服原始RGB-D SLAM的效率不佳问题，采用了RTAB-MAP来实现RGB-D SLAM。在后端，g2o用于机器人的轨迹和全局地图优化。

对双叶螺旋桨桨叶的破损区域进行修补时,使用一般的缺损修补方法往往精度不够而且会影响桨叶的气动性能。针对该问题,提出一种基于对称性的双叶螺旋桨桨叶修复方法。首先,利用主成分分析法求得旋翼直径轴;然后,将桨叶点云绕直径轴旋转,使用迭代的方法逐步调整旋转角度将桨叶点云投影至二维平面,同时采用平均偏差值计算方法检测二维点云外轮廓的反射对称性,利用反射对称性确定螺旋桨的旋转轴轴向;最后,根据螺旋桨的旋转对称性,构建包围盒检索缺损区域的旋转对称点,若存在旋转对称点,则用其填补缺损区域。对所提方法进行了实验验证,结果表明该方法能实现破损叶片的高精度修复。

研究表明高速列车的噪声由多种因素混合而成,有效的分离出各种噪声对列车的减振降噪具有重要意义.针对动车组模型试验提出一种适用于分离试验段观测噪声的盲源分离方法.对观测噪声进行EEMD分解,使单通道欠定问题转化为正定问题;利用主成分分析进行源信号数目的估计,提出利用至少包含源信号信息90%的主成分重构观测信号;对重构的观测信号利用独立分量分析进行分离.仿真实验说明该方法可有效的分离出源信号.在动车组模型风洞试验中,试验段传声器的观测信号主要是由气动噪声和风机振动噪声混合而成,所估计的源信号数目与试验条件一致.分离出的气动噪声和风机振动噪声源信号与原始源信号的主要频率一致,相关系数都大于0.65,属于强相关,说明了该方法对动车组模型试验噪声分离的有效性.

针对滚动轴承故障诊断存在的故障程度难以区分、早期故障不易发现、故障诊断精度低等问题,这里提出了一种基于小波包变换(Wavelet Packet Transform,WPT)、主成分分析(Principal Component Analysis,PCA)与支持向量机(Support Vector Machine,SVM)相结合的滚动轴承故障程度诊断方法。该方法首先对原始信号进行小波包分解,然后对分解后的信号进行重构,计算重构信号能量作为特征值;随后,运用主成分分析对特征向量进行降维,将降维后的特征输入支持向量机,完成故障模型的训练与测试。这里主要分析了累计贡献率、小波包分解层数、母小波类型对故障诊断成功率的影响。实验结果表明此方法可以有效地识别不同故障位置的故障程度。

为在风电机组多源异构SCADA大数据中挖掘有效信息,保证短期功率预测精度,针对数据在时间维度上的记忆特征,提出主成分分析(PCA)与长短期记忆神经网络(Long Short-Term Memory Neural Network,LSTM)相结合的短期功率预测模型。运用Pearson相关系数将海量的负荷数据、气象数据等相关数据进行初步提取,运用PCA技术降低数据维度,再将压缩后的数据输入LSTM网络进行短期负荷预测。实验结果表明,所提的方法比经典的时序预测方法如Arima、SVM等具有更高的精度,具有更稳定的预测结果。

活塞作为发动机内最重要的零件之一,工作过程中将承受巨大的爆发力。当活塞喉口存在微细缺陷时,爆发力将会导致缺陷开裂从而产生严重的安全隐患,因此对于活塞喉口微细缺陷检测的研究具有重要意义。采集三种不同缺陷类型的活塞涡流信号,进行降噪后提取其时域、频域及时频域内多重特征。对比分析了基于主成分分析(Principal Component Analysis,PCA)和线性判别分析(Linear Discriminant Analysis,LDA)降维的活塞喉口微细缺陷检测与识别方法,并对降维结果分别进行线性判别分类和高斯朴素贝叶斯分类(Gaussian Naive Bayes,GaussianNB),对比缺陷识别的准确率与模型训练时间,从而得出性能最好的缺陷识别模型。实验结果证明LDA-GaussianNB模型可高效判别活塞喉口微细缺陷类型。

设计了一种基于深度学习的预测模型,以提升具有大数据特征的离散智能车间订单完工时间预测能力。从当地企业的MES系统中查询选取生产线的数据用于研究,初步统计分类并使用主成分分析法处理;搭建基于DNN(深度神经网络)的预测模型,初始化模型参数,选择Softmax回归分类器;对比BP神经网络与RBF神经网络,以验证模型准确度和可靠度。