一、虚拟传感器及数据融合的发展（论文文献综述）
王一竹[1]（2021）在《车辆故障检测系统的设计与实现》文中提出党的十九大作出了建设交通强国的重大决策部署,轨道交通作为国家战略性、全局性、先导性和基础性的重要设施,必将在交通强国的国家战略中发挥积极、不可或缺的重要作用。近年来,我国轨道交通系统已经在高原铁路和高速铁路等方面取得了一系列核心关键技术的突破,铁路总体技术水平进入世界先进行列。而在新一代科技革命和产业变革高速发展的情况下,以互联网、人工智能为代表的新兴使能技术与轨道交通深度融合,安全舒适已经成为轨道交通系统未来的发展方向。因此,使用轨道列车行驶数据进行故障检测以提高行车安全可靠性的车辆故障检测系统应运而生。在车辆故障检测系统的开发过程中,作者参与了从需求分析、概要设计、详细设计、编码实现到系统测试的全部系统开发环节。在需求分析阶段,作者挖掘用户需求,确定了系统的功能性需求以及非功能性需求,并且将系统划分为算法管理模块、数据管理模块以及系统设置模块三个模块。在概要设计阶段,作者在需求分析的基础上确定了系统使用前后端分离的B/S架构,同时对功能模块、数据库以及相应接口进行了设计。在详细设计与实现阶段,作者根据需求分析和概要设计,利用My SQL数据库、React框架、Dva状态管理工具、Umi解决方案和Koa框架独立完成了系统全部模块的开发工作。在算法管理模块中,针对高速列车牵引系统的核心组件牵引电机的机械类故障问题,作者调研学习了相关的故障检测方案以及虚拟传感器技术并对算法进行了分析与对比,确定使用堆叠自动编码器（Stacked Autoencoder,SAE）算法建立故障检测算法模型,并根据具体故障特点进行改进,以实现电机的故障检测;确定使用定子电流为原始数据,LSTM（Long Short-Term Memory,长短期记忆网络）算法为基础,建立虚拟传感器模型,达成电流数据向振动加速度数据的转变,完成了虚拟传感器算法的实现。最后在测试阶段,作者独立完成了系统各模块的功能性测试以及非功能性测试。目前,车辆故障检测系统已经在企业内部投入使用,系统运行状况良好,为车辆故障检测提供了极大地便利。
黄珩逸[2]（2021）在《基于数据预测和数据重用的传感云网络服务模型关键技术研究》文中研究表明随着云计算和物联网的发展,云计算和无线传感器网络逐渐融合,形成了传感云系统。传感云在继承了云计算和传感器网络的优势的同时,也出现了许多暂时未能解决的问题,特别是数据方面。传感云的数据规模和结构相比传感器网络更加复杂和多样,采用传统的处理和分析方案难以进行管理。本文从传感数据的角度出发,针对传感云系统的传感即服务的特性,研究其服务过程中,数据处理和传输的特点,认为可以对服务中出现频次较高的数据序列进行预测。本文尝试将传感云系统收集到的传感数据进行利用,通过序列模式挖掘的手段处理经常以时间序列的形式出现的传感数据,来实现数据预测。本文提出适用于传感云系统的序列模式挖掘和匹配算法,通过对序列模式进行压缩和还原,和在服务过程中根据已有的传感数据与序列模式数据集实时进行匹配来实现不同任务中的数据预测。通过以预测数据代替传感数据提供给用户,来优化系统的能耗,提高服务的响应时间。本文针对预测模型中的各项参数设置进行了讨论,预测模型中涉及的各项参数可以进行灵活的调整和平衡,以达到更符合用户期望的预测效果。仿真实验结果表明,本文提出的预测方案在各项性能指标上和其他算法的对比中均取得了较好的表现。同时,本文提出基于数据重用的传感云服务方案,构建了一个以传感数据重用率为主要性能指标的传感云服务过程。在该服务方案分为两个部分,分别是一个网络节点分配方案以及一个用户队列调度方案。网络节点的分配方案以构建传感数据的高复用率为基础的路由结构为目的,调用了基于混合蛙跳算法的启发式算法,来进行网络节点的分配,以响应用户的需求。此外,考虑到传感云服务过程中,各项服务参数的不确定性,本文引入一个用户状态轮换队列,使传感云中的传感数据最大限度地得到重复利用,有效降低传感器节点的能耗和带宽占用。本文所提出的服务方案和相关算法经过仿真实验验证,在传感云系统上能够有效降低系统能耗,提升响应速度。
孙少鹏[3]（2021）在《工业机器人跨平台仿真系统研究开发》文中进行了进一步梳理随着工业自动化技术的进步,具有高效率、高安全性、高柔性的工业机器人在制造业中的应用正变得越来越广泛,能够提高机器人工程开发效率、降低开发成本的机器人仿真系统也成为了研究的热点方向。本文从机器人仿真系统与PLC控制器信号交互的角度出发,开发出一款集成了机器人三维仿真、通信、传感器模拟、机器人程序解析、运动轨迹规划等功能的工业机器人跨平台仿真系统。本文的主要研究内容如下:以工业机器人跨平台仿真系统为研究对象,对仿真系统的架构进行了研究。使用分层设计原则,将仿真系统分为业务演示层、逻辑运算层和接口层。采用分模块设计的方法设计了人机界面、语言解释器、通信模块、运动控制模块、虚拟传感器模块。通过对仿真系统开发平台的对比分析,确定了Unity-3D配合三维建模软件的方案进行系统开发。对仿真系统的建模方法进行了研究。按照父子模型树的装配原则将模型导入Unity-3D平台中,然后利用D-H参数法进行机器人运动学建模并对运动学正逆解求解过程进行推导。在运动学模型的求解基础上对机器人末端轨迹进行了研究,实现了工业机器人的直线和圆弧轨迹插补。对仿真系统中的语言解释器进行了研究。分析工业机器人程序语言的指令并进行分类,使用逐行扫描的方法对机器人程序进行解析,对比指令所属的集合后进行字符串运算,提取有效的程序信息并进行转换、执行。使用WPF绘制了人机界面,用于仿真系统与操作人员的交互。对仿真系统的通信模块进行了研究。利用TCP协议开发出通信模块,用于仿真系统和PLC控制器之间的通信。仿真场景中的机器人及其它设备都以通信模块为中介,实现与PLC的数据交换。此外,在仿真系统中还对传感器功能进行了模拟,实现了部分类型的虚拟传感器功能。最后搭建机器人自动化仿真场景依次对系统的功能进行验证。对实际案例进行仿真,结果证明仿真系统能够实现不同品牌的机器人与PLC控制器的联合仿真。
花威[4]（2021）在《多驾驶场景下基于先验知识的自动驾驶算法研究》文中研究说明无人驾驶技术并不是单点的技术,而是多个技术的整合。无人驾驶的整体技术架构,大概可以分为三大模块:算法、系统以及云平台。随着智能驾驶产品的应用,智能驾驶系统感知系统、执行系统等的功能不足,感知算法、决策算法、控制算法等的算法测试不充分,以及人员误用,即智能驾驶预期功能安全问题,给消费者或相关方带来的生命与财产安全风险,逐渐成为智能驾驶系统研究改进的方向。现实环境中,不可能为了训练一个算法模型,把一辆部署该模型的自动驾驶系统车辆放在道路中不断训练,这样成本特别高也很不现实。因为某些算法模型比如强化学习（Reinforcement Learning,RL）训练往往会经过不断“试错”,拟合出一个适合指定路段的状态-行为-奖励（State-Action-Reward）。这种过程下车辆会“漫无目的”的行驶,撞到路沿或者控制丢失,不满足条件下,车辆会回到初始位置,继续训练,直到训练一定周期后车辆在该路段达到较好的控制,完成了该路段平稳的点到点行驶。由此,无人驾驶控制算法模块,在实车测试之前的算法验证方面存在一些需要解决的问题:（1）在实测验证开始之前,需要大量的虚拟仿真测试,保证算法的可行性和鲁棒性,没有保证测试准确性和可靠性的先决条件,实车对自动驾驶控制算法的效率也不会很高;（2）自动驾驶的控制算法,在实际生产环境中,都是以专家系统为主的大量大小状态机跳转,并分发固定的控制量,不平滑的控制量会造成实车行驶的顿挫感;（3）基于强化学习和模仿学习（Imitation Learning,IL）的自动驾驶控制算法,往往是一些单点的算法模型,需要大量的训练时间才能拟合出最优的控制曲线,造成训练效率低下。为了解决上述的三个问题,本文根据强化学习、模仿学习和势能场的知识,着重研究TRPO算法,并对其做了一些改进,主要研究工作和成果如下:1.本文搭建基于模型在环（Model-in-the-Loop,MiL）的自动驾驶虚拟仿真平台,目的是保证测试准确性和可靠性的先决条件下,缩短自动驾驶车辆测试周期;方法是采用Carla Simulator（Carla仿真器）建立了自动驾驶虚拟仿真模型。根据拟实性原则,利用游戏引擎、碰撞检测传感器和自定义地图等优化虚拟仿真场景,构建不同的驾驶场景;结果是输出不同场景下的控制量变化;结论是验证平台的可用性,加快测试效率。2.本文在搭建的自动驾驶虚拟仿真平台的基础上,比较分析强化学习的关键算法:DDPG、A3C和DQN算法模型以及模仿学习算法模型在仿真环境中的可视化效果和数据表现,进行比较分析,并提出这几种算法模型的优缺点。3.本文在比较分析和研究强化学习和模仿学习的算法模型的基础上,设计了一种基于势能场知识的与模仿学习融合的路径规划算法,探究仿真车是否对环境发生的变化具有较强的自适应能力。这种基于势能场知识下的强化学习和模仿学习融合多传感器仿真车路径规划算法,是将机器人操作系统（ROS）架构下采集的数据包（rosbag）作为先验知识对各个状态信息进行启发式初始化,使得强化学习在学习的初期有一定的被引导性,并且在学习中期因为有车道点（way points）作为势能值,引导智能体（Agent）作为引力偏向,提高算法效率的同时也减少了学习的时间。利用Carla仿真器的环境可以动态配置的特性,在环境中添加目标点,并在每个目标点配置引力势场或者斥力势场,引力势场可以引导仿真器朝向其运动,斥力场可以阻止仿真车向其靠近。作为先验知识的环境约束,可以减少强化学习和模仿学习融合多传感器仿真车路径规划算法下仿真车无意义的训练频次,大大增加训练效率,直接影响最后的实验结果。
秦风[5]（2021）在《无人车硬件在环的虚拟测试系统研究》文中进行了进一步梳理近年来,无人驾驶技术已经成为各发达国家高新技术发展战略之一,然而无人车实际道路测试技术由于存在测试周期长、测试成本高以及测试场景难以复现等问题,严重地制约了无人驾驶技术的快速发展。本文以长安大学“无人车实车在环虚拟测试系统”平台建设项目为依托,采用虚拟现实技术、虚拟传感器技术以及实时仿真技术设计了一套无人车硬件在环虚拟测试平台。主要研究内容包括:首先完成了无人车硬件在环虚拟测试系统整体方案设计,该方案包括六自由度模拟驾驶器、雷达目标模拟测试系统、视景仿真系统以及实时仿真系统等核心设备。在无人车虚拟测试场景综合设计中以Pre Scan软件设计20种不同类型的测试交通场景。其次以车辆动力学软件DYNA4、交通场景仿真软件Pre Scan、实时测试与仿真软件Veri Stand以及车载雷达测试系统VRTS为基础软件实现了无人车硬件在环虚拟测试系统的软件设计。在虚拟传感器与测试信号领域研究了虚拟传感器与无人车控制器的通信技术,分析了毫米波雷达不同激励信号方式差异,得出该系统中无人车在不同场景中做虚拟测试的最优激励信号方式。最后研究了无人车虚拟测试方法,在已设计完成的无人车虚拟测试系统中进行了无人车的跟车测试、自动紧急制动测试、车道保持测试和交通标志识别测试,并根据测试结果对相应算法进行评价分析。测试结果表明本文开发的无人车硬件在环虚拟测试平台可对无人车进行有效测试、验证和评估,虚拟测试技术与实际道路测试技术相结合可以为无人车测试提供完整、快速、高效的解决方案,极大提高了无人车测试效率,降低了测试成本,解决了无人车实际道路测试技术面临的困境。
周珍娟,刁联旺[6]（2021）在《一种在线迭代聚类的多传感器一致性数据融合方法》文中研究指明为了提高多传感器一致性数据融合的效果,在进行多传感器测量数据融之前,必须要对各传感器的测量数据是否具有一致性进行判定处理;针对现有各种多传感器一致性数据融合方法存在的不足,文章运用统计学中的假设检验理论、聚类分析和正态分布的优良性质,提出了一种在线迭代聚类的多传感器一致性数据融合方法,用Matlab进行大量仿真实验的结果表明,文章给出方法优于现有的多传感器一致性数据融合方法。
李元鹏[7]（2021）在《基于机器学习的天气预报及气体扩散溯源研究》文中进行了进一步梳理环境保护问题是中国可持续发展战略的重要组成部分,其中环境监测技术能够为环保管理和决策提供大量有意义的数据支撑,是环保工作的重要一环。本文针对环境监测领域的两个重要问题:天气预报和污染气体扩散溯源研究,利用包括光电传感在内的传感技术、机器学习技术,提升现有的天气预报能力以及工业园区的环境监测智能化水平。本文首先研究了基于机器学习技术的天气预报系统实现,我们结合地面气象站传感器观测的气象要素数据、北京城市气象研究院开发的睿图数值预报系统数据,创新性提出E-STAN-MLP预测算法框架。以北京地区24个气象站点为例,在温度、湿度、风速、风向这4个气象要素上,均大幅提升了预报精度。同时,本文以浙江某工业园区为例,基于Fluent软件构建污染气体扩散仿真数据集,研究了传感器位置布置优化方案、结合机器学习算法基于传感器观测浓度数据直接进行污染源定位、建立气体扩散模型并结合粒子群优化算法间接定位污染源位置。在该工业园区,定位污染源到具体工厂的准确率达到95%以上,定位到具体排放源的准确率达到80%。
张明政[8]（2020）在《基于传感云的农田精准灌溉控制与配置优化方法研究》文中指出作为农业物联网（Internet of Things,IoT）的底层支撑技术,无线传感器网络（Wireless Sensor Networks,WSNs）被广泛部署在各种农业应用中,但由于WSNs在能量、计算、通信和可扩展性等方面的限制,其在农业应用中也面临诸多瓶颈问题。传感云（Sensor-Cloud,SC）技术被看作是传统WSNs未来发展的一种趋势,通过将WSNs与云计算技术相结合,充分利用云计算的虚拟化技术,以减轻WSNs的诸多限制。本文面向传感云技术,对其在农业领域的应用进行深入研究,分析了农业传感云系统的分层架构及其工作模式;提出了一种基于传感云的精准喷灌控制系统模型,并给出系统各组成部分的形式化定义以及具体工作流程;针对传感云环境下的虚拟传感器配置（Virtual Sensor Provisioning,VSP）问题,提出了一种基于测量值相似性的配置优化算法,以减少网络能耗、提高数据服务质量。本文的主要研究工作可概括为:（1）基于传感云技术的研究背景,对WSNs、云计算和传感云三种技术进行了深入分析,阐述了一种面向精准农业的传感云系统框架,主要包含物理层、中间件层和用户层。该框架明确定义了各层主要职责、包含的实体对象、每个实体的工作内容以及整体的工作模式;最后,综合分析了农业传感云技术的优势与挑战。（2）提出了一种基于传感云的精准喷灌控制系统模型,通过将传统喷灌系统扩展到传感云系统的物理层,实现对喷头等喷灌设备的远程控制。该模型根据灌溉设备部署的地理位置将整个灌区划分为若干子区域,每个子区域的喷头均连接电磁驱动器,以此实现精准灌溉控制。仿真实验结果表明,基于传感云的系统模型相较于传统WSNs方案,具有较低的能耗水平和使用成本。（3）提出了一种基于测量值相似性的VSP优化算法,首先利用线性回归模型,根据传感器的历史数据对其变化趋势进行分类;在此基础上,利用6)均值聚类算法,对每个类中的传感器进行聚类分析,将相似性较高的传感器聚为一簇;最终从每一个簇中选择一个代表传感器,从而最小化冗余节点数目。实验结果表明,本文所提方案与基准方案相比,底层网络能耗更低、提供的数据准确度也更高。
王晔[9]（2020）在《航空发动机控制系统主动容错控制研究》文中指出航空发动机长期工作于高温、高压、强振动的恶劣环境,其控制系统的执行机构与传感器成为故障的敏感多发部位,从而严重影响整个航空发动机运行的安全性。因此,针对航空发动机执行机构及传感器故障,开展故障估计与容错控制研究,对保障控制系统可靠性具有重要工程意义。论文主要内容包括:首先,采用最小二乘法和拟合法建立航空发动机小偏差状态变量模型,在此基础上,采用矩阵伪逆法建立仿射参数依赖形式的线性参数变化（Linear-Parameter-Varying,LPV）模型。当航空发动机控制系统执行机构与传感器产生故障时,需要迅速对其进行故障估计与容错控制,使得系统仍能维持正常工作状态。其次,分别提出了鲁棒自适应故障估计器和基于线性分式变换（Linear Fractional Transformation,LFT）参数依赖的LPV故障估计器。首先,提出了鲁棒自适应故障估计算法,解决了存在外部干扰的航空发动机执行机构乘性故障估计问题。然后,对于存在扰动的发动机执行机构与传感器加性故障估计问题,利用有界实引理和投影定理,设计了具有调度特性的LPV故障估计器,仿真结果表明,设计的故障估计器能够准确的获取故障信息。进一步,针对扰动环境下,具有乘性和加性执行机构故障的航空发动机故障系统,基于所提故障估计器结果,提出了一种基于虚拟执行器的主动容错控制方法。在不改变无故障系统误差反馈控制器参数的情况下,综合误差反馈控制器、虚拟执行器和误差区间观测器,构建了航空发动机故障系统的重构策略。仿真表明,重构后的系统可以得到与无故障系统相近的性能指标,实现了航空发动机控制系统执行机构的主动容错控制。最后,针对扰动环境下,具有乘性和加性执行机构与传感器故障的航空发动机故障系统,在所提故障估计器结果的基础上,提出了一种基于虚拟执行器和虚拟传感器的主动容错控制方法。在不改变无故障系统误差反馈控制器参数的条件下,综合误差反馈控制器、虚拟执行器、虚拟传感器和误差区间观测器,构建了航空发动机故障系统的重构策略。仿真验证了重构后的系统能够得到与无故障系统相近的性能指标,实现了航空发动机控制系统执行机构与传感器的主动容错控制。
郭岳[10]（2020）在《基于数字孪生技术的矿井风流调控虚拟系统设计与开发》文中研究指明近年来,随着煤矿开采不断向数字化和智能化方向发展,为减少煤矿开采事故的发生率,将新技术应用到煤矿的安全生产领域就变成了关键。通风系统是煤矿开采作业的重要组成部分,传统通风方式风流状态不能实时调节,难以保障风场的合理分布,不能满足煤矿掘进过程中对风速、风向的动态调节。数字孪生技术是一种以建模、仿真和虚拟现实为核心,大数据和机器学习为依托的新技术。为解决上述问题,本文根据项目组新研发的煤矿综掘面风流调控系统的特点,设计与实现其数字孪生体模型。本文主要工作如下:（1）首先对项目组新研发的风流调控物理系统从原理、功能和组成等方面进行介绍,进而基于数字孪生技术建立其虚实映射模型,最后为风流调控系统物理世界和虚拟世界建立沟通桥梁数字孪生体模型,并对其整个传感体系所产生的孪生数据进行融合处理,建立风流智能调控决策系统。（2）分析总结风流调控虚拟系统的需求,建立符合实际需求的数字化模型,对虚拟模型主要部分风流调控装置的数化过程从几何模型、运动模型和控制模型三个层次进行建模,具体分为实体建模及渲染建立几何模型、风流调控装置运动分析及参数定义和虚实运动映射研究建立运动模型和3DMAX与Unity3D集成建立控制模型。（3）建立虚拟世界与物理世界的交互桥梁虚拟传感器,通过Unity3D工具实现了虚拟传感器模型配置、物理传感器采集数据图形化显示和瓦斯、粉尘浓度可视化粒子仿真。（4）在Unity3D工具下开发数字孪生风流调控系统原型,通过系统界面和系统功能展示验证系统设计的可行性和有效性。风流调控系统数字孪生体模型的建立是煤矿生产安全逐步走向智能化的方向性和技术性思路拓展,将为煤矿的安全开采提供重要保障。
二、虚拟传感器及数据融合的发展（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、虚拟传感器及数据融合的发展（论文提纲范文）
（1）车辆故障检测系统的设计与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 项目背景及意义 |
| 1.2 国内外发展现状 |
| 1.3 论文主要工作 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 2 相关理论和技术 |
| 2.1 React简介 |
| 2.2 Dva简介 |
| 2.3 Umi简介 |
| 2.4 Koa简介 |
| 2.5 Paddle Paddle简介 |
| 2.6 虚拟传感器技术介绍 |
| 2.7 堆叠自动编码器算法简介 |
| 2.8 LSTM算法简介 |
| 2.9 本章小结 |
| 3 需求分析 |
| 3.1 系统概述 |
| 3.2 系统功能性需求 |
| 3.2.1 算法管理模块 |
| 3.2.2 数据管理模块 |
| 3.2.3 系统设置模块 |
| 3.3 系统非功能性需求 |
| 3.3.1 性能需求 |
| 3.3.2 易用性需求 |
| 3.3.3 安全性需求 |
| 3.3.4 可扩展性需求 |
| 3.4 本章小结 |
| 4 系统概要设计 |
| 4.1 系统架构设计 |
| 4.2 系统功能模块设计 |
| 4.2.1 算法管理模块 |
| 4.2.2 数据管理模块 |
| 4.2.3 系统设置模块 |
| 4.3 数据库设计 |
| 4.3.1 数据逻辑结构 |
| 4.3.2 数据物理模型 |
| 4.3.3 数据库表字段说明 |
| 4.4 接口设计 |
| 4.4.1 算法管理模块接口设计 |
| 4.4.2 数据管理模块接口设计 |
| 4.4.3 系统设置模块接口设计 |
| 4.5 本章小结 |
| 5 系统详细设计与实现 |
| 5.1 故障检测相关算法的设计与实现 |
| 5.1.1 故障检测算法 |
| 5.1.2 虚拟传感器算法 |
| 5.2 服务层与算法调度层的设计与实现 |
| 5.2.1 服务层与算法调度层WebSocket连接的设计与实现 |
| 5.2.2 服务层的设计与实现 |
| 5.2.3 算法调度层的设计与实现 |
| 5.3 算法管理模块的设计与实现 |
| 5.3.1 参数配置子模块的设计与实现 |
| 5.3.2 训练模型子模块的设计与实现 |
| 5.3.3 测试模型子模块的设计与实现 |
| 5.4 数据管理模块的设计与实现 |
| 5.5 系统设置模块的设计与实现 |
| 5.5.1 用户管理子模块的设计与实现 |
| 5.5.2 算法服务器管理子模块的设计与实现 |
| 5.6 本章小结 |
| 6 系统测试及运行结果 |
| 6.1 系统测试环境 |
| 6.2 系统测试方案 |
| 6.2.1 系统功能性测试 |
| 6.2.2 系统非功能性测试 |
| 6.3 系统测试结果 |
| 6.4 运行效果 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于数据预测和数据重用的传感云网络服务模型关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传感云中的数据预测研究现状 |
| 1.2.2 传感云中的数据服务研究现状 |
| 1.3 本文研究内容 |
| 1.4 论文组织结构 |
| 第二章 理论知识和相关概念 |
| 2.1 数据预测及其相关理论 |
| 2.1.1 数据预测方法及模型 |
| 2.1.2 数据挖掘中的数据预测方案 |
| 2.2 数据重用相关理论 |
| 2.3 混合蛙跳算法 |
| 第三章 基于序列模式挖掘的传感云数据序列预测模型 |
| 3.1 引言 |
| 3.2 系统模型与网络结构 |
| 3.3 传感数据序列预测方案 |
| 3.3.1 序列模式挖掘方案 |
| 3.3.2 数据序列预测及生成方案 |
| 3.4 仿真结果与分析 |
| 3.5 本章小结 |
| 第四章 基于数据重用的传感云用户服务模型研究 |
| 4.1 引言 |
| 4.2 系统结构与网络模型 |
| 4.3 传感云中的数据重用服务方案 |
| 4.3.1 初始用户预处理 |
| 4.3.2 基于混合蛙跳算法的节点分配方案 |
| 4.3.3 构建用户轮换队列 |
| 4.4 仿真结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 5.3 主要创新点 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间参加的科研项目 |
| 攻读硕士学位期间发表的学术论文 |
（3）工业机器人跨平台仿真系统研究开发（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究目标与内容 |
| 第二章 系统整体设计 |
| 2.1 仿真系统研究 |
| 2.1.1 仿真系统需求分析 |
| 2.1.2 系统应用场景 |
| 2.2 系统构成 |
| 2.2.1 系统结构 |
| 2.2.2 系统工作流程 |
| 2.2.3 开发平台选择 |
| 2.3 本章小结 |
| 第三章 系统建模与轨迹规划 |
| 3.1 仿真系统建模 |
| 3.1.1 模型树 |
| 3.1.2 刚体 |
| 3.1.3 三维显示 |
| 3.2 运动学建模 |
| 3.2.1 数学模型建立 |
| 3.2.2 齐次坐标变换 |
| 3.3 机器人运动学方程求解 |
| 3.3.1 运动学正解 |
| 3.3.2 运动学逆解 |
| 3.4 轨迹规划 |
| 3.4.1 关节空间规划 |
| 3.4.2 笛卡尔空间规划 |
| 3.5 本章小结 |
| 第四章 语言解释器与通信模块研究 |
| 4.1 机器人程序分析 |
| 4.1.1 程序结构分析 |
| 4.1.2 程序指令分析 |
| 4.1.3 位置数据分析 |
| 4.2 语言解释器整体设计 |
| 4.2.1 程序读取 |
| 4.2.2 词法与语法分析 |
| 4.3 程序跳转功能实现 |
| 4.4 人机界面 |
| 4.4.1 人机界面需求分析 |
| 4.4.2 人机界面设计方案选择 |
| 4.5 通信模块与虚拟传感器 |
| 4.5.1 人机界面与Unity-3D通信 |
| 4.5.2 仿真系统与PLC控制器通信 |
| 4.5.3 虚拟传感器 |
| 4.6 本章小结 |
| 第五章 系统测试 |
| 5.1 仿真系统操作流程 |
| 5.2 案例测试 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（4）多驾驶场景下基于先验知识的自动驾驶算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第2章 强化学习算法及评价标准 |
| 2.1 强化学习介绍 |
| 2.2 DQN算法 |
| 2.2.1 DQN算法概述 |
| 2.2.2 DQN算法原理 |
| 2.2.3 DQN算法推演 |
| 2.2.4 DQN算法流程 |
| 2.3 A3C算法 |
| 2.3.1 A3C算法概述 |
| 2.3.2 A3C算法原理 |
| 2.3.3 A3C算法推演 |
| 2.3.4 A3C算法流程 |
| 2.4 PPO算法 |
| 2.4.1 PPO算法概述 |
| 2.4.2 PPO算法原理 |
| 2.4.3 PPO算法推演 |
| 2.4.4 PPO算法流程 |
| 2.5 强化学习评价标准 |
| 2.5.1 直接计算法 |
| 2.5.2 重要性采样 |
| 2.6 本章小结 |
| 第3章 基于势能场的先验知识融合算法的函数模型 |
| 3.1 基于势能场的初始化状态值函数模型 |
| 3.1.1 基于势能场的状态-动作值函数模型 |
| 3.1.2 基于势能场的状态势能回报函数模型 |
| 3.2 基于势能场的算法步骤 |
| 3.3 实验结果与分析 |
| 3.3.1 基于无先验知识的融合算法模型 |
| 3.3.2 基于势能场作为先验知识的融合算法模型 |
| 3.4 参数讨论 |
| 3.4.1 基于无先验知识的融合算法模型 |
| 3.4.2 基于势能场作为先验知识的融合算法模型 |
| 3.5 本章小结 |
| 第4章 基于模仿学习融合改进TRPO算法模型 |
| 4.1 基于模仿学习的算法模型 |
| 4.1.1 模仿学习 |
| 4.1.2 行为克隆 |
| 4.2 基于TRPO的算法模型 |
| 4.2.1 传统的TRPO算法 |
| 4.2.2 改进的TRPO算法 |
| 4.3 基于模仿学习融合改进的TRPO算法模型 |
| 4.3.1 基于模仿学习融合的TRPO算法模型 |
| 4.3.2 基于模仿学习融合的改进TRPO算法模型 |
| 4.4 实验结果 |
| 4.5 实验分析 |
| 4.6 本章小结 |
| 第5章 基于模型在环的仿真测试平台 |
| 5.1 虚拟测试环境 |
| 5.1.1 虚拟车辆仿真模型 |
| 5.1.2 虚拟传感器 |
| 5.1.3 虚拟定位器 |
| 5.2 测试场景 |
| 5.2.1 地图 |
| 5.2.2 场景 |
| 5.3 基于模型的仿真测试模型 |
| 5.4 实验结果与分析 |
| 5.4.1 功能验证 |
| 5.4.2 算法导入 |
| 5.4.3 仿真及结果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）无人车硬件在环的虚拟测试系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 自动驾驶虚拟测试系统研究现状 |
| 1.2.2 自动驾驶虚拟测试平台研究现状 |
| 1.3 本文主要研究内容与章节安排 |
| 第二章 无人车硬件在环虚拟测试系统整体设计 |
| 2.1 无人车硬件在环虚拟测试系统需求分析 |
| 2.2 无人车硬件在环虚拟测试系统原理 |
| 2.3 无人车硬件在环虚拟测试系统方案设计 |
| 2.4 无人车硬件在环虚拟测试系统软硬件选型 |
| 2.4.1 模拟驾驶器选型 |
| 2.4.2 视景仿真系统选型 |
| 2.4.3 车辆动力学系统选型 |
| 2.4.4 实时仿真系统选型 |
| 2.4.5 雷达目标模拟测试系统选型 |
| 2.5 本章小结 |
| 第三章 无人车虚拟测试场景综合设计 |
| 3.1 虚拟测试场景综合分析 |
| 3.2 静态虚拟测试场景设计 |
| 3.3 动态虚拟测试场景设计 |
| 3.3.1 基于道路ID识别的动态目标触发设计 |
| 3.3.2 复杂运动的动态目标触发设计 |
| 3.4 其它交通要素设计 |
| 3.5 本章小结 |
| 第四章 车辆动力学模型实时仿真研究 |
| 4.1 车辆动力学模型建立 |
| 4.1.1 车辆坐标系 |
| 4.1.2 DYNA4 车辆动力学模型建立 |
| 4.1.3 Pre Scan车辆动力学模型建立 |
| 4.2 车辆动力学模型的联合仿真 |
| 4.2.1 车辆基本信息配置 |
| 4.2.2 车辆模型信号预处理 |
| 4.2.3 车辆模型数据交互设计 |
| 4.3 六自由度模拟驾驶器通信程序设计 |
| 4.4 本章小结 |
| 第五章 虚拟传感器与测试信号研究 |
| 5.1 传感器激励信号基本原理 |
| 5.2 虚拟传感器测试信号通信设计 |
| 5.2.1 黑盒模拟法测试信号通信 |
| 5.2.2 传感器注入法测试信号通信 |
| 5.3 传感器不同激励信号方式的虚拟测试 |
| 5.3.1 目标车辆驶入与驶出测试 |
| 5.3.2 目标车辆U型弯道测试 |
| 5.4 本章小结 |
| 第六章 无人车虚拟测试方法研究 |
| 6.1 数据监控界面设计 |
| 6.1.1 控制信号监控界面 |
| 6.1.2 雷达目标监控界面 |
| 6.2 不同工况下的虚拟测试与分析 |
| 6.2.1 跟车测试 |
| 6.2.2 自动紧急制动测试 |
| 6.2.3 车道保持辅助测试 |
| 6.2.4 交通标志识别测试 |
| 6.3 本章小结 |
| 总结与展望 |
| 全文总结 |
| 研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（6）一种在线迭代聚类的多传感器一致性数据融合方法（论文提纲范文）
| 0 引言 |
| 1 现有一致性数据融合方法的不足 |
| 1.1 测量数据的统计分布 |
| 1.2 一致性融合方法的基本步骤 |
| 1.3 现有多传感器一致性数据融合方法的不足 |
| 2 基于在线迭代聚类的一致性数据融合算法 |
| 2.1 基于统计假设检验的概率距离 |
| 2.2 一致性关系矩阵 |
| 2.3 在线迭代聚类融合算法的基本步骤 |
| 3 计算举例 |
| 4 结束语 |
（7）基于机器学习的天气预报及气体扩散溯源研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 天气预报相关研究 |
| 1.2.2 气体扩散/溯源相关研究 |
| 1.3 研究内容和论文结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 1.4 本章小结 |
| 2 相关理论和技术 |
| 2.1 传感器技术 |
| 2.1.1 传感器简介 |
| 2.1.2 气体传感器 |
| 2.1.3 气象传感器 |
| 2.2 机器学习 |
| 2.2.1 线性回归 |
| 2.2.2 决策树 |
| 2.2.3 梯度提升树 |
| 2.2.4 特征工程 |
| 2.3 深度学习 |
| 2.3.1 激活函数 |
| 2.3.2 多层感知机 |
| 2.3.3 循环神经网络 |
| 2.4 粒子群优化算法 |
| 2.5 计算流体力学技术 |
| 2.6 评价指标 |
| 2.7 本章小结 |
| 3 基于机器学习的天气预报研究 |
| 3.1 案例介绍 |
| 3.2 框架详细介绍 |
| 3.2.1 STAN模块介绍 |
| 3.2.2 多层感知机模块 |
| 3.2.3 E-STAN-MLP模块 |
| 3.2.4 利用联合损失来同时预测风速和风向 |
| 3.3 实验及结果分析 |
| 3.3.1 实验设置 |
| 3.3.2 基线模型的结果 |
| 3.3.3 分析讨论 |
| 3.4 本章小结 |
| 4 基于机器学习的气体污染物扩散溯源分析 |
| 4.1 应用场景构建 |
| 4.1.1 真实案例泄露场景仿真 |
| 4.1.2 仿真用于构建前向扩散模型 |
| 4.2 基于传感器观测结果的污染源直接定位 |
| 4.2.1 传感器位置选择 |
| 4.2.2 基于非时间序列模型确定污染源位置 |
| 4.2.3 基于时间序列模型确定污染源位置 |
| 4.3 基于扩散模型的污染源间接定位 |
| 4.3.1 污染源定位流程 |
| 4.3.2 以高斯羽烟作为扩散模型的污染源定位 |
| 4.3.3 以机器学习方法作为扩散模型的污染源定位 |
| 4.4 分析讨论 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 作者简历 |
（8）基于传感云的农田精准灌溉控制与配置优化方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 主要研究内容 |
| 1.3 论文组织结构 |
| 第二章 无线传感器网络、云计算与传感云 |
| 2.1 无线传感器网络 |
| 2.1.1 WSN的优势 |
| 2.1.2 WSN的应用 |
| 2.1.3 WSN的挑战 |
| 2.2 云计算 |
| 2.2.1 云计算定义 |
| 2.2.2 云计算分类 |
| 2.2.3 云计算应用 |
| 2.3 传感云 |
| 2.3.1 传感云定义 |
| 2.3.2 传感云基本架构 |
| 2.3.3 虚拟传感器 |
| 2.4 本章小结 |
| 第三章 面向精准农业的传感云系统框架 |
| 3.1 研究背景 |
| 3.2 农业传感云系统框架 |
| 3.2.1 用户层 |
| 3.2.2 中间件层 |
| 3.2.3 物理层 |
| 3.3 农业传感云应用 |
| 3.4 农业传感云的优势与挑战 |
| 3.4.1 农业传感云的优势 |
| 3.4.2 农业传感云的挑战 |
| 3.5 本章小结 |
| 第四章 基于传感云的精准喷灌控制系统设计 |
| 4.1 研究背景 |
| 4.2 灌溉传感云系统模型 |
| 4.2.1 传感云系统 |
| 4.2.2 喷灌系统模型 |
| 4.3 远程灌溉控制 |
| 4.3.1 服务请求 |
| 4.3.2 资源配置 |
| 4.3.3 数据上传 |
| 4.3.4 决策制定和执行 |
| 4.4 系统性能评估 |
| 4.4.1 实验参数设置 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第五章 基于数据相似性的虚拟传感器配置优化方案 |
| 5.1 研究背景 |
| 5.2 问题定义 |
| 5.3 虚拟传感器配置算法 |
| 5.3.1 问题建模 |
| 5.3.2 策略执行 |
| 5.3.3 算法设计 |
| 5.3.4 复杂度分析 |
| 5.4 算法性能评估 |
| 5.4.1 实验参数设置 |
| 5.4.2 评估指标 |
| 5.4.3 实验结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间完成的论文及其他科研成果 |
（9）航空发动机控制系统主动容错控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 故障诊断与容错控制的研究现状 |
| 1.2.1 故障诊断的研究现状 |
| 1.2.2 航空发动机故障诊断的研究现状 |
| 1.2.3 容错控制的研究现状 |
| 1.2.4 航空发动机容错控制的研究现状 |
| 1.3 本文主要工作 |
| 2 航空发动机模型的建立 |
| 2.1 引言 |
| 2.2 航空发动机线性模型 |
| 2.2.1 航空发动机小偏差状态变量模型 |
| 2.2.2 模型仿真结果 |
| 2.3 航空发动机状态变量LPV模型 |
| 2.3.1 航空发动机仿射参数依赖形式LPV模型 |
| 2.3.2 模型仿真结果与分析 |
| 2.4 本章小结 |
| 3 航空发动机控制系统的故障估计 |
| 3.1 引言 |
| 3.2 鲁棒自适应故障估计器 |
| 3.2.1 鲁棒自适应故障估计器的设计方法 |
| 3.2.2 仿真结果与分析 |
| 3.3 LFT参数依赖的故障估计器 |
| 3.3.1 LFT参数依赖的故障估计器设计方法 |
| 3.3.2 仿真结果与分析 |
| 3.4 本章小结 |
| 4 基于虚拟执行器的主动容错控制 |
| 4.1 引言 |
| 4.2 误差反馈控制器设计 |
| 4.3 虚拟执行器设计 |
| 4.3.1 问题描述 |
| 4.3.2 虚拟执行器结构 |
| 4.3.3 基于虚拟执行器的重构系统设计 |
| 4.3.4 虚拟执行器增益矩阵设计 |
| 4.4 误差区间观测器设计 |
| 4.4.1 问题描述 |
| 4.4.2 误差区间观测器结构 |
| 4.4.3 误差区间观测器增益矩阵设计 |
| 4.4.4 重构闭环系统稳定性分析 |
| 4.5 仿真结果与分析 |
| 4.6 本章小结 |
| 5 基于虚拟执行器和虚拟传感器的主动容错控制 |
| 5.1 引言 |
| 5.2 虚拟传感器设计 |
| 5.2.1 问题描述 |
| 5.2.2 虚拟传感器结构 |
| 5.2.3 基于虚拟传感器的重构系统设计 |
| 5.2.4 虚拟传感器增益矩阵设计 |
| 5.3 虚拟执行器与虚拟传感器联合设计 |
| 5.3.1 问题描述 |
| 5.3.2 联合结构设计 |
| 5.3.3 基于虚拟执行器和虚拟传感器的重构系统设计 |
| 5.4 误差区间观测器设计 |
| 5.4.1 问题描述 |
| 5.4.2 误差区间观测器结构 |
| 5.4.3 重构闭环系统稳定性分析 |
| 5.5 仿真结果与分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（10）基于数字孪生技术的矿井风流调控虚拟系统设计与开发（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数字孪生技术 |
| 1.2.2 数字孪生体的关键技术 |
| 1.2.3 数字孪生技术在煤矿应用研究现状 |
| 1.3 研究内容与章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第二章 数字孪生风流调控系统方案设计 |
| 2.1 风流调控物理系统介绍 |
| 2.1.1 综掘面掘进通风方式 |
| 2.1.2 风流调控系统组成 |
| 2.2 风流调控系统虚实映射模型 |
| 2.3 数字孪生风流调控系统总体结构及运行模式 |
| 2.3.1 总体结构 |
| 2.3.2 运行模式 |
| 2.4 风流调控智能决策 |
| 2.4.1 孪生数据信息融合模型 |
| 2.4.2 瓦斯粉尘预警系统 |
| 2.4.3 瓦斯粉尘调控系统 |
| 2.5 本章小结 |
| 第三章 风流调控装置虚拟实体建模技术研究 |
| 3.1 需求分析 |
| 3.2 风流调控装置运动分析及参数定义 |
| 3.2.1 运动分析 |
| 3.2.2 参数定义 |
| 3.3 虚实运动映射研究 |
| 3.3.1 位移运动映射 |
| 3.3.2 风筒口径开合运动映射 |
| 3.4 基于3DMAX的虚拟实体三维建模及渲染 |
| 3.5 基于3DMAX和 UNITY3D集成的虚拟实体运动建模技术研究 |
| 3.5.1 伸缩风筒运动建模 |
| 3.5.2 位移运动建模 |
| 3.5.3 风筒口径开合运动建模 |
| 3.6 本章小结 |
| 第四章 瓦斯粉尘虚拟粒子模型构建与仿真 |
| 4.1 瓦斯粉尘粒子仿真模型总体设计 |
| 4.2 风流调控系统虚拟传感器配置 |
| 4.2.1 虚拟传感器配置原理 |
| 4.2.2 传感器测点配置 |
| 4.3 传感器测点数据图形化 |
| 4.3.1 数据可视化插件设计 |
| 4.3.2 传感器测点数据监控 |
| 4.4 瓦斯粉尘浓度粒子运动仿真 |
| 4.4.1 粒子系统简介 |
| 4.4.2 粒子生成与扩散机制分析 |
| 4.4.3 虚拟空间碰撞盒计算方法 |
| 4.4.4 粒子可视化模拟 |
| 4.5 本章小结 |
| 第五章 数字孪生风流调控系统实现与运行 |
| 5.1 系统实现过程与功能划分 |
| 5.2 数字孪生风流调控系统原型 |
| 5.2.1 系统界面 |
| 5.2.2 系统功能 |
| 5.3 系统评价 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
四、虚拟传感器及数据融合的发展（论文参考文献）
- [1]车辆故障检测系统的设计与实现[D]. 王一竹. 北京交通大学, 2021
- [2]基于数据预测和数据重用的传感云网络服务模型关键技术研究[D]. 黄珩逸. 广西大学, 2021(12)
- [3]工业机器人跨平台仿真系统研究开发[D]. 孙少鹏. 东华大学, 2021(09)
- [4]多驾驶场景下基于先验知识的自动驾驶算法研究[D]. 花威. 扬州大学, 2021(08)
- [5]无人车硬件在环的虚拟测试系统研究[D]. 秦风. 长安大学, 2021
- [6]一种在线迭代聚类的多传感器一致性数据融合方法[J]. 周珍娟,刁联旺. 计算机测量与控制, 2021(02)
- [7]基于机器学习的天气预报及气体扩散溯源研究[D]. 李元鹏. 浙江大学, 2021(09)
- [8]基于传感云的农田精准灌溉控制与配置优化方法研究[D]. 张明政. 江苏大学, 2020(02)
- [9]航空发动机控制系统主动容错控制研究[D]. 王晔. 大连理工大学, 2020(02)
- [10]基于数字孪生技术的矿井风流调控虚拟系统设计与开发[D]. 郭岳. 长安大学, 2020(06)