公开(公告)号：CN109707797B

公开(公告)日：2021-10-26

申请号：CN201910119904.9

申请日：2019-02-18

Applicant: 哈尔滨工程大学

Inventor： 王玉甲 ,  吕图 ,  巩薇 ,  邸富强 ,  韩毅 ,  钱宇

IPC: F16H1/16 ,  F16H57/021 ,  F16H57/023 ,  F16H57/029 ,  B63H25/24

Abstract: 一种具有自锁性的X型舵AUV传动结构，属于AUV结构技术领域。该结构中步进电机输出轴通过键与一级蜗轮蜗杆中的蜗杆连接，其蜗轮两端分别与传动轴和带轮组固连，其中带轮组中一个带轮与和角度传感器轴向定位。传动轴另一端与二级蜗轮蜗杆的蜗杆连接。最后通过二级蜗轮蜗杆组带动舵翼，达到对舵翼的控制作用。本发明利用蜗轮蜗杆的自锁特性，在无需转舵要求时，使得电机无需输出保持力矩，从而降低AUV的能耗；采用两级蜗轮蜗杆，使得传动比增大，从而较大提高X型舵的控制精度；采用此传动方法可以减小所占空间，减小尺寸；此种具有自锁性的X型舵传动结构为小型X型舵AUV的尾舱设计提供一种更科学合理的选择。

公开(公告)号：CN112485064A

公开(公告)日：2021-03-12

申请号：CN202011285215.4

申请日：2020-11-17

Applicant: 哈尔滨工程大学

Inventor： 张铭钧 ,  王煜 ,  接宇欣 ,  李嘉文 ,  吕图 ,  王琦 ,  姚峰

IPC: G01N1/14

Abstract: 本发明提供一种深海海水原位取样器，属于海洋技术仪器设备领域。所述取样器特征在于：包括取样筒组件、电磁铁组件和连接框架组件。所述取样器以取样筒、筒内活塞、筒外活塞进行海水取样，并在筒外活塞上反向安装Y型密封圈，既能起到密封作用又能进行压力释放。所述取样器以恒力发条作为取样动力源，以失电电磁铁作为采样控制信号以减少对载体能源的消耗。本发明可在任意时刻对任意海域的海水进行无污染原位取样，尤其将其搭载在全海深自主式水下机器人(AUV)上，可在水下11000m处对压力高达110MPa的海水进行无污染原位取样。所述取样器在南海海试时于1546.97m处成功取回水样，同时在实验室130MPa静水压力试验时成功从压力罐中取出水样。

公开(公告)号：CN111261363A

公开(公告)日：2020-06-09

申请号：CN202010197524.X

申请日：2020-03-19

Applicant: 哈尔滨工程大学

Inventor： 张铭钧 ,  吕涛 ,  姚峰 ,  王玉甲 ,  于大程 ,  吕图

IPC: H01F7/128 ,  H01F7/08

Abstract: 本发明提供一种全海深电磁铁结构，其主要由导磁壳体、密封环、线圈骨架、漆包线和支撑筒组成。导磁壳体为导磁材料，密封环和焊接材料为非导磁材料。导磁壳体包括中心铁芯和密封导磁外壳，缠绕在线圈骨架上的漆包线套在铁芯上，由支撑筒支撑并在导磁壳体内部留出盘线的空间。密封环套在导磁壳体的凸台上，利用焊接密封的方法完成电磁铁吸合面端的密封。该电磁铁结构在工作时由接线端通电，吸合物在吸合面与电磁吸盘吸合，导磁壳体和吸合物形成磁路。该结构在完成全海深高压密封的同时，结构简单可靠，由于中心铁芯和密封导磁外壳为一体结构，其内部磁路没有间隙，可以完美输出磁吸力，适用于全海深驱动源。

公开(公告)号：CN111144307A

公开(公告)日：2020-05-12

申请号：CN201911372160.8

申请日：2019-12-27

Applicant: 哈尔滨工程大学

Inventor： 张铭钧 ,  刘星 ,  于大程 ,  崔丁与 ,  吕图 ,  盖宁

IPC: G06K9/00 ,  B63G8/08

Abstract: 本发明提供一种自主式水下机器人推进器故障特征提取方法，具体是基于经验模态分解、分形维数和SHFC定位算法的，属于水下机器人故障诊断技术领域。该方法采用经验模态分解进行数据预处理替代分形维数中普通的滤波方法；在模态分解后的高频部分，把滚动时间窗引入，通过每个时间窗内小样本的分形维数故障特征的提取，捕捉到故障到分形维数中发生时刻分形维数特征值的突变，提取出分形维数突变的极大值，进而增强故障特征的提取效果。本发明专利能增强故障特征，便于检测水下机器人推进器是否出现故障，特别适合应用于自主式水下机器人推进器的状态监测。

公开(公告)号：CN109829306A

公开(公告)日：2019-05-31

申请号：CN201910127879.9

申请日：2019-02-20

Applicant: 哈尔滨工程大学

Inventor： 李静梅 ,  吕图 ,  吴辉

IPC: G06F21/56

Abstract: 本发明属于信息安全领域，具体涉及一种优化特征提取的恶意软件分类方法。本发明优化了恶意软件的提取方式并且以深度学习中的卷积神经网络为主要分类器。单一的静态特征无法全面地体现恶意软件的特征，比如灰度图仅能表示恶意软件的整体轮廓，API调用图仅能表示恶意软件的控制结构。针对以上问题，本发明方法提取了这两种特征，并且将这两种特征组合成一张双通道图片特征矩阵作为卷积神经网络的输入，这样既可以将恶意软件的整体轮廓表现出来，也可以将恶意软件可能执行的流程完整的表现出来。本发明方法有效地解决了样本特征提取时不能完整体现恶意软件本身的情况，并且具有较好的分类效果。