基于随机森林算法的石油钻采装备外部故障自动监测方法

为提高石油钻采装备外部故障检测能力,提出基于随机森林算法的监测方法.构建大数据采集模型,以石油钻采装备的异常振动数据为研究对象,进行故障特征提取和信息融合,构建故障工况下的信息融合和特征聚类模型,通过模糊C均值聚类进行故障特征的量化分解和分类识别,在随机森林学习算法下实现对故障检测和诊断的自适应寻优.仿真结果表明,采用该方法进行故障检测,可有效提高故障的自动监测能力,且准确性较高,实时性较好.     

基于多传感器信息融合的人类抓握特征学习及物体识别

基于柔性可穿戴传感器及多模态信息融合,研究人类的抓握特征学习及抓取物体识别,探索人类在抓取行为中所依赖的感知信息的使用．利用10个可拉伸传感器、14个温度传感器及78个压力传感器构建了数据手套并穿戴于人手,分别测量人类在抓取行为中手指关节的弯曲角度、抓取物体的温度及压力分布信息,并在时间及空间序列上建立了跨模态信息表征,同时使用深度卷积神经网络对此多模态信息进行融合,构建人类抓握特征学习模型,实现抓取物体的精准识别．分别针对关节角度特征、温度特征及压力信息特征进行了融合实验及有效性分析,结果表明了基于多传感器的多模态信息融合能够实现18种物品的精准识别．     

基于可传递置信模型的模拟电路融合诊断方法研究

本文提出了一种有效的基于可转移置信模型的模拟电路故障融合诊断方法,解决模拟电路诊断中故障特征信息缺乏和决策融合中异质信息不相容等问题。该法首先采用所提出的电路温度故障信息的提取规则,将获得的温度故障信息输入隶属度函数进行故障预识别,再结合基于可测点电压神经网络故障预识别结果,利用可传递置信模型进行电路融合诊断。通过具体电路实验仿真,表明了该方法的有效性,提高了模拟电路融合诊断准确率。     

数据融合在APMP盘磨故障诊断中的应用研究

针对碱性过氧化氢化学机械浆(APMP)盘磨故障诊断在同一征兆域中很难区分多种故障的实际情况,利用其他征兆域的诊断信息进行了全局信息融合的研究.在数据处理的检测层、特征层、决策层上分别提出了不同的数据融合算法,即检测层采用小波包分析的融合方法提取故障特征,特征层通过神经网络的融合为决策层的D-S证据理论提供可信度分配.试验数据表明,通过三个层面的优势互补,可以使证据理论的可信度分配不再完全依赖主观专家经验;利用各种故障的冗余和互补信息,可提高诊断的准确率.     

基于信息融合技术的电机故障诊断

为了能够从多方面反映电机系统状态,实现对电机故障模式的自动识别与准确诊断,将信息融合技术与神经网络相结合,建立电机故障诊断系统。在数据融合级上,将故障特征量进行分类处理,然后,采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,再运用DempserShafer(D-S)证据理论融合算法对各证据进行融合,最终,实现对电机故障的准确诊断。诊断测试试验证明:该诊断系统提高了电机故障诊断的精度,并能满足诊断的实时性要求。     

集成神经网络信息融合技术在变压器故障诊断中的应用

研究建立集成神经网络信息融合的故障诊断系统,它以信息融合技术为基础,采用神经网络从不同侧面对设备故障进行初步诊断,然后将子神经网络进行决策融合,根据融合结果识别故障。将其应用在变压器故障诊断中,充分的利用个各种信息,大大提高了故障确诊率。     

基于GPS-PTK技术的变电站故障高精度定位方法

为了提高变电站故障高精度定位能力，提出基于GPS-PTK技术的变电站故障高精度定位方法。构建变电站故障高精度特征分布式融合模型，结合对变电站故障稳态信息采集样结果，提取变电站故障特征分布的谱信息分量，考虑涌流的衰减过程，实现变电站故障的属性类别辨识；通过对变电站故障分布的涌流波形状态分布，采用GPS-PTK技术进行变电站故障特征聚类，根据特征聚类结果，实现对变电站故障高精度定位。仿真结果表明，采用该方法进行变电站故障定位的效率较高，检测定位性能误差率较低，提高了变电站故障的准确识别和诊断能力。     

基于模糊神经网络的电力变压器故障诊断

针对传统的故障诊断技术具有模型复杂,数据采集方法比较繁琐,模糊规则难以确定等问题,提出了将模糊逻辑和神经网络技术相结合的方法;首先针对变压器的故障的特点,利用模糊理论描述不确定性信息,然后采用TOPSIS方法通过对DGA的特征量数据进行模糊处理从而实现优劣的排序;最后根据优化的数据输入到BP网络中,对不同的故障状态进行识别和诊断;同时采用无线网络进行数据传输,实现了远程数据采集与故障诊断功能;分析表明,这种方法能够实现对不同故障的诊断,有效地提高了故障模式的识别能力,较传统诊断方法有较大的优势。     

面向学前教育对话机器人的多模态情感识别实现关键技术

为进一步提高学前教育对话机器人交互过程的准确性，结合多模态融合思想，提出一种基于面部表情情感和语音情感融合的识别技术。其中，为解决面部表情异常视频帧的问题，采用卷积神经网络对人脸进行检测，然后基于Gabor小波变换对人脸表情进行特征提取，最后通过残差网络对面部表情情感进行识别；为提高情感识别的准确性，协助学前教育机器人更好地理解儿童情感，在采用MFCC对连续语音特征进行提取后，通过残差网络对连续语音情感进行识别；利用多元线性回归算法对面部和语音情感识别结果进行融合。在AVEC2019数据集上的验证结果表明，表情情感识别和连续语音情感识别均具有较高识别精度；与传统的单一情感识别相比，多模态融合识别的一致性相关系数最高，达0.77。由此得出，将多模态情感识别的方法将有助于提高学前教育对话机器人交互过程中的情感识别水平，提高对话机器人的智能化。     

基于RBF网络的断路器电流自适应保护研究

针对传统断路器电流保护方法存在受系统运行方式影响、整定困难、智能化低等问题,提出了基于RBF的断路器电流自适应保护算法,并给出了算法的模型;该算法融合了RBF神经网络的故障检测和电流自适应保护;首先通过RBF网络检测负载线路的电流故障,然后用电流自适应算法进行保护;在对神经网络进行训练时,利用PSO算法对RBF神经网络的参数进行优化以此来提高网络的泛化能力和学习能力;然后采用优化后的PSO-RBF神经网络对电流故障进行诊断;实验表明,该算法较大地提高了断路器智能化管理水平。     

机器人目标抓取区域实时检测方法

针对目前机器人目标抓取区域检测方法无法兼顾检测准确率和实时性的问题,提出一种基于SE-RetinaGrasp神经网络模型的机器人目标抓取区域实时检测方法。该方法首先以一阶目标检测模型RetinaNet为基础提取抓取框位置及抓取角度;针对抓取检测任务采用SENet结构确定重要的特征通道;结合平衡特征金字塔设计思想,充分融合高低层的特征信息,以加强小抓取框的检测性能;在Cornell数据集上进行实验验证,结果表明该方法在取得更高检测准确率的同时,提高了抓取检测的效率,达到实时检测的要求。     

基于Labview的变压器故障诊断系统研究

本文首先基于油中溶解气体特征含量构建BP网络结构,采集数据样本,进行网络训练,然后应用信息融合原理搭建分层故障诊断模型,分析判断变压器的故障类型,并在此基础上判断变压器局部放电类型。然后采用虚拟仪器技术,在Labview平台上开发了变压器故障诊断系统,该系统从油气量和局部放电信号两个方面对变压器进行故障诊断和局部放电类型识别。通过油气量判断变压器故障类型,然后应用信息融合原理融合局部放电统计特征参量综合判别变压器局部放电类型。该系统实现了变压器油气含量分析,局部放电信号存储,数据综合处理,数据库的查询、修改以及删除功能,从而实现了对变压器的故障诊断。     

基于信息融合与CNN的齿轮箱故障诊断方法

齿轮箱在实际生产中面临复杂多变的工况,其部件的故障特征随工况发生改变,常规方法在变工况下难以有效识别故障。针对该问题,提出一种基于信息融合和卷积神经网络(IFCNN)的故障诊断方法。IFCNN使用多传感器信息融合和多域特征融合改进卷积神经网络(CNN),首先将不同位置的加速度传感器采集到的振动信号转换成频域、时频域信息,将来自不同传感器的信息融合,然后用CNN对故障信号的频域、时频域信息分别进行特征提取和多域特征融合,结合注意力机制选择重要特征进行故障分类。多组实验结果表明,IFCNN在变工况场景下,可有效提取齿轮箱振动信号的故障特征,12组变工况实验平均识别准确率为98.38%,明显高于所提出的对比方法。     

基于多支路残差深度网络的跨视角步态识别方法

针对基于卷积神经网络的步态识别模型不能充分利用局部细粒度信息的问题,提出基于多支路残差深度网络的跨视角步态识别方法.将多支路网络引入卷积神经网络中,分别提取步态轮廓序列图中不同粒度的特征,并利用残差学习和多尺度特征融合技术,增强网络的特征学习能力.在公开步态数据集CASIA-B和OU-MVLP上的实验证实文中方法的识别准确率较高.     

基于多尺度特征融合的抓取位姿估计

抓取目标多样性、位姿随机性严重制约了机器人抓取的任务适应性,为提高机器人抓取成功率,提出一种融合多尺度特征的机器人抓取位姿估计方法。该方法以RGD信息为输入,采用ResNet-50主干网络,融合FPN（feature pyramid networks）获得多尺度特征作为抓取生成网络的输入,以生成抓取候选框;并将抓取方向坐标映射为抓取方向的分类任务,使用ROI Align进行感兴趣区域提取,评估抓取候选框,获取目标的最优抓取位姿。为验证算法有效性,基于康奈尔抓取数据集开展了抓取位姿估计实验,仿真抓取位姿估计准确度达到96.9%。基于Inter RealSense D415深度相机和UR5机械臂搭建了实物平台,在真实场景下对位姿随机摆放的多样性目标物体进行多次抓取实验,结果显示抓取目标检测成功率为95.8%,机器人抓取成功率为90.2%。     

基于D-S理论的智能故障诊断关键技术研究与实现

以智能检测和故障诊断技术作为研究对象,分析了在智能故障诊断系统中用到的特征提取、模式识别和故障预测等关键技术,探讨了用于实现上述关键技术中的小波变换和人工神经网络算法。鉴于人工神经网络算法容易出现系统故障定位不准确性的不足,引入了D-S(Dempster Shafer)证据理论。首先用BP神经网络对故障信息进行局部诊断,然后利用D-S证据理论对局部诊断结果进行融合,进行全局诊断,得到最终的故障结果。D-S证据理论的引入,增大了诊断结果的可靠性和准确性,提高了诊断算法的适应性。在LabWindows/CVI的平台下,实现了智能故障诊断算法。     

基于粗糙神经网络的传感器网络故障诊断

为了克服大量信息冗余和能量有限给无线传感器网络故障诊断带来的困难,提出一种将粗糙集与神经网络集成相结合的智能故障诊断方法(RS-ANNE)。该方法首先利用粗糙集理论的属性约简技术,提取诊断故障贡献最大的最小故障诊断特征集合,然后根据最小故障诊断特征确定神经网络的初始拓扑结构,建立故障特征与故障之间的映射关系,最后通过子网表决得到最终诊断结果。实验结果表明,RS-ANNE诊断方法诊断正确率为95.67%,与ANNE方法相比计算量减小22.98%,诊断正确率提高13.88%。     

多尺度特征融合工件目标语义分割

目的 目标语义特征提取效果直接影响图像语义分割的精度,传统的单尺度特征提取方法对目标的语义分割精度较低,为此,提出一种基于多尺度特征融合的工件目标语义分割方法,利用卷积神经网络提取目标的多尺度局部特征语义信息,并将不同尺度的语义信息进行像素融合,使神经网络充分捕获图像中的上下文信息,获得更好的特征表示,有效实现工件目标的语义分割。方法 使用常用的多类工件图像定义视觉任务,利用残差网络模块获得目标的单尺度语义特征图,再结合本文提出的多尺度特征提取方式获得不同尺度的局部特征语义信息,通过信息融合获得目标分割图。使用上述方法经多次迭代训练后得到与视觉任务相关的工件目标分割模型,并对训练权重与超参数进行保存。结果 将本文方法和传统的单尺度特征提取方法做定性和定量的测试实验,结果表明,获得的分割网络模型对测试集中的目标都具有较精确的分割能力,与单尺度特征提取方法相比,本文方法的平均交并比mIOU（mean intersection over union）指标在验证集上训练精度提高了4.52%,在测试集上分割精度提高了4.84%。当测试样本中包含的目标种类较少且目标边缘清晰时,本文方法能够得到更精准的分割结果。结论 本文提出的语义分割方法,通过多尺度特征融合的方式增强了神经网络模型对目标特征的提取能力,使训练得到的分割网络模型比传统的单尺度特征提取方式在测试集上具有更优秀的性能,从而验证了所提出方法的有效性。     

基于多传感器融合的机器人障碍物检测和识别

该文研究了在移动机器人中基于神经网络的多种传感器信息融合技术。通过由CCD摄像机获得的彩色图像与超声波传感器组获得的距离作为辅助视觉系统实现整个视觉系统功能。移动机器人的障碍物检测和识别的可靠性与精度比在任何单一传感器所获得的信息都有很大的提高。