多模态过程中新模态过程建模方法

多模态过程中新出现的模态过程短期内无法获得充足的建模数据,且传统统计控制方法无法有效地估计过程特性.鉴于此,提出一种基于历史模型数据相关特性建立初步模型的方法,充分利用已有多模态历史数据的相关特性,从历史数据中寻找与当前数据特征相似的数据进行补充,建立初始模型,并利用新积累的数据迭代初步模型,逐步实现准确描述过程特性的算法.通过在田纳西-伊斯曼过程中的大量仿真,表明了所提出方法的可行性和有效性.     

改进YOLOv5的绝缘子旋转目标检测

为实现输电线路绝缘子的精确定位与快速识别,提出了一种基于YOLOv5（You Only Look Once v5）的旋转目标检测算法。针对绝缘子自爆故障,提出了一种三标签的旋转矩形框标注方法,能够提升模型的检测效果和收敛速度;引入Hardswish激活函数加速计算,同时提高模型的数值稳定性;用Ghost module代替Conv结构,以此来降低模型的参数量,提升模型的检测效率;将位置损失使用的CIOU Loss(Complete IoU loss)函数改进为EIOU Loss(Efficient IoU Loss)函数,添加一个角度损失函数SLL(Smooth L1 Loss),用于矩形框角度的回归,使模型能更精准的定位绝缘子的位置,提高模型的检测效果。实验表明,改进的绝缘子故障检测算法相较于YOLOv5s模型的浮点计算量减小了487%,模型大小降低了445%,推理速度提升29%,模型的整体检测精度能达到977%,同时还能满足移动端部署的实时性要求。     

基于改进的动态独立成分分析故障检测方法

针对滚动轴承早期故障特征微弱,且振动信号是一组随时间变化的序列,具有一定的时序相关性,导致滚动轴承早期故障检测难度增加的问题,本文提出了一种基于深度分解的动态独立成分分析（deep dynamic independent component analysis,Deep DICA）故障检测方法。主要思想是首先增加观测数据矩阵,以便将动态过程考虑在内。然后,为了更好地挖掘出微弱的早期故障信息,提出了深度分解原理对早期故障进行特征提取。最后,建立故障检测模型进行在线故障检测,并通过轴承实验对所提出的方法进行了验证。实验结果表明,提出的基于Deep DICA的故障检测方法有很好的准确率和适用性。     

基于暗通道先验的自适应超像素去雾算法

传统基于暗通道先验的图像去雾算法不能有效去除有雾图像在景深突变处的雾点,边界处容易引起光晕效应,对此提出一种基于暗通道先验的自适应超像素去雾算法.首先,在暗通道的获取过程中引入自适应方法判断当前像素邻域内是否具有多个景深物体,若仅存在相同景深物体,则直接求取此像素的暗通道,若存在多个景深物体,则引入超像素分割算法区分不同景深物体,减小景深变化对暗通道获取的影响,以求取更准确的暗通道;然后,估计粗略的透射率,并根据上下文约束细化透射率;最后,通过图像降质的逆过程求解去雾图像.实验结果表明,所提出的算法与暗通道先验单幅图像去雾(DCP)算法、基于边界邻域最大值滤波的快速图像去雾(EMDCP)算法、基于自适应暗原色的单幅图像去雾(ADCP)算法、带边界约束和上下文正则化的高效图像去雾(BCCR)算法相比,可将客观质量综合评价准则提高10%,能够抑制光晕效应,提高有雾图像的视觉效果.     

基于改进观测器的故障检测方法

提出一种基于改进观测器的故障检测方法.首先,设计一种改进的观测器,该观测器相比于Luenberger观测器拥有更多的设计自由度;然后,引入l₁/H_∞性能指标提升观测器产生残差的干扰鲁棒性和故障敏感度,自适应阈值的设计可以有效避免故障预警的误报;最后,通过仿真和实验验证所提出方法的有效性.     

基于多块相对变换独立主元分析的故障诊断方法

针对复杂工业过程中故障诊断技术存在数据可分性差、噪声干扰、故障定位困难的问题,提出一种基于多块相对变换独立主元分析(MBRTICA)的故障诊断方法.为了使所提取的故障特征具有可分性,采用相对变换原理与FastICA算法融合的方式构建相对变换独立主元分析方法(RTICA)用于检测故障的发生.通过引入多块理论,将高维数据分成多个子块单元,并在每个子块单元内分别进行RTICA处理,确定故障发生的位置.最后用电主轴轴承裂纹故障的实验对所提方法进行验证,实验结果表明,基于MBRTICA的故障诊断方法可提高数据的可分性,能够有效减少噪声,同时提高故障检测的精度, 实现故障定位功能, 全面地对故障进行分析.     

吊车危险区域侵入行人机器视觉定位算法

为了提高吊车施工的安全性能,并针对作业面行人目标像素较小不利于检测定位的问题,提出了一种吊车危险区域侵入行人机器视觉定位算法.首先,改进了用于目标识别的YOLOv3网络,更改了检测输入像素值,增加了小目标检测尺度并简化了不必要的网络结构,获得了更高的检测精度和更快的检测速度;然后,采用相机坐标变换的方法测算行人与危险区...     

基于相对变换PLS的故障检测方法

针对偏最小二乘方法(partial least squares,PLS)在无量纲标准化处理后导致的特征值大小近似相等,难以获得代表性的潜变量等问题,提出了一种基于相对变换PLS( relative-transformation PLS,RTPLS)的故障检测方法.该方法引入马氏距离相对变换理论,通过计算采样数据之间的马氏距离,将原始空间数据变换到相对空间.然后在相对空间进行PLS分解,提取有代表性的潜变量,建立故障检测模型,实现采样数据的在线检测.通过对TE (Tennessee Eastman)过程故障和轧钢机系统力传感器故障的仿真实验验证了所提出方法的有效性和实用性.理论分析和仿真实验均表明,基于RTPLS的故障检测方法能有效地消除量纲的影响,提取具有更大的变化度和代表性的隐变量,增加故障检测的精度和实时性.     

吊装用起重机自动定位视觉伺服控制

传统起重机自动定位方法精度低,稳定性差,不能形成真正的闭环控制,现有起重机视觉定位方法普遍存在抗扰动性能差和视觉雅可比矩阵参数难以获得等问题。为了解决外部扰动影响视觉伺服定位精度和稳定性的问题,建立了扰动工况下吊装末端执行器的位姿数学模型,提出一种基于自抗扰控制器的视觉伺服扰动抑制方法。根据图像投影特性,得出雅可比矩阵参数与图像特征微分关系方程,设计了雅可比矩阵参数估计值自适应更新率,并建立闭环动力学方程。根据图像特征误差,构建李亚普诺夫函数,给出了系统稳定性证明。进行仿真与实验分析,结果表明:当视觉误差收敛后,位置与速度曲线均趋于零值,说明在视觉不确定性和恒定、瞬时扰动的情况下,本文方法仍然具有令人满意的定位精度。通过与其他控制方法的对比结果分析可知,本文方法在保证视觉伺服系统定位精度的同时,能够加快视觉误差的收敛速度,具有更好的稳定性,因此,适用于吊装用起重机自动定位视觉伺服系统。