基于Mask RCNN的矿仓入料口

针对矿仓入料口堵塞矿石识别过程中现场工况环境复杂、矿石识别检测难度大等问题,采用深度学习和图像处理技术开展矿石智能识别检测的研究,提出基于Mask RCNN的矿石识别检测方法。该方法可以实现对矿石识别的同时进行实例分割,并提出利用矿石轮廓的形心坐标取代Mask RCNN中的外接矩形框定位方法,有效解决矿石定位不精确的问题。实验结果表明:基于Mask RCNN网络的矿石识别模型可以实现对多种数量、不同位姿以及堆叠的矿石精准识别,综合准确率达到97.6%,采用矿石轮廓形心坐标的定位方式可以有效避免因矿石形状和位姿而带来的定位误差,为智能清堵机械手提供精确的视觉引导。      

面向工程机械领域的视觉引导重载桁架智能分拣控制系统

本文针对钢板切割零件人工分拣存在劳动强度大、工作效率低的问题，基于工程机械行业对新型智能下料分拣线系统的迫切需求，设计并研制了面向工程机械领域的视觉引导重载桁架智能分拣控制系统，该系统采用伺服驱动精准定位，具备主动避让和防干涉功能，在视觉引导下实现钢板切割零件的精准抓取和整齐码放。现场生产运行数据表明，该重载桁架分拣控制系统成功率在90%以上，分拣一张钢板平均节拍为20 min,单件平均耗时小于40 s。而传统人工分拣完一张钢板平均耗时30～40 min,因此本系统有效地提高了生产效率、降低了劳动强度。     

废钢料型智能识别的语义分割模型选择与实现

目前业界对废钢智能评级和扣杂的方案都是基于目标识别模型，但是目标识别模型与语义分割模型相比其无法精确刻画废钢的边界，造成对废钢的面积估计和特征采集不精准。然而当前语义分割模型众多，如何选择一种适合废钢判级场景的模型是亟待解决的问题。针对该问题，首先在实验室建立1∶3物理模型，模拟不同类型废钢入厂验质场景；然后，用2K分辨率摄像头采集图像数据；最后，将主流的20种语义分割模型进行对比分析。试验表明，在139张废钢数据集上应使用全卷积神经网络(fully convolutional network, FCN)模型搭配高分辨率网络(high-resolution net, HRNet)对废钢进行语义分割；在图像增强的1 529张废钢数据集上应使用基于Transformer改进的高效语义分割模型SegFormer-B5对废钢进行预测分类；从平均交并比(mean intersection over union, mIoU)评价指标来看，FCN和基于上下文表示的语义分割网络(object-contextual representations network, OCRNet)使用HRNet主干网络比...     

选厂设备运行状态检测及过载保护微机系统

本系统由两级微机组成，为集状感检测、统计、报表打印及电机过载保护于一体的微计算机系统．前置机选用MCS－48单片机，分6个检测控制点；上位机采用STD总线工业控制机，完成数据处理、打印报表等工作．本系统能实时反映生产现场各设备的运行情况，准确可靠地实现电机的过载保护，为实现生产设备的科学管理创造了条件．     

基于相关向量机样本选择的钢铁企业副产煤气系统预测

针对副产煤气系统的运行数据冗余度高、噪声强等特点，提出了一种基于相关向量机算法(relevance vector machine, RVM)的训练样本选择的副产煤气系统预测算法。鉴于RVM算法具有相关样本自动选择的特点，提出采用此算法对原始训练集数据进行训练，以获取的相关向量作为基本训练集；之后利用K近邻算法(K nearest neighbor, KNN)实现对基本训练集合的样本增强，并以此作为新的训练集，从而实现样本的去冗余，提高训练样本质量，提升算法效率与预测准确度。采用国内某钢铁厂高炉煤气数据进行试验，试验效果表明，本文所提的方法可有效针对高炉煤气数据进行样本选择，并以较快的模型训练效率获得较高的煤气柜柜容预测精度，预测结果可为钢铁煤气系统的优化调度工作提供基础。     

基于数据驱动的高炉煤气复合预测模型

对钢铁企业高炉煤气系统科学准确的预测，可以为煤气的合理调度提供依据，对企业提高能源利用效率、减少煤气放散和环境污染有着非常重要的意义。针对钢铁企业高炉煤气系统设备工况复杂、煤气量波动频繁、难以准确预测的问题，依据小波分析方法、BP神经网络、最小二乘支持向量机的性质建立了基于数据驱动的高炉煤气的复合预测模型。该模型综合考虑高炉煤气系统生产计划和检修计划，对高炉煤气系统的产耗用户在不同工况下分别建立训练数据集，利用多组模型参数预测高炉煤气产生量、消耗量和缓冲量。利用某大型钢铁企业实际数据进行测试，该模型能够结合设备的实际生产工况变化，实现煤气的准确预测。结果表明，该模型平均绝对百分比误差小于4.95%，对变工况煤气系统有较好的预测效果。     

基于支持向量机算法的连铸坯端面信息码识别方法

针对传统的连铸坯端面信息码人工识别存在的受生产现场环境和人为操作因素影响大且易出错的问题,提出了基于支持向量机算法的连铸坯端面信息码识别方法。该方法使用Python语言,利用滑动窗口从采集的图像中抽取对象,进而对数据集样本进行训练,通过使用滑动窗口物体检测算法和支持向量机分类器模型,完成对连铸坯端面信息码的智能识别。详细阐述了该方法的识别原理与步骤。识别结果表明,该识别方法准确率高,能满足连铸坯端面信息码自动识别的要求。     

连铸机基准标定实现快速精确对弧

针对因关键基准点丢失影响连铸机快速、精确对弧的问题，提出并实施了一系列的技术和系统改进措施，为快速标定基准点提供了可靠的保证，最终实现快速、准确对弧。     

基于卷积神经网络的反无人机系统声音识别方法

针对如何识别无人机的问题,提出了一种基于卷积神经网络的声音识别无人机的方法。首先,对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值,将其特征参数作为卷积神经网络学习和识别的数据集;然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明,运用支持向量机识别无人机的准确率为91.9%,卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力,在部分UrbanSound8K数据集上进行测试,准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性,且识别性能优于支持向量机。      

宝钢1780热轧厂加热炉过程控制

宝钢1780热轧厂加热炉过程机应用系统主要包括轧制计划管理、设定、跟踪、实际数据处理、热装支持、通信等模块，与其运行在同一平台下的是自动燃烧控制模型（ACC），应用系统和ACC共同构成加热炉过程机的过程控制系统。应用系统实现对1^#～3^#加热炉的炉前辊道、装出钢机、炉内步进梁的运行控制；板坯核对、吊销、返回等操作；生产数据管理、材料跟踪、实际数据处理、画面和报表等功能。ACC实现自动燃烧控制／数据设定；对加热炉内的板坯进行合理加热；准确控制板坯出炉温度和均匀度。为了达到上述功能，应用系统除了保证物料的正常流程外，还必须考虑各种异常情况，使系统的适应性更强。     

巡线机器人延迟容忍传感器网络数据传输策略

巡线机器人延迟容忍传感器网络(delay tolerant mobile sensor networks for inspection robot,DTMSNR)用于输电线路巡线机器人远程电网数据收集,具有节点稀疏、异构、随机移动性、间歇连通性和延迟容忍性.针对传统传感器网络数据传输算法机器人数据传输成功率低与网络可靠性差等问题.提出一种基于巡线机器人位姿信息的数据传输(mobile robot position-based delivery,MPD)策略.为准确计算巡线机器人网络位姿信息,建立机器人路径约束随机运动模型.MPD采用机器人相对网络位姿信息计算传输概率,进行消息传输路径选择.对网络异构消息引入机器人消息优先传输、消息失效机制进行消息队列管理.仿真实验表明,相较现有的几种延迟容忍传感器网络(delay tolerant mobile sensor network,DTMSN)数据传输策略,针对巡线机器人网络MPD能在适当的传输能耗下达到更高的传输成功率与更低的传输延迟.      

梅钢运输部车号自动识别系统的设计应用

车号自动识别系统采用射频识别技术，实现铁路货车标签自动采集，准确记录相应的车号信息，同时与计算机技术相结合，可经过计算机软件查看、管理这些信息。梅钢运输部根据现状，将车号识别系统合理的设计应用，通过软硬件相地合的方式实现了对进出厂路车在企业内部的实时跟踪，避免了手工抄录产生的错误，并为其他信息系统提供了精确的数据源，更全面的完善了梅钢运输部的信息化系统。     

基于小波去噪和循环神经网络-k重-整合移动平均自回归模型的转炉煤气柜位预测

在钢铁企业的生产过程中，实时预测钢铁企业的转炉煤气柜位对转炉煤气系统的优化调度至关重要。本文提出基于小波去噪和循环神经网络-k重-整合移动平均自回归模型(recurrent neural network-k-autoregressive integrated moving average model, RNN-k-ARIMA)混合预测模型，并用该模型预测转炉煤气柜位。其主要研究思路为：首先，利用小波阈值去噪方法去除柜位数据中的干扰噪声；其次，运用RNN模型训练去噪后的柜位数据，计算RNN模型预测结果与实际值的残差；再次，使用k-ARIMA模型对残差进行修正；最后，将修正后的残差与RNN模型预测的初值求和得到最终的预测结果。通过测试两个数据集，得到均方根误差E_RMS(root mean square error, RMSE)分别为0.206 142和0.146 249,平均绝对百分比误差E_MAP(mean absolute percentage error, MAPE)分别为0.941 101和0.720 312,方向精度A_D     

基于改进DCNN法的微震信号自动识别模型及应用

为精准识别矿山微震信号，采用改进深度卷积神经网络（DCNN）法，通过傅里叶变换得到的频谱图叠加原始图像的空间域图作为微震信号的识别对象，提出了一种基于改进DCNN法的微震信号自动识别与分类模型，建立了某铅锌矿的IMS微震监测信号数据库的训练集、验证集和测试集，并通过实际工程数据验证了方法的可靠性。结果表明：利用频谱图和空间域图在BGR通道上堆叠的特征值作为DCNN输入的方法，构建的微震信号自动识别模型精度更高且泛化能力更强，该模型能够高效地提取微震信号特征；采用F1值、ROC曲线和AUC值3种性能度量进行评价，验证了改进方法的可行性、有效性和可靠性。     

激光扫描技术在无人化仓库中定位应用分析

随着工厂智能化不断深化推进，无人化技术在钢铁行业得到广泛应用，无人全自动行车系统实现钢铁物料自动吊运、信息跟踪、智能堆放等。通过形状识别系统(shape recognition system, SRS)对钢卷以及车辆进行激光扫描快速地获取钢卷以及车辆在三维空间的点云数据，以距离和角度的形式记录物体位置。结合扫描设备所在空间的三维坐标数据进行计算得到精确的钢卷中心位置坐标以及车辆库位位置坐标，从而实现无人化行车自动化出入库作业的精准吊运。本文对无人化系统中所使用的激光扫描测量技术原理及其应用进行研究分析。     

一种描述减振器滞回特性的Bouc–Wen改进模型

Bouc–Wen模型在非识别激励工况下模拟的阻尼力与实际阻尼力误差较大，对非识别激励振幅过于敏感，针对这一问题，提出了一种描述减振器滞回特性的改进模型。首先用Mechanical testing and simulation(MTS)疲劳试验机对磁流变减振器进行力学性能试验，获得在多种激励幅值、频率和电流作用下的阻尼力。采用阻尼力对位移的斜率与阻尼力关系来模拟滞回环特性曲线。根据滞回曲线特点利用二次多项式函数来表征滞回环斜率与阻尼力的关系，同时，引入关于速度的指数函数修正项，进而对改进后的Bouc–Wen模型进行参数识别，并对其进行仿真及验证。与试验得到的阻尼力进行对比，发现在非识别激励工况下，曲线吻合效果较好。对改进前后Bouc–Wen模型模拟的阻尼力特性曲线进行对比，结果表明:改进后模型得到的阻尼力仿真值能够较好地模拟试验得到的各种工况下阻尼力的值，且优于Bouc–Wen模型，同时Bouc–Wen模型在非识别激励工况下模拟阻尼力精度较差这一问题得到了改善。新模型为保证车辆悬架系统在多变工况下仿真响应的准确性打下了基础。      

基于计算机视觉技术的矿井电机车无人驾驶障碍物检测技术

针对传统计算机视觉方法难以实现障碍物实时检测和定位的问题,提出传统计算机视觉技术与深度学习目标检测算法YOLOv3相结合的障碍物智能检测方法。首先,采集电机车行驶区域（即有效检测区域）存在的障碍物数据并制作VOC格式数据集,使用YOLOv3训练数据集,得到障碍物检测模型;然后,采用传统计算机视觉技术定位到轨道,使用“3邻域”搜索法获得轨道线坐标值,根据距离信息向轨道外侧扩展一定距离,提取有效检测区域,同时网格化图片,将障碍物的坐标换算为实际距离;最后,使用障碍物检测模型对有效检测区域进行检测。试验结果表明：该方法可以识别行驶区域内多种特征差异很大的目标物体,如电机车、人和大块落石等;该方法每秒可以处理6帧图片,现场采集的实际数据测试平均精确率达到93.2%。     

基于非均衡数据的ADASYN-CatBoost测井岩性智能识别——以胶西北招贤金矿床为例

快速准确地识别覆盖区下伏地层与岩体，对于金属矿山地质找矿工作具有重要意义。针对矿床地层与岩体中复杂岩性分布的多样性和非均衡性，考虑测井响应特征与岩性之间的强非线性关系，提出了一种基于ADASYN非均衡数据处理和CatBoost机器学习的测井岩性智能识别方法。首先，利用ADASYN算法处理非均衡测井样本数据，根据小类样本加权分布生成合成样本；然后，采用CatBoost算法结合网格搜索以及十折交叉验证建立最优岩性识别模型；最后，通过模型输出的特征重要性及部分依赖图对岩性分类结果进行解译。以胶西北招贤金矿床实例测井数据为基础，针对10类岩性进行识别和解译分析，模型评价结果表明：测试集上的精确率、召回率和F1分数分别达到98.21%、98.20%和98.20%。将CatBoost岩性分类与GBDT、LightGBM算法进行对比，结果表明CatBoost分类效果最优，且均优于样本数据未均衡化处理的岩性识别效果。通过与实例录井剖面岩芯岩性进行对比，验证了模型分类结果的有效性。     

基于双目视觉技术的钢卷坐标识别方法

为在无人全自动仓库中使用无人行车实现自动吊运，提出一种适用于大场景的钢卷坐标识别方法。该方法采用双目视觉技术，并综合运用基于标定杆的标定方法和焦距校正算法，通过恢复场景中物体的三维坐标来精确识别库区内的钢卷外形尺寸与位置，进而提供给无人行车，实现自动吊运。为验证所提出方法的有效性，将该方法应用于某实验室搭建的试验环境中进行测试，测试结果表明，所提出方法对钢卷坐标识别误差在±50 mm以内具备可行性。     

基于DL-T及迁移学习的语音识别研究

为解决RNN–T语音识别时预测错误率高、收敛速度慢的问题,本文提出了一种基于DL–T的声学建模方法。首先介绍了RNN–T声学模型;其次结合DenseNet与LSTM网络提出了一种新的声学建模方法— —DL–T,该方法可提取原始语音的高维信息从而加强特征信息重用、减轻梯度问题便于深层信息传递,使其兼具预测错误率低及收敛速度快的优点;然后,为进一步提高声学模型的准确率,提出了一种适合DL–T的迁移学习方法;最后为验证上述方法,采用DL–T声学模型,基于Aishell–1数据集开展了语音识别研究。研究结果表明:DL–T相较于RNN–T预测错误率相对降低了12.52%,模型最终错误率可达10.34%。因此,DL–T可显著改善RNN–T的预测错误率和收敛速度。