基于张量分解融合RGB-D图像的物体识别

为了充分利用RGB-D图像的深度图像信息，提出了基于张量分解的物体识别方法。首先将RGB-D图像构造成一个四阶张量，然后将该四阶张量分解为一个核心张量和四个因子矩阵，再利用相应的因子矩阵将原张量进行投影，获得融合后的RGB-D数据，最后输入到卷积神经网络中进行识别。RGB-D数据集中三组相似物体的识别结果表明，利用张量分解融合RGB-D图像的物体识别准确率高于未采用张量分解的物体识别准确率，并且单一错分实例的准确率最高可提升99%。     

水泥智能化生产技术应用与研究

<正>平邑中联水泥有限公司(以下简称:平邑中联)是中国联合水泥集团有限公司控股子公司之一,是中国联合水泥集团旗下的核心企业,是中国建材股份有限公司(HK3323)上市体成员企业。于2011年6月24日点火投产,公司拥有1条国际先进水平的4 500t/d级熟料生产线,采用双系列5级旋风预热器带在线双喷腾式分解炉的新型干法水泥生产工艺;设计年产水泥240万t,同步配套建设双回路、双增压9MW纯低温余热发电机组。公司通过     

基于子系统的非线性时变系统辨识方法

针对非线性时变系统提出一种基于子系统的辨识方法，用于时变多自由度（multiple degree-of-freedom，简称MDOF）系统中非线性的定位和估计，并且无需关于系统的先验知识。所提出的新方法提供一个连续时间模型，MDOF系统按照自由度被分解为不同的子系统。设计正交化算法和误差减小率（error reduction ratio, 简称ERR），可以确定子系统中质量和自由度之间的线性及非线性连接的所有信息。在辨识过程中，时变参数的时间表达式可以由新方法准确给出。用一个3自由度（degree-of-freedom, 简称DOF）集中质量系统和一个机械臂结构的辨识过程为例，对所提出的方法进行验证。由于简单性及高效性，此方法将在实际工程中取得广泛的应用。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。     

基于FOA的变分模态分解在轴承故障诊断中的应用

变分模态分解(VMD)广泛应用于故障诊断中,从振动信号中提取故障特征是故障诊断过程中的关键部分。针对强背景噪声和脉冲干扰下滚动轴承早期故障特征难以提取的问题,提出了一种新的基于果蝇优化算法(FOA)的变分模态分解的轴承故障诊断方法。首先,利用果蝇优化算法自适应优化VMD的惩罚参数α和分解数K,获取最优参数组合;然后,对信号进行VMD分解,得到K个模态分量;最后,基于峭度最大化准则选取最优模态分量进行包络解调分析,提取出故障特征频率。通过仿真信号分析、实际故障轴承信号验证以及与基于果蝇优化算法的多分辨奇异值分解(MRSVD)方法进行对比,证明了所提方法的有效性。     

火电机组负荷分配中多源不确定性因素影响分析

不确定性因素存在于火电机组负荷分配中，影响机组负荷分配、节能环保目标。本文综合考虑负荷预测不确定性、机组煤耗率不确定性与其CO2排放系数不确定性，分别构建火电机组一次能源消耗成本与CO2排放量最小目标下的火电机组负荷优化分配模型；以此为基础，引入析因分析方差分解方法，量化多源不确定性因素单独与交互作用下对节能、环保目标的影响程度。结果表明:负荷预测不确定性对火电机组节能、环保目标影响最为显著，相对影响程度分别为51.13%、62.70%；机组煤耗特性及其CO2排放系数影响次之，相对影响程度分别为47.58%、34.95%。此研究结果对不确定性条件下电力系统负荷分配具有借鉴价值。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题，提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network，简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先，对振动信号进行共振稀疏分解，得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量；其次，构建多共振分量融合卷积神经网络，将得到的高、低共振分量和原始振动信号进行自适应的特征级融合，通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明，该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障，成功对行星齿轮箱故障进行诊断，同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。