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.     

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.     

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。     

基于分解和差分进化的多目标粒子群优化算法

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.     

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...     

基于混合KPLS-FDA的过程监控和质量预报方法

提出一种基于核偏最小二乘(KPLS)与费舍尔判别分析(FDA)相结合的过程监控和质量预报方法—–混合 KPLS-FDA 方法.首先,利用 KPLS 提取过程数据的非线性特征,使用 FDA 建立 KPLS 的内部模型;然后,求出满足最大分离度的核 Fisher 特征向量和判别向量来实现状态监测,若系统运行正常,则根据 KPLS 回归模型预报产品的质量,否则利用 Fisher 相似度系数确定故障类型;最后,通过轧钢过程的仿真研究验证了混合 KPLS-FDA 方法的有效性.     

基于混合动态主元分析的故障检测方法

针对基于动态主元分析的故障检测方法存在的主元个数较多以及计算效率低等问题,本文提出基于混合动态主元分析(Hybrid Dynamic Principal Component Analysis,HDP-CA)的复杂过程故障检测方法。该方法采用分步策略消除数据之间的自相关和互相关性,提高了故障检测的精度和效率。对TE过程典型故障和热连轧过程中断带故障检测结果表明:HDPCA方法提取的主元个数少于DPCA方法提取的主元个数。并且,基于HDPCA的T2和SPE统计量的检测性能和检测精度都由于基于DPCA的统计量。因此,本文提出的方法可以准确有效地检测出故障。