Tiny YOLOV3目标检测改进

针对Tiny YOLOV3目标检测算法在实时检测中对行人等小目标漏检率高的问题,对该算法的特征提取网络、预测网络、损失函数等进行研究改进。首先,在特征提取网络中增加2步长的卷积层,代替原网络中的最大池化层进行下采样;接着,使用深度可分离卷积构造反残差块替换传统卷积,降低模型尺寸和参数量,增加高维特征提取;然后,在原网络两尺度预测的基础上增加一尺度,形成三尺度预测;最后,对损失函数中的边界框位置误差项进行优化。实验结果表明,改进后的Tiny YOLOV3算法的目标检测准确率比原算法提高了9.8%,满足实时性要求,具有一定鲁棒性。本文方法能够更好地提取目标特征,多尺度预测和边界框位置误差的改进能更准确地对目标进行检测。     

42CrMo钢精密切削的刀具磨损量预测研究

针对42CrMo钢精密切削刀具磨损量预测研究小样本、非线性的特点,将量子粒子群算法(QPSO)、卷积神经网络(CNN)及长短期神经网络(LSTM)相结合,构建了QPSO-CNN-LSTM组合预测模型。采用QPSO算法对CNN-LSTM模型的隐藏层单元数、学习率、卷积核等进行优化,结合CNN网络特征提取能力强、LSTM网络具备记忆能力的特点,对实际加工实验的刀具磨损量进行预测,并通过误差评价指标分析,与CNN、LSTM、BP等单一模型以及PSO-GRNN组合模型进行预测效果对比研究。研究结果表明,本文构建的组合预测模型相对于单一预测模型,其预测值与真实值吻合程度更高;相对于PSO-GRNN组合模型,三种误差评价指标的误差值至少降低了27%,其泛化性和稳定性较好,预测精度与非线性拟合能力更强。     

基于ResNeXt网络的滚动轴承剩余使用寿命预测

为了准确掌握滚动轴承剩余寿命信息,评估轴承的退化状态,提出了一种基于深度学习理论的卷积神经网络模型,对轴承剩余使用寿命进行预测。通过选取最新的ResN eX t作为网络骨干,设计卷积神经网络模型。该网络模型可以堆叠大量的卷积层从而抽取到丰富的语义特征,即使在训练数据较少时仍然具有很好的泛化能力。最后在公开数据集上对算法进行了训练和验证,表明该方法可以根据滚动轴承的振动信号较为准确地对轴承的剩余使用寿命进行预测。     

基于模型压缩的 ED-YOLO 电力巡检 无人机避障目标检测算法

针对现有卷积神经网络模型体积大、运算量高,导致电力巡检无人机检测速率与精度无法兼顾的问题,提出一种基于模型压缩的ED-YOLO网络实现无人机避障的目标检测算法。该目标检测算法以YOLOv4为基础,首先在主干网络中加入通道注意力机制,在不增加计算量前提下提高检测精度;其次在特征金字塔部分运用深度可分离卷积替换传统卷积,减少卷积计算量;最后利用模型压缩策略裁剪网络中冗余通道,减小模型体积并提高模型检测速度。在自主构建的9 600张电力巡检无人机飞行障碍的数据集进行测试,ED-YOLO与YOLOv4相比,其障碍物目标检测的平均精度均值只降低了1.4%,而模型体积减少了94.9%,浮点运算量减少了82.1%,预测速度提升了2.3倍。实验结果表明,对比多种其他现存方法,本文提出的基于模型压缩的ED-YOLO目标检测算法有着精度高、体积小和检测速度快的优势,满足电力巡检无机避障检测要求。     

弱刚性薄壁件制孔工艺的对比研究

由于铝合金薄壁件刚性弱,采用常规麻花钻制孔易造成薄壁件变形,导致孔的尺寸精度差及孔壁出口质量低。通过理论分析常规麻花钻制孔时产生孔形变和出口毛刺的原因,提出适用于弱刚性薄壁件的套料钻制孔工艺;采用有限元方法仿真模拟套料钻制孔工艺对孔尺寸精度及表面质量的提升情况,与麻花钻制孔工艺对比并进行实验验证。实验结果表明,针对铝合金薄壁结构件,在相同加工条件下,套料钻制孔工艺相比常规麻花钻制孔工艺具备更高的制孔尺寸精度和更优的孔壁出口质量。     

基于迁移学习的高铁线缆扣件装配检测

为了判断高铁线缆扣件的装配是否正确,这里采用一种基于迁移学习的卷积神经网络的算法对高铁线缆扣件装配进行检测.首先将预训练的网络与目标检测算法相结合,建立完整的装配检测网络,然后对制作好的数据集进行训练和测试.实验结果表明,相比传统对象识别的方法,该方法不仅提高了工件装配检测的准确度,还保证了工业检测中对实时性的要求.另外,由于卷积神经网络可以获取工件图像的深层特征,从而使得目标检测算法更加稳健,更能适应光照、灰尘等环境噪声的变化.     

基于改进卷积神经网络的燃气调压器故障识别研究

针对传统故障识别方法不仅过分依赖专家经验对故障特征进行提取且识别准确率不高的问题,在深度学习理论基础上,提出了一种将一维卷积神经网络与SVM分类器相结合的改进深度卷积神经网络,实现调压器“端到端”的故障识别。首先,介绍了传统卷积神经网络结构;其次,将改进后的一维卷积神经网络与SVM相结合,提出了基于1-MsCNN-SVM算法的调压器故障识别模型,并对模型的组成部分进行了介绍;然后,通过对比实验确定了模型的卷积核长度和卷积层组数;最后,为验证模型的有效性,基于燃气调压器故障数据集,开展了燃气调压器故障识别研究。研究结果表明,改进后的1-MsCNN-SVM算法故障识别准确率高达99.20%,模型具有较好的分类准确率。     

高强度型T800S/250F CFRP的制孔缺陷研究

为了研究T800S/250F CFRP的制孔缺陷,采用CVD涂层麻花钻和CVD涂层匕首钻进行了钻削实验.结果表明:进给率(f)的增大将加剧制孔表面的毛刺缺陷和分层损伤;高速、低进给钻削能够有效地提高制孔出口表面质量,减小毛刺缺陷和分层损伤;与CVD涂层麻花钻相比,CVD涂层匕首钻能够获得更小的制孔表面缺陷(毛刺和分层损伤),具有更优异的制孔性能,更适合高强度型T800S/250F的钻削加工.     

基于物理模型和神经网络融合的表面粗糙度预测方法

当前表面粗糙度预测的单一建模方法都存在一定的局限性，物理建模方法无法表征实际加工动态过程，机器学习模型需要大量训练数据且解释性较差。提出了一种物理模型与神经网络深度耦合的融合模型，通过训练卷积自编码器作为特征提取器构建数据集，然后训练融合模型，实现对表面粗糙度的精确预测，通过高温合金侧铣实验建立的数据集进行了验证，上述模型在训练集上预测相对误差为4.48%,测试集上的平均预测相对误差为5.67%。以10%为允差范围，则预测的准确率为84.29%,有较高的精准度。     

碳纤维复合材料/铝合金叠层制孔工艺试验研究

对复合材料/铝合金叠层在不同工艺参数下使用不同刀具的制孔工艺进行了研究,探讨了工艺参数对孔径精度、表面粗糙度以及铝合金出口毛刺的影响规律。通过回归分析方法建立了制孔质量与工艺参数之间的经验关系,同时对CVD三尖钻和CVD麻花钻的制孔效果进行了对比分析。结果表明,在保证孔径精度和孔壁表面质量及抑制铝合金出口毛刺方面采用三尖钻加工叠层材料更具有优势。     

A comparative study of the ANN and RSM modeling approaches for predicting burr size in drilling

This paper describes the comparison of the burr size predictive models based on artificial neural networks (ANN) and response surface methodology (RSM). The models were developed based on three-level full factorial design of experiments conducted on AISI 316L stainless steel work material with cutting speed, feed, and point angle as the process parameters. The ANN predictive models of burr height and burr thickness were developed using a multilayer feed forward neural network, trained using an error back propagation learning algorithm (EBPA), which is based on the generalized delta rule. The performance of the developed ANN models were compared with the second-order RSM mathematical models of burr height and thickness. The comparison clearly indicates that the ANN models provide more accurate prediction compared to the RSM models. The details of experimentation, model development, testing, and performance comparison are presented in the paper.     

[成形过程的数据挖掘与深度学习方法]基于机器学习的管材弯曲回弹有效预测与补偿

采用基于优化的误差反向传播(BP)神经网络的机器学习算法建模,提出了考虑材料参数、几何参数等多因素的弯管回弹精确预测和高效控制方法。该方法通过引入非线性惯性权重及遗传算法的杂交算子,改进了粒子群优化(PSO)算法,进而通过改进的PSO算法对BP神经网络进行优化,构建了基于改进的PSO-BP神经网络机器学习回弹预测和补偿模型。以多种规格的铝合金数控弯管构件为对象,将实际生产中不同规格、批次、成形参数下回弹数据作为训练样本,实现了所建机器学习预测模型的应用验证。所建模型获得的预测结果平均相对误差为6.3%,与未优化的BP神经网络等传统模型相比,预测精度最大提高了18.5%,计算时间可从1.5 h缩短至300 s,同时实现了回弹预测与补偿精度以及计算效率的显著提高。     

基于 CNN-LSTM-AM 动态集成模型的电站风机状态预测方法

针对电站负荷变化时风机状态预测模型精度降低的问题,提出一种基于卷积神经网络(CNN) 、长短时记忆( LSTM) 网络与注意力机制(AM)的动态集成状态预测方法。 首先,利用 CNN 将样本数据划分为边界有重叠的不同类别,实现风机 运行状态的软分类;其次,在传统的 LSTM 网络的中引入 AM 层,构造不同工况下的 LSTM-AM 子模型,并将 CNN 输出的软分 类标签作为初始权值,使用遗传算法对权值偏置进行搜索寻优;最后,对各个子模型的输出值加权求和,得到风机不同运行 状态下的集成预测值。 实验结果表明,相较各个 LSTM-AM 子模型和单一 LSTM-AM 模型,本文提出的基于 CNN-LSTM-AM 的 动态集成模型在电站风机变负荷运行时可以将预测结果的均方根误差分别减小 11. 5% 和 22. 3% ,说明此模型具有更好的鲁 棒性和适用性。     

利用前馈神经网络进行气体定性分析

本文将气敏传感器阵列与前馈神经网络模式识别技术相结合,建立了人工嗅觉系统;构造了前馈神经网络的结构和算法;通过实验对一定浓度范围（５００～１０００ｐｐｍ）的甲烷、乙烷和丙烯等三种气体进行了识别,结果表明利用气敏传感器阵列和前馈神经网络进行气体定性分析是可行的。     

基于增强卷积神经网络的电子鼻长期漂移抑制方法

为解决电子鼻传感器阵列中的漂移问题,提出了一种增强卷积神经网络的长期漂移抑制方法.首先,通过结合历史数据的方式进行数据库扩增,起到了数据增强的效果;然后,使用增量补偿模块结合增量学习思维进行网络训练,起到了模型增强的效果;最后,分别使用公开数据集和实测数据集来验证模型的漂移抑制效果.实验结果表明:增强卷积神经网络算法的...     

串联灰色神经网络模型的研究

针对传统灰模型适应性和自学习能力差、中长期预测精度不理想的情况,在3种精度较好的灰模型的基础上引入BP神经网络,构建了串联灰色神经网络模型。仿真表明,这种灰色神经网络模型未出现预测残差和相对误差逐步增加的情况,预测精度明显好于灰模型,适合应用。     

Optimal Neural Network Model for Characterization of Process‐Induced Damage in Drilling Carbon Fiber Reinforced Epoxy Composites

In this paper, a method for robust design of a neural network (NN) model for prediction of delamination (Da), damage width (Dw), and hole surface roughness (Ra) during drilling in carbon fiber reinforced epoxy (BMS 8‐256) is presented. This method is based on a parametric analysis of neural network models using a design of experiments approach. The effects of number of neurons (N), hidden layers (L), activation function (AF), and learning algorithm (LA) on the mean square error (MSE) of model prediction are quantified. Using the aforementioned method, a robust NN model was developed that predicted process‐induced damage with high accuracy.     

Artificial neural network based tool condition monitoring in micro mechanical peck drilling using thrust force signals

Micro scale machining process monitoring is one of the key issues in highly precision manufacturing. Monitoring of machining operation not only reduces the need of expert operators but also reduces the chances of unexpected tool breakage which may damage the work piece. In the present study, the tool wear of the micro drill and thrust force have been studied during the peck drilling operation of AISI P20 tool steel workpiece. Variations of tool wear with drilled hole number at different cutting conditions were investigated. Similarly, the variations of thrust force during different steps of peck drilling were investigated with the increasing number of holes at different feed and cutting speed values. Artificial neural network (ANN) model was developed to fuse thrust force, cutting speed, spindle speed and feed parameters to predict the drilled hole number. It has been shown that the error of hole number prediction using a neural network model is less than that using a regression model. The prediction of drilled hole number for new test data using ANN model is also in good agreement to experimentally obtained drilled hole number.     

Optimal Neural Network Model for Characterization of Process-Induced Damage in Drilling Carbon Fiber Reinforced Epoxy Composites

In this paper, a method for robust design of a neural network (NN) model for prediction of delamination (Da), damage width (Dw), and hole surface roughness (Ra) during drilling in carbon fiber reinforced epoxy (BMS 8-256) is presented. This method is based on a parametric analysis of neural network models using a design of experiments approach. The effects of number of neurons (N), hidden layers (L), activation function (AF), and learning algorithm (LA) on the mean square error (MSE) of model prediction are quantified. Using the aforementioned method, a robust NN model was developed that predicted process-induced damage with high accuracy.