基于ISTA-LSTM模型的间歇过程质量预测

为了考虑过程变量与质量变量的相关性,解决间歇过程的时序性和动态特性导致预测精度不高的问题,提出一种基于改进时空注意力-长短时记忆神经网络(improved spatial and temporal attention long short-term memory,ISTA-LSTM)的模型进行间歇过程质量预测.首先,对间歇过程的三维数据按变量方向展开成二维矩阵,对二维数据采用Min-max方法归一化;然后,使用偏最小二乘(PLS)方法对原始数据降维,提取数据的特征信息,基于时间注意力和空间注意力构建编码-解码器结构的双层LSTM网络,利用注意力机制自适应地学习神经网络参数,关注每一个过程变量对质量变量的重要性并分配相应的注意值,从而保留所有输入的必要信息,采用带交叉验证的网格搜索算法对预测模型进行超参数寻优,并建立预测模型;最后,在青霉素发酵仿真平台上进行实验验证,实验结果验证了所提模型对间歇过程质量预测的可行性和有效性.     

基于TTGNPE算法的间歇过程监控

针对间歇过程中三维数据展开为二维造成的部分信息丢失以及数据的全局和局部结构可能发生的变化,提出一种基于张量分解的时序扩展全局局部邻域保持嵌入(TTGNPE)算法.首先利用TTGNPE算法直接处理间歇过程中的三维数据,以避免因展开为二维而造成的信息丢失;然后,将近邻流形嵌入并引入数据空间的全局和局部结构保持中,充分提取数据的局部和全局特征信息;最后,结合移动数据窗技术来处理过程的动态时变性,检测到故障后用贡献图法诊断出故障变量.通过青霉素发酵过程验证了所提出的算法对间歇过程故障检测与诊断的优越性.     

基于GSM和GPS的烟囱废气远程监测系统的设计

为了有效监管工厂大烟囱的排污情况,设计一种远程废气监测系统,该系统以ARM为核心控制器,通过传感器采集烟囱排气口的二氧化碳污染物指标,通过GPS全球定位系统实现烟囱位置的定位,为了帮助环保部门监督厂矿尽可能少的污染环境,系统还采用GSM无线传输方式实现监测数据的超标报警。多次测试结果表明,该系统实现了GPS定位、超标报警、数据存储备份等功能。     

Adam优化的CNN超分辨率重建

为了使单帧图像在不同放大倍数的条件下进行超分辨率重建能得到较好的效果,提出了一种Adam优化的卷积神经网络(convolutional neural network,CNN)超分辨率重建方法。该方法首先使用ISODATA(iterative selforganizing data analysis)聚类算法对训练的图像集进行分类处理,然后在Adam优化的卷积神经网络中对输入图像进行特征提取和非线性映射得到特征映射图,最后在Adam优化的卷积神经网络中对特征映射图进行反卷积重建得到多尺度放大的重建图像。通过实验验证使用该方法在不同放大倍数条件下的重构效果优于传统算法,在视觉效果上有较好的表现。     

基于LabVIEW的水质监测中心软件设计

针对目前我国的水质污染情况严重,水质监测手段相对落后的现状,设计了基于LabVIEW的多功能水质监测上位机软件。系统采用网络通信方式,从物联网云平台上获取数据,并结合MATLAB、Access数据库和Elman神经网络技术,分别设计出了系统概述模块、数据接收模块、水质报警模块、数据存储模块、记录查询模块和数据预测模块,完成了数据接收、存储、查询、预测等功能。测试结果表明,该系统稳定可靠,各功能模块均能正常运行,达到了软件设计标准,实现了预期的功能。     

基于GSM和MODEM的远程门禁监测分析系统的设计

设计一种远程门禁监测分析系统,该系统以ARM(S3C44B0+)为核心控制器,通过不同传感器采集站点的进出人数,违禁物品等,通过EMODEM转换器、完备的公共电话网实现和计算机的远距离通信,此外系统还采用GSM无线传输方式实现监测数据的超标报警.所有实时数据除了通过公共电话网传输到计算机外,还通过SPI接口存入SD存储卡中.多次测试结果表明,该系统实现了数据远传、超标报警、数据存储备份等功能.     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法。该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别。将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

基于DBN-HD的车载设备故障诊断

针对列车超速防护（automatic train protection,简称ATP）系统车载设备故障诊断主要依靠人工经验以及效率低的问题,提出了深度置信网络-汉明距离（deep belief network-Hamming distance,简称DBN-HD）车载故障诊断模型。首先,利用DBN无监督地提取车载故障数据的抽象特征,获得原始数据的低维表示形式,将其输入附加在顶层的分类器输出诊断结果;其次,比较实际输出与期望输出之间的HD,将HD作为误差采用反向传播（back propagation,简称BP）算法自顶向下地微调DBN权值,完成模型训练;最后,利用某局集团公司电务段车载故障数据分析和验证模型参数对模型性能的影响。研究结果表明,与支持向量机（support vector machine,简称SVM）、反向传播神经网络（back propagation neural network,简称BPNN）和DBN进行对比,本研究提出的DBN-HD模型具有更高的正确率和运行效率,适用于实际车载设备故障诊断。     

基于PSO-BFA和改进Alexnet的滚动轴承故障诊断方法

现实中滚动轴承的工况复杂易变,无法有效地对其进行故障诊断。对此,提出一种基于粒子群优化的细菌觅食(Particle Swarm Optimization and Bacterial Foraging Algorithm,PSO-BFA)和改进Alexnet(第二代卷积神经网络)的滚动轴承故障诊断方法。该方法将Alexnet的结构简化,并分别在其前两层池化层之后添置局部归一化层以降低训练成本;将以小批量样本softmax的交叉熵为损失函数,按Adam迭代优化法小样本、少迭代次数训练改进Alexnet后的变负荷样本诊断精度设计为适应度函数,并结合PSO中粒子移动速度的更新方法更新BFA中细菌的游动方向来寻找改进Alexnet的结构等相关参数;根据PSO-BFA所得的参数,以相同的训练方法大样本、多迭代次数训练改进Alexnet,实现复杂工况下滚动轴承多状态故障诊断。实验结果表明所提出的方法对复杂工况下滚动轴承16种故障状态的诊断是可行的,且有更高的诊断精度、更好的抗干扰和泛化性能。