基于深度学习与注意力机制的化工故障分类

针对现有的故障诊断方法在处理高维度且动态特征明显的化工生产过程中观测的数据时,存在无法识别长时间依赖关系、精确度不够的问题,本文对长短时记忆模型进行改进,提出了一种基于深度学习与attention机制的分类模型,以田纳西-伊斯曼仿真平台的仿真数据作为研究对象,通过小波阈值去噪法对数据进行预处理,再对模型分类效果进行验证,比较了本文模型与改进前的模型,最后通过t-sne算法绘制样本数据及在模型各层输出特征向量在二维空间的分布图。实验结果表明,改进后的深度学习模型,对故障分类时能达到92.71%的召回率与93.05%的准确率,相对改进前的模型分别提高了16.84%与13.66%,对数据特征的学习效果更好,更适用于化工数据。     

基于机器视觉的工厂人员异常行为识别

工厂内异常人员行为是造成一些人力资源浪费和安全事故发生的主要原因。论文针对此问题初步制定了5种决策融合策略,使用机器视觉的方法检测工厂人员的异常行为。首先使用YOLOv5算法对多人图像进行切割;之后利用Blaze-Pose算法计算分割图像中的单人关键点,以此作为特征使用角度识别和ST-SVM分类器识别分割后图像中人员的行为,分别得到两种图像行为信息;最后通过制定的决策融合策略,对两种图像行为进行决策融合,得到最终的人员行为信息。论文使用1000张图片作为数据集,进行试验;实验结果表明,文中方法可以准确识别常见的工厂人员异常行为,精确率大于0.80,召回率可达到89%以上,F1指数大于0.91,预期可以为工厂内人员异常行为检测与预警提供技术支持。     

基于鲁棒优化的系统辨识算法研究

输入-输出数据是解决系统辨识问题的关键要素,传统的辨识理论除了假定影响输入-输出数据干扰的密度函数已知外,还要假定输入-输出数据能够精确获得,完全忽略了所用数据的质量.本文突破了传统理论的两个假设,首先用工程上易于获得的干扰的有界集合代替干扰的密度函数,并在特定数据不确定性结构下,考虑了数据质量问题,然后,以半定规划为基础,导出了鲁棒对等式,从而将系统辨识转化为对数据质量具有鲁棒性的优化问题,通过求解该优化问题,得到了一种新的鲁棒优化辨识方法,仿真结果表明了新方法的可行性和有效性.     

基于改进粒子群优化算法的路径规划

针对二维静态环境下移动机器人路径规划问题,该文提出一种改进的粒子群算法求解最优路径。首先,由于传统的粒子群算法初始化粒子时并未考虑到粒子初始位置是否占障碍物空间,没有对占障碍物空间的粒子进行处理,导致粒子初始有效性低下,全局寻优不准确和全局寻优时间长。然后,为解决此问题,在初始化时采用一种修正粒子算法,解决初始时粒子有效性低下的问题。比较传统粒子群算法和该文算法的仿真结果。仿真结果表明,采用这种方法极大限度地增大了初始粒子的有效性,使算法迭代时可以更加快速准确地得到全局最优路径,所提方法有效可行。