基于自适应深度置信网络的压力变送器温度补偿方法研究

随着压力变送器检测技术和人工智能技术的不断发展,在航空航天、石化、核电等领域人们对压力变送器的稳定性、实时性、测量精度等方面有了更严格的要求。而工作环境的温度会对设备精度造成巨大影响,导致变送器测量值出现偏移。针对此问题,本文提出了基于自适应深度置信网络的高精度压力变送器温度补偿方法。深度置信网络(Deep Belief Networks,DBN)在无监督学习阶段提取数据的特征,然后在有监督阶段使用少量的数据对网络参数进行微调;利用白鲸优化算法(Beluga Whale Optimization,BWO)在全局搜索和局部寻优之间达到平衡,有效地提高DBN网络的优化效果;引入Metropolis准则和适应度平衡因子,进一步提高算法的全局寻优能力以及模型收敛速度。实验拟合后的数据精度可达0.0048%,远高于现有的最高标准0.05级。经过一系列对比分析,验证了补偿算法的准确性和实用性。

基于CVCS的浮法玻璃冷端机械手堆垛系统调度问题

采用目前生产线上常用的高速堆垛机(High-Speed-Stacker, HSS)和即时分拣机(Pick-on-the-Fly,POF)两种机械手分别堆垛不同规格的玻璃原片,目标是最小化玻璃的废料率。针对切割和抓取自动化过程,提出了一种组合Unit的方法最大化生产效率,并在此基础上采用了平衡Unit的优化方法。根据两种类型机械手是否同时工作,提出了混合抓取和分类抓取两种解决方案。最后针对抓取阶段的特点提出了一种组合变异布谷鸟搜索(Combination Variation Cuckoo Search,CVCS)算法,引入了内外逆序和多领域插入变异操作,防止算法陷入局部最优。仿真实验采用响应面分析法对CVCS进行参数标定。并将CVCS与MMGA、BPSO、DABC、CS算法进行了对比分析,实验结果验证了CVCS算法解决该问题的优越性。

基于红外视频的VOCs泄漏源定位与气羽实例分割

为实现对基于红外视频的挥发性有机化合物(VOCs)的自动化检测,提出了一种泄漏源定位和气羽实例分割的协同建模方法,既保证了模型对气羽实例的区分,也保证了每个实例只预测一个泄漏源,并支持单支路网络通过单次前向推理同时进行泄漏源定位和实例分割。考虑到泄漏源附近的气羽逸散特性,使用泄漏源位置作为气羽在嵌入空间的聚类中心,并根据泄漏气羽的时空分布选取高斯分布概率密度函数的协方差变量,对嵌入空间内的像素进行聚类,得到不同实例的泄漏源定位和实例分割结果。将泄漏源定位问题定义为具有单一关键点的关键点检测问题并给出定量评价指标。此外,通过合成数据集获得更加精确且易于获取的标注。实验结果表明,本文提出的方法可以对泄漏气羽进行较为准确的泄漏源定位和实例分割,综合定量指标高于其他同类方法,且在真实视频中具有良好的泛化性。

压力变送器研究现状及发展趋势

压力变送器作为工业领域的重要测量仪器,已广泛应用于火电、核电、化工、钢铁、航天等领域。随着检测技术和自动化技术的发展,对压力变送器的稳定性、精确度以及智能化水平提出了更为严苛的要求。介绍了压力变送器的主体结构和常见分类。从通信方式、特殊环境测量要求以及智能化等多个方面分析了压力变送器的研究和应用现状。压力变送器的通信方式已经从传统的模拟通信发展到方便、快捷的无线通信。针对高温极端环境压力测量,更多的新型材料(如碳化硅、石墨烯等)被用作传感器敏感元件。为了适应智能化需求,一些研究者设计、研发了具有自诊断功能的压力变送器,以保障系统的安全性。为了克服压力传感器的温度漂移问题,提出了各种神经网络和深度学习的温度补偿算法。无线化、智能化、高精度等将成为压力变送器未来的主要发展方向。

多目标协同正弦优化算法求解分布式流水车间调度问题

针对最小化最大完工时间(makespan)、总拖期以及平均空闲时间的多目标序列相关准备时间分布式流水车间调度问题,本文提出一种多目标协同正弦优化算法(MCSOA).算法主要包括4个核心阶段:在多邻域搜索阶段,提出了基于关键工厂的搜索策略,并通过正弦优化算法控制搜索范围;在破坏重构阶段,设计了一种迭代搜索策略引导个体的进化方向,同时使用正弦优化算法平衡全局开发与局部搜索;在选择阶段,使用非支配排序与参考点的方法筛选优质解,外部档案集用于存储所有非支配解;在协同阶段,设计种群间共享与竞争机制,平衡3个目标的优化.本文通过多目标优化的均匀性、反世代距离和覆盖率3项性能指标验证算法的有效性,并使用非参数检验证明所提出的算法具有显著性优势.

基于注意力机制多尺度卷积神经网络的轴承故障诊断

提出了基于注意力机制的多尺度卷积神经网络(Multi-scale and Attentive Convolutional Neural Network,MACNN)进行轴承故障分类,该模型以一维Resnet18网络结构为主体,卷积模块采用残差模块和空洞卷积并行方式以达到扩大感受野、避免特征信息丢失的目的,同时利用注意力机制可以自动提取有用特征的能力,将模型提取特征作为输入送入注意力机制模块,进一步提高模型故障分类能力。此外,采用边界平衡生成对抗网络(Boundary Equilibrium Generative Adversarial Networks,BEGAN)模型对故障数据增强,改变不平衡数据集的比例,增加数据集样本数量,降低MACNN模型的过拟合,提高诊断的准确率。在帕德博恩轴承数据集(Paderborn University Dataset,PU)上验证MACNN模型,实验结果表明,该模型在特征提取和故障分类方面都表现出了良好的性能,优于当前主流模型。

基于改进YOLO v8的行李追踪技术

在机场行李分拣场景下,传统多目标追踪算法存在目标ID切换率高和目标轨迹误报率高的问题。提出一种基于改进YOLO v8和ByteTrack算法的行李追踪技术。增加了CBAM模块,替换ADH解耦头以及改变训练时的损失函数,增加了检测精度,加强了目标特征的判别性,降低目标的ID切换率。在Byte数据关联中进行了GSI插值后处理,不仅利用了高分框和低分框,也使得长时间遮挡后的追踪效果得到保证,降低了因遮挡产生的ID错误切换。在机场行李分拣数据集上,MOTA和IDF1分别达到了89.9%和90.3%,有了较为明显的提升,能稳定地实现对行李箱ID的追踪。

基于红外气体成像及实例分割的气体泄漏检测方法

针对红外气体成像实现自动化的泄漏检测,提出了一种基于深度网络的气羽实例分割方法,可以同时实现泄漏检测、气羽分割以及多泄露源的区分。不同于现有的实例分割方法,针对泄漏气羽各向异性的空间特征,采用二维高斯模型下的概率函数作为嵌入空间的相似性度量,提出了一种新的聚类损失函数。该损失函数通过聚拢实例内的像素点,同时学习一个斜椭圆形的带宽来最大化每个气羽实例分割掩膜。为了获得更多的红外气体成像数据以及避免人工标注气羽轮廓的困难,提出了一种使用合成红外气体成像数据集来训练模型的方法。实验结果表明,经过合成数据的训练,本文方法可以成功地在真实的红外视频上进行自动泄漏检测。与其他先进的实例分割方法相比,本文方法在保持高精度的同时具有更快的处理速度,适用于实时泄漏检测场景。

基于改进多种群候鸟迁徙算法的混合流水车间调度

针对带顺序依赖准备时间的混合流水车间调度(HFS-SDST)问题,以最小化总最大作业完成时间为调度目标,提出一种改进多种群候鸟迁徙优化(IMMBO)算法.算法中个体基于工件加工顺序进行编码,用改进的NEH(MNEH)算法产生初始种群,并按照适应度值分配到各子种群.子种群中领飞鸟和跟飞鸟分别利用串行和并行邻域策略产生邻域个体,如果跟飞鸟优于领飞鸟,二者互换,完成种群内部个体的信息交互;在IMMBO算法中嵌入离散鲸鱼优化策略对各子种群的领飞鸟进行优化,实现子种群之间信息交互;为提高算法的局部搜索(LS)能力,对种群中最优个体执行LS,同时,为了避免算法早熟收敛,针对每个种群的领飞鸟设计了种群多样化控制策略.最后,在实验法调整算法参数的基础上,对IMMBO的4个变体进行了仿真实验,通过测试Ta自适应算例验证IMMBO算法各部分的作用;将IMMBO算法与现有3个算法测试Ta自适应算例,进行实验结果比较,证明了IMMBO算法求解混合车间调度问题的有效性.

基于改善解集分布性的多目标优化

针对低维度多目标优化问题,目前的众多多目标优化算法已能保证足够接近问题的最优前沿,并兼顾解集的收敛性和多样性。然而,大多数算法往往忽略了解的分布性。在具有不规则帕累托前沿的多目标优化问题上,解的分布越均匀,越能充分覆盖问题的最优前沿超平面,提供给决策者的选择区间也越趋于合理。文中针对解的分布性的改善问题,以SPEA2算法为主框架,在改进个体适应度计算的基础上,提出一种新的多目标优化算法CM-SPEA2。该算法首先通过不等权重层次聚类法将种群划分为若干簇;然后改进原有杂乱度计算方法,衡量个体在所属簇内的杂乱度,寻找杂乱度最低的个体作为参考点;最后,基于其他个体与参考点的Manhattan距离计算表征分布性的算子并改进适应度函数,设置适应度阈值筛选参考点附近的非支配个体,从而间接调整环境选择策略,使保留的个体分布更加均匀,进而提升收敛性和多样性。对比实验结果表明,与一些类似的多目标优化算法相比,CM-SPEA2算法在IMOP、ZDT和VNT类型的测试问题上具有一定的优势。

基于VNABC的多规格板材二维下料问题

针对二维下料问题板材单一的特点,研究了多规格板材二维下料问题。板材规格多样、毛坯规格多样且数量庞大,是NP(Non-deterministic Polynomial)完全问题。针对该问题的特点,将下料过程设计成规整和非规整两个阶段。规整阶段完成每种矩形毛坯的主体下料任务之后,如仍有毛坯剩余,则进入非规整阶段采用BL算法(Bottom Left Algorithm)下料剩余毛坯。根据模型特点,提出变邻域人工蜂群算法(VNABC),设计两种解码策略STD和SLD,并改进了VNABC算法的操作算子。最后,采用响应面分析法对VNABC算法进行参数标定。通过仿真实验将VNABC算法与遗传算法(GA)、改进粒子群优化算法(NUS)、模拟退火算法(SA)、人工蜂群算法(ABC)进行了对比分析,实验结果验证了VNABC解决多规格板材二维下料问题的优越性。

基于并行LSTM-CNN的化工过程故障检测

为保证生产过程的安全稳定运行,避免因故障导致损失,及时检测出异常工况并对异常工况进行准确诊断十分重要。针对化工过程的复杂性,提出一种并行长短时记忆网络和卷积神经网络(Parallel Long and Short-Term Memory Network and Convolutional Neural Network,PLSTM-CNN)模型进行化工生产过程故障检测。该模型有效结合LSTM对时间序列数据全局特征提取能力和CNN模型善于提取局部特征的能力,减少了特征信息的丢失,实现了较高的故障检测率。采用一维稠密卷积神经网络作为CNN的主体,结合LSTM网络对序列信息变化敏感的特点,在构建更深层网络的同时避免模型过拟合。采用最大互信息(Maximum Mutual Information Coefficient,MMIC)数据预处理方法,提高了数据的局部相关性以及从不同初始条件下PLSTM-CNN模型检测故障的效率。以TE(Tennessee Eastman)过程为研究对象,PLSTM-CNN模型在故障平均检测率和漏报率等指标上明显优于传统循环神经网络。

基于分布式深度神经网络的双馈风机低压故障穿越研究

双馈风机的低电压穿越性能不仅依靠控制策略,还取决于对控制参数的选择。然而,控制参数优化算法耗时太久,在实时控制中达不到相应的效果。本文提出了一种基于离线参数优化和模型训练、在线故障识别的方法。首先通过已经建立的双馈风机(DFIG)并网模型获取大量不同类型的故障数据,并根据故障类型进行控制参数的离线优化,形成相应的低压穿越方式;然后将不同的故障数据进行分类,构成神经网络的训练样本;最后在电网故障瞬间利用训练好的分布式深度神经网络(Deep Neural Networks,DNN)迅速判断故障种类,并选择合适的控制策略。通过半实物仿真的方式验证了该方法的可行性以及在控制效果和速度方面的优势。

基于CatBoost的供水量组合预测模型探讨

如何合理安排水资源并减少水资源浪费是亟需解决的问题,精确预测供水量并为供水系统调度方案的制定提供必要的数据支持是目前重要研究方向之一。建立了一种基于CatBoost的城市供水量组合预测模型,该模型基于KNN算法对异常数据进行识别和校正,从而减少异常数据对模型精度的影响;随后采用SVR,XGBoost,LightGBM和CatBoost模型预测供水量数据;为了融合各模型的优点并提高模型的预测精度,将各单一模型的预测结果作为输入特征,采用CatBoost模型进一步预测供水量数据并得到最终的供水量预测结果。仿真实验结果表明:所提出的基于CatBoost的组合预测模型具有更好的预测精度,验证了该模型在城市供水量预测问题中的有效性。

基于改进支持向量机的作物叶水势软测量建模

在标准最小二乘支持向量机(least square supportvector machine,LS-SVM)的基础上,利用改进的粒子群算法(i mproved particle swarmopti mization,IPSO)来优化LS-SVM模型参数,提出了基于IPSO-LS-SVM的软测量建模方法,建立了作物叶水势软测量模型.仿真结果表明,该方法比基本LS-SVM和PSO-LS-SVM模型具有更高的精度,能够很好地预测作物叶水势信息.

不确定性条件下的生产调度

综述了不确定性条件下生产调度的研究现状 ,分析了生产调度过程中所存在的各种不确定性 ,阐述了不确定性的分类 ,不确定性的数学描述 ,不确定性生产调度的数学模型 ,各种调度方法 ,处理不确定性生产调度的优化方法等 ,指出了解决不确定性生产调度的有关途径 ,并对存在不确定性条件下生产调度的进一步的研究内容作了展望。

基于正交函数逼近变换的分布参数系统可控性与可观性

基于偏微分方程谱分解原理，采用正交函数逼近技术，给出了分布参数系统逼近可控性、可观性的定义，并研究线性分布参数系统逼近可控性与可观性的判定方法。还研究了两种典型分布参数系统在不同形式控制与观测情况下的逼近可控性与可观性判据。

线性时变时滞系统分析与参数辨识的PMCP方法(英文)

本文将文[1]定义的按段多重chebyshev多项式系应用于线性时变时滞系统分析与参数辨识,提出了系统分析和参数辨识算法。数值例子表明本文提出的算法既简单又有效,大大优于由移位chebyshev多项式系所导出的相应算法。

面向柔性作业车间调度问题的改进博弈粒子群算法

对柔性作业车间调度问题的研究可以令实际生产加工过程更加贴合当今人们对商品个性化和定制化方面的需求。在对柔性作业车间调度问题中的多个性能评价指标进行研究后,巧妙利用它们间的矛盾点,在自创的问题编、解码方案的基础之上,建立了博弈解集,并对传统粒子群算法的寻优机制进行改进,提出了改进博弈粒子群算法。运用该算法对一组标准问题调度算例进行求解,验证了该算法良好的求解性能。同时,通过与其他粒子群算法结果和耗时等的比对显示该算法可以更有效地求解以最小化最大完工时间作为唯一优化目标的柔性作业车间调度问题。

不确定性条件下存储时间有限型Flow Shop问题的提前/拖期调度研究

研究了具有不同交货期窗口的Flowshop提前/拖期调度问题,并考虑处理时间的不确定性以及存储时间的有限性,在模糊规划理论基础上,建立了带有提前/拖期的存储时间有限型Flowshop的调度模型,通过中间值最大隶属度算法,将原有的模糊调度模型转化为清晰的调度模型,并应用了遗传算法进行优化求解。仿真实验验证了算法的有效性。