基于1DCNN-BiLSTM的航空发动机故障分类研究

随着航空发动机运行状态的变化,其故障模式也会发生变化。针对航空发动机的运行退化趋势,提出一种基于1DCNN-BiLSTM的航空发动机故障分类模型。该模型可以直接用于原始监测数据,不需要其他算法提取故障退化特征,并且能充分利用1DCNN提取时间维度局部特征的优势,以及BiLSTM处理非线性时间序列及利用双向上下文信息的特点,最后连接全连接层来学习双向时序依赖的特征信息,并使用softmax函数来诊断故障类别。在美国航空航天局公开的CMAPSS数据集上进行验证,将故障模式分为无故障、HPC故障(单一故障)、HPC&Fan故障(混合故障)三种类型。实验结果表明,与其他模型对比,所提模型具有较高的分类精度,这对提高航空发动机运行可靠性和进一步进行剩余使用寿命预测有一定的实用价值。

基于改进沙猫群算法优化CNN-BiLSTM的热负荷预测

针对传统热负荷预测精度不高、无法满足换热站及热网优化调控需求的问题,提出一种VMD-ISCSO-CNN-BiLSTM的热负荷预测模型。首先,利用变分模态分解(VMD)对原始供热负荷数据进行降噪处理,降低数据的不稳定性;其次,由K-means算法改进种群初始化,由演变机制改进寻优能力和由变异机制改进跳出局部最优能力,利用改进沙猫群算法(ISCSO)对卷积神经网络、双向长短期记忆神经网络(CNN-BiLSTM)超参数进行寻优,建立热负荷预测模型;最后通过实例进行分析。结果表明,数据降噪后模型预测精度更高,R^(2)提升1.1%;由ISCSO优化的模型比其他算法优化的模型预测效果更好,拟合度达到99.4%;VMD-ISCSO-CNN-BiLSTM的组合预测模型相较于单一模型,RMSE降低18.5%,MAE降低13.8%,R^(2)提升15.8%,并有更好的拟合度,泛化性强,满足工程实际要求。

基于组合赋权优化的ES-ARIMA-BP神经网络交通事故预测研究

为提高交通事故模型的预测精度,更好地辨识交通事故在时间维度上的规律特性,基于CRITIC法和熵权法组合赋权,构建一种ES-ARIMA-BP神经网络组合预测模型,探究新疆地区交通事故在时间维度上的月度分布规律。首先,使用指数平滑法(ES)进行预测,可减少数据间的噪声,并能捕捉时间序列数据中的季节性变动;其次,使用ARIMA模型进行预测,可捕捉数据中的线性部分、非季节性趋势和周期性波动;最后,为更好地应对数据中的复杂非线性及无周期性波动,引入BP神经网络进行预测。结果表明:构建基于组合赋权优化的ES-ARIMA-BP神经网络组合预测模型,平均绝对误差百分比(MAPE)仅为1.869%,决定系数(R^(2))高达0.982,较单一模型及单一赋权法下的组合模型预测误差率更低,拟合程度更好。组合预测模型以数据最大优化为思想基础,可有效克服单一模型的局限,同时采用组合赋权,使其能更好地适应不断变化的数据和环境,从而提高预测的准确度。

基于CNN-Transformer模型的自动扶梯轴承故障诊断方法研究

针对自动扶梯滚动轴承故障诊断模型诊断识别率不高的问题,提出一种CNN与Transformer相结合的滚动轴承故障诊断方法。该方法采用CNN注意力和Transformer时域注意力融合机制,从信号的通道和时域两个维度提取最有利于识别的特征信息,降低信道和噪声等影响。根据特征信息的重要程度进行权重分配,以提升故障识别率。基于滚动轴承数据集,将所提算法模型和CNN、RNN、SVM算法进行对比。结果表明,该方法识别轴承故障的准确度更高,实现了对轴承故障的准确分类。

雷达信号频率估计的改进R-Q算法

在信号频率估计中,针对传统Quinn算法及Rife算法存在频率估计值点靠近量化频率点估计误差较大,Rife算法和Quinn算法(R⁃Q算法)频率估计性能不稳定的问题,提出一种改进的R⁃Q算法。该算法首先利用Quinn求出频率偏差,并基于该频率偏差得到频率估计值并进行频移;然后对频率估计值峰值点及频移0.5处的点进行离散傅里叶变换(DFT),并利用Rife算法进行幅度插值得到最终频率估计值。分析表明,该算法使待估计频率始终位于两点DFT的中心位置,有效克服了传统算法在频率估计值点靠近量化频率点估计误差较大的问题,从而提高了频率估计的准确度。仿真结果表明,该算法的性能优于R⁃Q算法和I⁃Rife算法,提高了信号频率估计的精确度,稳定性较高,计算量小,且均方根误差更接近克拉美⁃罗限(CRLB)。

基于YOLOv5-DSC的漂浮物目标检测

针对河道漂浮物检测识别困难的问题,提出一种改进型的检测识别网络YOLOv5-DSC。首先,在YOLOv5骨干网络中加入无参数注意力机制SimAM,在不增加模型参数的情况下,提高模型的特征提取能力;其次,在特征融合网络中使用基于深度可分离卷积(DSC)的DSCSP结构,减少模型的计算量;最后,采用SIoU损失函数代替原YOLOv5网络模型中的CIoU损失函数。SIoU损失函数重新定义了回归距离损失,加快了网络的收敛速度。在漂浮物数据集上进行了实验验证,结果表明,YOLOv5-DSC平均精度均值达到了98.5%,检测速度为145 f/s。

加强融合表情和语音的抑郁症检测模型

抑郁症患者的表情和语音具有直观、易于获取等优点,已被广泛应用于抑郁症检测,但现有研究存在忽略表情变化过程包含的信息在抑郁症检测中的作用,未能将动态表情包含的信息与静态表情、语音有效结合,识别准确度不高等问题。针对上述问题,提出一种用动态表情和语音加强融合静态表情特征的抑郁症检测模型。在语音特征提取模块中加入Bi-LSTM网络,挖掘语音的时序信息,用情感语音迁移学习,再用抑郁症语音训练。表情特征提取模块采用双通道结构,利用混合注意力机制分别提取动态表情和静态表情特征,特征更具判别性。特征加强融合模块用语音和动态表情加强融合静态表情,特征信息互补加强。实验结果表明,所提方法在AVEC2014数据集上检测的RMSE和MAE降低到8.21和6.03,优于目前使用语音和表情检测抑郁症的方法。

基于改进YOLOV7的变规模网络重叠区域多目标跟踪方法

在实际场景中,目标之间常常存在重叠或部分遮挡的情况,若是未进行有效的多目标检测以及了解变规模网络重叠区域内的节点状况,会导致目标跟踪精度下降。对此,提出一种基于改进YOLOV7的变规模网络重叠区域多目标跟踪方法。首先,采用改进YOLOV7对变规模网络重叠区域多目标进行检测;然后,在目标检测的基础上,对多目标轨迹特征进行提取;最后,基于提取到的多目标轨迹特征,已知目标的速度、方向与距离,实现变规模网络重叠区域的多目标跟踪。实验结果表明,所提方法的跟踪精准度最高达到98%,曼哈顿距离明显小于对比方法,仅在0.1~-0.1之间,性能较优,具有实用性。

基于DGA与IGWO-WELM的变压器不平衡故障诊断研究

针对变压器故障诊断精度较低的问题,提出一种改进的灰狼算法(IGWO)与加权极限学习机(WELM)的变压器不平衡故障诊断模型。首先,基于油中气体分析(DGA)技术,结合无编码方法将变压器的7种特征量作为可视输入;然后,采用Logistic混沌映射、云模型惯性权重对灰狼算法(GWO)进行改进;最后利用IGWO对WELM的相关参数进行迭代优化,并利用IGWO-WELM故障诊断模型对变压器进行故障诊断。试验结果表明:提出模型的G-mean平均值为96.06%,比GWO-WELM、GA-WELM、PSO-WELM和WELM分别高10.96%、12.92%、1.08%和18.41%;误报率平均值为12.28%,也明显低于其他4种模型。

基于ICEEMDAN-ICSSA-CKELM-TCCA的短期风电功率预测研究

为了提高风电功率预测的准确性,基于信号分解、优化算法和误差修正,提出一种ICEEMDAN-ICSSA-CKELMTCCA的风电功率预测组合模型。首先采用改进的带自适应噪声的完全集成经验模式分解(ICEEMDAN)和样本熵原理,对原始功率序列进行分解和重构,得到更适合提取特征的新序列。然后,建立包含Poly核函数、RBF核函数的组合核极限学习机(CKELM)对新的序列进行初步预测,并利用融合了Tent混沌映射、动态惯性权重和自适应t变异策略的改进混沌麻雀搜索算法(ICSSA)对其参数进行优化,提升CKELM预测性能。最后将时间卷积网络(TCN)与高效通道注意力机制(ECA)组合搭建为TCCA模型,对初步预测结果进行修正。以中国云南省某风电场的数据为例进行多组实验,结果表明该模型针对风电功率具有较高的预测精度。

基于频谱分析仪的语音识别及控制软件系统设计

随着数据处理技术的进步和人工智能领域的高速发展,用户在对仪器的实际使用中持续追求更为高效便捷的操控方式,同时也相当看重使用过程的灵活性和准确性,语音数据因其实用性和高效性而被广泛使用。因此,提出一种基于频谱分析仪的语音识别及控制软件系统。该系统支持Ubuntu 18.04及以上版本操作系统,通过语音指令实现对频谱分析仪的控制,可以实现语音唤醒、语音录入及保存、离线语音识别并转换为文字文本、可执行代码等功能。

基于小波时频图和ResNet18的焊接状态监测方法研究

针对焊接过程中因外部干扰因素或焊接参数选择不当而导致的气孔和未熔合缺陷的问题,提出一种小波时频图和深度残差网络(ResNet18)相结合的焊接质量检测方法。首先,搭建管道全位置自动焊接试验平台,利用拾音器记录熔合良好、未熔合和气孔焊接状态下的声音信号,将采集到的声音信号进行小波阈值降噪处理并且计算信号的信噪比,从而得到合适的信号降噪方法。其次,使用连续小波变换得到小波时频图,对时频图进行压缩和预处理,将时频图的大小设置为224×224,并剔除时频图上的标题、坐标和能量等。最后,将处理好的小波时频图作为输入,以未熔合、熔合良好和气孔三种状态作为输出,利用ResNet18网络进行训练。结果表明,该模型对三种焊接状态下的声音信号具有良好的监测效果,其准确率为90.78%。

一种基于ALO-SVM算法的入侵检测方法

入侵检测一直是网络安全领域的热点研究方向,为了提高网络入侵检测的速度和准确性,提出一种在PCA降维的基础上,基于蚁狮优化算法(The Ant Lion Optimizer,ALO)和支持向量机(Support Vector Machine,SVM)相结合的入侵检测方法。该算法首先利用主成分分析法(Principal Component Analysis,PCA)对数据进行降维处理以去除冗余数据,并利用ALO算法优化SVM的参数,然后根据优化后的SVM建立入侵检测模型,最后利用由PCA处理过的KDDCUP99数据集验证检测模型。实验结果表明,所提方法相较于简单的ALO优化SVM和PSO-SVM算法,在提高正确率的基础上,检测速度有显著提高。

基于改进神经网络的视频序列运动目标识别方法

为改善运动目标检测效果,降低目标漏检率,提出一种基于改进神经网络的视频序列运动目标识别方法。构建改进YOLOv3的运动目标识别模型,以不同帧视频图像为模型输入,经过卷积层的初步特征提取后,输入到由5个残差模块组成的深层网络中。通过以上采样方式构建特征金字塔,实现对运动目标四尺度特征的捕捉。在特征金字塔的每一层,应用K-means算法对运动目标真实框进行聚类,确保候选框尺寸和比例与真实运动目标的统计特性相匹配;再利用获得的候选框和分类器对特征图上每个位置进行目标检测,运用非极大值抑制技术剔除重叠框,将斥力损失函数引入到网络训练总损失之中,使预测框无限贴近运动目标真实框,实现对运动目标的精准识别。实验结果表明,所提方法具有显著的运动目标识别能力,当聚类数目为12时,运动目标识别的AUC、F1指标可达到0.92、0.90,且计算量较少。

改进YOLOv8算法的交通标志小目标检测

针对传统网络模型在交通标志检测方面存在的小目标识别不准确的问题,提出一种改进的Ghost-YOLOv8交通标志检测模型。首先,使用GhostConv代替了全部Conv,并设计全新的GhostC2f模块来替代全部的C2f,使模型轻量化;其次,将上采样算法替换为CARAFE,以更好地保留图像的细节信息;然后,在Neck部分引入了GAM注意力机制模块,以增强特征中的语义信息和位置信息;最后,为了解决检测小目标时尺度不一致导致的语义信息丢失问题,添加了小目标检测层,以增强深层和浅层语义信息的融合。实验结果证明,该模型在中国交通标志检测数据集TT100K中的召回率、mAP@0.5、mAP@0.5:0.95指标分别提高了6.8%、4.0%、3.6%,并且模型的参数量及模型大小分别降低了1.069×10^(6)、1.9 MB。综合说明,所提出的模型在精准度不变的前提下,减少了模型的参数量及大小,并能更好地检测到原模型检测不到的小目标;同时,比对比算法具有更好的性能表现,并且适用于边缘计算设备,具有实际应用价值。

基于双分支分割网络的复杂环境车道线检测方法

对车道线实现准确检测是自动驾驶中的关键技术。针对现有的车道线检测方法对复杂工况下的车道线检测精度不足的问题,提出一个面向复杂场景下的车道线检测模型。基于LaneNet网络设计一种双分支分割网络,利用网络模型中的损失函数使图像像素点占比提高,实现网络参数的优化。通过编码器与解码器结构对车道线采样,实现语义分割与车道线像素点嵌入分割;并通过自适应DBSCAN聚类算法实现对邻域半径和最小样本个数两个参数的自主选择,引入H-Net网络中的图像逆透视变换与车道线拟合实现检测。最后,利用图森数据集对所设计模型进行验证。结果表明,所提出的车道线检测模型有较高的精度,能实现复杂场景下的车道线检测。

数字地下空间信息检测管理平台研究

地下检测是诊断和预防地下病害的重要手段,但由于传统的城市地下检测数据平台架构限制,各组织机构独立管理和上传数据,导致数据共享难以实现。针对这一问题,利用先进的互联网、物联网技术,通过感、传、知、用四层架构建立数据综合信息管理平台,加强检测数据的汇聚融合、共享开放和开发利用,发挥数据的基础资源作用和分析引擎作用,提高政府决策科学化水平和管理效率,对于保障城市安全和预防道路风险隐患具有重要意义。数字地下空间信息检测管理平台可实现多源数据的统一管理,促进数据有序流动,对检测结果进行直观的展示、查询和工程化管理。文中利用地图数据实现地下空间数据与检测数据的匹配,实现检测结果的可视化表达。通过对数据的统计分析和评价来精准定位安全隐患及事故,促进城市建设协调机制更加健全;同时检测数据可通过安卓端以图片、文字、视频等多种方式实时地传送到信息管理平台,实现多端数据推送与接收,推动数据资源的开发利用,提高服务效率。该信息管理平台可实现与数据道路、智慧城市的完美对接,通过对其在不同场景的示范应用,不断完善平台功能、性能,验证了该信息管理平台的服务能力,提高了地下检测数据信息化的整体水平。

基于STPA与模糊BN的新能源汽车安全性分析方法研究

随着新能源汽车自动化程度不断提高,各系统之间耦合造成的故障急剧增加,传统的安全分析方法已无法满足当前汽车复杂系统的危险性分析要求。针对新能源汽车突然失控事故存在的高危性、复杂多样的问题,提出一种基于STPA与模糊BN的新能源汽车安全性分析方法。首先,运用系统理论过程分析方法(STPA)分析新能源汽车突然失控事故,得出系统级事故及危险,构建控制反馈回路,并识别不安全控制行为;接着,根据STPA分析结果构建模糊BN,通过GeNIe软件训练数据,可视化模糊BN,得到基本事件的发生概率,并由试验仿真得出蓄电池及储能系统、电机电控和整车控制器的后验概率分别为0.70、0.17和0.16。结果表明,所提方法能有效识别系统潜在危险,发现系统薄弱环节,可为提高系统可靠性提供依据。

面向自动紧急转向场景的自动驾驶测试用例生成方法

为了验证智能汽车的安全性,需要生成大量用例用于系统测试。对此,提出一种基于临界安全距离模型的用例生成方法,该方法用于生成测试自动紧急转向(AES)系统的场景用例。首先通过对临界安全距离模型进行分析,识别出影响行车安全的关键参数;然后,从自然驾驶数据集High D中提取这些参数,并采用核密度估计方法构建AES测试场景的描述模型。使用蒙特卡洛(MC)方法对描述模型进行抽样,生成与自然驾驶行为参数特征相符的测试用例。同时,为了解决MC方法生成用例中风险及危险场景匮乏的问题,进一步引入重要性抽样(IS)方法,以提升风险用例和危险用例的生成比例。实验结果表明:所提方法能够高效地生成用于AES系统的测试用例;与MC方法相比,IS方法在风险用例上平均增加207.9%,在危险用例上平均增加272.6%,从而显著提高了测试效率。

基于安全距离和时空网格的交叉路口车辆防碰撞安全预警

为保证交叉路口车辆行驶不出现碰撞问题,提出一种基于安全距离和时空网格的交叉路口车辆防碰撞安全预警方法。将交叉路口划分为多个网格,利用路侧单元并根据车辆所占的网格数,初步判断是否存在两车共用同一网格的情况。若在某一时刻两车占用相同的网格则会发生碰撞,故依据交叉路口车辆防碰撞安全距离,计算交叉路口前车未启动、前车匀速驾驶、前车均匀减速驾驶三种工况的临界行驶安全距离,结合此距离,将预警级别分为黄、绿、红三级,进行分级安全预警。实验结果显示:采用所提方法后,交叉路口车辆均安全通行,能够降低交叉路口车辆防碰撞安全预警的误警率、预警虚报率,提高交叉路口车辆防碰撞安全预警精度。