面向无人机视角的多源信息融合目标检测

为提升复杂环境下面向无人机视角的目标检测效果,提出一种基于多源信息融合的目标检测算法。该算法以可见光和红外图像为输入,利用双支路Swin-Transformer结构分别提取两者多层级特征,并以自主学习的方式分层级融合两者特征,增进信息互补。在此基础上,构建双向特征金字塔网络进一步深化浅层与深层特征融合,充分获取目标多尺度信息。最后,通过多个检测头在不同层级的特征图上独立预测目标,提升检测器性能。多个公开数据集的仿真和对比实验表明,所提算法不仅设定合理性能优越,且具备良好的鲁棒性和泛化性。

基于多传感器信息融合的无人机编队协同差分相对定位方法

在GNSS拒止条件下,基于卡尔曼滤波的方法可以融合无人机编队成员间相对距离和速度等信息,实现相对定位。但编队成员以相同速度飞行时不满足可观测性条件,滤波方法失效、定位精度下降。针对上述问题,在惯导/气压高度计组合导航的基础上提出一种协同差分相对定位算法。该算法通过高度解耦,将问题转化到二维平面,利用惯导信息和数据链测距信息得到从机含误差的水平位置。合理设置主机和从机之间的距离,可使从机水平位置误差值大致相同,再通过差分计算消去共同误差,最终获得从机之间的相对位置。蒙特卡洛仿真和敏感性分析表明满足主从距离条件后,相对定位精度主要由测距精度决定,测距精度为1、5、10 m时相对定位精度分别为2.3、5.8、11.7 m左右。且在编队成员同速飞行时可保持定位精度。该方法适用于中短航时的无人机编队相对定位,具有一定的可行性。

基于信息融合的宽带波阻抗重构的影响因素分析

油气勘探逐渐向深层、深海、非常规、隐蔽岩性油气藏的勘探推进。高精度地震波成像提供的宽带反射波成像结果仍是目前进行油藏描述和含油气性评价的最核心的基础数据。但是随着油气勘探目标的复杂化,常规的地震波构造成像已经无法满足当前油藏描述和含油气性评价的要求,定量的弹性参数反演并结合岩石物理转化为物性参数估计逐渐成为地震波成像的目标。因此提出了特征波反演(CWI)+宽带波阻抗建模(WBIM)的技术路线。宽带波阻抗模型的背景部分决定了三维全空间上岩性变化的趋势;宽带反射系数决定了波阻抗在三维全空间上岩性的局部跃变。采用特征波反演(CWI)方法构建背景速度模型,然后利用基于空间散乱数据约束重构方法构建背景密度,从而得到背景阻抗。宽带反射系数的生成采用保真成像道集生成、最佳照明优选的保真叠加、弱旁瓣反射系数重构以及井震结合的反射系数定量标定的技术组合。利用背景阻抗和保真高分辨的宽带反射系数,求解约束优化反问题,得到宽带波阻抗模型,它反映了地下岩石性质在三维全空间上的变化。上述基于信息融合的宽带波阻抗重构方法规避了全波形反演宽带波阻抗的不收敛性,使其适用于陆上深层超深层、非常规和岩性油气藏的勘探。从宽带反射系数、宽带波阻抗及地震分辨率的基本物理含义的分析入手,对背景阻抗模型和宽带反射系数对宽带阻抗重构结果精度的影响进行分析,数值分析结果表明,定量、保真、高分辨(即弱旁瓣窄主瓣)的宽带反射系数是宽带波阻抗建模精度的核心影响因素,保真高分辨率地震波成像应将弱旁瓣窄主瓣反射系数作为成像目标,定量的弱旁瓣窄主瓣(角度)反射系数本身应是非常规、岩性、隐蔽油气藏描述与评价的重要基础数据。弱旁瓣反射系数的形成严重依赖低频激发、低频接收所包含的低中频数据,因此岩性油藏勘探时必须重视、保护低中频数据。

矿山机电一体化设备智能化改造中的信息融合与协同作业机制研究

随着矿山行业的不断发展,对机电一体化设备的智能化水平提出了更高要求。在复杂且恶劣的矿山作业环境中,传统设备运行模式难以满足高效、安全与精准作业的需求。本文旨在深入研究矿山机电一体化设备智能化改造中的信息融合与协同作业机制。通过剖析相关技术基础,构建信息融合模型以及设计协同作业机制,探索提升设备智能化程度的有效路径,以实现设备间的无缝协作、信息的高效利用,进而提高矿山生产效率、降低成本、增强作业安全性,为矿山行业的智能化转型提供坚实的理论支撑与实践指导。

基于信息融合的智能变电站继电保护功能优化研究

探究了基于信息融合机制的智能变电站继电保护功能的优化策略。构建了“站域集中-站间分布”的继电保护系统,站域保护模式下可以将站内的电气量信息和间隔层设备的逻辑量信息加以融合;站间保护模式下可以将相邻站域主机的交互信息进行融合。该系统具有信息获取成本低、操作简便易行、故障准确判断与快速隔离等优势,能够较好地满足智能变电站的继电保护需要。考虑到系统振荡可能会造成保护误动,加装了振荡闭锁装置,可以正确区分振荡与故障,在过负荷情况下也能正常动作,保证了继电保护的可靠性和速动性。

基于多传感信息融合技术的矿山机电设备运行状态监测方法

就以往来看,矿山机电设备的运行状态的监测方法主要是基于XGBoost原理而设计的,其监测功能相对有限,且精度较低,难以实现全方位的状态监测。因此本文尝试引入多传感信息融合技术,利用机电设备运行过程中产生的通信信号,在采集信号之后先对其进行滤波处理,之后安装传感器设备,以此来分析设备噪音以及振动情况,之后基于通信信号手段数据特征,自动生成融合技术决策,进而构建出识别模型,以此来对设备运行状态进行实时监测。经试验得知,本方案的监测失误率较低,能够有效保障监测精度。

基于多传感信息融合的配电自动化终端运行状态在线监测

配电自动化终端因其分布广泛且运行状态多变,导致监测覆盖率相对较低。为了解决上述问题,提出基于多传感信息融合的配电自动化终端运行状态在线监测。通过传感器实时获取配电自动化终端的运行数据,并利用变分模态分解法进行预处理。采用多传感信息融合技术,运用校正因子调整数据偏差,同时结合加权融合算法,综合考虑数据的稳定性和重要性,提取出对终端状态监测至关重要的特征数据。构建融合支持向量机与阈值判断方法的在线监测模型,实现对配电自动化终端运行状态的实时监测与预警。实验结果表明,研究方法能够在各种实验场景下显著提升配电自动化终端运行状态的监测覆盖率,有效增强了配电系统的可靠性和安全性。

基于多域信息融合与深度分离卷积的轴承故障诊断网络模型

针对传统卷积神经网络(CNN)对滚动轴承振动信号的故障识别准确率不高这一问题,提出了一种基于多域信息融合结合深度分离卷积(MDIDSC)的轴承故障诊断方法。首先,利用自适应噪声的完全集合经验模态分解(CEEMDAN)算法对轴承振动信号进行了分解;然后,利用分解出的本征模态函数(IMF)的各个分量构建了多空间状态矩阵,并将该多空间状态矩阵输入该深度分离卷积模型中,进行了卷积训练;同时,在该深度分离卷积模型中添加了残差结构,对数据特征进行了复利用,并对卷积核进行了深度分离,解决了深度模型的网络退化问题;最后,提出了一种空间特征提取方法,对模型参数进行了修剪,采用一种自适应学习率退火方法进行了梯度优化,以避免模型陷入局部最优。研究结果表明:通过对多个轴承故障数据集进行对比分析可知,MDIDSC在轴承故障诊断方面的准确率和稳定性明显优于其他方法,MDIDSC的最高测试准确率为100%,平均测试准确率为99.07%;同时,在测试集中的最大损失和平均损失分别为0.1345和0.0841;该结果表明MDIDSC在轴承故障诊断方面具有一定的优越性。

多间隔信息融合的母线保护电流互感器断线再开放策略

对于电流互感器(CT)断线后发生金属性故障的情景,现有母线保护采取的闭锁差动保护动作方式将会引发多个变电站停电。此外,当母线区内发生高阻接地故障时,现有母线保护判据可能会将其误判为CT断线故障,不利于电力系统的安全稳定运行。针对这一问题,提出了一种母线保护CT断线再开放策略,该策略基于断线间隔与非断线间隔的零序电流变化量对负荷波动和故障进行区分,并基于非断线间隔的差流有效值和间隔失灵保护信息对区内外故障进行判别。实时数字仿真系统仿真结果验证了所提CT断线识别判据和再开放策略的正确性。

基于多信息融合的换流站直流设备健康状态决策树评价模型

针对换流站直流设备间交互信息融合能力较差、小样本与大样本难以均衡的问题,设计基于多信息融合的换流站直流设备健康状态决策树评价模型。使用同质多传感器多信息数据融合方法对多信息实施融合处理;利用k近邻方法和层次聚类方法划分换流站直流设备健康状态量,提取健康状态量的有效信息作为输入,构建决策树评价模型,输出换流站直流设备健康状态评价结果。实验结果表明,该模型具备较好的多信息融合能力和样本均衡能力,且可从不同角度实现换流站直流设备健康状态评价,评价结果较为准确。

基于多源流量信息融合的网络分析溯源系统研究与应用

网络流量分析技术在安全威胁分析方面取得了长足的发展,未知的网络攻击行为往往隐藏在正常的流量里面。现有的流量分析溯源系统存在流量数据来源单一、分析模型库模型数据不足的问题,在网络分析溯源的深入性方面稍有不足。基于对现有流量分析系统的再利用,同时考虑到未来与具备更高分析溯源能力的系统的整合,提出了一种基于多源流量信息融合的网络分析溯源系统,并充分考虑到多源异构的流量数据的统一管理和分析,对流量数据的整合和现有分析模型的再利用方法进行了详细介绍,有助于提高分析溯源的准确性和有效性。

基于多尺度特征信息融合的时间序列异常检测

目前大多数的时间序列都缺少相应的异常标签,且现有基于重构的异常检测算法不能很好地捕获到多维数据间复杂的潜在相关性和时间依赖性,为了构建特征丰富的时间序列,提出一种多尺度特征信息融合的异常检测模型。该模型首先通过卷积神经网络对滑动窗口内的不同序列进行特征卷积来获取不同尺度下的局部上下文信息。然后,利用Transformer中的位置编码对卷积后的时间序列窗口进行位置嵌入,增强滑动窗口中每一个时间序列和邻近序列之间的位置联系,并引入时间注意力获取数据在时间维度上的自相关性,并进一步通过多头自注意力自适应地为窗口内不同时间序列分配不同的权重。最后,对反卷积过程中上采样得到的窗口数据与不同尺度下得到的局部特征和时间上下文信息进行逐步融合,从而准确重构原始时间序列,并将重构误差作为最终的异常得分进行异常判定。实验结果表明,所构建模型在SWaT和SMD数据集上与基线模型相比F1分数均有所提升。在数据维度高且均衡性较差的WADI数据集上与GDN模型相比F1分数降低了1.66%。

基于多源信息融合和WOA-CNN-LSTM的外脚手架隐患分类预警研究

面对施工现场外脚手架隐患信息的多样性,传统的基于传感器监测的单一信号预警研究存在容错力不佳、含有信息有限等问题。针对施工现场外脚手架“图像+监测”数据,提出一种基于数据层和特征层信息融合的脚手架隐患分类预警方法。首先,利用Revit三维建模软件建立外脚手架实体模型,对不同初始隐患下的外脚手架进行有限元分析,划分隐患预警等级;其次,利用无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)及卷积长短时记忆网络(Convolutional Neural Network-Long Short Term Memory Network,CNN-LSTM)实现脚手架同类信息数据层融合及异类信息特征层融合;最后,通过实时收集西安市某在建项目落地式双排扣件式钢管脚手架隐患信息,对其进行分类预警,并使用鲸鱼优化算法(Whale Optimization Algorithm,WOA)对CNN-LSTM网络进行参数优化,发现隐藏节点个数为30、学习率为0.0072、正则化系数为1×10^(-4)时分类效果最佳,优化后预警精度达到了91.4526%。通过可视化WOA-CNN-LSTM、CNN-LSTM、CNN-SVM(Support Vector Machine,支持向量机)及CNN-GRU(Gate Recurrent Unit,门控循环单元)分类预警结果,证实了优化后的CNN-LSTM网络在脚手架分类预警方面的优越性。

考虑多信息融合的风电机组状态评估与预测系统开发

为降低风电机组故障发生概率,提高其可靠性,该文利用数据采集与监控系统(supervisory control and data acquisition,SCADA)检测获得的风电机组运行状态数据,通过研究多指标融合状态评价模型及其预测算法,解决风电机组状态参数评估与预测难题。结合SCADA系统结构,设计并规划风电机组状态参数评估与预测系统架构与功能;利用输出功率波动、风能利用率以及开机运行比率3项参数,基于阈值法,建立风电机组状态退化评价指标模型,通过主成分分析法对3个评估标准进行权重计算,并将各指标进行信息融合,综合反应风电机组运行状态;设计Convolutional Neural Network-Long Short-Term Memory风电机组状态预测模型,实施风电场运行状态参数预测;开发风电机组状态评估与预测系统软件,验证所提方法的有效性。

基于1DCNN和D-S多信息融合的光伏系统直流母线串联电弧故障检测

直流母线是光伏系统输出能源的主干道,由于长期曝晒、风化等作用,电缆、连接器等组件劣化,光伏系统直流母线中发生电弧的可能性急剧上升,极易引发火灾、触电等事故。在光伏系统中,串联电弧故障将使回路电流下降,传统的过流保护无法识别。因此,本文提出基于深度学习和证据理论(D-S)的方法来识别串联电弧故障,该方法基于并联电容器电流和电压信号,采用一维卷积神经网络(1DCNN)对检测数据进行电弧识别;在此基础上将基于单个传感数据的识别结果作为证据,运用D-S多信息合成法则计算得到信度分配,最后利用决策规则判断是否发生串联电弧故障。搭建多参数可调模型获取数据进行测试,结果表明:使用1DCNN识别方法,基于并联电容器电流和电压信号的串联电弧识别准确率分别为97.19%和94.98%,而基于1DCNN和D-S多信息融合的光伏系统直流串联电弧故障检测的识别准确率可提升至99%以上。

基于多源信息融合的船舶电气设备状态识别方法

为可靠掌握船舶电气设备状态,保证设备的运行安全,提出多源信息融合的船舶电气设备状态识别方法。采用时间序列模型检测并修正船舶电气设备多源历史数据中的连续异常数据和独立异常数据;基于联合卡尔曼滤波算法融合修正后的电气设备多源历史数据,依据融合后的多源数据训练谱聚类和深度神经网络,构建船舶电气设备状态识别网络模型,结合电气设备的实时运行数据,识别船舶电气设备状态。测试结果显示,该方法能够确定数据中的连续异常数据和独立异常数据,并且完成所有异常数据的修正,保证数据的完整性;离散度结果均在0.016以下;能够完成电气设备正常状态、异常状态以及紧急状态的识别,最小均方根误差值均在0.0044以下,识别效果良好。

基于器件信息融合的双旋转惯导系统误差调制策略

目前,大型水面和水下载体一般安装两套旋转惯导系统(RINS),两套系统按相同的旋转调制策略独立运行,系统信息仅互为备份,缺乏有效融合。针对两台旋转惯导系统配置,开展基于器件信息深度融合的联合旋转调制策略研究,进一步提高系统精度。不改变单套系统结构和编排的前提下,优化经典的单轴4位置旋转方案,联合设计两套系统惯性测量单元(IMU)的旋转策略和转停时序,确保任一时刻有一台惯导处于转停状态,在时序上对转停状态下的惯性测量单元输出(陀螺仪和加速度计)信息进行融合,减小因惯性测量单元转动与刻度系数误差和安装误差的耦合效应。误差特性的理论分析验证了联合调制策略的优势。仿真结果表明:在典型误差作用下,采用联合旋转调制策略的系统定位误差,由单套旋转惯导系统精度的2.3 n mile/72 h提高到0.7 n mile/72 h。

基于信息融合子域适应的不同工况下谐波减速器故障诊断方法

针对工业机器人谐波减速器不同工况数据分布差异大,部分工况数据标签缺失以及单一传感器获取信息不全面,导致诊断准确率不高的问题,提出一种信息融合子域适应的不同工况下谐波减速器故障诊断方法。该方法将源域和目标域一维振动数据利用小波变换构建时频图;使用基于小波变换的图像融合方法整合多个传感器的时频信息并构建融合图像;提出多表示特征提取结构的改进残差网络以充分挖掘融合样本多表示特征,同时,在无监督场景下将源域和目标域融合样本的多表示特征进行子域适应处理,减小两域的各个子域间的分布差异,从而将知识从标签丰富的源域迁移到标签缺失的目标域,最终实现不同工况下谐波减速器的故障诊断。通过搭建工业机器人谐波减速器故障实验台并进行实测,所提方法在所有迁移任务中平均准确率可达98.8%,能够有效实现无监督场景中不同工况下谐波减速器的故障诊断。

基于多层级金字塔信息融合的曝光矫正方法

针对图像曝光不足和曝光过度的问题,设计了基于拉普拉斯金字塔结构的多层级信息融合曝光矫正网络,该网络每个层级的矫正模块采用类U-Net的编码器解码器架构。为了提高矫正模块的特征提取能力并减少模型参数量,设计了基于ConvNeXt-tiny的多尺度卷积编码器作为基本特征提取单元。针对图像上采样过程中可能出现的棋盘格伪影问题,提出一种基于双线性插值和亚像素卷积的双路上采样模块。通过定量和定性验证,在大规模曝光矫正数据集上均取得较好的结果。定位销定位实验显示,在不同对比度阈值下,应用该网络进行图像增强显著提升了特征可重复性、定位精度和稳定性。

基于多点电压电流信息融合的泵房设备故障诊断方法

为了实现自来水厂泵房及其二次加压泵房中配电设备与水泵故障的快速在线诊断与报警,保障泵房设备的安全运行,提出一种基于多点电压与电流信息融合技术的泵房设备故障在线诊断方法.基于泵房设备配电系统与设备构成,从理论上系统地分析了泵房配电设备与水泵常见故障所具有的电压与电流特征及其相互影响机理,使用配电线路中多个关键节点的实时电压、电流测量值进行融合处理,提取泵房配电主回路供电电压超限、配电线路中空气开关或接触器触头开路、水泵电机绕组开路、水泵电机绕组不平衡与匝间短路、水泵堵转、电机与水泵连接机构断开6类故障的故障特征,实现这些故障的在线诊断.阐述了故障诊断方法的执行条件、实现原理及具体实现步骤.使用MATLAB/Simulink搭建仿真模型进行实验验证,仿真结果表明,本文方法能有效地诊断泵房设备故障,克服了现有人工排查耗时耗力与离线分析不及时的不足,为自来水厂及其二次加压泵房配电设备与水泵的安全运行提供有效保障.