基于融合多维非对称策略的螺纹缺陷检测方法

目前机械零件螺纹的缺陷检测主要依赖人工目视检测,存在速度慢、误差大等问题,为此,基于融合多维非对称策略提出一种计算机视觉螺纹缺陷检测方法。首先,在YOLOv7目标检测算法的网络结构部分新增一层160×160的特征提取层,增加模型的目标检测尺度;设计LAM+DBAM注意力模块,引入标准差权重影响因子,从而构建新的权值计算公式,将发挥重要程度不同的特征提取层进行非对称融合,提升网络对小目标的特征提取能力。其次,采用TIoU损失函数,将预测框和标签框进行区分,非对称地处理输入的2个边界框,提升前景信息在网络特征提取过程中发挥的作用。最后,对模型的BN层进行稀疏化训练,通过缩放因子γ判断卷积核的重要程度,对非重要卷积核进行剪枝,消除模型的冗余参数,提升检测速度。试验结果表明,提出的基于融合多维非对称策略的螺纹缺陷检测方法的精度均值达到93.72%,检测速度达到53 f/s。

基于DBN和BES-LSSVM的矿用压风机异常状态识别方法

针对矿用压风机这类分布式系统的异常类别复杂、识别精度低等问题,提出了一种基于深度置信网络(DBN)和最小二乘支持向量机(LSSVM)的异常状态识别方法。首先,分析压风机组成系统及其运行机理,确定常见的异常状态类型;其次,采用DBN无监督学习方式充分挖掘监测数据中异常特征并快速提取;然后,利用秃鹰搜索算法(BES)优化LSSVM的超参数,构建最优的BES-LSSVM分类模型;最后,将DBN提取的异常特征作为BES-LSSVM模型的输入,对矿用压风机异常状态进行识别。试验验证与对比分析结果表明,相较于GA,PSO,GWO算法,BES算法的求解精度和收敛速度均有所提高,同时DBN-BES-LSSVM模型在测试集上平均识别精度达到94.65%,较PCA-LSSVM模型、DBN模型和DBN-LSSVM模型的识别精度分别提高了10.53%,5.84%和3.76%,验证了DBN-BES-LSSVM模型在矿用压风机异常特征提取以及特征识别方面的优越性。

基于数字孪生的清扫装置智能运维系统设计

为解决带式输送机清扫装置智能运维准确率低、可视化不足等问题,设计了一种基于数字孪生的清扫装置智能运维系统。结合实际工况,建立了基于数字孪生的智能运维系统框架,并构建融合物理模型、逻辑模式、功能模型的孪生模型,提出一种融合Dropout的LSTM-ELM轴承故障诊断模型,进一步结合WebGL等技术进行可视化展示。结果表明:该系统平均诊断精度达95.34%,可视化展示充分,达到实际运维需求。可为推动数字孪生技术落地提供参考。

基于MADDPG的散装物料输送多智能体协同控制

为提升带式输送系统的智能化决策,提高生产效率,降低能耗,应用多智能体深度确定性策略梯度(MADDPG)算法,构建多输送机智能体协同控制系统。系统采用集中式结构控制多输送机,由输送机运行能耗模型,结合MADDPG算法结构,构建多智能体协同控制模型。通过训练模型,寻优输送机运行速度与煤流量最佳匹配关系,得出节能最优速度控制策略。与深度确定性策略梯度(DDPG)算法进行实验对比。结果表明,提出的多输送机智能体算法模型学习效率高,收敛速度快,具有较强的稳定性。

带式输送机数字孪生建模及能耗优化方法

针对带式输送机运行过程中的能耗优化问题,基于数字孪生建立了带式输送机智能带速优化模型。首先建立了基于数字孪生的带式输送机仿真模型和数据模型,分为3个阶段分别从几何、物理、行为的角度建立了高保真带式输送机仿真模型,并结合输送机实际运行情况建立了数据模型,实现了带式输送机运行过程的实时映射;其次通过分析带式输送机运行能耗的影响因素,建立了带式输送机能耗计算模型,并基于能耗计算模型采用PSO-RBF建立了带式输送机能耗预测模型,实现了带式输送机能耗的准确预测;最后分为3个阶段建立了带式输送机带速控制模型,实现基于数字孪生的带式输送机的能耗优化。

基于多感融合的散装物料输送系统巡检机器人

在煤矿生产领域中,带式输送机是一种常用的运输设备,其安全性和稳定性直接影响着煤矿生产效率。针对带式输送机在输送过程中易发生故障的问题,提出了一种基于沙丘猫群算法(SCSO)优化改进模糊细胞神经网络(IFCNN)的散装物料输送系统巡检机器人。该巡检机器人搭载多种传感器,采集带式输送机运行时的图像、温度、速度、声音等信息,将各个传感器采集到的信号转换成频域、时频域信息,用IFCNN对频域、时频域信息分别进行特征提取与融合,结合注意力机制选择重要特征进行故障诊断,从而实现散装物料输送系统的智能巡检。实际应用表明,经SCSO优化后的IFCNN可有效提取带式输送机的故障特征,提高故障检测的准确性,从而提高煤矿运输作业的安全性。

自然语言形式的协议内容生成及解析方法研究

针对工业物联网设备间因协议内容异构存在通信壁垒的问题,提出了一种自然语言形式的协议内容生成及解析方法。生成方法通过分析传感设备信息的基本结构,利用语言模板将设备信息生成自然语言形式的文本;解析方法对自然语言形式的文本进行文本预处理、关系识别和命名实体识别操作,生成结构化的设备信息。测试结果表明,基于自然语言的协议内容生成及解析方法可在设备间传输多种传感器信息,验证以自然语言形式传输协议内容的可行性。

基于Faster-YOLOv7的带式输送机异物实时检测

基于深度学习的目标检测算法在异物检测中具有较好的识别效果,但模型内存需求大,检测速度慢;轻量化深度学习网络能够大幅减少模型内存需求,提升检测速度,但在井下弱光环境中检测精度低。针对上述问题,提出了一种基于Faster-YOLOv7的带式输送机异物实时检测算法。通过限制对比度自适应直方图均衡化算法(CLAHE)进行图像增强,提高弱光环境中异物对比度;基于Mobilenetv3对YOLOv7主干网络进行轻量化设计,减少YOLOv7模型的计算量、参数量;添加有效通道注意力机制,缓解因特征通道数减少而导致的高层特征信息丢失问题;采用Alpha-IoU作为损失函数提高异物检测精度。实验结果表明:(1)Faster-YOLOv7的初始损失为0.143,最终稳定在0.039左右。(2)Faster-YOLOv7的检测速度可达42帧/s,较YOLOv5、YOLOv7分别提升了17,20帧/s;Faster-YOLOv7内存为14 MiB,较YOLOv5、YOLOv7分别降低了29,57 MiB;检测准确率达91.3%,较YOLOv5提升了8.8%。(3)将SSD、YOLOv5、轻量化YOLOv7、Faster-YOLOv7目标检测算法应用到煤矿井下带式输送机运煤图像及视频中,发现SSD在视频检测时发生了漏检现象,YOLO系列模型均有效地识别出待测异物,且Faster-YOLOv7识别结果的置信度更高。

基于机器视觉的带式输煤机智能纠偏系统设计

为提高井下输煤皮带跑偏检测效率,减少安全隐患,提出一种基于机器视觉的皮带输煤机智能纠偏系统设计,运用线阵CCD(Charge Coupled Device,电荷耦合器件)相机对皮带运输机运行状况进行实时监测,利用计算机对相机采集到的图片进行分析处理,具体过程包括图像灰度化处理、滤波降噪。提出运用Canny算子对采集到的皮带运输机的图片进行处理,将图片处理后的结果与事先标定的皮带基准值进行比较,进而对皮带跑偏进行判断。若发生跑偏,系统可以实时语音报警,再通过PLC可编程控制箱控制纠偏装置进行纠偏,以有效解决井下输煤皮带跑偏问题。

基于STOA-PNN的带式输送机自适应纠偏系统

在散状物料运输过程中,经常出现带式输送机跑偏现象。基于多智能体协同控制思想,采用STOA-PNN方法,设计了带式输送机自适应纠偏系统。通过STOA算法优化概率神经网络(PNN)的平滑参数,将传感器采集到的不同情况下的偏移数据作为输入,PNN控制器根据输送带偏移情况,自适应地输出控制参数,结合调整电机完成输送机运行过程的动态纠偏。现场应用表明,基于STOA-PNN方法的纠偏系统应用到带式输送机上,有效避免了偏移故障的发生,保证了输送机稳定运行,实现无偏移运输。

基于MA-DBNN的带式输送机健康监测系统

驱动电机是带式输送机的动力来源,其声音与运行状态密切相关,为有效监测带式输送机的健康状态,设计了一种基于MA-DBNN的带式输送机健康监测系统。采集驱动电机运行时的音频数据,提取音频特征,使用由蜉蝣算法(MA)优化的深度信念神经网络(DBNN)进行故障诊断。实验结果表明,优化后的模型能更准确地识别出驱动电机的故障类型,更有效实现对带式输送机的健康监测。

基于改进KNN的离散型车间物流车定位系统

针对传统的K近邻法(K-nearest neighbors,KNN)室内定位算法精确度不高且无法解决车间内无线网络(wireless fidelity,Wi-Fi)特征维度不确定等问题,提出了基于余弦夹角的改进KNN定位算法(cosine angle based KNN,CA-KNN)的车间物流车定位系统。该系统首先利用余弦夹角将过滤后的样本空间进行分割,采用标签匹配机制克服Wi-Fi特征维度不确定问题,并判断待测点归属的样本空间区域,然后使用余弦夹角作为相似度选择K个近邻点,最后根据欧式距离判断待测点定位结果。实验结果表明,该系统在车间内具有良好的定位效果,相较于传统的KNN算法,在同等条件下,CA-KNN算法在待测点的最小误差为0.089 m,平均减少0.040 m,定位精确度最高可达92%。所研究的离散型车间物流车定位系统可满足数字化车间制造执行系统(manufacturing execution system,MES)研发、车间物流车定位等需求,为数字化车间提供更加智能化的服务。

基于深度迁移学习的矿井通风机轴承故障诊断

针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题,提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层,构建CNN-BiGRU-RF诊断模型,提取轴承更深层次故障特征以便于故障识别;利用源域数据对模型训练,确定模型结构参数;最后,引入迁移学习将模型迁移至目标域,使用目标域有标签数据微调模型参数,构建目标域诊断模型进行故障分类。实验结果表明:在矿井通风机轴承负样本稀少情况下,所提方法的故障识别平均准确率在94%以上,与其他方法相比,具有更好的诊断精度和泛化能力。

带式输送机上散状物料堆积视频实时检测

针对非接触式散状物料堆积检测方法存在检测速度慢、在图像模糊场景下检测精度低、深度学习模型内存需求大等问题,提出了一种基于轻量化Mask-RCNN(掩码-区域卷积神经网络)的带式输送机上散状物料堆积视频实时检测方法。首先,通过暗通道先验算法对采集的图像进行预处理,以减少运输装载过程中粉尘造成的图像雾化现象,提高图像边缘特征。针对传统的Mask-RCNN的主干网络ResNet无法满足在嵌入式平台上对散状物料堆积进行实时检测的需求问题,将去雾预处理后的图像输入到基于MobileNetV2+特征金字塔网络(FPN)的主干网络中进行特征提取,生成特征图,并对主干网络进行轻量化设计,以部署在嵌入式平台上,对实时采集图像数据进行实例分割。为更精确地找到分割物体的边缘,提出了在传统Mask-RCNN的掩码分支中添加边缘损失的方法,利用全卷积网络层生成掩码,结合Scharr算子构造边缘损失函数,融合目标分类、边界框回归、语义信息得到实例分割图像。最后,通过判断散状物料堆积掩码内的像素值是否超过预设阈值实现散状物料堆积检测。实验结果表明:所提方法的模型内存需求降低到以ResNet101为主干网络的模型的1/5,经图像去雾预处理后的平均精度均值提高了8%,单张图像平均检测时间为0.56 s,检测精度可达91.8%。

基于参数优化VMD和1D-CNN的滚动轴承故障诊断

针对在强噪声干扰下滚动轴承故障诊断准确率较低这一问题,提出一种基于参数优化变分模态分解(VMD)和一维卷积神经网络(1D-CNN)的滚动轴承故障诊断方法。首先,使用哈里斯鹰算法对VMD算法中的相关参数进行优化,并根据所得的最佳参数对原始轴承振动信号进行VMD分解;其次,依据加权稀疏峭度最大原则优选模态分量,并将最佳分量输入到改进的1D-CNN模型进行故障诊断。实验结果表明,该方法具有较强的抗噪性能,在0 dB的信噪比情况下仍能保持94.83%的故障诊断准确率。