基于多策略改进COA算法优化ELM的IGBT剩余寿命预测

针对绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)剩余使用寿命的准确预测问题,提出了一种基于多策略改进优化的二维卷积优化算法(Convolution Optimization Algorithm on mixed strategies,COAM)的IGBT剩余寿命预测模型。通过改进和优化极限学习机(Extreme Learning Machine,ELM)参数,利用NASA研究中心公开的IGBT老化加速试验数据集,分析并提取了集射极-发射极阻断电压的失效特征参数,以获取阻断电压尖峰信息。针对COA算法在前期容易陷入局部极值和后期寻优精度不高的问题,首先选择通过Fuch映射序列初始化种群增强初始种群的随机性和变异性,然后采用新的综合位置更新方式来扩展算法的局部搜索能力,并引入高斯-柯西变异机制来改进解质量增强机制。最后,将该算法用于ELM参数的优化,以应用于IGBT剩余寿命的准确预测。通过将COAM-ELM与其他3种优化算法优化ELM方法进行对比分析,结果显示COAM-ELM方法在IGBT剩余寿命预测方面具有高精度的特点。本研究提出的方法可为其他IGBT剩余寿命预测方法提供参考依据。

基于深度学习的铝型材表面缺陷检测算法

传统的缺陷检测算法在检测铝型材表面缺陷复杂情况时效果不佳,主要有3个问题:一是对复杂类型无法全部进行检测并分类;二是对于图像中相似点判别不准确,无法精准提取其特征;三是易对微小缺陷进行误判。为此,使用计算机视觉技术提出一种基于实例分割的缺陷检测算法,该算法基于U-Net架构,实现像素到像素级的分类。同时,为了今后部署应用的需求,使用可分离卷积对网络参数进行裁剪,且融合空间及通道注意力机制,使网络能够快速且准确地实现缺陷检测。