基于小波变换的多任务下操作员眼电特征提取

为了从高精神负荷下的操作员眼电(EOG)信号中提取出能够反映疲劳焦虑和努力程度变化的显著性特征,通过实验,采集了6位被试人员在多级任务负荷下的EOG信号,采用小波变换方法对EOG信号进行了10层小波分解;选取能量较高的频段,根据小波系数计算了各频段的相对能量(RE)特征,分析了眼电特征与操作员的心理负荷之间的关系。结果表明:提取的EOG特征中,0. 98~1. 95 Hz,3. 91~7. 81 Hz及7. 81~15. 63 Hz频段的RE与操作员的心理负荷有显著的关系,提取的特征可用于操作员疲劳、焦虑和努力等的评估。

操作员功能状态的智能评估

为了评估操作员的功能状态,采用密闭舱空气管理系统模拟多任务过程控制环境,采集了操作员的生理信号,综合操作员主要任务性能和主观评价,建立了操作员功能状态评估模型。同时,提出了一种交叉粒子群优化算法优化自适应模糊神经网络(ANFIS)的参数。试验结果表明,建立的基于交叉粒子群优化算法和ANFIS的操作员功能状态模型能够有效地评估操作员功能状态。

完全学分制下集散控制系统课程教学改革与实践

本文从学分制的起源出发,论述了完全学分制的优点以及完全学分制下高校教师面临的挑战。进一步的,结合完全学分制对课程教学的新要求和集散控制系统课程教学的特色,提出了适应完全学分制的教学改革方法。

一类多时滞随机神经网络的自适应指数同步

利用多时滞随机神经网络的动力学特性,以驱动系统与响应系统同步结构为框架,设计了误差系统的均方指数稳定的准则.采用随机理论和优化方法得到参数自适应更新律.研究表明:当时间趋于无穷大时,可得误差系统的状态轨迹趋于零,即实现同步.多时滞神经网络得到的自适应同步准则,与线性矩阵不等式方法得到的条件非常不同,仿真算例验证了该算法的可行性与有效性.

任务教学法在自动控制原理课程中实践研究

文章针对自动控制原理课程的特点和教学现状,围绕应用能力培养,立足任务教学法内涵和规律,以“直流电机控制系统”为教学案例,构筑自动控制原理课程的任务教学法体系,仅供参考。

改进联盟竞赛算法及其在生产排产中的应用

针对基本联盟竞赛算法易陷入局部极小值、收敛速度慢的缺点,提出了一种改进联盟竞赛算法(improved league championship algorithm,ILCA)。该算法可自适应地修正可调参数,平衡了全局收敛和局部收敛能力。同时,设计了全新的参赛队比赛赛程,提升了参赛个体的竞争力,并且引入了降级机制,保证了整个联赛的多样性。采用ILCA算法对标准测试函数进行寻优。结果表明,ILCA的全局搜索性能、收敛速率都明显地优于其他算法,将该算法应用于车间生产排产模型的参数估计,取得了良好的效果。

基于二维图像与迁移卷积神经网络的心律失常分类

心律失常的自动分类对心血管疾病的诊断和预防具有重要意义。传统分类方法需要对心电信号进行人工特征提取,这对分类准确度有很大的影响。针对该问题,提出一种基于二维图像与迁移卷积神经网络(TCNN)的分类方法。通过对心电信号进行格拉姆角场变换将其转换为二维图像,在保证心电图像完整性的同时,保留原始信号的时间依赖性。在此基础上,结合迁移学习的思想,设计结构简单且参数量较少的TCNN模型对心电图像进行分类。实验结果表明,该方法网络训练用时较少,并且分类总准确率达到99.82%,可实现对心律失常的有效分类。

基于深度学习的铝材表面缺陷检测系统设计

针对目前铝型材表面瑕疵检测系统检测效果差的问题,提出了一种基于深度学习的铝材表面缺陷检测系统。首先,适当改变主干网络的深度和通道数以提高模型鲁棒性,同时对改进后模型的超参数进行调整;然后增加使用可变形卷积,提高网络对不规则目标缺陷的检测能力。实验结果表明:对缺陷检测的平均准确率(mAP)较改进前提高6.5%,对角位漏底、起坑、漏底缺陷的检测精度分别提升25.7%,35.4%,33.5%。改进后系统模型的mAP较当前一系列性能优异的目标检测算法有显著提高。

基于GCNN的滚动轴承故障诊断

随着智能制造的快速发展,基于数据驱动的故障诊断方法逐渐成为轴承状态监测的研究重点。针对传统滚动轴承故障诊断方法所存在的特征提取和特征选择复杂且效果不佳的问题,提出一种基于卷积神经网络智能诊断算法。该算法首先利用重叠采样方法扩充数据集,再采用格拉姆角场方法将原始时域信号转化为二维图像;然后构建一个具有4个卷积层的卷积神经网络,将扩充后的数据集输入卷积神经网络进行轴承故障分类。仿真结果表明,基于格拉姆角场法和卷积神经网络的滚动轴承故障诊断方法准确率达到99.73%,高于基于传统的机器学习及同类型深度神经网络的故障诊断方法,可准确实现滚动轴承故障状态识别和分类,具有一定的应用前景。

1DAMCNN方法在滚动轴承故障诊断中的应用

针对传统滚动轴承故障诊断方法中特征提取依赖人工经验、处理过程繁琐以及识别准确率较低的问题,提出一种端到端基于一维注意力混合卷积神经网络(One Dimensional Attention Mixed Convolution Neural Network,1DAMCNN)的轴承故障诊断方法。该方法首先引入空洞卷积,构造混合卷积用于增大特征提取的感受野范围,以获取更全面的特征信息。然后加入注意力机制,增强模型对关键特征信息的提取能力,实现对轴承故障的智能诊断。试验数据分析结果表明,相比其他故障诊断方法,固定负载工况下该方法自适应性强,准确率高达99%以上。在只有60个样本量的情况下,该故障诊断方法准确率超过88%,表明其具有出色的特征提取能力。最后通过对比实验和可视化技术,验证所提方法的有效性。

专业课程中渗透德育思政的探索与实践

德育思政对学生的工作和生活都具有深远的影响,在专业课中进行德育渗透,把德育教育有机融入专业课程教学和整体方案设计中,让专业课成为学生德育思政的实验基地,学生在专业课中进行德育思政的实践和体验,从而促进自身智育和德育素养的全面健康发展。

基于迁移学习的深层卷积神经网络心电信号疲劳分类

传统的心电疲劳分类方法虽然能有效地识别疲劳状态,但需要采集较长时间的信号,不能达到疲劳状态的实时监测。本文设计一种深层卷积神经网络模型用于评估操作员疲劳状态,对操作员的短时心电信号进行疲劳状态的自动分类。首先,提出一种将心电信号转化为图像的方法,将采集到的心电信号转化成二维图像,即将心电信号直接映射到二维空间转换成时域图片信息。然后,将图片送入深层卷积神经网络模型中去训练,实现对操作员疲劳状态的分类。本文方法降低了模型的复杂性,减少了模型的参数,同时训练的数据不需要经过类似噪声滤波、特征提取等任何预处理步骤。结果表明该模型能自动从心电信号中提取有效特征,实现对操作员非疲劳和疲劳两种状态的正确分类,分类准确率达到97.36%。

基于1D-ECNN的短时心电信号疲劳分类

提出一维双卷积神经网络(1D-ECNN),基于采集的心电信号检测操作员的疲劳状态。1D-ECNN包括4个卷积层、2个最大池化层、1个全连接层和1个softmax输出层。本研究仅使用较少的卷积核数量,这将减少模型参数的数量,降低模型的复杂程度,提高模型训练的速度,同时避免传统方法中复杂的特征提取过程或特征选择过程。将心电信号分成时间长度为1 s的样本,送入1D-ECNN,基于短时心电信号进行操作员疲劳状态分类。仿真结果表明,本文方法的平均分类准确率高达95.72%,能够实时准确地检测操作员的疲劳状态。此外,可以较好地消除个体差异性的影响。

基于遗传算法的反应炉温度PID控制

主要介绍了遗传算法以及一种基于遗传算法的反应炉温度PID控制方法,并运用遗传PID对反应炉温度控制器参数进行优化。通过MATIAB仿真结果表明,与常规PID相比,遗传PID控制系统具有更高的控制精度和更快的反应速度,鲁棒性也有一定的提升。当被控对象为反应炉这类存在较大纯滞后特性的被控对象时,采用本文所述的遗传PID控制器可获得比一般的PID控制器更好的调节效果。

基于CNN改进模型的服装分类方法

随着服装电子商务的快速发展,服装的种类日益增加,根据服装的纹理设计对其进行分类变得越来越重要。传统的图像处理方法已经很难应对越来越复杂的图片背景。为了解决这个问题,本文提出了一种改进的CNN用于服装分类方法,对原有的CNN模型进行结构的调整并在调整的结构中增加卷基层。将改进的算法应用于不同服装数据集上,对Fashion数据集的分类准确率为84.5%,对CAD数据集的分类准确率为77.8%。两个不同数据集的实验结果显示,改进的模型比现有的两个著名的CNN模型(AlexNet和VGGNet)有着更高的准确率。

基于心电信号的自注意力双向门控循环网络疲劳检测模型

人类操作员的生理疲劳状态对其作业效率与安全性存在很大的影响,本研究提出了一种基于自注意力(SA)机制的双向门控循环(BiGRU)网络疲劳检测模型,研究基于心电信号的疲劳检测方法。首先采集了模拟不同负荷水平的过程控制任务环境下操作人员的心电数据,以一维心电数据作为输入,经过去噪预处理后,使用改进的BiGRU神经网络进行特征提取,BiGRU在保留GRU优点的同时可以更加充分学习心电信号前后时序的特征联系,并通过SA机制筛选显著相关特征信息,最后将所获得的特征信息经过softmax分类器,得到疲劳分类结果。与传统的GRU模型和BiLSTM模型进行了比较,经过改进后的SA-BiGRU模型的疲劳分类性能整体提高2%~5%,总体准确率达83%。

基于总体局部均值分解方法的心律失常特征提取与分类

针对心电信号自动分类技术中的特征提取,提出一种新的特征提取方法—总体局部均值分解(ELMD)方法。该方法首先对心电信号加入不同的高斯白噪声,然后进行局部均值分解得到若干乘积函数(PF)分量,求取多次分解后的PF分量均值。多次加入噪声及分量平均的过程可以克服基本局部均值分解方法存在的模态混叠问题。选取较优的前4个PF分量进行特征计算,将得到的特征向量矩阵送入支持向量机对正常心电信号和4种常见的心律失常信号进行分类。从MIT-BIH心律失常数据库的分类结果来看,ELMD总体分类准确率达到99.61%,高于一般方法,证明了ELMD方法的有效性。

操作员心电信号QRS波检测及分析

人体内蕴藏着十分丰富的生物电信号,心电信号是人体最重要的生理信号之一,是心脏电活动在人体体表的表现,能够较准确的传达出被测者的生理状况。本文通过编程实现了对QRS波群的检测,检测分为两个阶段:第一阶段是对心电信号极值的判断找到R波,由于R波两侧即为Q波和S波,所以第二阶段就是确定QS波。在找到准确的QRS波的基础上,计算了多种基于QRS波的心电特征,分析了QRS波特征与操作员任务难度、疲劳等的相关性。

基于CDIO理念的自动化专业工程教育改革研究

随着国家经济的不断发展,社会对工程应用型人才的综合素质提出了更高要求。我国的应用型本科院校迫切需要充分借鉴先进的工程教育理念和经验,不断推进工程教育教学改革,以适应国家中长期发展需求。本文对当前我国应用型本科院校自动化专业培养目标制定、课程体系设置、师资队伍建设以及教学活动设计等方面普遍存在的问题进行了分析,基于国际上先进的CDIO工程教育理念,提出了自动化专业工程教育改革的方向和策略。

完全学分制下《集散控制系统》课程教学改革与实践

从学分制的起源和发展出发,论述了完全学分制的优点以及完全学分制下高校教师面临的挑战。进一步结合完全学分制对课程教学的新要求和集散控制系统课程教学的特色,提出了适应完全学分制的教学改革方法。