公路货运危险驾驶行为智能预测技术研究

基于某省载货汽车历史行驶数据,提出了一种基于卷积神经网络-长短期记忆(CNN-LSTM)网络与自注意力机制的危险驾驶行为预测方法。针对载货汽车行驶数据量大、维度高、特征提取难度大、时序性强的特点,首先运用XG⁃Boost对特征进行筛选,接着利用卷积神经网络(CNN)进行空间特征提取,再运用长短期记忆(LSTM)网络捕捉驾驶行为的时序信息,最后通过自注意力机制对危险驾驶行为进行预测。试验结果表明,该方法相对其他长时间序列预测方法在某省公路货运驾驶数据上表现优异,识别准确率达到85.05%,加权平均召回率达到83%,F1分数(F1-Score)达到84%。

云边协同下时空特征融合的轴承剩余寿命预测

为了解决滚动轴承剩余使用寿命(remaining useful life, RUL)预测中的特征依赖关系、表征退化趋势和实时性问题,提出了一种云边协同下时空特征融合的轴承剩余寿命预测方法。首先,在离线阶段依据专家先验知识对轴承历史退化数据进行去噪处理;其次,对去噪信号进行时域与频域退化特征的提取,并对提取的退化特征进行分析与筛选;最后,采用皮尔逊相关系数对选取的退化特征进行相似相关性分析,并根据相似相关参数构建特征空间图作为图卷积网络(graph convolutional network, GCN)-Transformer模型输入以进行训练,并在云边协同实时预测阶段测试以减轻云端负担。在XJTU-SY数据集上的实验中,所提方法与其他文献预测方法相比在MAE与RMSE指标上分别降低了10.5%与11.3%,在平均响应时间(实时性指标)上降低到采用云计算策略的0.363。实验结果验证了所提方法的有效性。

基于单片机的超市智能购物车设计

为解决传统超市购物模式中出现的购物效率低等问题,提出一种能改善当今消费者购物体验的超市智能购物车设计。该设计采用STM32F103C8T6单片机作为中央处理器,实现对外围信号的接收和处理及对外围设备的控制。通过多种模块的应用与相互配合,并利用超声波定位和无线射频(RFID)等技术,使智能购物车具有自动跟随、紧急避障和自助结账等功能。最后分别对上述功能进行调试,分析在调试过程中存在的常见问题并提出解决方案。该购物车的设计既为消费者节约购物时间和改善购物体验,又为超市减少结账成本、提升人气和获得更多收益。

云边协同下双数据源融合的轴承剩余寿命预测

针对当前滚动轴承剩余使用寿命(remaining useful life,RUL)预测准确率不高且未考虑到预测实时性的问题,提出一种云边协同计算模式下(cloud-edge collaborative computing,CECC)双数据源融合(data sources fusion,DSF)的滚动轴承剩余使用寿命实时预测方法。首先在离线阶段通过专家先验知识对训练集数据进行分析并进行网络预训练,然后通过边缘设备实时采集轴承水平与垂直两种数据源的振动信号并构建测试集,最后测试集数据实时上传到强大计算能力的云端进行融合预测。方法引入并行计算的Transformer模型在PHM2012数据集上进行试验,结果表明云边协同计算模式下轴承RUL预测的实时性得到显著提高,同时DSF预测方法与单一数据源预测方法相比MAE与RMSE两项指标分别降低了42.1%和40.9%。在XJTU-SY数据集上验证结果表明,DSF预测方法与其他文献中单一数据源预测方法相比MAE与RMSE分别降低了38.1%与38.8%;且云边协同预测方法相较于云计算预测,其时效性提升了80%左右,进一步证明了方法的可行性,并为其他领域寿命实时预测提供了解决方案。

面向冲突证据的改进DS证据理论算法

DS证据理论在处理不确定信息上的优势在各个领域得到广泛应用。针对传统DS(Dempster-Shafer)存在的证据冲突问题,提出了一种改进的DS证据理论算法。首先,结合皮尔逊相关系数的相关性限制和融合过程零因子的修正,较大程度上减少分配与整体非相关证据体的权值,修正证据体的整体重要程度;然后,按照修正后的基本概率分布(BPA)进行DS组合规则计算,得到融合结果。在解决常见冲突证据和证据体融合数量等方面与其他改进DS证据理论算法进行比较,所提算法收敛速度更快,融合的可信命题基本概率结果更高,因而验证了算法的有效性。

不同耕作方式下气候条件对冬小麦籽粒产量的影响--基于面板分位数回归模型的分析

为了明确不同耕作方式和气候条件对成都平原冬小麦产量的影响,本文运用2005-2011年冬小麦3种耕作方式(周年旋耕无秸秆还田CK,麦免稻旋WZRR,麦稻双免WZRZ)籽粒产量的面板数据,利用面板数据的固定效应模型和分位数回归模型,分析在不同耕作方式下冬小麦生育期气候因素对籽粒产量的影响作用。结果表明,3种耕作方式对籽粒产量的影响基本上一致。面板数据分位数回归动态表明:伴随籽粒产量水平的上升,拔节-抽穗期日平均温度的促进作用将不断增强,拔节-抽穗期的日最低温度,日照时数和抽穗-成熟期日照时数的正面影响均逐渐减弱;抽穗-成熟期日最高温度对籽粒产量的抑制作用随着产量水平的提升而不断加强。

基于分位数回归模型分析小麦千粒重与气候因子的关系

粒重作为禾谷类作物关键产量因子之一,其稳定性直接关系到产量在年际或环境间的稳定性。基于长期定位试验数据,采用普通最小二乘回归法(OLSR)和分位数回归法(QR)分析了小麦千粒重与气候因子之间的关系。结果表明:与普通最小二乘回归分析相比,分位数回归分析除了能揭示小麦千粒重与气候因子之间的一般规律外,还能细致地反映气候因子与千粒重尾部特征的关系;并能够动态地描述出小麦不同水平千粒重与各气候因子之间的变化规律。籽粒灌浆第一阶段和第三阶段的日平均温度、第二阶段的日照时数和降雨量随小麦千粒重变化呈一条倒"U"型曲线。与处于低粒重水平的QR分析结果相比,OLSR分析严重低估了第三阶段日平均温度和第二阶段降雨量的负影响;与处于高粒重水平的QR分析结果相比,OLSR分析严重低估了第一阶段日平均温度的负影响。

铣削表面粗糙度在线智能预测方法研究

为了提高表面粗糙度在线预测模型的精度,研究并提出了一种融合传感器统计学数据的表面粗糙度在线智能预测方法。该方法对加速度的统计学特征进行PCA主成分提取,保留了85%的数据信息。通过改进的PO-GRNN广义神经网络对训练集数据进行分配,确定光滑因子σ的近似最优值。随后结合铣削加工参数集与PCA主成分,通过PO-GRNN构建了一套在线粗糙度预测模型。纵向与横向对比实验结果表明:该模型可提供较高的粗糙度在线预测精度,能适用于当前智能制造过程中粗糙度的在线预测。

数据流中结构二叉树挖掘算法研究

针对传统数据流挖掘算法不能挖掘出频繁项之间的关系而且挖掘时间和空间复杂度高、准确度不高的问题,提出了一种数据流中结构二叉树挖掘算法(AMST)。该算法利用了二叉树结构的优势,将所处理事务数据库中的数据流转换成结构化二叉树,然后利用数据流矩阵对结构二叉树进行挖掘。整个过程只对事务数据库进行一次扫描,大大提高了挖掘的效率;此外,算法还找出了具有层次关系的频繁子树。实验结果表明,AMST算法性能稳定,在时间复杂度和空间复杂度方面有很大的优越性,能够快速准确地对数据流进行挖掘。

融合云加端的制造产品在线质量预测研究

针对制造过程的在线质量预测的实时性问题,提出了一种融合云加端的在线质量预测架构。该架构在云加端提出一种基于遗传算法(GA)参数优化的隐含层节点自适应增长极端学习机(AGELM)方法,建立了优化的产品质量预测模型。同时,该架构在终端改进了k-means方法并将其应用于在线质量数据流聚类,并将聚类中心序列输入产品质量预测模型,预测产品的质量。通过点焊过程的实验表明该产品质量预测模型方法实时性较BP神经网络和贝叶斯方法有较大优势,能应用于当前制造过程的在线质量预测。

改进的保群算法及其在混沌系统中的应用

混沌系统的跟踪控制是近年来非线性控制领域研究的热点之一.本文提出了一种基于快速下降控制方法的保群算法,此方法使受控混沌系统能够快速稳定到相空间的一个不动点;另外提出一种基于滑模控制方法的保群算法,此方法使受控混沌系统能够快速跟踪一个确定的运动轨迹.应用这两种新方法分别对两个经典的混沌系统(Lorenz系统和Duffing系统)进行了相应的数值实验,实验结果表明这两种方法都具用较高的精度和稳定性.

基于金融大数据的个性化推荐技术研究

随着金融大数据的出现和发展,各种理财产品和贷款项目的种类和数量都爆炸式的增长。如何有效地针对客户推荐提高推荐成功率成了关键问题。针对这一问题,文章提取代表客户兴趣、相应组群和相关项目的特征,然后利用神经网络进行预测,从而达到了个性化推荐的目的。实验结果表明:所建模型能有效地进行个性化推荐。

负载不平衡下小样本数据的轴承故障诊断

针对轴承振动信号易受负载不平衡干扰以及轴承故障样本量少的问题,提出了一种基于梯度惩罚Wasserstein距离生成对抗网络(WGAN-GP)和自注意力卷积神经网络(SeCNN)的轴承故障诊断方法。对轴承振动信号进行短时傅里叶变换,得到易于WGAN-GP处理的时频谱样本,分为训练集、验证集、测试集;将训练集输入到WGAN-GP中进行对抗训练,生成与训练样本分布相似的新样本,并添加到训练集中以扩充训练集;将扩充后的训练集输入到SeCNN中进行学习,并将训练好的模型应用于测试集,输出故障识别结果。对CUT-2平台负载不平衡轴承数据集进行分析,实验结果表明,所提方法能够准确有效地对轴承故障进行分类。

基于infoGAN和CNN的轴承小样本故障诊断

提出基于信息生成对抗网络和卷积神经网络的轴承小样本故障诊断方法。短时傅里叶变换从一维原始时域信号中提取时频图像特征;将提取的时频图像特征输入信息生成对抗网络进行对抗训练生成更多的图像样本;将生成的样本图像添加到训练的时频图像中,建立用于诊断的卷积神经网络模型。为了证明所提方法的有效性,在CWRU轴承数据集上进行了一系列对比试验。结果表明,所提的诊断方法优于其他算法和模型,能有效地实现轴承故障诊断;采用另一轴承故障数据集验证了该方法的泛化性。

云加端的嵌套滑动窗口故障信号在线检测方法研究

针对当前制造业生产线设备的故障检测效率以及检测方法通用性不高的问题,提出了一种云端融合的动态嵌套滑动窗口故障信号在线检测算法。该算法采用云服务与智能终端在线检测相结合的架构,利用云服务大存储量和高计算速度、精度的优势,解决了终端设备对故障信号处理能力不足以及仅能对线上数据进行单次扫描的问题。云计算中心根据数据流的波动情况初步确定滑动窗口大小,再根据对异常信号的判断,向智能终端反馈故障信号的大小和相对位置,通过动态嵌套滑动窗口对其进行定位。理论分析和实验结果表明,该方法对周期信号有较好的通用性,而且有效提高了故障检测的效率。

基于CNN-SVM和特征融合的齿轮箱故障诊断

针对以数据驱动的齿轮箱故障诊断过程中存在特征提取复杂、分类器对特征存在较强的依赖性等问题,提出了一种基于卷积神经网络(CNN)和支持向量机(SVM)相结合的齿轮箱故障诊断模型。该诊断模型以多传感器采集的原始振动信号作为模型的输入,通过卷积神经网络完成特征的自适应提取,然后在特征级上将各传感器的特征进行融合,最后将融合特征输入到支持向量机进行故障的分类。经过实验证明,该模型直接以原始信号进行故障诊断的准确率能达到96.3%,且提取的特征在经过融合过后有很高的区分度;相比于基于特征工程的特征提取方法,基于特征学习的特征提取方法提取的特征对齿轮箱故障诊断更有效。

端对端长短时序特征的轴承故障诊断

滚动轴承振动信号具有时序性,针对如何有效提取轴承振动信号长短时序特征并实现端对端故障诊断的问题,提出一种端对端长短时序特征的轴承故障诊断方法LSS。该方法将原始振动信号直接输入模型,利用一维卷积神经网络层提取原始振动信号的短时序特征并降维,并通过门控循环单元层对降维数据进行长时序特征提取,最后将不同层提取的长短时序特征融合实现端对端滚动轴承故障诊断。通过在凯斯西储大学及CUT-2的数据上进行实验,准确率分别为99.60%和99.92%,验证了该方法在诊断精度上的有效性和泛化性。

基于1-DCNN-LSTM的滚动轴承自适应故障诊断方法研究

针对滚动轴承故障振动信号的非线性和非平稳特征,提出了一种自适应的一维卷积神经网络(1-Dimensional Convolutional Neutral Networks,1-DCNN)和长短期记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道,然后通过Concatenate层进行空间和时间维度上特征信息的融合,最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了"端到端"的故障诊断。采用CTU-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析,结果表明:该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的有效性和稳定性。

基于云加端的电机轴承故障诊断应用研究

针对以往的故障诊断系统实时性差、学习能力有限而且工程实现难的问题,提出了一种改进的云加端支持向量机(Cloud and Terminal Support Vector Machines,CaTSVM),并将其运用在电机轴承故障诊断中。CaTSVM方法把传统的故障诊断中的特征提取和特征分类两部分分别运行在终端设备和云端设备中,并且将"流水线"(Pipeline)数据处理结构引入到CaTSVM方法中,有效提升了该方法的实时性。在云端建立故障特征模型库(Cloud Feature Mode Library,CFML),将故障特征选择性的加入模型库,在传统的离线SVM训练中辅以在线SVM训练,选择性的使用更新的故障特征训练SVM模型,进一步提高其分类能力,使诊断系统拥有了"终生学习"的能力。经过大量的实验验证,云加端方法的使用显著提高了诊断的准确率,并且推进了故障诊断的实际工程应用。

基于深度CNN和ELM的滚动轴承故障诊断研究

提出了一种深度卷积神经网络与极限学习机相结合的滚动轴承自适应故障诊断方法。该方法的第一阶段训练深度卷积神经网络作为特征提取器:通过卷积层和池化层提取低阶特征,然后在全连接层合成高层次特征。第二阶段将第一阶段自适应提取出来的特征通过极限学习机进行轴承故障类别的准确快速分类,实现了自适应“端到端”的故障诊断。实验结果表明,该方法能有效的识别故障类别,缩短了训练时间,并具有良好的鲁棒性和实时性。