基于OBE理念的模糊控制课程教学设计

在内蒙古工业大学自动化专业参与教育部工程认证的背景下,以OBE理念为指导,对模糊控制课程进行教学设计。阐述模糊控制课程具有理论新颖抽象,直接面向解决复杂非线性控制问题的特点。简述OBE理念“反向设计,正向实施”的逻辑体系结构。基于OBE理念,结合课程特点,以学生为中心,从培养学生知识、能力、素养等几个方面制定教学目标;通过案例教学,与经典控制理论对比,贯穿直接解决复杂工程为导向进行教学环节设计;针对上述教学环节,结合课程目标制定注重能力培养的综合考核评价体系。

基于RF与D-S证据理论融合的多通道齿轮箱复合故障诊断

针对齿轮箱复合故障特征难于提取,诊断缺乏自动识别性,且单通道往往无法全面表征故障信息等问题,提出一种基于随机森林与证据理论相融合的多通道齿轮箱复合故障诊断方法。首先通过小波包变换对各通道复合故障信号进行分解,得到故障信号的特征向量;之后引入一种新的特征集组合框架构建针对不同故障的特征数据集,通过随机森林算法划分单个分类模型;接着综合考虑各分类模型,合成每个通道下的集成分类器,并提出一种新的迭代自更新策略不断完善分类器的性能;最后设计一种基于Lance距离的改进D-S证据理论算法,该算法采用Lance距离来度量各空间证据间的证据距离,并构造Lance矩阵,由此获得相似度矩阵来衡量各证据体间的相似程度和支持度,通过计算各通道的敏感度权重系数进行BPA修正,获得最终的诊断融合结果。通过齿轮箱试验平台进行算法验证,结果表明该方法能有效识别出复合故障中包含的每类故障,并能全面融合不同通道的故障冗余信息,实现齿轮箱复合故障的精确诊断。

基于Ghost-TiFPN的轻量化快速目标跟踪算法

针对传统孪生目标跟踪算法体量大、难以在嵌入式设备部署以及其在目标尺度变化大、有相似物干扰等条件下效果不佳的问题,提出一种新的轻量化快速跟踪(Ghost fast Tracking with TiFPN and Retriever,GTtracker)算法。引入Ghost机制,对Resnet网络进行重新设计,构建一种轻量化G-Resnet网络对跟踪目标进行快速特征提取。设计轻量自适应加权融合(Tiny adaptive weighted fusion algorithm Feature Pyramid Network,TiFPN)算法,进一步加强特征信息的融合,解决相似物干扰问题。设计一种轻量化区域回归网络(Ghost Decoupled Net,GDnet),以实现目标分类、交并比(Intersection-over-Union,IoU)计算以及边界框回归,并在跟踪阶段应用一种新的目标寻回器提升算法跟踪的成功率。在OTB100数据集和VOT2020数据集上进行算法验证,并移植算法到嵌入式设备Jetson Xavier NX上进行性能测试。实验结果均表明算法的有效性和优越性,相比经典孪生目标跟踪(SiamCAR)算法,新方法在精度和期望平均重叠率(Expected Average Overlap,EAO)指标均相似的前提下,能够实现更快的运行速度,可在Jetson Xavier NX上实时运行,达到30帧/s,且能有效解决相似物干扰、尺度变化大等问题。

基于多源域自适应残差网络的滚动轴承故障诊断

针对传统无监督领域自适应方法扩展到多工况滚动轴承故障诊断场景适用性较弱的问题,提出了一种多源域自适应残差网络(multi-source domain adaptive residual network,MDARN),通过对齐来自多个源域的相关子域,从而提高模型在多工况下的故障诊断性能。首先,利用ResNeXt残差网络从源域和目标域充分提取可迁移特征;然后,引入局部最大平均差异(local maximum mean difference,LMMD)准则,以两个源域的子域为基础对齐目标域中相关子域,减少相关子域间和全局域间的分布差异;最后,利用美国凯斯西储大学轴承数据集和MFS机械综合故障试验台产生的真实的轴承振动数据集,对所提方法进行了试验验证。结果表明,该方法在多工况下的平均故障诊断精度高达99.76%。与现有代表性方法相比,所提方法具有更好的故障诊断效果。

一种无监督双层DBN的轴承故障智能诊断方法

大型滚动轴承设备的运行环境复杂多变,以往利用模式识别建立的诊断方法,通常难以有效解决数据含有噪声,不完备、无标签等问题。因此提出一种无监督双层深度信念网络(DBN)的滚动轴承故障智能分类与诊断方法。方法利用DBN的逐层贪婪学习来挖掘与故障相关的特征信息并输入分类器。通过自适应模糊C均值聚类算法,识别未知数据中的异常值。若异常值密度聚集度低,则判定其为噪声,并以此消除分类过程噪声干扰;若异常值密度聚集度高,则判定其为一个新类别,并合并到故障知识库中。之后再将贝叶斯分类器的方法应用于二级DBN网络中,使故障损伤等级实现无监督学习。利用西储大学滚动轴承实验平台数据对此套方法进行验证,结论表明在有噪声和不完备数据建模情况下,可以很好地完成故障类型与损伤等级的准确划分,具有一定的智能性。

基于中心损失-改进卷积自编码器的滚动轴承半监督故障诊断

当前基于深度学习的旋转机械故障诊断技术,凭借其强大的逐层加工和内置特征变换功能受到广泛关注,然而传统用于故障诊断的深度网络需要大量标签数据,且诊断结果依赖于标签的数量和准确性。为此,提出一种基于中心损失-改进卷积自编码器(center loss-improved convolutional auto-encoder, CL-ICAE)的半监督故障诊断方法。该方法首先利用连续小波变换将故障信号转换为时频图,细化故障特征表征;之后构建改进的卷积自编码器网络结构,并引入批量归一化(batch normalization, BN)和Dropout,在特征提取阶段防止过拟合;之后在分类阶段,通过将中心损失(center loss)引入Softmax损失函数,构建联合损失函数,使故障特征实现类内距离更小,特征差异更大,进一步提高分类精度。最后,将所提方法通过凯斯西储大学轴承数据集和轴承故障试验平台进行验证,结果表明在少量标签样本情况下,均可实现有效的故障诊断,提升诊断准确率。

基于自适应注意力机制的复杂场景下牛脸检测算法

牛面部检测与识别是牛场智能化养殖的关键,但由于牧场养殖环境的复杂性,牛脸检测会受到模糊、逆光和遮挡3种常见环境因素的严重干扰。针对此问题,该研究提出一种复杂场景下基于自适应注意力机制的牛脸检测算法,该算法首先针对3种干扰因素分别设计了评价指标,并将3种不同类型的评价指标通过模糊隶属度函数进行归一化,并确定自适应权重系数,真实反映目标所处场景的复杂性;之后,基于YOLOV7-tiny在主干特征提取网络引入一种注意力机制CDAA(composite dual-branch adaptive attention),设计通道和空间注意力并行结构,并融合自适应权重系数,有效加强相应注意力分支的权重,提高网络在复杂场景下的特征提取能力,解决复杂场景下网络检测精度差的问题;最后,将图像场景评价指标引入损失函数,对大尺度网格损失函数的权重进行自适应调整,使网络在训练过程中更专注于数量较多的小型目标,从而提升网络整体的检测精度。为检测算法的有效性和实时性,在特定数据集上进行消融试验,并与多种经典检测算法进行对比,并移植至Jetson Xavier NX平台测试。测试结果表明,该算法检测精度达到89.58%,相较于原YOLOV7-tiny网络,牛脸检测精度提高了7.34个百分点。检测速度达到62帧/s,在检测速度几乎不损失的条件下,检测效果优于原网络与对比网络。研究结果可为复杂场景下的牛脸高效检测提供参考。

一种多模型融合的风电系统永磁同步发电机数字孪生建模方法

针对当前风电系统永磁同步发电机(PMSG)建模技术存在设备内部参数理想化和系统耦合单一化的不足,无法满足数字孪生技术对设备虚拟模型要求的问题,提出一种面向数字孪生的风电系统永磁同步发电机建模方法。首先,依据实体样机参数,构建2 MW PMSG本体及电磁模型。之后为实现系统对PMSG的控制,基于联合仿真技术利用数字孪生建模平台搭建风电系统PMSG控制电路,实现多系统耦合仿真建模;在此基础上,充分考虑电机传热散热特性等影响,对PMSG热模型进行了构建与计算,并针对温度场计算流程复杂,不具备实时性等问题,引入一种改进的粒子群优化支持向量机(PSO-SVM)代理模型方法对热模型进行降阶处理并集成;最终完成了基于多模型融合的PMSG数字孪生虚拟模型建模,并采用实体风机运行数据进行验证与测试,结果表明该模型可以有效地反映PMSG真实运行特性。

基于增强型轻量深度网络的牧区牲畜高效检测

实现大数据管理牲畜需要实时监测牲畜,但对牲畜进行实时监测容易受到目标尺寸变化大、光照、环境因素等干扰,因此检测难度大,现有牲畜检测算法存在鲁棒性差等问题。提出一种基于增强型YOLOv4-tiny的目标检测算法(E-YOLOv4-tiny),采用多尺度特征融合的金字塔网络,兼顾浅层局部细节特征与深层语义信息,解决牧区牲畜尺寸波动问题。通过改进残差结构,减少主干网络参数量,以适应嵌入式平台需求。引入一种新的复合聚类算法设计锚框,在保证可移植性的前提下提高算法精度。针对牧区环境特点,提出一种新的复合多通道注意力机制,改善目标检测网络精度差的问题,增强算法鲁棒性。实验结果表明,E-YOLOv4-tiny算法的平均精度均值(mAP)为0.878 9,帧率为32帧/s,相较于传统YOLOv4-tiny算法,在保持几乎相同的检测速率条件下,mAP提升了9.32%。

基于数字孪生技术的风电机组建模研究

针对以往风电机组数字孪生建模受不同研究目的或单一软件的功能限制,难以建立风电机组整机模型的问题,提出一种新的风电机组孪生建模方法。该方法首先依托FAST风速性能模块,建立稳态风模型、随机湍流风模型以及风电场实时风速模型;接着采用空气动力学模块和结构动力学模块分别搭建风电机组叶片、塔架等关键部件的几何与动力学模型;最后在Simulink中搭建风电机组电气系统模型及控制策略,由此构建完整的风电机组孪生模型。将该孪生建模方法分别用于WindPACT 1.5 MW双馈风电机组与某风电场Fuhrl?nder 2.5 MW双馈风电机组并进行验证。结果表明:孪生模型在不同风速模型下,各重要生产参数相比设计标准及实际运行数据均具有较高的准确性。此外,通过对风电机组数字孪生系统实时仿真和现场不可测数据的孪生模拟,也进一步表明孪生模型具有可行性和有效性。

一种基于因子图消元优化的激光雷达视觉惯性融合SLAM方法

针对单一传感器SLAM(Simultaneous Localization And Mapping)技术在复杂环境中存在精度低、可靠性差等问题,提出一种基于因子图消元优化的激光雷达、视觉和IMU(Inertial Measurement Unit)融合SLAM算法(Multi Factor Graph fusion SLAM with IMU as the Dominant system,ID-MFG-SLAM).首先,采用多因子图模型,提出以IMU为主系统,视觉与激光雷达为辅系统,通过引入辅系统观测因子约束IMU偏差,并接收IMU里程计因子实现运动预测与融合的全新结构.之后,为降低融合后的优化成本,加入滑窗机制并设计基于Householder变换的QR分解消元法将因子图转换为贝叶斯网络.最后,引入一种球面线性插值与线性插值之间的自适应插值算法,将激光雷达点云投影到单位球体上实现视觉特征点深度估计.实验结果表明,相比其他经典算法,该方法在复杂大、小场景中绝对轨迹误差分别可达到约0.68 m和0.24 m,具有更高的精度和可靠性.

基于ADRC的LCC-S谐振型无线充电副边闭环控制研究

针对磁耦合谐振式LCC-S无线充电系统工作过程中易受外界或自身参数扰动的影响导致输出电流、电压偏离目标值的问题,以及如何快速准确地对扰动情况做出反应,提出一种基于自抗扰控制ADRC(active disturbance rejection control)的副边恒流恒压二段式闭环控制方法。首先,通过电路分析研究了LCC-S型谐振网络的输出特性与系统参数的关系;其次,为实现闭环精准调控系统输出,建立副边Buck变换器的状态方程模型,并根据模型设计ADRC中跟踪微分器、扩张状态观测器和非线性状态误差反馈;最后,搭建基于ADRC的无线充电实验平台,在多参数扰动下比较ADRC控制器与PI控制器的控制效果,结果表明,ADRC控制器表现出更好的动态调节能力。

基于LSTM-ATTENTION融合神经网络的光伏功率预测

针对现阶段光伏功率预测方法存在的误差大、稳定性差的问题,提出了基于注意力机制的LSTMATTENTION融合神经网络用于对光伏系统的功率进行预测,通过LSTM神经网络来提取光伏系统输出功率时间序列的特征信息,再添加注意力机制以提高预测精度,最后通过澳大利亚中部乌鲁鲁(艾尔斯岩)的分布式光伏电站提供的数据进行训练与验证。结果表明:所提出的LSTM-ATTENTION神经网络预测模型比单一LSTM模型的预测精度提高了50.25%。因此,该方法可以为光伏系统的实际应用提供有力支持与帮助。

一种新型轻量级语义分割网络的轨道及障碍物检测方法研究

针对当前常用的语义分割算法普遍存在无法同时兼顾分割精度与分割速度,以及因下采样带来分辨率损失所导致分割精度不佳的问题,提出一种可同时兼顾分割精度和分割速度的语义分割模型MBv2-DPPM。首先对MBv2网络的逆残差深度可分离卷积块进行修正,去除下采样以增强分割精度;其次在原始主干特征网络的最后4层加入级联空洞卷积,解决网络感受野不足的问题;然后提出一种融合双层金字塔池化多尺度复合结构,聚合图像浅层和深层上下文信息,解决由于交通场景复杂、干扰因素众多导致各物体边界混淆无法区分的问题;最后使用公共数据集和自建轨道数据集对算法进行验证。实验结果表明:与传统语义分割模型相比,在满足分割速度的条件下,本算法精度更高,且对于复杂交通场景效果更明显,MIoU指标可达87.09%,mAP指标达到90.42%,图片推理速度为66 ms/帧。

基于注意力动态卷积自编码器的发酵过程故障监测

发酵过程的状态监测对于及时发现各类异常故障起到了至关重要的作用。然而,由于发酵过程数据呈现非线性特性,导致在提取特征信息时存在困难,增加了故障监测的难度。为了解决上述问题,提出了一种基于注意力动态卷积自编码器(attention dynamic convolutional autoencoder,ADCAE)的发酵过程故障监测方法。首先,设计了一种动态卷积结构(dynamic convolution structure),该结构可以在浅层使用大尺寸卷积核提取低级特征,在深层使用小尺寸卷积核提取高级特征,从而拓宽了模型特征学习的尺度;其次,设计了一种通道卷积注意力(channel convolutional attention,CCA)模块,该模块能够从不同尺度提取输入的非线性特征,并且在通道向量转化为权重的过程中可以更好地提取局部特征,提高了对有效信息的关注能力;最后,将动态卷积结构与CCA模块融入卷积自编码器中,使模型能够有效地捕获变量中的非线性关系,从而更好地应对发酵过程中的故障监测问题。利用青霉素发酵过程仿真平台和大肠埃希菌实际生产数据对该方法的可行性进行了验证,结果表明该方法具有较好的故障监测性能。

基于域自适应残差收缩网络的滚动轴承故障诊断

针对滚动轴承在新工况下无标记数据且存在噪声干扰问题,提出一种具备抗噪能力的滚动轴承故障诊断领域自适应深度残差收缩网络(DADRSN)。首先,采用深度残差收缩网络(DRSN)去除已知工况和新工况数据噪声冗余并充分提取数据特征;其次,应用迁移学习中的领域自适应(DA)方法,计算已知工况和新工况数据的局部最大均值差异(LMMD),以对齐两种工况数据之间的分布;最后,对新工况下故障样本进行分类。实验结果表明,该模型在噪声干扰、缺少标记数据、工况变化的情况下仍能保持较高的故障诊断精度。

基于扩散距离的信息熵FCM多阶段LSTM-AE间歇过程故障监测

针对间歇过程中因忽略数据在阶段划分中的非线性,导致故障监测精度低的问题,提出一种基于扩散距离的信息熵模糊C均值(DDEFCM)多阶段长短期记忆网络的自动编码器(LSTM-AE)间歇过程故障监测方法。首先为了自动识别聚类个数,利用信息熵描述批处理后的二维时间片矩阵。再采用扩散距离对模糊C均值聚类(FCM)算法进行改进,解决欧式距离不能表征数据非线性的问题,有效划分间歇过程的稳定阶段,然后利用轮廓系数划分过渡阶段。最后建立多阶段LSTM-AE监测模型。利用青霉素发酵数据和大肠杆菌实际生产数据对该方法进行验证,结果表明所提方法不仅可以提升阶段划分性能,还能更加准确地进行故障监测。

一种新的多阶段间歇过程在线监控策略

为克服多阶段间歇过程硬划分和误分类导致漏报率和误报率高的缺陷,同时也为了实现更精确、有效地过程监控,提出一种基于模糊聚类软过渡的多PCA监控策略,实现多阶段间歇过程的在线监控。首先计算每个时刻数据矩阵的相似度指标作为聚类输入,采用模糊聚类算法实现阶段划分,根据隶属度辨识相邻阶段间的过渡过程,之后建立一系列具有时变协方差的加权PCA模型,该方法能客观地揭示各阶段及过渡过程的特征多样性,较好地解决存在过渡过程的多阶段监控问题。最后通过将所提出的方法应用于工业青霉素发酵过程的监控中,验证了该方法的可行性和有效性。

基于KECA的化工过程故障监测新方法

针对化工过程数据复杂、非线性的特点,提出一种基于核熵成分分析(KECA)的化工过程故障监测算法。首先,KECA算法按照Renyi熵值的大小选取特征值及特征向量,相比传统的KPCA监测算法,其保留主元个数更少,可以有效减少运算量。同时,仿真研究表明KECA算法选取的主元具有角度结构特性,据此,提出一种新的统计量——CS(Cauchy-Schwarz)统计量,其对应到核特征空间中即为向量间的角度余弦值,可以较好表述不同概率密度分布之间的相似度。最后,将KECA和KPCA算法分别应用于TE(Tennessee Eastman)过程,结果表明KECA在故障检测延迟与检出率相比KPCA都有很大的优势。

改进MKPCA方法及其在发酵过程监控中的应用

针对间歇发酵过程缓慢时变和非线性等特点,提出一种基于滑动窗技术的多向核主元分析(MWMKPCA)方法。该方法结合了核主元分析(KPCA)和滑动窗口技术的优点,其中KPCA能有效解决过程数据的非线性问题,保证数据信息抽取的完整性;而滑动窗口技术能有效避免MKPCA在线应用时预报未来测量值所引入的误差,提高监控性能。对于已判断正常的新批次过程数据,将其加入模型参考数据库进行更新,从而提高间歇过程性能检测的准确性。将该方法应用到工业青霉素发酵过程的监控中,并与MPCA、MKPCA方法的监测性能进行了比较。结果表明:该方法能有效提取过程变量间的非线性关系,降低运行过程的误报率,对缓慢时变的间歇过程具有更可靠的检测性能。