为解决轴承钢球生产过程中,人工称重计数不准确,容易造成球面擦伤、混球等问题,提出了基于图像技术的钢球精确计数与尺寸识别系统。该系统采用CCD(Charge Coupled Device)工业相机连续拍摄计数盘中钢球的图像以计算钢球的数量,并识别钢...为解决轴承钢球生产过程中,人工称重计数不准确,容易造成球面擦伤、混球等问题,提出了基于图像技术的钢球精确计数与尺寸识别系统。该系统采用CCD(Charge Coupled Device)工业相机连续拍摄计数盘中钢球的图像以计算钢球的数量,并识别钢球的尺寸。整个系统由进料通道、预计数盘、精确计数盘、CCD工业相机、单球补偿装置和计算机等组成。首先,钢球通过进料通道滚动至预计数盘,并且在预计数盘上呈单层排列。预计数盘的面积根据钢球的尺寸和数量可以调整,通过面积调整使预计数盘中的钢球数量小于等于所需要的钢球数量。预计数之后钢球进入精确计数盘,通过精确计数盘上方的CCD相机采集钢球图像,经过图像二值化处理及双灰度阈值算法精确计算钢球数量。根据精确计数的钢球数量与预定数的差值,采用单球补偿装置进行补偿,以准确获得钢球的预定数量。通过在划定的区域内进行相邻钢球的球心距离对比识别异常尺寸的钢球。经过样机试验证明,所设计的钢球自动计数与尺寸识别系统,可以覆盖直径为4.763~25.4 mm的钢球计数,其计数准确率和尺寸识别混球判断率均达到100%。LI Yanqing,HE Shaoxin,ZHAO Junxiao,LIU Shuangyu,REN Tao2(College of Mechanical and Electric Engineering,Changchun University of Science and Technology,Changchun 130022,China;College of Computer Science and Technology,Changchun University of Science and Technology,Changchun 130022,China)展开更多
针对动力电池荷电状态(state of charge,SOC)的估算问题,利用长短期记忆(LSTM)循环神经网络建立SOC估算模型,以实验室恒流放电数据训练模型并测试,测试最大绝对误差为2.7%。进一步以FSEC赛车电池实测数据验证,最大测试误差为3.9%。但在...针对动力电池荷电状态(state of charge,SOC)的估算问题,利用长短期记忆(LSTM)循环神经网络建立SOC估算模型,以实验室恒流放电数据训练模型并测试,测试最大绝对误差为2.7%。进一步以FSEC赛车电池实测数据验证,最大测试误差为3.9%。但在工程应用时,考虑到实际运行过程中的环境复杂性以及不同驾驶习惯对动力电池造成的不一致性,需要根据车辆实际行驶工况数据对其进行训练与测试,但是由于该数据中的SOC直接由BMS报文解析而来,无法确定BMS内的SOC算法是否准确,故不能直接用作训练模型时的标签,此时需计算出正确的训练标签或借助已有标签的模型,在其基础上根据实际运行数据对其模型参数进行动态调整。为解决无标签数据的训练问题,本文采取第二种方法,首次提出将迁移学习中的领域自适应网络(DaNN)与LSTM组合形成LSTM-DaNN的SOC估算算法,利用有标签数据预先训练好LSTM模型,再将其模型参数迁移至LSTM-DaNN,最后综合有标签与无标签数据一起对LSTM-DaNN模型进行训练。测试结果表明LSTM-DaNN可以在没有实际行驶工况标签(SOC)的情况下完成训练,最大测试误差为4.8%,相比模型自适应调整前误差下降了14.1%,且保证绝对误差<5%,满足实际需求。展开更多
文摘为解决轴承钢球生产过程中,人工称重计数不准确,容易造成球面擦伤、混球等问题,提出了基于图像技术的钢球精确计数与尺寸识别系统。该系统采用CCD(Charge Coupled Device)工业相机连续拍摄计数盘中钢球的图像以计算钢球的数量,并识别钢球的尺寸。整个系统由进料通道、预计数盘、精确计数盘、CCD工业相机、单球补偿装置和计算机等组成。首先,钢球通过进料通道滚动至预计数盘,并且在预计数盘上呈单层排列。预计数盘的面积根据钢球的尺寸和数量可以调整,通过面积调整使预计数盘中的钢球数量小于等于所需要的钢球数量。预计数之后钢球进入精确计数盘,通过精确计数盘上方的CCD相机采集钢球图像,经过图像二值化处理及双灰度阈值算法精确计算钢球数量。根据精确计数的钢球数量与预定数的差值,采用单球补偿装置进行补偿,以准确获得钢球的预定数量。通过在划定的区域内进行相邻钢球的球心距离对比识别异常尺寸的钢球。经过样机试验证明,所设计的钢球自动计数与尺寸识别系统,可以覆盖直径为4.763~25.4 mm的钢球计数,其计数准确率和尺寸识别混球判断率均达到100%。LI Yanqing,HE Shaoxin,ZHAO Junxiao,LIU Shuangyu,REN Tao2(College of Mechanical and Electric Engineering,Changchun University of Science and Technology,Changchun 130022,China;College of Computer Science and Technology,Changchun University of Science and Technology,Changchun 130022,China)
文摘针对动力电池荷电状态(state of charge,SOC)的估算问题,利用长短期记忆(LSTM)循环神经网络建立SOC估算模型,以实验室恒流放电数据训练模型并测试,测试最大绝对误差为2.7%。进一步以FSEC赛车电池实测数据验证,最大测试误差为3.9%。但在工程应用时,考虑到实际运行过程中的环境复杂性以及不同驾驶习惯对动力电池造成的不一致性,需要根据车辆实际行驶工况数据对其进行训练与测试,但是由于该数据中的SOC直接由BMS报文解析而来,无法确定BMS内的SOC算法是否准确,故不能直接用作训练模型时的标签,此时需计算出正确的训练标签或借助已有标签的模型,在其基础上根据实际运行数据对其模型参数进行动态调整。为解决无标签数据的训练问题,本文采取第二种方法,首次提出将迁移学习中的领域自适应网络(DaNN)与LSTM组合形成LSTM-DaNN的SOC估算算法,利用有标签数据预先训练好LSTM模型,再将其模型参数迁移至LSTM-DaNN,最后综合有标签与无标签数据一起对LSTM-DaNN模型进行训练。测试结果表明LSTM-DaNN可以在没有实际行驶工况标签(SOC)的情况下完成训练,最大测试误差为4.8%,相比模型自适应调整前误差下降了14.1%,且保证绝对误差<5%,满足实际需求。
