基于SMOTE-IKPCA-SeNet深度迁移学习的小批量生产质量预测研究

随着智能制造技术的发展和客户个性化需求的增加,多品种小批量生产方式逐渐成为制造业的主流。面向大批量生产、以统计过程控制为核心的质量管理方式并不适用于小批量生产。针对复杂生产过程存在参数多、非线性和交互作用的问题,提出利用深度迁移学习的方式将历史生产数据作为源域迁移至小样本目标产品数据进行质量预测。首先,通过合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)和改进的核主成分分析(improved kernel principal component analysis,IKPCA)算法筛选源域和目标域的可迁移特征,这不仅兼顾了特征重要性和可迁移性,还减少了“负迁移”,提高了模型泛化能力;然后,采用结合通道注意力机制的卷积神经网络SeNet构建基于深度迁移学习的质量预测模型。仿真结果表明,随着目标域样本的增加,所提方法的预测准确性明显优于广泛采用的支持向量机建模方法。同时,所提可迁移特征筛选方法显著提高了深度迁移学习的质量预测效果,为复杂的小批量生产过程质量保证提供了新方法。

基于多源域适应JYPLS迁移的间歇过程质量预测

针对间歇过程数据不足,单源域迁移存在模型偏移,跨域信息损失导致建模效果不佳、负迁移等问题,结合域适应学习和多源域学习方法的优势,提出一种基于多源域适应联合Y偏最小二乘(joint-Y partial least squares,JYPLS)迁移的间歇过程质量预测方法。该方法通过迁移学习使用相似旧过程的数据辅助新过程建模,提高建模效率和模型预测精度;采用多源域适应的方式,通过引入多个源域,有效避免了负迁移;基于域适应思想减少源域和目标域之间的边缘概率分布差异,使得源域知识在目标域更好地泛化。最后,通过青霉素发酵过程的仿真案例验证了所提方法的有效性。

基于SimAM注意力机制的轴承故障迁移诊断模型

针对轴承故障在跨工况迁移诊断时,其域不变特征难以提取,易出现模型过拟合这一问题,提出了一种基于无参数注意力模块(SimAM)的轴承故障迁移诊断方法。首先,以一维卷积神经网络作为基本框架,利用自适应批量归一化(AdaBN)对各输出层进行了归一化处理,经两层卷积层和两层池化层后,对输出特征进行了随机节点失活操作;然后,利用改进后的参数化修正线性单元(PReLU)激活函数自适应提取负值输入权值系数,分别以交叉熵损失函数监督训练有标签的源域数据,以均方对数误差(MSLE)作为损失函数训练无标签的目标数据;最后,利用自制实验台数据和凯斯西储轴承公开数据对模型进行了验证,分别以不同的单一工况作为源域,其余工况作为目标域进行了迁移诊断任务研究。研究结果表明:基于SimAM的轴承故障迁移诊断方具有较好的域不变特征提取的性能,且所提特征具有较好的聚类效果;自制实验台中的平均迁移精度在89.1%以上,最高均值可达97.85%,CWRU数据集中的平均迁移精度达98.68%。该成果可为后续轴承故障由实验向工业现场的迁移诊断奠定基础。

PTM不确定性的间歇过程优化补偿控制策略

过程迁移模型是实现数据不足情况下间歇过程高效建模的有效方法。然而,相似过程之间的差异性和模型不确定性因素,加剧了模型与实际过程之间的不匹配程度。针对过程迁移模型中不确定性问题,提出一种基于修正自适应优化和自校正补偿的策略。首先,利用基于修正自适应策略的批次间优化逐步消除相似过程之间的差异所产生的负面影响。然后,采用自校正补偿策略进一步补偿通过批次间优化得到的次优设定值。此外,模型更新时添加了数据剔除,提升了后续的优化效果。最后,利用草酸钴合成过程的仿真实验,验证了所提方法的有效性。

基于无监督迁移学习的核范数最大化轴承故障诊断方法

针对实际工业运行中带标签的轴承故障数据难以获取,导致有监督学习故障诊断效果不佳的问题,提出一种基于无监督迁移学习(transfer learning,TL)的核范数最大化轴承故障诊断方法。该方法通过结构优化深度卷积神经网络(structure optimized deep convolutional neural networks,SOCNN)进行故障特征提取,利用最大均值差异(maximum mean discrepancy,MMD)提升源域和目标域的分布相似度,并结合快速批量核范数最大化(fast batch nuclear-norm maximization,FBNM)来提升目标域批量输出矩阵的可分辨性和多样性。实验结果表明:所提方法在不同噪声环境中都具有较高的诊断精度,能准确识别出轴承的故障类型和故障危害等级,为轴承故障诊断提供有效技术支撑。

高回流比对序批式生物膜反应器脱氮性能的影响

硝化液回流是污水生物脱氮工艺实现前置反硝化脱氮的重要手段,通常回流比为200%~400%。本文研究了高回流比对序批式生物膜反应器(SBBR)脱氮性能的影响,结果表明,在回流比为300%、1000%、3000%三种条件下回流比为3000%的总氮去除率最高,稳定运行期间TIN平均去除率为98.69%±0.81%,同时也使NH_(4)^(+)-N得以完全氧化。推测在高回流比引起的强对流环境下,生物膜内传质效率得以加强,从而提高了同步硝化反硝化(SND)效果。本研究结果对集成分散式污水处理装置的研发及改善市政污水处理生物脱氮效率具有重要意义。

基于迁移BN-CNN框架的小样本工业过程故障诊断

针对工业故障诊断过程中训练样本不足导致的诊断性能低下问题,文中以迁移学习和深度学习方法为基础,提出一种迁移BN-CNN(Batch Normalization-Convolutional Neural Network)框架。为了减少网络对初始化方法的依赖,在卷积神经网络中引入批归一化层,对网络的隐藏层进行归一化处理。针对目标域标签数据不充足问题,通过基于样本的迁移学习方法扩充目标域的标记数据量,引入基于模型的迁移学习方法,通过充足的源域数据预训练BN-CNN网络,并利用数据量扩充后的目标域微调该网络部分参数,降低了少量样本训练深度神经网络的难度,得到了更适合目标域的故障诊断模型。采用TE工业数据集对该方法进行对比验证,实验结果表明,文中所提方法对于小样本工业过程故障具有较好的诊断性能,其平均精度值为0.804。

深度迁移学习在小批量图像分类中的应用

利用深度迁移学习算法,将深度模型迁移至小批量数据中进行使用,解决过拟合和对数据标签依赖性强的问题。首先,将已经训练好的模型应用在相似图像分类任务中,提高模型效率;其次利用微调策略,对深度学习网络全连接层进行调整,丢弃部分神经元以降低过拟合的发生,提高模型准确性;最后使用DogsVSCats数据集进行测试。实验结果表明,深度迁移学习算法在小批量样本数据中具有更高的准确性。

医院接诊灾后批量伤员的流程和模式探讨

目的探讨地震灾害后伤员成批后送转诊过程中后方医院的接诊流程和模式。方法对汶川地震灾害后本院3次成批接诊139例伤员转运和初步收治的流程及模式进行回顾性分析。结果139例转院伤员中,入院时危重患者37例(26.6%),中至重度患者98例(70.6%),轻症患者4例(2.8%);感染观察病房收治病例23例(16.5%);入院当天急诊手术9例(6.5%);所有患者均根据病情轻重和分类得到及时有效的救治,无1例发生转运和收治途中死亡,无院内感染发生。结论建立地震灾害后后方医院成批伤员接诊模式有利于伤员的及时有效救治。建立模式的关键是:及时评估,确定应对等级;明确职责,合理组织人力资源;各环把关,强化院内感染控制和规范流程,保证处置及时。

基于PHOENICS顺序输送管道内两种油品传质数值研究

针对现有一些顺序输送混油计算公式中存在的问题,在k-ε紊流模型和使用壁面函数法处理近壁区问题的理论基础上,提出了顺序输送混油新的模型,并利用PHOENICS软件成功地对该模型进行了数值求解。首次以图像的形式直观地显示出管内的混油浓度分布,并通过浓度曲线的比较,对油品流速与输送次序对混油的影响进行了分析。研究结果表明,PHOENICS模拟能够为顺序输送混油机理的研究提供一个较为准确而便利的手段。同时也对影响混油的其他一些因素(高差、阀件、温度等)的研究提供了参考与帮助。

配电网大面积停电快速复电转供策略研究

目前,智能配电网10kV馈线FA关键技术已在城市配电网中广泛应用,为用户提供更加优质、稳定、安全的电能,有效提高了供电系统的可靠性。为了进一步提高配电网恢复供电能力,提升电网大面积停电事故处置能力,研究大面积停电快速恢复供电策略算法,本文采用分阶段快速生成最优恢复供电方案,其中,复电转供算法已完成在许继TOSCAN-D3000配电自动化管理系统中验证和工程现场部署。

冷热油交替顺序输送中热力问题分析

针对冷热油交替顺序输送过程中的热力问题进行了分析,指出了文献[1]引用的边界条件存在的问题和与实际情况存在的差异。在对边界条件和相关公式进行修正后,得出了与文献[1]不同的计算结果,并在东营-滨州管道投产各项测试数据分析的基础上,给予进一步论证。今后若采用俄油与大庆油冷热交替输送,仍以文献[1]中表明的7天为一个循环,则每个循环中俄油不加热输送时间必须缩短,即对冷油提前加热,以恢复温度场,确保高凝点的大庆原油以33℃安全温度进站。

牛体细胞核移植胚胎的批量化生产

利用2枚显微去核后的半卵与1枚供体细胞同步融合,并结合微穴法(WOWs)培养体系批量化生产成年牛克隆胚胎(日产40～80枚).结果,重构胚电融合率95.7%(3059/3197)、卵裂率87.1%(2637/3027)、囊胚率41.1%(1244/3027)和可冻胚率(72.5%,933/1244)均达到较高水平.克隆胚胎采用玻璃微管玻璃化冷冻保存数月后移植,30日龄时妊娠率为28.1%(48/171),已经产下5头足月克隆牛续.结果表明,该方法具有产业开发潜力.

竖直管道两种油品顺序输送的传质数值研究

通过建立顺序输送混油模型,并利用流体力学计算软件PHOENICS进行数值求解,分析了输送次序对竖直上坡管道与下坡管道混油的影响。研究结果表明,密度对竖直管道顺序输送过程中层流底层的影响比较明显,并且大于粘度影响,不可忽略。同时,发现粘度小的油品前行所形成的混油段长度不一定比输送次序相反所形成的混油段长度短。该研究结果对于研究我国西部地形复杂地区的顺序输送管道混油问题具有理论指导意义。

基于迁移学习的卷积神经网络花生荚果等级图像识别

针对花生荚果人工分级效率低、机械分级不精确等问题,该研究提出一种基于迁移学习的卷积神经网络花生荚果等级图像识别方法。利用翻转、旋转、平移、对比度变换和亮度变换等操作,对获取的5个等级花生荚果图像进行数量扩充和预处理,得到花生荚果等级图像数据集;对比分析了GoogLeNet、ResNet18和AlexNet 3种基本模型下花生荚果图像分级识别的性能;通过迁移AlexNet卷积层对花生荚果等级识别模型进行了改进,用批归一化替换局部响应归一化且将激活函数置于批归一化层前后不同位置,设计了4种不同的识别训练模型;对改进的4种AlexNet模型进行迁移学习对比试验和超参数学习率优化试验,研究了非饱和激活函数和改进的非饱和激活函数对模型性能的影响。试验结果表明,在满足测试精度的基础上AlexNet模型所用训练时间最少;基于AlexNet的改进模型的迁移学习中学习率是需要优化的超参数,合适的学习率能够加快模型的训练并提升识别能力;改进模型中批归一化的引入及网络参数的减少,缩减了220 s训练时间,模型性能提高。所构建的花生荚果等级识别模型(Penut_AlexNet model,PA模型)对花生荚果5个等级分类识别准确率达到95.43%,该模型对花生荚果等级识别具有较高的准确率,也可为其他农产品精确分级提供参考。

用电信息采集终端远程升级平台设计与实现

用电信息采集终端负责电能数据的采集和双向传输,是用电信息采集系统的核心设备。在现场使用中,经常需要对终端软件进行升级完善。但是,目前对于终端软件的升级缺乏统一的标准和平台,终端升级处于无序状态,影响采集系统正常运行。提出和实现一种支持断点续传和身份验证的终端软件升级规约。同时通过与采集系统建立通信接口,构建统一升级平台。该平台解决了升级文件断点续传的问题,避免了信道来回切换导致的连接中断,实现了批量升级文件下发。通过实践测试证明,该平台不仅提高了终端软件的升级效率,同时降低了升级过程中的丢包率,适用于复杂环境下的大批量终端升级。

基于Faster R-CNN的人体行为检测研究

由于人体行为类内差异大,类间相似性大,而且还存在视觉角度与遮挡等问题,使用人工提取特征的方法特征提取难度大并且难以提取有效特征,使得人体行为检测率较低。针对这个问题,本文在物体检测的基础上使用检测效果较好的Faster R-CNN算法来进行人体行为检测,并对Faster R-CNN算法与批量规范化算法和在线难例挖掘算法进行结合,有效利用了深度学习算法实现人体行为检测。对此改进算法进行实验验证,验证的分类和位置精度达到了80%以上,实验结果表明,改进的算法具有识别精度高的特点。

SBR法培养好氧颗粒污泥及其处理废水性能研究

好氧颗粒污泥是目前水污染处理领域研究的一个热点.该文利用自制的SBR反应器培养好氧颗粒污泥,对好氧污泥颗粒化的过程及其性能进行研究和表征.用粗盐改变废水的表面张力,用活性炭改变废水的固含率,在人工模拟废水和餐饮废水体系中比较好氧颗粒污泥和絮状污泥对废水COD的去除率.实验结果表明:成熟好氧颗粒污泥性能良好,沉降速度快,对污染物的去除能力较强,其各项理化指标均优于普通活性污泥.在相同的实验条件下,好氧颗粒污泥COD去除率高于传统的絮状污泥.

后张法混凝土大管桩分批张拉预应力损失特性研究

为实现精细化施工,需考虑后张法预应力混凝土大直径管桩分批张拉过程有关预应力损失。以某改进型混凝土管桩张拉全过程的预应力损失发展为例,对多钢束分批次张拉工序造成的预应力损失和控制应力进行理论推导,并对由混凝土收缩徐变、钢筋应力松弛和桩端边界引起的预应力损失进行了试验和对比分析。结果表明:前次张拉的预应力在紧邻的后次张拉影响下损失最大,之后损失变化量趋于平缓,分批次张拉预应力损失率与理论结果相符;该类桩型分批次张拉应力损失率最大约10%;改进型管桩中与时间相关的预应力损失和有效预应力传递长度较规范设计值偏小。

一种序批式生物膜反应器及其氧传递系数测定

介绍了一种序批式生物膜反应器 ,并求出了在给定的工艺条件下的氧传递系数。结果表明 :本反应器有较强的氧传递能力 。