CDC/MVT离群点去除的KPCA-MSVMs过程监控

基于主元分析(Principal Component Analysis,PCA)的统计监控模型易受建模数据中离群点的影响;大多工业过程表现出强非线性;且基于PCA的统计性能监控法由于不用过程机理模型的信息从而对故障诊断问题难以在理论上作系统分析,提出基于中心最短距离法CDC(Closest Distance to Center,CDC)/椭球多变量整理法MVT(ellipsoidal Multivariate Trimming,MVT)离群点去除的核主元分析KPCA(Kernel PCA,KPCA)-多支撑向量机MSVMs(Multiple Support Vector Machines,MSVMs)的过程监控方法。该方法首先提出改进尺度的CDC/MVT离群点去除算法以获取正常建模数据;然后利用KPCA来进行故障特征的提取,从而提高非线性统计过程监控的准确性;最后提出MSVMs用来对故障的来源进行分类,以避免求解核主元空间到原始空间的逆映射。将该方法应用到对TE(Tennessee Eastman,TE)过程的监控,表明了所提出方法的有效性,为过程的监控和故障诊断提供了一个新的方法。

基于改进尺度的CDC/MVT离群点去除算法

针对基于多向主元分析(MPCA)(包括PCA)的统计监控模型易受建模数据中离群点影响的不足,提出了一种基于改进尺度的CDC/MVT建模数据离群点去除算法。该算法将改进尺度的CDC与MVT相结合,首先利用改进尺度得到离线建模正常数据的均值和标准差,并对数据进行中心化和标准化处理;然后利用CDC算法找出建模历史数据中最一致的一半正常点;最后用这最一致的一半正常点初始化MVT的马氏距离的均值和协方差,并通过迭代计算得到其它的正常点。将该算法应用于β-甘露聚糖酶发酵批过程离群点的去除,与其它鲁棒离群点检测算法相比,应用结果表明该算法能有效地去除建模数据中的离群点。

面向磁浮轨道的多源点云数据的混合滤波方法

在磁浮轨道的仿真数据处理过程中,磁浮轨道点云数据的滤波提取是重要环节之一,实际应用应根据待提取的磁浮数据特性,采用高效的滤波方法。磁浮轨道的点云数据对象主要包括由无人机(UAV)倾斜摄影获取的磁浮轨道的图像数据并经过三维重建后形成的稠密点云数据、由手持式激光雷达扫描磁浮轨道获取的激光点云数据。根据这两种点云的数据特性,考虑磁浮轨道四周复杂场景的点云环境,分别对两种点云进行混合滤波。首先,对激光点云数据采用八叉树下采样方法,有效降低了点云数据的数量级,节省了运行时间。然后,分别对激光点云与稠密点云数据采用布料模拟滤波(CSF)方法,过滤了地平面点云数据,保留了非地面点云数据;采用统计离群点去除(SOR)滤波方法,筛除了大量离群点;根据磁浮轨道特征,采用直通滤波过滤了坐标范围外的点云数据。实验结果表明,在不影响磁浮轨道结构的前提下,对于采用八叉树下采样方法的激光点云数据和没有采用八叉树下采样的稠密点云数据,该方法的滤波率分别为86.15%和64.76%,经混合滤波后的两种点云数据的结构近似,点云数量处于同一数量级,为磁浮轨道点云特征提取等后续任务提供了有效保障。

基于点云拼接的植物三维模型重建

针对采用点云配准法对植物三维模型重建的运算时间长、配准精度对参数要求高等问题,提出一种基于点云拼接法的植物三维模型重建算法。首先将转盘水平放置于地面上,利用Kinect获得转盘轴线相对于摄像头的位置信息,将植物放置于转盘上并以60°等间隔旋转转盘并对植物进行6次图像采集;然后将彩色和深度图像数据融合得到植物点云,并对原始点云进行背景去除、离群点去除等操作获得理想的点云;最后将来自6个视角的点云分别绕轴旋转相应的角度,从而将点云拼接到一起。实验证明所提出算法的重建效果与点云配准算法的重建效果相似,并且本文算法的运算时间大为减少,具有较高的工程实用价值。

基于深度图像的三维场景重建系统

针对计算机图形学和视觉领域研究热点——三维场景重建,首先分析了Kinect v2(Kinect for Windows v2 sensor)获取深度图像的原理,说明深度图像噪声的来源。然后根据获取深度图像的原理设计一种算法对点云采样范围进行裁剪。其次对点云离群点进行去除,填补点云孔洞,以提高重建质量。常见的三维场景重建大都采用了KinectFusion的一个全局立方体方案,但只能对小范围内的场景进行重建。对此设计了一种对大场景进行点云匹配的ICP算法。最后对点云进行曲面重建,实现一套低成本、精确的针对大场景的三维重建系统。

一种新的间歇过程鲁棒在线监控方法

多向主元分析(MPCA)的统计监控模型,因为易受建模数据中离群点的影响,还需预估新批次未反应完的数据,所以提出一种新的间歇过程鲁棒在线监控法。先利用改进尺度的CDC/MVT算法获取常规建模的批次数据;再用多模型非线性结构代替传统的MPCA单模型线性化结构,并提出确定时滞变量的算法。前者用于监控β-甘露聚糖酶发酵批过程,并与移动窗多向主元分析(MWMPCA)法相比,即使建模数据中存在离群点,前者仍能获得正确的监控结果,减少建模时对数据的要求;同时克服了MPCA不能处理实时性的问题,避免了MPCA在线应用时预测值的误差;更能精确描述过程的故障,准确性和实时性良好。