融合多传感器的工业机器人故障信息采集系统

由于工业机器人在频繁的运行中受到各种摩擦、振动、温度变化以及负载作用的影响,从而使设备出现故障的概率大大提升。为了更加全面掌握工业机器人的运行状态,采用ZigBee无线传输技术设计了融合多传感器的工业机器人故障信息采集系统。采集节点读取振动传感器、电机转速传感器和温度传感器采集的数据获取工业机器人不同部位的工况信息,然后通过ZigBee无线模块发送到接收装置。接收装置将工业机器人的运行状态信息进行解析,并将提取出来的特征信息与故障特征进行比对,从而对工业机器人进行故障诊断和预测。

基于融合多传感器的煤矿带式输送机视频巡检系统设计与应用

为提高煤矿带式输送机巡检质量和准确报警输送机异常状态,设计融合多传感器的带式输送机视频巡检系统。该系统信息采集层由多传感感知终端感知输送机的速度、温度等多状态信息后,使用基于多传感器融合的异常诊断模型识别多传感异常并启动蜂鸣器报警;使用IP视频摄像仪采集监控输送机巡检现场图像;将采集获取的全部信息由从站发送至主站,主站通过以太网环网和信息分析层的地面监控计算机、光通信视频监控端完成巡检信息交互传输,地面监控计算机用于远程控制输送机工作状态,光通信视频监控端可实时显示煤矿带式输送机视频巡检图像。经验证,该系统可远程巡检输送机的运行状态与环境状况,输送机处于异常状态时,此系统的报警次数无误。

一种融合多传感器信息的移动图像识别方法

多传感器数据融合作为一种特殊的数据处理手段在图像识别领域得到了较大的重视和发展,本文提出了一种融合多传感器信息的移动图像识别方法.首先通过在智能手机端提取带传感器信息的图像局部特征,增强局部特征的辨别能力;其次改进了随机聚类森林的建立算法,减少了样本图像训练时间;最后使用快速几何一致性校验对匹配结果进行检查,保证算法的识别精度.实验结果表明,本文提出的方法能够快速有效地识别移动图像,并具有较好的鲁棒性,同时与传统的Vocabulary tree方法进行比较,本文方法的识别速度和精度较优,训练代价较低.

信息融合多传感器故障贝叶斯可靠性分析

多传感器系统中各种传感器是测量被控系统输出信号的主要装置,并具有不同特性,采用多源信息融合方法能够增加故障信息的完备性,提出建立多传感系统贝叶斯可靠性推理分析方法,运用贝叶斯的条件概率描述模糊信息,该方法应用到飞行器多传感器故障信息和不确定分析过程,进而确保系统的可靠性。

融合多传感器的自主AGV定位研究

针对依靠单一传感器定位存在定位不精确,甚至定位失败的问题,设计了一种基于扩展卡尔曼滤波器(Extended Kalman Filter,EKF)与动态加权融合法相结合的定位算法。首先,在自适应蒙特卡罗定位(Adaptive Monte Carlo Localization,AMCL)算法的框架下,通过建立机器人运动模型与传感器观测模型,利用EKF将惯性测量单元(Inertial Measurement Unit,IMU)和编码器的数据进行融合。然后,设计了一种动态加权融合方法,依据方差大小动态分配各融合量的权重,将EKF的融合结果与特征匹配计算得到的视觉里程计信息进行加权融合,从而得到更精确的融合里程计信息。最后,将该融合后的里程计信息作为自适应蒙特卡罗定位的运动控制信息,进行粒子状态更新,从而实现全局定位。试验结果表明,该方法能够有效提高自动导引车(Automatic Guided Vehicle,AGV)的定位性能,动态定位精度能够稳定在较高精度范围。

考虑融合多传感器误差项优化方法的定位技术研究

为了实现移动机器人的精确自主定位,根据不同传感器的测量原理定义了视觉误差和惯性测量单元误差项,采用基于图优化的思想构建一个最小二乘问题的位姿估计器数学模型,并把多种传感器的误差项添加到估计器中,使用优化工具求解出最优的位姿,实现多传感器的融合定位。通过在仿真实验平台上运行公共数据集,实验结果表明单传感器的定位方案因为尺度模糊和累计漂移的问题在绝对位姿误差平均值达到7.942 m,而融合多传感器的定位方案的绝对位姿误差平均值为0.234 m,说明融合多传感器的定位方案比单传感器定位方案在定位上更加准确和鲁棒。

基于残差卷积网络的多传感器融合永磁同步电机故障诊断

作为工业生产与日常生活的常见设备,永磁同步电机的故障诊断研究具有十分重要的意义。以永磁同步电机的匝间短路、退磁、轴承故障为诊断目标,提出一种新型的多传感器特征融合网络(MSFFN),结合多传感器融合技术与卷积神经网络实现永磁同步电机的可靠故障诊断。网络采用2个带有残差模块的卷积神经网络,对输入的电流信号与振动信号并行提取隐藏特征,并设计一种中间特征融合模块(IFFM)有效融合电流和振动的各层隐藏特征,IFFM基于注意力机制对网络中的电流特征与振动特征进行筛选,自适应关注不同信号的内在相关特征,以实现更好的诊断效果。搭建了故障样机测试平台进行数据采集与实验验证,实验结果表明,提出方法具有更高的诊断准确率,同时在叠加了强噪声的条件下,具备更强的抗干扰能力。

自动驾驶中基于多传感器融合的目标检测分析

多传感器融合是一项结合多传感器数据的综合性前沿技术,在自动驾驶的感知和定位应用中占有非常重要的地位。汽车的自动驾驶级别越高,对传感器性能的要求就越高,而传感器进行目标检测具有高度的复杂性和多变性,因此单一传感器已无法满足不同场景下目标检测的准确性要求,必须采用多传感器融合的方式进行目标追踪。文章基于多传感器融合的背景,提出目标检测的整体设计方案,分析目标检测系统涉及的多源传感器信息处理系统设计方案、多模态传感器数据信息融合方案、有限数据弱监督学习目标检测方案,并从数据层、特征层、决策层3个信息融合处理层次阐述多传感器融合的方式。

基于IQPSO-EKF的多传感器融合姿态测量方法研究

为解决自动化竖井掘进设备的定位调姿精度对竖井、孔桩挖掘效率与质量的影响,提出了一种基于改进量子粒子群(IQPSO)-扩展卡尔曼滤波(EKF)的姿态测量算法,以提高微机电系统(MEMS)传感器测量精度。首先,对MEMS传感器数据进行了预处理(除噪、滤波、校准等);然后,参考现有飞行器的坐标系,建立了姿态解算模型,通过姿态角数学模型及运动学分析,构建了EFK状态方程,针对EKF方法参数估计不准确的问题,以分段混沌映射优化初始种群,引入平均位置最优值来避免陷入局部最优的IQPSO-EFK算法,优化EKF的系统、测量噪声的协方差参数;最后,对改进算法和三组姿态误差估计进行了对比实验。研究结果表明:对比三种典型目标函数,IQPSO-EFK相较于普通粒子群算法(QPSO-EFK)具有更强的寻优能力与收敛精度;对比三组旋转速度姿态测量误差,基于IQPSO-EKF算法的姿态测量方法在测量误差时比真实测量误差减少了约86.3%,比扩展卡尔曼滤波减少了约68.7%,比普通粒子群算法减少了约28.2%,证明该算法有效地提高了MEMS传感器测量精度。

多传感器融合的火灾监测机器人设计

针对目前火灾报警系统不能应用在城市中非密闭空间的问题,提出一种适用于非密闭空间的多传感器融合的火灾监测机器人。该机器人采用履带式结构适应多地形移动,根据城市内非密闭下空间火势初期主要特征参数确定采集模块的搭建;利用D-S证据理论对多传感器火灾数据进行融合检测,以降低单个传感器的误报率,来提高对非密闭空间火灾事故的精确判定,并对火灾进行现场警报与远程回传。实验表明,与单一传感器判断相比,引入D-S证据理论的火灾监测机器人的火灾检测不确定性下降,检测精度得到了提高。

多传感器融合技术在智能交通系统中的应用

阐述多传感器融合技术在高速公路智能交通中的应用,包括对路面传感器数据、视觉传感器数据、环境传感器数据的融合和分析。探讨多传感器融合技术在高速公路智能交通中的优化方法。

基于多传感器融合的系统自我定位与地图重建

在图优化框架的基础上,设计多传感器融合方案和有效的优化方法,提出一套具有鲁棒性的定位与建图(Simultaneous Localization and Mapping,SLAM)方案,能够有效应对室内外复杂环境。进一步发展激光-视觉后端建图融合方法,构建具备全新地图表达形式的点云网格化地图。同时使用低成本传感器,设计实现基于多传感器融合的高性能低成本背包扫描系统,整体完成在未知环境中的自我定位和稠密建图,且在低性能CPU设备上将长时间运动带来的每100 m的轨迹误差平均降低至厘米级。提出的基于多传感器融合方案,在精度、算力消耗上能够匹配现有主流方案,对获取各种环境条件下的系统准确定位结果和丰富的空间信息具有重要意义。

多传感器融合和MHA-LSTM的电机轴承剩余寿命预测

轴承作为电机的核心部件,主要起到支撑引导轴、减小设备摩擦、连接不同设备等作用,其剩余寿命预测对系统健康管理起着十分重要的作用。针对单一传感器信号通常难以全面描述系统的潜在退化机制,论文提出一种基于多头注意力机制和长短时记忆神经网络的电机轴承剩余寿命预测模型。首先,基于马氏距离确定轴承性能退化起始点,将滚动轴承全寿命周期分为正常阶段与退化阶段;其次,使用自编码器自动提取振动信号特征,并将其与电机电流、轴承温度融合,构成多源信息特征矩阵;然后基于多头注意力机制和长短时记忆网络模型动态选择相关度较高的特征,提高寿命预测的准确性。最后,采用实验数据进行验证,结果表明所提出的模型具有更高的准确性。

基于Hall和GMR的多传感器融合方法及实现

目前霍尔传感器(Hall)和巨磁阻(GMR)传感器均广泛地应用于电力系统电流测量。为同时发挥二者的优势、降低各自的局限性,在分析Hall和GMR的温度特性、噪声特性和被测电流范围的基础上,提出了一种基于Hall和GMR的多传感器融合方案。在定义GMR和Hall的灵敏度差值ΔS基础上,将被测电流i和灵敏度差值ΔS构成的融合域划分为四个域,在域Ⅱ采用多传感加权观测融合Kalman滤波算法,将Hall和GMR的观测量和观测噪声融合后与状态方程联立进行Kalman滤波;在域Ⅰ采用数据加权融合最优权值分配的方法,给Hall的测量数据赋予较大权值,GMR的测量数据赋予较小的权值;在域Ⅲ,权值分配情况相反,各域之间可实现数据融合的平滑过渡。基于多传感器融合方法,设计了一种组合式闭环电流传感器,包括磁芯、电路部分设计及仿真。仿真和样机实验结果表明,在域Ⅱ时多传感器融合值与真实值的均方根误差低至0.004;在域Ⅰ、Ⅲ时电流测量的相对误差E_(i)均在0.255%以下。与单一传感器相比,多传感器融合的方法使组合式传感器测量电流范围增大,适用于温度变化范围较大的场景,电流测量精度及可信度更高。

基于多传感器融合的轨检车构架位姿测量方法

针对轨道检查车构架运动会影响轨道几何检测系统测量精度的问题,提出一种基于多传感器融合的构架位姿测量方法。该方法利用加速度传感器和双轴倾角传感器采集构架位姿原始信号,通过构架中心位姿解算方法将多个传感器采集的原始信号进行融合解算,获取构架几何中心位姿。为了验证其准确性和适应性,利用该方法分别在实验室和国家铁道试验中心标定试验线上进行了验证试验和在轨试验,结果表明,以第95%分位数作为评估标准,该方法测量的构架中心横向、垂向位移、侧滚角和摇头角与标准值的误差分别小于0.88 mm、0.44 mm、0.07°、0.04°,该方法与轨检系统测得数据的差异分别小于0.99 mm、0.73 mm、0.08°。构架位姿测量方法可以准确测量轨检车构架位姿,运用于运营车辆,可辅助判别轨道病害,提高轨道检测效率。

基于多传感器融合的无人舰载机舰面定位研究

无人舰载机在航母舰面的自主定位是实现自主转运、提高驶入/驶出效率的重要前提.其中,如何依靠机载传感设备实现GPS拒止环境下的舰载机自主舰面定位是亟待解决的关键技术.为此,提出了一种基于视觉和激光雷达融合的无人舰载机舰面自主定位算法.该算法通过结合手眼标定和互信息标定方法进行多传感器在线标定,使无人舰载机在面对风浪及航母运行等情况下机身摇晃导致传感器外参标定结果变化后仍能保持稳定运行;引入因子图用于无人舰载机的多传感器位姿联合优化并基于自主转运过程中的运动模型建立了简单高效的传感器失效标准,从而有效地融合了激光雷达和视觉定位结果,使该算法在单个传感器失效的情况下依然可以进行精确的自主定位;最后建立了基于多传感器的舰载机舰面仿真系统对本文算法进行验证,实验结果表明,本文算法在单个传感器失效的情况下定位误差仍维持在0.2m以内,满足实际应用要求.

基于多传感器融合的牛项圈设计

为监测牛只行为状态和体征信息,设计一种多传感器融合的牛项圈。选择基于蓝牙5.0的控制芯片,外接3种传感器设备,实现牛只行为姿态(加速度和角速度值)、体表温度、室内位置4项基本序列数据以及叫声(正常情况、发情情况)和吞咽声3项音频数据的采集。采用SVM、KNN、RFC对牛只行走、站立、进食和躺卧行为进行分类,其中RFC的准确率最高,达到99.59%,KNN和SVM次之,准确率分别为99.01%、85.23%。使用基于GRU的深度学习算法对牛只叫声与吞咽声进行分类,整体准确率达到90.72%。对采集的体表温度与直肠温度进行拟合校正,拟合度R^(2)均高于0.9。结果表明,基于多传感器融合的牛项圈不仅可以有效采集传统序列数据,还可以同步采集音频数据,为牛只行为学分析提供多维度的数据支持。

基于改进最小二乘法的椭圆形玻璃幕墙缺陷多传感器融合检测技术

针对常规椭圆形玻璃幕墙缺陷多传感器融合检测的结果误差较大的问题,提出基于改进最小二乘法的椭圆形玻璃幕墙缺陷多传感器融合检测技术。在分析椭圆形玻璃幕墙受力点处应力值和反差增强分组传感器检测数据信号而获取缺陷部位的初始拟合曲线后,采用改进最小二乘法拟合缺陷部位立体位置曲线,融合缺陷检测图像得到检测结果。试验结果表明:应用该方法得出的检测累积误差平均值为0.07,可满足椭圆形玻璃幕墙缺陷的检测要求。

基于多传感器融合技术的智慧路侧单元设计

基于多传感器融合技术,设计了一种智慧路侧单元。通过二维视觉感知和三维点云感知设计获取优质的交通信息;并在此基础上,完成点云和视觉的决策级融合。该智慧路侧单元可满足智慧交通领域实时路况检测需求,为车路协同的实现提供了切实可行的参考方案。

多传感器信息融合的轴承故障迁移诊断方法

在重型装备低速、重载、强噪声环境下,采用单一传感器难以全面获取轴承的故障诊断信息,导致故障识别率低、识别不稳定,致使变工况下轴承故障迁移诊断失效。针对以上问题,提出了一种多传感器信息融合的轴承故障迁移诊断方法。首先,结合传感器的通道数,构建了堆叠卷积神经网络(MCNNs)提取各个通道的故障特征;然后,在MCNNs中引入最小绝对收缩与选择算子(Lasso),并通过网络反向传播完成了特征权值的更新,从而获得了多通道特征的融合;最后,利用源域数据对模型进行了训练,提取了故障特征,并完成了特征融合,采用损失函数完成了模型参数的优化,将源域训练得到的模型结果作为目标域的初始模型,利用目标域样本对初始模型的参数进行了微调,从而完成了模型迁移;并进行了信息融合效果、方法对比以及传感器信息采集属性的性能实验。研究结果表明:传感器的安装位置对信息融合影响较大,MCNNs+Lasso方法具有较好的特征融合效果,平均迁移诊断精度为99.03%,部分精度可达99.97%,在多个变工况的迁移任务中表现出较高迁移精度和良好的泛化性能。