基于多源信息融合和WOA-CNN-LSTM的外脚手架隐患分类预警研究

面对施工现场外脚手架隐患信息的多样性,传统的基于传感器监测的单一信号预警研究存在容错力不佳、含有信息有限等问题。针对施工现场外脚手架“图像+监测”数据,提出一种基于数据层和特征层信息融合的脚手架隐患分类预警方法。首先,利用Revit三维建模软件建立外脚手架实体模型,对不同初始隐患下的外脚手架进行有限元分析,划分隐患预警等级;其次,利用无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)及卷积长短时记忆网络(Convolutional Neural Network-Long Short Term Memory Network,CNN-LSTM)实现脚手架同类信息数据层融合及异类信息特征层融合;最后,通过实时收集西安市某在建项目落地式双排扣件式钢管脚手架隐患信息,对其进行分类预警,并使用鲸鱼优化算法(Whale Optimization Algorithm,WOA)对CNN-LSTM网络进行参数优化,发现隐藏节点个数为30、学习率为0.0072、正则化系数为1×10^(-4)时分类效果最佳,优化后预警精度达到了91.4526%。通过可视化WOA-CNN-LSTM、CNN-LSTM、CNN-SVM(Support Vector Machine,支持向量机)及CNN-GRU(Gate Recurrent Unit,门控循环单元)分类预警结果,证实了优化后的CNN-LSTM网络在脚手架分类预警方面的优越性。

基于VMD-LSTM-WOA的铁路沿线风速预测模型

针对当前铁路沿线风速预测中精确度不高和模型泛化性差等问题,采用一种变分模态分解(VMD)、长短期记忆神经网络(LSTM)和鲸鱼优化算法(WOA)的组合预测模型,并通过均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)等评价指标进行模型预测精度验证。选取多个不同时间尺度的风速数据进行实验。实验结果表明:与其他模型相比,本文模型能有效提高风速预测精度,并且有着较好的泛化性。同时VMD-LSTM-WOA预测模型能够适用于铁路沿线短期风速和超短期风速预测,能为高速铁路规范和城市轨道交通规范下的大风预警提供可靠的支持。

基于智慧水力学的长距离调水工程调度参数预测方法研究

为提高长距离调水工程调度参数的计算精度,提出了智慧水力学的概念,基于南水北调中线工程的运行监测数据,采用人工智能方法开展了长距离调水工程调度参数预测方法研究。在对数据清洗的基础上,基于长短时记忆神经网络(LSTM)模型建立了白河、十二里河、东赵河节制闸调度参数的预测模型,采用鲸鱼优化算法(WOA)优化模型的超参数并进行调度参数预测。结果表明:3个节制闸的闸前水位和流量预测值与其实测值的最大平均绝对误差分别为0.655 cm和1.326 m^(3)/s,说明智慧水力学理念和人工智能方法在长距离调水工程调度参数预测中的适用性和精准性。研究内容可为实现工程调度参数预测与精准智能调度提供理论基础。

压延车间能源信息采集关键技术研究与系统实现

结合铝箔压延车间的工艺流程以及能耗数据特点,提出了一套基于物联网的压延车间能源信息采集系统。针对采集过程中遇到的能耗数据缺失问题,设计了一套缺失数据处理流程,其中利用到了WOA-CNN-LSTM混合神经网络算法来插补缺失数据。系统的开发采用了MQTT协议、JAVA语言及SpringBoot框架等技术。实现了对生产流程的能源信息采集、统计与监管,改善了压延车间能源信息采集过程中的数据缺失问题,提高了数据准确度。

瓦斯探测仿生蜘蛛机器人的研究与设计

为保障煤矿安全生产,更好地监测井下瓦斯浓度。该文设计一款可以在矿井复杂环境中完成瓦斯浓度实时监测与预警、数据传输的多功能六足智能仿生机器人。该仿生蜘蛛机器人可以在煤壁上安全做业,机器人在煤壁采集的数据将被传送到云平台。并在云平台使用WOA-LSTM算法对瓦斯浓度进行预测。运用双目摄像头以及激光雷达等多种传感器实现融合定位功能,使机器人在井下有序作业。该机器人通过感知、导航、控制以及智能决策等方面的协作,实现对复杂环境下的高效精确巡视,以确保矿井安全生产。

基于改进鲸鱼算法优化LSTM的滚动轴承故障诊断

适应性动量(Adam)估计优化器易使深度长短时记忆神经网络(long short-term memory,LSTM)陷入局部极小值,导致故障诊断精度过低;鲸鱼算法(whale optimization algorithm,WOA)的寻优区域过大,导致寻优效率过低。针对上述两问题,将WOA进行改进(improved whale optimization algorithm,IWOA),并优化LSTM,提出IWOA-LSTM新方法。所提方法将WOA赋予动量驱动功能,继承了LSTM中的Adam优化器动量项,可优化细胞权值的搜索区域,进而提高权值寻优效率;将其与Adam优化器联合优化更新权值矩阵,以跳出局部最小值,提高故障诊断精度。此外,还系统地分析了学习效率和迭代次数对IWOA-LSTM的诊断精度影响,实现高效的故障诊断分析。通过分析实测滚动轴承内圈、外圈和滚动体三种故障可知,IWOA-LSTM的故障诊断效率分别较浅层BP神经网络(BPNN)、深度卷积神经网络(convolutional neural network,CNN)、深度门限循环单元神经网络(gated recurrent unit,GRU)、LSTM、WOA优化的LSTM(WOA-LSTM)高出了47.60%,38.06%,37.62%,26.82%,22.71%,且实现高达97%的诊断精度。

基于时间序列的民用运输航空器碳排放预测研究

随着中国民航业的高速发展,运输航空器的碳排放问题逐渐引起关注。采用时间序列的方法建立了传统的差分整合移动平均自回归(ARIMA)模型以及优化的长短期记忆网络(LSTM)模型,对航空器碳排放量、碳排放强度以及吨公里碳排放量进行了预测,通过鲸鱼优化算法(WOA)对LSTM中的学习率和隐藏节点数进行优化,避免了人为选择参数的主观性和盲目性,有利于提高模型预测的准确性。通过对比两种模型的均方根误差(RMSE)和平均绝对误差(MAE),ARIMA模型在航空器碳排放预测中有较好表现,WOA⁃LSTM模型在碳排放强度、吨公里碳排放的预测中有较好表现。

基于改进双向长短时记忆网络的自动驾驶车辆驾驶意图识别

针对高速混行多车交互环境下车辆驾驶意图识别模型大多忽视驾驶风格和车-车交互信息等问题,提出一种基于改进双向长短时记忆(Bi LSTM)网络的驾驶意图识别模型,以目标车辆轨迹序列、驾驶风格、周围车辆的交互特征作为模型的输入进行训练学习,实现对考虑驾驶风格的驾驶意图特征数据集的分类识别,同时使用鲸鱼优化算法对隐含层节点数和学习率等超参数进行寻优,以规避人工调参的负面影响。最后,使用NGSIM数据集对该模型的有效性进行验证,结果表明,模型的识别准确率达到97.5%,证明其在识别车辆驾驶意图方面具有较高的准确性。