Ultrasound estimation of fetal weight in twins by artificial neural network

This study was undertaken to determine the accuracy of using Ultrasound (US) estimation of twin fetuses by use of Artificial Neural Network. At First, as the training group, we performed US examinations on 186 healthy singleton fetuses within 3 days of delivery. Three input variables were used to construct the ANN model: abdominal circumference (AC), ab-dominal diameter (AD), biparietal diameter (BPD). Then, a total of 121 twin fetuses were assessed sub-sequently as the validation group. In validation group, the mean absolute error and the mean absolute per-cent error between estimated fetal weight and actual fetal weight was 261.77 g and 7.81%, respectively. Results show that, twin estimation of birth weight by ultrasound correlates fairly well with the actual weights of twin fetuses.

数字孪生驱动的数控车床主传动系统故障诊断研究

数控车床主传动系统是机床的核心部件,其一旦发生故障会造成加工质量甚至作业安全问题。数字孪生技术能降低故障诊断的难度,但目前研究仍存在物理实体到虚拟实体转换效率低和神经网络过拟合问题。为了解决上述问题,提出一种基于数字孪生和正则化BP神经网络的故障诊断方法。建立数控车床主传动系统数字孪生模型,通过OPC UA通信完成了物理实体和虚拟实体间孪生数据的交换,对比分析正则化改善过拟合问题的4种方法,构建了丢弃法正则化BP神经网络故障诊断模型。通过对比不同信噪比下BP神经网络、丢弃法正则化BP神经网络和卷积神经网络的损失函数和预测准确度,验证了诊断模型的可行性和算法的适用性。

结合可变形卷积与全局信息的目标跟踪算法

本文提出了一种以区域候选孪生网络(SiamRPN)为基础并结合可变形卷积与全局信息的目标跟踪算法。首先,使用计算花销适中的主干网络提升模型的特征提取能力;其次,采用全局上下文注意力模块提升全局信息建模能力,在相似度计量部分设计可变形互相关模块聚合模板特征与搜索特征;最后,采用多层特征融合策略充分挖掘深层语义信息与浅层定位信息,使目标的定位和分类更加准确。实验结果表明:该算法优于参与对比的主流跟踪器,在OTB100和VOT2016两个目标跟踪数据集中成功率和EAO指标分别提升了5.3%和8.5%,且跟踪速度达到68 fps,达到超实时跟踪,证明所提出算法的有效性。

智慧水厂能源管理系统的数字孪生建模与研究

为降低水厂生产成本,实现“碳达峰、碳中和”目标,本文建立了智慧水厂的能源管理系统,使用光伏、风力发电代替传统火力发电,并提出了一种基于数字孪生和完全自适应噪声集成经验模态分解方法、麻雀搜索算法优化的长短期记忆神经网络作为预测模型以提高对短期风光出力的预测精度,为决策层指导智慧水厂内电能调度提供数据基础。采用我国西北部某市智慧水厂作为仿真算例,实验结果表明,所提方法能够有效提高短期风光出力的预测精度、降低水厂运维成本。

基于BA-PNN算法与数字孪生的车间扰动判定方法

随着科学技术的发展,生产安全和车间管理问题越来越受到重视。传统车间在管理上多依靠人工,使得车间扰动事件发现不及时,扰动认定不清楚,不利于迅速解决扰动事件和保障人员设备安全。为提高管理效率和保障安全,提出一种基于蝙蝠算法优化的概率神经网络(Bat Algorithm-Probabilistic Neural Network,BA-PNN)算法和数字孪生的车间扰动判定方法。首先通过传感器采集数据并对其进行分析和预处理;随后搭建传统概率神经网络(Probabilistic Neural Net-work,PNN)模型和以算法识别率为优化目标的BA-PNN扰动判定模型,并结合数字孪生技术将BA-PNN模型融入孪生平台;最后通过仿真与结果分析,对比优化前模型效果及孪生平台特点,该模型识别效果较之前显著提高,证明了方法的有效性。

炼化企业智慧污水场建设实践与探索

炼化企业污水处理场承接上游生产装置排污水,是炼化企业重要的环保装置。目前炼化企业污水处理场的管控较为粗放,相对于生产装置,缺少完善的智慧管控系统,多数污水场对于智慧化理解程度不足,目前仅实现生产数据的集中显示和操作的远程化等常规控制,同时污水处理主要以环保达标为主,处理成本较高。随着数字化发展,智慧污水场建设是未来发展的必然趋势。污水处理场智慧化建设中,主要问题是污水处理场缺乏有效数据,以及数据精确性、及时度和同步性等问题,同时缺少对数据的筛选,未能做好数据的统一、分类和分层。通过探索智慧污水场建设,基于感知层采集、物联网技术,人工智能技术,结合污水场运行规律,建设智慧管控平台。通过系统智慧化建设及运行优化分析,提升水厂的精细化管理水平,降低污水处理成本,具有重要的指导意义。

一种用动态神经网络的月面科研站电源系统分析方法

月面科研站能源系统工况复杂,对其电源系统的稳定性分析十分重要,电源系统建模复杂,将其等效为黑箱子模型,通过输入和输出特性判断稳定性。提出了一种利用动态神经网络根据给定输入估计系统的预测输出,判断系统的稳定性。神经网络模型的训练数据集通过仿真生成,通过选择合适的神经网络结构和超参数,获得最佳的传递函数辨识结果。以Buck电路为例,采用MATLAB的Simulink模块进行仿真得到神经网络训练集,神经网络预测输出能贴近仿真输出,验证了该方法的有效性。

基于数字孪生的盾构机换刀机器人监控系统

为解决当前盾构换刀机器人缺乏有效监控方式的问题,设计了基于数字孪生的盾构机换刀机器人监控系统。系统通过Unity3D仿真平台构建孪生模型,利用机器人运动学模型在实时数据驱动下映射物理实体的运动状态,实现换刀机器人可视化监控,并利用虚拟现实技术提高系统沉浸性和可交互性。同时,针对有限元仿真软件获取力学数据的方式耗时较长、难以满足监控系统实时性要求的问题,构建了基于BP神经网络的换刀机器人力学数据监测模型,可快速获取末端执行器的应力和形变数据以保证系统安全性。最后,开发了盾构机换刀机器人数字孪生监控系统原型样机,验证了所提监控系统的有效性和可行性。

基于图像处理和机器学习的纽扣电池外观缺陷分类方法

针对纽扣电池生产过程中出现的划痕、脏污、凹陷、飞边等外观缺陷,提出基于数字图像处理方法,结合机器学习的方法实现外观缺陷特征的分类。不同的缺陷特征提取难易度不同,针对负极缺陷样本,提取Hog特征数据后经SVM分类算法实现外观缺陷分类。使用卷积神经网络分类模型对正极缺陷进行特征的提取和分类,通过多个经典的分类模型进行对比实验。而缺陷类型中少样本的飞边缺陷则使用了求解极坐标变换后的斜率和孪生神经网络的方法实现识别,在不扩增数据的情况下,达到了较好的分类效果。

汽车左侧围内板后部总成焊接工作台数字孪生系统研究

针对汽车左侧围内板后部总成连接件设计了焊接机器人工作台。首先,基于Visual Components搭建焊接机器人、焊钳和焊装夹具的数字孪生体;然后,通过Python脚本开发TCP协议进行通信,完成数字孪生系统的虚实联动;最后,基于BP神经网络构建焊接质量预测模型,并通过正交实验对其预测效果进行验证。实验结果表明,此焊接机器人工作台的预测准确率达到94.81%,能够满足实际生产要求。

基于聚类和随机搜索优化的核反应堆数字孪生参数反演模型

为了实现对核反应堆内置传感器的大量数据的高效存储、传输和分析,本文结合聚类算法与随机搜索优化的人工神经网络,对空间热离子反应堆的数字孪生系统搭建了一个参数反演模型,实现在热管失效工况下的堆芯温度数据的反演。使用20%热管失效工况下空间热离子反应堆堆芯4个区域的温度数据,通过K-means聚类与轮廓系数指标提取各区域的特征温度参数,通过随机配置优化的全连接人工神经网络(ANN)完成特征参数到其他参数的反演,并对反演效果进行验证。研究结果表明,运用该方法对燃料、发射极、接收极、冷却剂4个区域进行参数反演,温度反演值的相对误差均方根分别为0.55%、0.41%、0.19%、0.18%,其中用于反演的特征参数占总参数比例均不超过8%。因此本研究建立的参数反演模型能够获取特征参数的物理含义,并对空间热离子反应堆堆芯温度参数进行较高精度的反演。

井下架空乘人装置自保护系统设计与研究

矿井架空乘人装置温度预测是保证矿井架空乘人装置安全生产的有效途径,数字孪生技术是将现实世界的物理系统与虚拟世界的数字模型相结合的技术。为实现矿井架空乘人装置电机温度的在线监测和超前感知,提出了基于数字孪生和循环神经网络的温度预测和超前性感知方法。结果表明,数字孪生系统能有效监测矿井架空乘人装置运行过程中电机的实时温度状态,数字孪生和循环神经网络的集成可准确预测和主动检测矿井架空乘人装置电机的温度变化。

基于数字孪生的建筑物顶升施工安全监控技术

研究基于数字孪生的建筑物顶升施工安全监控技术,能有效监控建筑物顶升施工,确保建筑物顶升施工安全稳定进行。构建基于数字孪生的建筑物顶升施工安全监控技术架构,并从几何、物理、行为、规则4个层面入手,按建筑物顶升施工现场真实施工过程,构建相应的数字孪生虚拟模型,实现建筑物顶升施工物理模型及数字孪生虚拟模型间的实时交互,并把二者所产生的数据,同步发送到云端,生成数字孪生数据平台,由数字孪生数据平台对所获数据实施分类处理,最终在机器学习驱动模块,通过构建基于卷积神经网络的建筑物顶升施工安全监测模型,经数据去噪与输入、模型训练等操作,输出建筑物顶升施工安全监测结果,并通过数字孪生虚拟方式视觉呈现所获结果。实验结果表明:该技术能够实现建筑物顶升施工安全监控,监控后效果较好,在较少epoch次数下,便可收获较为理想的顶升施工安全监测结果。

双塔连体建筑结构健康监测及抗震安全预警管理研究

以扬州建工科技园工程项目为研究对象,利用传感器技术、5G通信技术等,基于神经网络的人工智能算法,建立结构健康监测及抗震安全预警管理系统。该系统能够实现对建筑结构的实时、远程监测,并能够在地震到达建筑前对结构的安全性做出准确预判的目标,为结构应急响应决策提供依据,保障人民生命和财产安全,对于同类型的工程具有一定的参考价值。

基于数字孪生的主动电网设备状态推演方法

主动电网的动态变化、网络异构和信息庞杂等特性给孪生体的高精准度映射带来了巨大挑战。为解决数字孪生主动电网的高精准度映射问题,提出了一种基于径向基函数神经网络的设备状态推演方法。方法通过建立径向基函数神经网络的电网设备状态监测器,获取正常负荷下的残差数据,并计算设备负荷系数。然后,利用基于马氏距离的相似矩阵识别设备的运行环境,并调用相应的设备推演模型,实现对复杂工况下设备状态的精确推演。实验证明,上述方法的设备状态推演准确率高达92%,满足数字孪生主动电网的要求,为电网智能调控和精确规划提供了基础信息,同时为电网数字化建设提供了理论参考。

基于小样本的胶囊网络轴承故障诊断方法

针对滚动轴承故障样本稀疏、卷积神经网络(convolutional neural network, CNN)池化层效率低的问题,提出一种基于胶囊网络的小样本学习方法模型。基于孪生神经网络,通过相同或者不同类别的样本对进行特征学习,根据特征之间的差异进行故障分类。在标准的凯斯西储大学(Case Western Reserve University, CWRU)轴承故障数据集进行的实验结果表明,该模型在有限数据样本下对故障诊断更为有效。通过添加不同幅值能量的高斯白噪声开展实验,其结果表明,所提方法在抗噪性方面具有优势。

样本不均衡时轴承故障的非平衡卷积网络诊断

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。

矿井风流调控装置自适应智能调控方法

针对矿井巷道风流分布不合理、瓦斯粉尘易积聚等安全问题,基于数字孪生和遗传神经网络(GA-BP)技术,提出一种风筒出风口参数能动态跟随瓦斯粉尘浓度变化而自适应调节的智能调控方法。首先,根据矿井巷道真实环境和物理调控装置建立数字孪生虚拟模型,实现物理装置和虚拟模型的双向实时映射和同步。其次,构建基于遗传算法(GA)改进的BP神经网络,得到最佳权值和阈值。最后,将GA-BP神经网络模型封装在数字孪生虚拟模型中,实现虚拟模型远程对物理调控装置的同步可视化智能调控,为矿井通风智能化提供一种有效方法和思路。

基于卷积神经网络的车载数字孪生持续认证方案

为了解决无人驾驶通信过程中存在的车辆身份合法性问题,提出了一种基于卷积神经网络(CNN)的车载数字孪生持续认证方案进行车辆身份合法性验证。具体来说,数字孪生获取车辆传感器收集的数据,用于训练部署在数字孪生上的CNN,然后执行主成分分析为分类器选择合适的典型特征。利用CNN提取的特征,在注册阶段训练一类支持向量机(OC-SVM)分类器,在认证阶段进行数据分类,进而将当前车辆验证为合法或者恶意车辆。仿真结果表明,所提方案在性能和准确率方面优势突出并优于现有方案。

基于数字孪生技术的工业机器人故障预测方法

为了提高工业机器人的运行效率,采用数字孪生技术和卷积神经网络算法设计了工业机器人故障的预测方法。首先设计了工业机器人故障预测的基本架构,然后利用数字孪生技术构建了虚实映射的工业机器人的物理模型,并提取工业机器人的运动姿态特征,最后利用卷积神经网络算法构建了工业机器人电机故障的预测模型,通过对故障特征信号特征提取和分类,实现了故障的实时预测。仿真结果表明:通过孪生虚拟模型获取的工业机器人运行状态与实际运行状态高度重合,采用提出的故障预测方法对100组数据处理,得到的正确率、精确率、召回率和F1值4个性能指标分别为0.961 7、0.903 5、0.925 4和0.923 1,均明显高于其他两种对比方法,为工业机器人进行故障诊断和预测提供有力的技术支持。