工业数字孪生数据建模在钢铁行业中的应用研究

目的工业数字孪生技术在钢铁行业的应用展现了其显著的潜力,成为工厂数字转型的核心技术之一,尤其在数据建模方面。本文梳理工业数字孪生中数据建模技术在钢铁行业中的应用。方法通过梳理相关文献,重点分析四种数据建模方法,即基于知识的方法、基于机理的方法、基于传统机器学习的方法和基于深度学习的方法,详细介绍这些方法的优势、局限性和具体应用案例。探索了这些方法在数字物理实体融合的工业数字孪生系统构建中的潜力,以及未来模型的可扩展性设计,特别是针对大模型技术的应用。结论通过这一综述,梳理钢铁行业现有工业数字孪生数据建模技术,为钢铁行业的数字化转型提供有价值的见解,并为未来的研究和实践提供方向。

数字化挤压梯度砂型性能及补压距离研究

作为一种新的无模铸造成形工艺,挤压切削一体化成形技术突破常规铸型制造方法,给梯度砂型的制备提供了新思路。在梯度砂型成形过程中,对砂型型面层的补压会引起其强度、透气性能及型面层厚度的变化,进而影响铸件性能。针对该问题,从强度、透气性和切削力等方面对不同型腔深度的梯度砂型型面层进行了研究。结果发现,对于相同型腔深度砂型,补压位移对砂型型面层性能影响很大,当补压位移在2~12 mm范围内时,补压位移越大,则砂型型面层强度越高,透气性越小,切削力越大。综合考虑砂型型面层透气性、强度和切削力,得到了不同型腔深度砂型的最优补压距离,并通过ZL114A铝合金浇注试验验证了梯度砂型的优越性。

基于UKF的六维力传感器重力补偿算法研究

为解决人机交互中六维力传感器受末端重力影响导致示数不准确的问题,提出一种基于无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的六维力传感器误差校正方法。通过对传感器数据进行处理和估计,实现对传感器误差的准确估计和修正,从而将传感器误差降至0~0.227 N之间。实验结果表明:该方法可以显著提高六维力传感器的测量精度,为人机交互中的精准力控制提供了可靠的技术支持。

改进YOLOv5的汽车齿轮配件表面缺陷检测

针对汽车齿轮配件表面缺陷检测存在效率低和精度差的问题,提出一种基于YOLOv5改进的缺陷检测模型YOLO-CNF。在骨干网络中增加CBAM注意力模块,使模型更加关注齿轮配件的缺陷区域,提高对微小缺陷的识别能力;设计了F2C模块用于融合浅层特征,在一定程度上缓解了微小缺陷位置信息丢失的问题;利用NWD(normalized Wasserstein distance)对回归损失进行优化,减少对小目标位置偏差的敏感性,从而进一步提高目标位置的准确率和精度。实验结果表明,改进模型的平均精度均值达到了86.7%,相较于原始模型提高了3.2个百分点,检测速度为43帧/s,基本满足了对汽车齿轮配件表面缺陷检测的需求。

基于隐马尔科夫算法的课程教学质量评价的研究

以某大学学习某专业课的MOOC+SPOC的学习数据为样本,利用隐马尔科夫算法、数据挖掘技术,建立学生学习行为状态的评估模型,实时评估学生学习行为;教师根据评估结果对教学内容进行调整,对学生学习行为进行干扰,以提高教学质量。实证分析表明,基于隐马尔科夫算法的课程教学质量评价模型具有一定的有效性,分析结果有一定的参考性,方便教师在教学中有的放矢。

改进YOLOv8的轻量化轴承缺陷检测算法

针对轴承表面缺陷检测存在小目标检测精度低、模型复杂的问题,提出一种改进YOLOv8的轻量级轴承缺陷检测算法YOLO-SSW。在主干网络中添加3-D注意力机制SimAM,在不增加参数的前提下,使模型更加关注轴承表面缺陷特征的提取和表达;在颈部网络中嵌入C2f_SCConv模块,以减少空间维度和通道维度上的特征冗余,降低模型的计算负载;添加新的小目标检测层用于检测轴承表面的小尺寸缺陷,提高模型对小目标的检测能力;使用基于动态非单调聚焦机制的Wise-IoU作为边界框回归损失函数,加快网络的收敛速度。实验结果表明,改进算法的mAP达到了91.5%,比原算法提升了2.9个百分点,模型参数量仅为2.7×106,计算量为11.8 GFLOPs,在提高检测精度的同时节约了计算资源。

基于最优占空比原则的脉频调制策略的应用

传统的开关器件脉频调制(Pulse Frequency Modulation,PFM)控制方法,存在开关频率高、频率不固定且稳定性能不好的缺点,使得它在APF的应用中增加了滤波器的设计难度。为此提出了以最优占空比为原则的改进脉频调制方法。该方法通过最小二乘法获得最优占空比,并依此合理选择控制参数,且在控制器中,引入电网及补偿电压的实时特性,参与开关器件的导通时间、关断时间及滞环环宽的控制,从而实现定频、降损、提高控制精度及动态性能。通过对PFM的传统与改进控制策略的仿真与实验,验证了所提方法的有效性,且该方法易于控制电路的设计。

基于改进YOLOv4-tiny的人脸关键点快速检测

人脸关键点检测作为人脸识别的重要环节,一直是计算机视觉领域的研究热点。为了满足高效轻量级的人脸关键点检测需求,提出了一种基于改进YOLOv4-tiny的人脸关键点快速检测算法。模型输入采用608*608*3的彩色图像,使用CSPDarknet53-tiny网络对输入图像进行主干特征提取,对提取到的特征进行上采样和特征融合,在特征融合之前添加注意力机制来提高检测准确度,同时对YOLOv4-tiny网络的损失函数进行调整,添加人脸关键点的损失计算,实现在人脸目标检测的同时对关键点进行标定定位。模型输出包括人脸标记框和人脸5个关键点。实验结果表明,相比其他网络的人脸关键点检测方法,所提模型在保证识别准确度的基础上,具有更高的识别效率和更低的配置要求,可以满足快速实时检测的需求,且更易部署在边缘设备或者移动设备上。