检索结果-南通市图书馆

基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别

在线全文

学校读者我要写书评

暂无评论

工矿自动化 2024年第3期50卷 82-91页

作者：韩康李敬兆陶荣颖安徽理工大学人工智能学院安徽淮南232001 淮浙煤电有限责任公司顾北煤矿安徽淮南232150

应用人工智能技术对矿井提升机司机等煤矿关键岗位人员的行为进行实时识别,防止发生设备误操作等危险情况,对保障煤矿安全生产具有重要意义。针对基于图像特征的人员行为识别方法存在的抗背景干扰能力差与实时性不足问题,提出了一种基... 详细信息

应用人工智能技术对矿井提升机司机等煤矿关键岗位人员的行为进行实时识别,防止发生设备误操作等危险情况,对保障煤矿安全生产具有重要意义。针对基于图像特征的人员行为识别方法存在的抗背景干扰能力差与实时性不足问题,提出了一种基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别方法。首先,基于MobileOne和C3对YOLOv7目标检测模型骨干与头部网络进行轻量化改进,提高模型推理速度;其次,融合ByteTrack跟踪算法,实现工作人员跟踪锁定,提高抗背景干扰能力;然后,采用MobileNetV2优化OpenPose的网络结构,提高对骨架特征的提取效率;最后,通过时空图卷积网络(ST−GCN)分析人体骨架关键点在时间序列上的空间结构和动态变化,实现对不安全行为的分析识别。实验结果表明:MobileOneC3−YOLO模型的精确率达93.7%,推理速度较YOLOv7模型提高了52%;融合ByteTrack的人员锁定模型锁定成功率达97.1%;改进OpenPose模型内存需求减少了170.3 MiB,在CPU与GPU上的推理速度分别提升了74.7%和54.9%;不安全行为识别模型对疲劳睡岗、离岗、侧身交谈和玩手机4种不安全行为的识别精确率达93.5%,推理速度达18.6帧/s。

关键词：不安全行为识别目标检测姿态估计时空图卷积网络人员锁定 YOLOv7 ByteTrack

多目标优化的智能胶带输送系统数字孪生模型构建及其应用研究

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

煤炭科学技术 2024年

作者：陈伟李敬兆石晴刘继超李化顺淮北合众机械设备有限公司安徽理工大学电气与信息工程院

由于卸料后带面清扫效果不稳定，矿用胶带输送机在长期运行过程中，常面临带面物料粘结、扬尘和撒料等问题，直接影响了运输安全性能及能量高效利用。针对这一问题，提出了一种基于数字孪生技术（DT）的高效、环保的智能胶带输送系统。... 详细信息

由于卸料后带面清扫效果不稳定，矿用胶带输送机在长期运行过程中，常面临带面物料粘结、扬尘和撒料等问题，直接影响了运输安全性能及能量高效利用。针对这一问题，提出了一种基于数字孪生技术（DT）的高效、环保的智能胶带输送系统。在虚拟实体中，应用在线极限学习机（OS-ELM）构建清扫力实时预测模型，以物理反馈数据作为该模型的输入参数；在物理实体中，结合力学模型、工程领域的知识与经验和运行数据计算出实际清扫力。并基于当前时刻清扫力预测值制定下一时刻清扫执行机构的调度方案，实现对物理实体的精准控制。为保证调度过程实时性，该方案中的参数优化采用改进鲸鱼优化算法（IWOA），以较高收敛速率获取全局最优解。本研究以撒料量、关键部件磨损情况、清扫机构总功率和清扫力预测准确率作为DT系统性能的评价指标，在多工况下与多组主流优化算法对比验证该系统性能，并通过Sobol和Fast两种敏感性分析方法验证预测模型输入参数合理性。实验结果表明，基于DT的智能输送系统中煤炭撒料量低于100g/min，刀片磨损率下降了8.99%，实际功率降低了8.61%，清扫力预测的MAPE和RMSE分别为3.2748%和0.017。该DT系统建立了虚拟与现实之间动态信息交互映射，实现了胶带输送系统清扫力的实时精准获取并合理调度多级清扫执行机构，有效减少了设备维护工人的工作量和环境污染问题的发生，显著提升了输送设备的安全性和稳定性。

关键词：数字孪生输送系统多目标优化 IWOA 清扫力

基于模糊熵加权融合的单轨运输机器人动态倾角辨识研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计量学报 2024年 1-11页

作者：刘泽朝李敬兆郑昌陆王国锋安徽理工大学电气与信息工程学院上海申传电气股份有限公司淮河能源控股集团有限责任公司

针对现有传感器检测单轨运输机器人动态倾角时存在辨识精度低的问题，提出了一种基于模糊熵加权融合的单轨运输机器人动态倾角精准辨识方法。首先，基于构建的轨道曲率与倾角变化双模型，通过改进的遗忘递归最小二乘(IFFRLS)算法分别计... 详细信息

针对现有传感器检测单轨运输机器人动态倾角时存在辨识精度低的问题，提出了一种基于模糊熵加权融合的单轨运输机器人动态倾角精准辨识方法。首先，基于构建的轨道曲率与倾角变化双模型，通过改进的遗忘递归最小二乘(IFFRLS)算法分别计算出轨道曲率值和倾角动态变化率;其次，再以轨道曲率值和倾角动态变化率作为输入值，通过无迹卡尔曼滤波(UKF)和扩展卡尔曼滤波(EKF)算法不断迭代更新分别计算出倾角动态角度;最终，采用全局模糊熵加权融合(GFEWF)将各角度值深度融合，提高动态倾角的检测精度。实验表明，基于双模型的全局模糊熵加权融合(GFEWF)与基于单一模型的UKF或EKF算法相比，其辨识的动态倾角精度在轨道段1和轨道段2分别提升了10.38%和25.60%。

关键词：几何量计量单轨运输机器人动态倾角递归最小二乘算法无迹卡尔曼滤波全局模糊熵

基于DFFRLS-AUKF的单轨吊车动态倾角辨识方法研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

电子测量与仪器学报 2024年第2期38卷 101-111页

作者：刘泽朝李敬兆郑昌陆王国锋安徽理工大学电气与信息工程学院淮南232000 上海申传电气股份有限公司上海201800 淮河能源集团煤业有限责任公司淮南232000

为保障单轨吊车在深部矿井复杂轨道工况环境下行驶的安全控制性能,需提高单轨吊车动态倾角辨识的精度及可靠性。因此,本文提出了基于DFFRLS-AUKF算法的单轨吊车动态倾角辨识方法。首先,利用自适应平滑滤波算法对实时采集的加速度和速度... 详细信息

为保障单轨吊车在深部矿井复杂轨道工况环境下行驶的安全控制性能,需提高单轨吊车动态倾角辨识的精度及可靠性。因此,本文提出了基于DFFRLS-AUKF算法的单轨吊车动态倾角辨识方法。首先,利用自适应平滑滤波算法对实时采集的加速度和速度数据进行滤波处理,避免环境噪声的干扰,保证数据的完整性;其次,通过建立轨道曲率模型实现对轨道全工况的精准分析,在滤波处理后的数据基础上,再结合带有动态遗忘因子的递归最小二乘(DFFRLS)算法得到可靠地轨道曲率值;最终,在计算出的轨道曲率基础上,利用Sage-Husa噪声估计器对无迹卡尔曼滤波(UKF)进行改进,实现了对动态倾角辨识结果地自适应动态调整,提高了动态倾角辨识地精准度。实验表明,单轨吊车在单轨路段1和单轨路段2测试期间,所提的DFFRLS-AUKF算法与传统算法相比动态倾角辨识精度分别平均提升了25.25%和39.5%,表明了DFFRLS-AUKF算法在不同轨道工况下具有良好的精准性及可靠性,有效保障了单轨吊车在复杂轨道工况下行驶的安全性。

关键词：单轨吊车轨道曲率模型递归最小二乘自适应无迹卡尔曼滤波动态倾角

基于ICEEMDAN模糊熵与Bi-LSTM的工业设备健康状态预测

在线全文

学校读者我要写书评

暂无评论

机床与液压 2024年第7期52卷 214-219页

作者：鹿广志李敬兆张金伟安徽理工大学人工智能学院安徽淮南232001 安徽理工大学计算机科学与工程学院安徽淮南232001

工业设备健康状态关系着工业生产能否正常进行,为此提出一种基于改进自适应噪声完备经验模态分解(ICEEMDAN)和双向长短期记忆网络(Bi-LSTM)的工业设备健康状态预测方法。ICEEMDAN用于将原始音频信号进行分解得到若干个固有模态函数(IMF... 详细信息

工业设备健康状态关系着工业生产能否正常进行,为此提出一种基于改进自适应噪声完备经验模态分解(ICEEMDAN)和双向长短期记忆网络(Bi-LSTM)的工业设备健康状态预测方法。ICEEMDAN用于将原始音频信号进行分解得到若干个固有模态函数(IMF)分量,通过计算相关系数选取最佳分量组进行信号重构,然后计算重构IMF分量的模糊熵值构造特征向量集合,最后再输入到Bi-LSTM网络进行模型训练和预测。实验结果表明:相较于其他模型,基于ICEEMDAN模糊熵和Bi-LSTM的工业设备健康状态预测方法,能够有效提取音频信号特征,并准确进行健康状态预测。

关键词：工业设备 ICEEMDAN 音频信号 Bi-LSTM 健康预测模糊熵

基于DBN和BES-LSSVM的矿用压风机异常状态识别方法

在线全文

学校读者我要写书评

暂无评论

流体机械 2024年第3期52卷 89-97页

作者：李敬兆王克定王国锋郑鑫石晴安徽理工大学电气与信息工程学院安徽淮南232001 淮南矿业集团安徽淮南232001 淮北合众机械设备有限公司安徽淮北235000

针对矿用压风机这类分布式系统的异常类别复杂、识别精度低等问题,提出了一种基于深度置信网络(DBN)和最小二乘支持向量机(LSSVM)的异常状态识别方法。首先,分析压风机组成系统及其运行机理,确定常见的异常状态类型;其次,采用DBN无监督... 详细信息

针对矿用压风机这类分布式系统的异常类别复杂、识别精度低等问题,提出了一种基于深度置信网络(DBN)和最小二乘支持向量机(LSSVM)的异常状态识别方法。首先,分析压风机组成系统及其运行机理,确定常见的异常状态类型;其次,采用DBN无监督学习方式充分挖掘监测数据中异常特征并快速提取;然后,利用秃鹰搜索算法(BES)优化LSSVM的超参数,构建最优的BES-LSSVM分类模型;最后,将DBN提取的异常特征作为BES-LSSVM模型的输入,对矿用压风机异常状态进行识别。试验验证与对比分析结果表明,相较于GA,PSO,GWO算法,BES算法的求解精度和收敛速度均有所提高,同时DBN-BES-LSSVM模型在测试集上平均识别精度达到94.65%,较PCA-LSSVM模型、DBN模型和DBN-LSSVM模型的识别精度分别提高了10.53%,5.84%和3.76%,验证了DBN-BES-LSSVM模型在矿用压风机异常特征提取以及特征识别方面的优越性。

关键词：矿用压风机深度置信网络秃鹰搜索算法最小二乘支持向量机异常识别

基于音频动态特征重组和TCN-Attention的电力变压器故障诊断方法

在线全文

学校读者我要写书评

暂无评论

兰州文理学院学报（自然科学版） 2024年第1期38卷 82-88页

作者：叶李敏李敬兆安徽理工大学电气与信息工程学院安徽淮南232001

电力变压器是电力系统的重要电气设备之一,对变压器进行在线故障诊断是降低电力系统运维成本、提高电力系统稳定性的关键措施.基于电力变压器运行时的音频信息,提出音频信号动态特征重组和TCN-Attention模型实现变压器典型故障的精准识... 详细信息

电力变压器是电力系统的重要电气设备之一,对变压器进行在线故障诊断是降低电力系统运维成本、提高电力系统稳定性的关键措施.基于电力变压器运行时的音频信息,提出音频信号动态特征重组和TCN-Attention模型实现变压器典型故障的精准识别.首先,分析变压器音频信号的SRA、RMS、峭度和裕度特征;然后,根据特征与变压器故障之间的相关性、鲁棒性和时序单调性实现不同特征的加权融合,得到变压器音频信号的综合特征;最后,设计TCN-Attention模型分析变压器音频特征从而实现故障诊断,并基于注意力机制增强音频特征中的重要信息,以提升变压器故障的识别准确率.本文采集了变压器在正常运行、绕组故障和铁芯故障3种状态下的音频信号构成数据集,对所提方法进行验证.实验结果表明,本文方法根据变压器音频信号进行故障诊断的准确率可达90%以上,实现了变压器故障的智能诊断,对保障电力系统稳定运行具有重要意义.

关键词：电力变压器音频信号故障诊断动态特征重组 TCN-Attention

基于ISCSO-VMD-GRU的带式输送机电动滚筒音频故障诊断

在线全文

学校读者我要写书评

暂无评论

佳木斯大学学报（自然科学版） 2024年第5期42卷 51-56页

作者：许南南李敬兆叶桐舟安徽理工大学电气与信息工程学院安徽淮南232000 安徽理工大学机械工程学院安徽淮南232000

针对带式输送机电动滚筒故障状态难以识别,造成诊断精度不高的问题,提出了一种改进沙猫群优化算法(ISCSO)、变分模态分解(VMD)和门控循环单元(GRU)相结合的带式输送机电动滚筒故障诊断模型。在沙猫优化算法(SCSO)中引入Logistic-tent混... 详细信息

针对带式输送机电动滚筒故障状态难以识别,造成诊断精度不高的问题,提出了一种改进沙猫群优化算法(ISCSO)、变分模态分解(VMD)和门控循环单元(GRU)相结合的带式输送机电动滚筒故障诊断模型。在沙猫优化算法(SCSO)中引入Logistic-tent混沌映射、螺旋搜索、麻雀警戒机制改进算法。使用改进的SCSO优化VMD获得音频信号的固有模态函数(IMF)分量,再基于Pearson相关系数与复合缩放排列熵(CZPE)筛选并计算有效IMF分量的CZPE值进行特征重构,提升GRU的诊断精度。同时利用ISCSO算法对GRU网络参数进行优化。通过实验对比,结果表明ISCSO-VMD-GRU模型故障诊断准确率达到99.69%,相较于其他模型性能提升效果显著。

关键词：变分模态分解沙猫群算法复合缩放排列熵电动滚筒故障诊断门控循环单元

在线全文

学校读者我要写书评

暂无评论

基于注意力机制的无监督异常声音检测方法

兰州工业学院学报 2024年第1期31卷 1-5页

作者：王超李敬兆张金伟安徽理工大学人工智能学院安徽淮南232001 安徽理工大学计算机科学与工程学院安徽淮南232001

针对传统的基于自编码器的无监督异常声音检测方法存在特征表达能力不足的问题,提出一种基于注意力-跳跃自编码器-生成对抗网络的无监督异常声音检测方法ASAE-GAN(Attentional Skip-connected Auto Encoder and Generative Adversarial ... 详细信息

针对传统的基于自编码器的无监督异常声音检测方法存在特征表达能力不足的问题,提出一种基于注意力-跳跃自编码器-生成对抗网络的无监督异常声音检测方法ASAE-GAN(Attentional Skip-connected Auto Encoder and Generative Adversarial Network)。ASAE-GAN在跳跃自编码器和生成对抗网络的基础上,引入通道间注意力机制和时间注意力机制,增强模型的特征表达能力。使用MIMII数据集中的pump声音数据进行实验,评价指标使用AUC分数。结果表明:ASAE-GAN的平均AUC分数相比较于AE、UNET和Skip-GANomaly分别提升了16.27%、14.23%和6.55%,验证了其在无监督异常声音检测方面的优越性。

关键词：自编码器无监督异常声音检测生成对抗网络注意力机制