起重机具有诸多类型,不同类型的起重机具有不同的分析或保养方法,因此对起重机类型进行识别意义重大。针对深度卷积神经网络中存在的数据需求量大、训练时间长、计算成本高等问题,提出一种基于迁移学习和微调的起重机类型识别策略。通过搭建不包含分类层的预训练InceptionV3模型并连接自定义的分类层,利用迁移学习和微调技术,训练出适用于起重机类型识别任务的卷积神经网络。实验结果表明,相较于从头搭建并训练深度卷积神经网络,利用迁移学习和微调方法对预训练模型进行训练可得到较高的识别准确率,并且训练速度更快,训练时间显著缩短。验证集和测试集的识别准确率分别为98.24%和97.67%。

针对目前复杂的人体姿态估计网络参数量大、计算成本高以及读者对算法的理解分析难度大等问题,提出了一种基于注意力机制的人体姿态估计网络。该网络使用结构简单的编码器、解码器来预测人体关节点热图。为了使编码层提取的特征更具代表性,在编码层中加入了通道注意力机制,该操作在降低模型复杂度的同时保证了其预测精度。解码层采用多个反卷积模块得到最终的预测结果。算法模型在两个数据集(MPⅡ和COCO)上进行验证,在MPⅡ数据集上PCKh@0.5达到89%;在COCO数据集上,与CBA对比,虽然AP略低0.2个百分点,但单张图片推理速度提升了10.1 ms。实验结果表明,所提方法能够有效检测出人体关节点,并且优于各种先进的姿态估计方法。

针对因长时间的信号采集使得振动信号面临数据量大的问题。传统的信号分析方法,已无法解决大数据情况下故障的特征提取与分类,同时采集到的数据样本具有多维度多样本的情况,导致训练网络时在前期导入数据阶段耗费大量时间与硬件的内存,并且会导致网络训练中产生过拟合现象,影响分类准确率。针对以上问题本文提出基于主成分分析与堆叠自动编码机相结合的齿轮故障诊断研究,以实现对齿轮振动信号快速准确的特征提取与分类。首先对原始信号进行主成分析,得到各主成分贡献率,其次,选取主成分贡献率高的前几列作为深度学习网络输入样本。最后深度学习网络即堆叠自动编码机网络对训练数据集进行学习提取数据中的特征并应用测试数据集部分进行分类并计算分类的准确率。最终,实验中将所提深度学习方法与传统的特征提取方法和分类方...

针对传统零件表面缺陷检测方法准确性差效率低,无法满足智能制造需求的问题,提出基于Faster-RCNN深度学习算法的缺陷检测方法。在Faster-RCNN基本算法的基础上,引入引导锚框算法生成anchor方案,解决算法中anchor方案对本次检测的缺陷目标缺乏针对性、产生大量的冗余区域建议窗口的问题,以提高检测的准确性和效率;通过对比非极大值抑制中不同的IOU阈值对检测结果的影响,确定最优的IOU阈值,并设计零件缺陷样本采集方案,建立三种零件缺陷数据集,在此基础上对方法的有效性进行试验验证。实验结果表明,该方法能够大幅度提高零件表面缺陷检测的准确性和效率,各缺陷检测结果的平均精度可达97.7%以上,平均检测速度达到4.3 fps,满足了智能制造的急迫需求。

近些年由于深度学习技术的介入,机械故障诊断算法也日新月异。但是现有的方法过于依赖大量数据支撑并缺乏较好的泛化能力。针对目前存在的两个问题,这里提出了一种基于多尺度卷积神经网络的全新算法(MSCNN)。该方法以轴承原始振动时序信号作为输入,为了实现预期效果,这里采取了如下三种解决思路;(1)模型使用具有一定重复率的样本数据,大幅扩充了样本数量;(2)引入多尺度卷积核进行特征提取;(3)模型根据振动信号的固有特征选择卷积核尺寸。MSCNN不仅能在少量数据下得到近乎100%的故障识别精度,还能够在不同数据集交叉中,表现出优秀的泛化性能。

智能检测技术的巨大应用潜力得益于其具有高精度、高效率和高稳定性。轮胎标识点识别是成品轮胎检测中重要环节。为提高轮胎标识点自动识别的精度和可靠性,提出一种基于深度学习的轮胎标识点颜色识别方法。首先基于Hough变换对轮胎定位,得到标识点在图像中的有效区域,利用颜色直方图反向投影在该区域中获取候选轮胎标识点;然后建立基于深度学习的卷积神经网络模型,对候选轮胎标识点进行颜色识别。实验结果表明该方法对轮胎标识点颜色识别的召回率为99.78%,精确率为99.93%,且识别速度为每张图片0.07秒,能够满足智能工厂对轮胎标识点颜色识别严格的高精度要求和实时性要求。

风洞测力试验是高超声速飞行器研发的重要环节,随着这项技术的发展,试验模型的大尺度化成为高超声速风洞试验的趋势.在几百毫秒的有效测试时间内,大尺度测力系统刚度减弱等问题会严重导致气动力辨识精度变差,试验模型大尺度化对短时脉冲燃烧风洞精确气动力辨识带来了挑战.对此本文提出了一种新的基于传统信号处理结合深度学习的智能气动力辨识算法,该框架分解两个主要阶段(1)信号分解,(2)数据训练.其中信号分解阶段通过变分模态分解将原始数据分解为不同模态子信号,随后通过Pearson相关性分析筛除干扰子信号;在训练阶段通过深度学习模型提取训练数据集中含有有效特征的子信号,最终得到真实气动力信号.此外,为增强算法的鲁棒性,在算法框架不同阶段通过不同方法对算法中的超参数进行优化得出最优参数组合.此算法在气动力辨识精度以...

随着机器学习的快速发展和其突出的非线性映射能力,越来越多的学者将机器学习方法应用到流体力学领域。为克服传统数学拟合不能很好的解决系统非线性问题,以及现有文献中所提及的一些基于神经网络的气动参数预测方法,需要进行参数化处理而带来的不便,同时为实现多变量多输出气动参数快速预测的目的,基于卷积神经网络考虑机翼变迎角和浮沉建立了一种多变量多输出的机翼气动参数预测模型,实现了机翼气动参数的快速预测。结果表明所建模型具有较高且稳定的预测精度,并且计算效率较计算流体力学(CFD)提高了40倍。

为了克服传统计算流体力学代理模型不能有效模拟流体力学高度非线性系统的困难,解决现有基于深度学习的代理模型难以有效处理时间顺序信息的问题,以扑翼飞行器的二维翼型为研究对象,基于门控循环单元(GRU)与多层感知机,建立扑翼非定常气动参数的快速预测模型,实现对扑翼扑动时高度非定常、非线性气动参数的实时预测.使用计算流体力学方法获得扑翼二维翼型扑动时的气动参数,以该参数为样本训练预测模型.将扑翼的扑动振幅、频率、摆动角度与运动时间输入预测模型,快速得到扑翼在对应扑动状态下的升力、阻力与力矩.实验结果表明,所建立的预测模型精度高、计算速度快,能够实现对扑翼非定常气动参数变化的实时高精度预测.

作为电梯安全最后保护装置的电梯液压缓冲器,其质量检测非常重要,目前在位现场检测采用人工检测方法,准确度低,存在人身危险。该文提出一种电梯液压缓冲器隐患识别方法总体框架,重点研究基于长短时记忆(long short term memory,LSTM)网络的关键点识别、缓冲器压缩复位特征提取与模式识别技术,以及训练LSTM运动状态识别网络方法。最后,在昱奥GeN2乘客电梯及底坑安装的液压式缓冲器上搭建检测系统进行测试。结果表明:该方法对电梯液压缓冲器常见隐患识别率可达100%,有助于提高检测效率、准确度。