-
题名改进量化注意力机制和权重的剩余使用寿命预测模型
- 1
-
-
作者
罗冲
何启学
韩超
-
机构
中国科学院成都计算机应用研究所
中国科学院大学
中国石油天然气股份有限公司塔里木油田分公司
-
出处
《计算机应用》
北大核心
2025年第S1期366-371,共6页
-
基金
四川省科技成果转移转化示范项目(2023ZHCG0005)。
-
文摘
设备剩余使用寿命(RUL)预测在工业维护中扮演着关键角色,它的准确性和效率对设备管理和故障预防至关重要。近年来,深度学习技术在RUL预测中展现出巨大潜力,而它的高计算成本和复杂性限制了它在资源受限环境中的应用。针对该问题,提出一种改进量化注意力机制和权重的RUL预测模型用于提升RUL预测的性能和效率。首先,将模型权重量化为低精度整数,以显著降低模型的存储需求和计算开销,同时引入正则化效果,提升模型的泛化能力;其次,采用量化注意力机制,通过二元运算近似表达点积运算,减少浮点运算,简化注意力计算过程,节约内存,提升模型效率,增强模型的可解释性和鲁棒性。在C-MAPSS数据集上的实验结果表明,所提模型在保证预测精度的前提下,大幅降低了模计算成本,在C-MAPSS数据集上,与原始注意力模型相比,所提方法的内存开销减少了约25%,计算时间缩短了39.83%~55.49%。
-
关键词
剩余使用寿命预测
量化注意力机制
量化权重
深度学习
工业维护
-
Keywords
Remaining Useful Life(RUL)prediction
quantized attention mechanism
quantized weight
deep learning
industrial maintenance
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进YOLOv8n的井下人员多目标检测
- 2
-
-
作者
问永忠
贾澎涛
夏敏高
张龙刚
王伟峰
-
机构
陕西陕煤蒲白矿业有限公司
西安科技大学计算机科学与技术学院
西安科技大学安全科学与工程学院
-
出处
《工矿自动化》
北大核心
2025年第1期31-37,77,共8页
-
基金
陕西省重点研发计划(2022QCY−LL−70)
陕西省秦创原“科学家+工程师”队伍建设项目(2023KXJ−052)。
-
文摘
针对井下危险区域人员监测视频存在光照不均匀、目标尺度不一致、遮挡等复杂情况,基于YOLOv8n网络结构,提出一种改进的井下人员多目标检测算法—YOLOv8n-MSMLAS。该算法对YOLOv8n的Neck层进行改进,添加多尺度空间增强注意力机制(MultiSEAM),以增强对遮挡目标的检测性能;在C2f模块中引入混合局部通道注意力(MLCA)机制,构建C2f-MLCA模块,以融合局部和全局特征信息,提高特征表达能力;在Head层检测头中嵌入自适应空间特征融合(ASFF)模块,以增强对小尺度目标的检测性能。实验结果表明:(1)与Faster R-CNN,SSD,RT-DETR,YOLOv5s,YOLOv7等主流模型相比,YOLOv8n-MSMLAS综合性能表现最佳,mAP@0.5和mAP@0.5:0.95分别达到93.4%和60.1%,FPS为80.0帧/s,参数量为5.80×106个,较好平衡了模型的检测精度和复杂度。(2)YOLOv8n-MSMLAS在光照不均、目标尺度不一致、遮挡等条件下表现出较好的检测性能,适用于现场检测。
-
关键词
煤矿井下危险区域
井下人员多目标检测
YOLOv8n
多尺度空间增强注意力机制
自适应空间特征融合
轻量化混合局部通道注意力机制
-
Keywords
underground hazardous areas in coal mines
multi-target detection of underground personnel
YOLOv8n
multi-scale spatially enhanced attention mechanism
adaptive spatial feature fusion
lightweight hybrid local channel attention mechanism
-
分类号
TD323
[矿业工程—矿井建设]
-
