在复杂工业生产过程中,为提高产品质量和生产效率,建立准确的工业运行状态性能等级评估模型十分重要。近年来,深度学习技术在这个领域中取得了一些进展。然而,实际工业生产过程中经常遇到数据样本不平衡情况,现有的深度学习性能评估方...在复杂工业生产过程中,为提高产品质量和生产效率,建立准确的工业运行状态性能等级评估模型十分重要。近年来,深度学习技术在这个领域中取得了一些进展。然而,实际工业生产过程中经常遇到数据样本不平衡情况,现有的深度学习性能评估方法在有限的少数样本中挖掘有价值的特征信息能力不佳,从而导致性能评估准确度低。为此,设计了一种双变分自编码器权重特征自适应融合的生成对抗网络(generative adversarial network based on weighted adaptive feature fusion network of double variational autoencoder,DVAE-WAFFN-GAN),对较少类别样本进行增强,提高了性能评估的准确度。该方法将VAE和GAN网络进行结合,首先用稀少类数据去预训练卷积变分自编码器(CNN-VAE)和长短时记忆变分自编码器(LSTM-VAE)提取真实数据的时空特征信息。训练生成网络时,随机噪声先输入到预训练的两个解码器中,解码器输出真实样本编码后的特征向量,再利用注意力机制设计权重自适应特征融合网络(WAFFN)对两个变分自编码器解码器输出的特征向量赋予不同权重进行融合,利用融合后的特征向量代替原始GAN中的随机噪声去生成数据,从而提高生成器生成数据的质量,提高性能评估的准确率。最后将该方法在样本不平衡的工业数据集上进行仿真实验。展开更多
传统同时定位与地图构建(simultaneous localization and mapping,SLAM)在弱纹理场景中的鲁棒性差,在动态场景中受动态物体干扰。针对这些问题,提出了动态视觉SLAM。首先,在视觉前端使用几何对应网络2(geometric correspondence network...传统同时定位与地图构建(simultaneous localization and mapping,SLAM)在弱纹理场景中的鲁棒性差,在动态场景中受动态物体干扰。针对这些问题,提出了动态视觉SLAM。首先,在视觉前端使用几何对应网络2(geometric correspondence network version 2,GCNv2)提取特征点并生成二值描述子,提高SLAM在弱纹理场景中的鲁棒性;然后,引入目标检测网络对动态物体进行检测,获取当前帧的语义信息,结合多视图几何剔除动态物体,去除动态物体对SLAM的干扰。实验结果表明:在弱纹理场景中,所提方法可以持续提取足够数量的高质量特征点;在存在动态物体干扰的场景中,所提方法的绝对位姿误差和相对位姿误差较小;在静态场景中,所提方法的性能仍然较优。展开更多
原油移动路径规划是原油调度中至关重要的子任务,直接影响到生产过程中原油供给的稳定性和付油的高效性.由于此任务需要考虑大规模罐区内复杂的设备条件,并受到严格的工业生产约束,同时需要兼顾途径阀门数量与泵机组运力,导致目前依然...原油移动路径规划是原油调度中至关重要的子任务,直接影响到生产过程中原油供给的稳定性和付油的高效性.由于此任务需要考虑大规模罐区内复杂的设备条件,并受到严格的工业生产约束,同时需要兼顾途径阀门数量与泵机组运力,导致目前依然倚重调度人员的人工经验来制定路径规划方案,对传统算法和进化算法的应用提出了挑战.据此,本研究基于有向图结构对大规模原油罐区进行细致数学建模,并提出一种基于偏好的原油移动路径多目标优化(Preference-based multi-objective optimization for crude oil movement path,PB-MOO)算法,突破了过去高度依赖人工方法的局限性,为原油移动路径规划提供智能化解决方案.实验证明该算法能够在满足实际约束的条件下,找到复杂任务的高质量候选解,验证了其在此领域的可行性和有效性.展开更多
文摘在复杂工业生产过程中,为提高产品质量和生产效率,建立准确的工业运行状态性能等级评估模型十分重要。近年来,深度学习技术在这个领域中取得了一些进展。然而,实际工业生产过程中经常遇到数据样本不平衡情况,现有的深度学习性能评估方法在有限的少数样本中挖掘有价值的特征信息能力不佳,从而导致性能评估准确度低。为此,设计了一种双变分自编码器权重特征自适应融合的生成对抗网络(generative adversarial network based on weighted adaptive feature fusion network of double variational autoencoder,DVAE-WAFFN-GAN),对较少类别样本进行增强,提高了性能评估的准确度。该方法将VAE和GAN网络进行结合,首先用稀少类数据去预训练卷积变分自编码器(CNN-VAE)和长短时记忆变分自编码器(LSTM-VAE)提取真实数据的时空特征信息。训练生成网络时,随机噪声先输入到预训练的两个解码器中,解码器输出真实样本编码后的特征向量,再利用注意力机制设计权重自适应特征融合网络(WAFFN)对两个变分自编码器解码器输出的特征向量赋予不同权重进行融合,利用融合后的特征向量代替原始GAN中的随机噪声去生成数据,从而提高生成器生成数据的质量,提高性能评估的准确率。最后将该方法在样本不平衡的工业数据集上进行仿真实验。
文摘传统同时定位与地图构建(simultaneous localization and mapping,SLAM)在弱纹理场景中的鲁棒性差,在动态场景中受动态物体干扰。针对这些问题,提出了动态视觉SLAM。首先,在视觉前端使用几何对应网络2(geometric correspondence network version 2,GCNv2)提取特征点并生成二值描述子,提高SLAM在弱纹理场景中的鲁棒性;然后,引入目标检测网络对动态物体进行检测,获取当前帧的语义信息,结合多视图几何剔除动态物体,去除动态物体对SLAM的干扰。实验结果表明:在弱纹理场景中,所提方法可以持续提取足够数量的高质量特征点;在存在动态物体干扰的场景中,所提方法的绝对位姿误差和相对位姿误差较小;在静态场景中,所提方法的性能仍然较优。
文摘原油移动路径规划是原油调度中至关重要的子任务,直接影响到生产过程中原油供给的稳定性和付油的高效性.由于此任务需要考虑大规模罐区内复杂的设备条件,并受到严格的工业生产约束,同时需要兼顾途径阀门数量与泵机组运力,导致目前依然倚重调度人员的人工经验来制定路径规划方案,对传统算法和进化算法的应用提出了挑战.据此,本研究基于有向图结构对大规模原油罐区进行细致数学建模,并提出一种基于偏好的原油移动路径多目标优化(Preference-based multi-objective optimization for crude oil movement path,PB-MOO)算法,突破了过去高度依赖人工方法的局限性,为原油移动路径规划提供智能化解决方案.实验证明该算法能够在满足实际约束的条件下,找到复杂任务的高质量候选解,验证了其在此领域的可行性和有效性.
