煤矿掘进巷道锚护位置的精准识别与定位是钻锚机器人实现智能永久支护亟需突破的关键技术。笔者提出一种基于视觉图像与激光点云融合的巷道锚护孔位智能识别定位方法,包括图像目标识别、点云图像特征融合和定位坐标提取3个步骤:①针对...煤矿掘进巷道锚护位置的精准识别与定位是钻锚机器人实现智能永久支护亟需突破的关键技术。笔者提出一种基于视觉图像与激光点云融合的巷道锚护孔位智能识别定位方法,包括图像目标识别、点云图像特征融合和定位坐标提取3个步骤:①针对煤矿井下低照度、水雾和粉尘等环境因素导致的锚孔轮廓成像模糊的问题,采用IA(Image-Adaptive)-SimAM-YOLOv7-tiny网络对巷道待锚护孔位进行视觉识别,该网络能够自适应地增强图像亮度和对比度,恢复锚孔边缘的高频信息,并使模型重点关注锚孔特征,提高锚孔检测的成功率;②求解激光雷达和工业相机联合标定的外参矩阵,将图像检测的锚孔边界框通过透视投影关系生成锥形感兴趣区域(Region Of Interest,ROI),获得对应的目标点云团簇;③采用点云处理算法提取锚护孔位边界点云,获得孔位中心坐标及其法向量,并通过坐标深度差比较判断锚孔识别的正确性。文中搭建了锚杆台车机械臂钻孔定位系统,对算法自主定位的精度以及准确度进行验证,试验结果表明:IA-SimAM-YOLOv7-tiny模型的平均精度均值(Mean Average Precision,mAP)为87.3%,较YOLOv7-tiny模型提高了4.6%;提出的融合算法定位误差为3 mm,单锚孔情况下系统平均识别时间为0.77 s,与单一视觉方法相比,采用激光与视觉多源融合不仅可以降低环境和小样本训练对定位性能的影响,而且可以获得锚护孔位的法向量,为机械臂调整钻孔位姿实现精准锚固提供依据。展开更多
航空发动机结构与系统的复杂性导致轴承的故障诊断方法通常面临特征提取与模式识别的困难。针对以上不足,考虑实际工程诊断的实时性与准确性,提出了一种新的基于转子位移概率密度信息(probability density information of rotor displac...航空发动机结构与系统的复杂性导致轴承的故障诊断方法通常面临特征提取与模式识别的困难。针对以上不足,考虑实际工程诊断的实时性与准确性,提出了一种新的基于转子位移概率密度信息(probability density information of rotor displacement,PIRD)的航空发动机轴承智能故障诊断方法。其主要对一维卷积神经网络(1-dimensional convolutional neural network,1DCNN)模型进行改进,在传统的卷积层前面增加了PIRD的提取层,可以提取转子振动位移信号的概率密度信息,有效地降低了数据的冗余度,同时保留了故障监测的重要指标。提出的PIRD-CNN诊断模型保留了1DCNN端到端的故障诊断优势,将该模型在航空发动机试验台产生的轴承故障数据进行测试,其对轴承故障诊断精度可达96.58%,与基准研究相对比表明,PIRD-CNN能够快速且更加精准地诊断航空发动机轴承的故障。展开更多
文摘煤矿掘进巷道锚护位置的精准识别与定位是钻锚机器人实现智能永久支护亟需突破的关键技术。笔者提出一种基于视觉图像与激光点云融合的巷道锚护孔位智能识别定位方法,包括图像目标识别、点云图像特征融合和定位坐标提取3个步骤:①针对煤矿井下低照度、水雾和粉尘等环境因素导致的锚孔轮廓成像模糊的问题,采用IA(Image-Adaptive)-SimAM-YOLOv7-tiny网络对巷道待锚护孔位进行视觉识别,该网络能够自适应地增强图像亮度和对比度,恢复锚孔边缘的高频信息,并使模型重点关注锚孔特征,提高锚孔检测的成功率;②求解激光雷达和工业相机联合标定的外参矩阵,将图像检测的锚孔边界框通过透视投影关系生成锥形感兴趣区域(Region Of Interest,ROI),获得对应的目标点云团簇;③采用点云处理算法提取锚护孔位边界点云,获得孔位中心坐标及其法向量,并通过坐标深度差比较判断锚孔识别的正确性。文中搭建了锚杆台车机械臂钻孔定位系统,对算法自主定位的精度以及准确度进行验证,试验结果表明:IA-SimAM-YOLOv7-tiny模型的平均精度均值(Mean Average Precision,mAP)为87.3%,较YOLOv7-tiny模型提高了4.6%;提出的融合算法定位误差为3 mm,单锚孔情况下系统平均识别时间为0.77 s,与单一视觉方法相比,采用激光与视觉多源融合不仅可以降低环境和小样本训练对定位性能的影响,而且可以获得锚护孔位的法向量,为机械臂调整钻孔位姿实现精准锚固提供依据。
文摘航空发动机结构与系统的复杂性导致轴承的故障诊断方法通常面临特征提取与模式识别的困难。针对以上不足,考虑实际工程诊断的实时性与准确性,提出了一种新的基于转子位移概率密度信息(probability density information of rotor displacement,PIRD)的航空发动机轴承智能故障诊断方法。其主要对一维卷积神经网络(1-dimensional convolutional neural network,1DCNN)模型进行改进,在传统的卷积层前面增加了PIRD的提取层,可以提取转子振动位移信号的概率密度信息,有效地降低了数据的冗余度,同时保留了故障监测的重要指标。提出的PIRD-CNN诊断模型保留了1DCNN端到端的故障诊断优势,将该模型在航空发动机试验台产生的轴承故障数据进行测试,其对轴承故障诊断精度可达96.58%,与基准研究相对比表明,PIRD-CNN能够快速且更加精准地诊断航空发动机轴承的故障。
