检索结果-维普期刊中文期刊服务平台

基于融合多维非对称策略的螺纹缺陷检测方法: 1; 作者王瑞李敬兆 +4 位作者石晴许志王龙赵雪琦陈强《现代制造工程》 CSCD 北大核心 2023年第6期107-116,共10页; 目前机械零件螺纹的缺陷检测主要依赖人工目视检测,存在速度慢、误差大等问题,为此,基于融合多维非对称策略提出一种计算机视觉螺纹缺陷检测方法。首先,在YOLOv7目标检测算法的网络结构部分新增一层160×160的特征提取层,增加模型... 展开更多; 关键词 YOLOv7目标检测算法缺陷检测注意力机制损失函数模型剪枝; 在线阅读下载PDF 职称材料

基于DBN和BES-LSSVM的矿用压风机异常状态识别方法被引量：2: 2; 作者李敬兆王克定 +2 位作者王国锋郑鑫石晴《流体机械》 CSCD 北大核心 2024年第3期89-97,共9页; 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... 展开更多; 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; 在线阅读下载PDF 职称材料

多目标优化的智能带式输送系统数字孪生模型构建及其应用: 3; 作者陈伟李敬兆 +2 位作者石晴刘继超李化顺《煤炭科学技术》 CSCD 北大核心 2024年第12期287-299,共13页; 由于卸料后带面清扫效果不稳定,矿用带式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、环保的智能带式输送系统。在虚拟... 展开更多; 关键词数字孪生输送系统多目标优化 IWOA 清扫力; 在线阅读下载PDF 职称材料

基于Faster-YOLOv7的带式输送机异物实时检测被引量：8: 4; 作者唐俊李敬兆 +2 位作者石晴杨萍王瑞《工矿自动化》 CSCD 北大核心 2023年第11期46-52,66,共8页; 基于深度学习的目标检测算法在异物检测中具有较好的识别效果,但模型内存需求大,检测速度慢;轻量化深度学习网络能够大幅减少模型内存需求,提升检测速度,但在井下弱光环境中检测精度低。针对上述问题,提出了一种基于Faster-YOLOv7的带... 展开更多; 关键词带式输送机异物检测图像增强 Faster-YOLOv7 注意力机制 Alpha-IoU损失函数限制对比度自适应直方图均衡化算法; 在线阅读下载PDF 职称材料

带式输送机上散状物料堆积视频实时检测被引量：7: 5; 作者唐俊李敬兆 +3 位作者石晴刘阳宋世现任成成《工矿自动化》北大核心 2022年第10期62-68,75,共8页; 针对非接触式散状物料堆积检测方法存在检测速度慢、在图像模糊场景下检测精度低、深度学习模型内存需求大等问题,提出了一种基于轻量化Mask-RCNN(掩码-区域卷积神经网络)的带式输送机上散状物料堆积视频实时检测方法。首先,通过暗通道... 展开更多; 关键词矿用带式输送机散状物料运输物料堆积视频实时检测图像处理暗通道先验算法掩码-区域卷积神经网络轻量化主干网络; 在线阅读下载PDF 职称材料

基于深度迁移学习的矿井通风机轴承故障诊断被引量：7: 6; 作者王克定李敬兆 +1 位作者石晴胡迪《机床与液压》北大核心 2023年第22期209-214,共6页; 针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题,提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层,构建CNN-BiGRU... 展开更多; 关键词矿井通风机轴承故障诊断迁移学习卷积神经网络; 在线阅读下载PDF 职称材料

题名基于融合多维非对称策略的螺纹缺陷检测方法: 1; 作者王瑞李敬兆石晴许志王龙赵雪琦陈强; 机构安徽理工大学人工智能学院淮北合众机械设备有限公司安徽埃夫利舍建筑技术有限公司; 出处《现代制造工程》 CSCD 北大核心 2023年第6期107-116,共10页; 基金国家自然科学基金资助项目(51874010) 淮北市重大科技专项项目(Z2020004)。; 文摘目前机械零件螺纹的缺陷检测主要依赖人工目视检测,存在速度慢、误差大等问题,为此,基于融合多维非对称策略提出一种计算机视觉螺纹缺陷检测方法。首先,在YOLOv7目标检测算法的网络结构部分新增一层160×160的特征提取层,增加模型的目标检测尺度;设计LAM+DBAM注意力模块,引入标准差权重影响因子,从而构建新的权值计算公式,将发挥重要程度不同的特征提取层进行非对称融合,提升网络对小目标的特征提取能力。其次,采用TIoU损失函数,将预测框和标签框进行区分,非对称地处理输入的2个边界框,提升前景信息在网络特征提取过程中发挥的作用。最后,对模型的BN层进行稀疏化训练,通过缩放因子γ判断卷积核的重要程度,对非重要卷积核进行剪枝,消除模型的冗余参数,提升检测速度。试验结果表明,提出的基于融合多维非对称策略的螺纹缺陷检测方法的精度均值达到93.72%,检测速度达到53 f/s。; 关键词 YOLOv7目标检测算法缺陷检测注意力机制损失函数模型剪枝; Keywords YOLOv7 target detection algorithm defect detection attentional mechanism function of loss model pruning; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于DBN和BES-LSSVM的矿用压风机异常状态识别方法被引量：2: 2; 作者李敬兆王克定王国锋郑鑫石晴; 机构安徽理工大学电气与信息工程学院淮南矿业集团淮北合众机械设备有限公司; 出处《流体机械》 CSCD 北大核心 2024年第3期89-97,共9页; 基金国家自然科学基金项目(51874010,61170060) 淮北市重大科技专项(Z2020004) +1 种基金淮南市科技计划项目(2021A243) 物联网关键技术研究创新团队(201950ZX003)。; 文摘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; Keywords mining air compressor deep belief network bald eagle search algorithm least squares support vector machine exception recognition; 分类号 TH45 [机械工程—机械制造及自动化] TD443 [矿业工程—矿山机电]; 在线阅读下载PDF 职称材料

题名多目标优化的智能带式输送系统数字孪生模型构建及其应用: 3; 作者陈伟李敬兆石晴刘继超李化顺; 机构安徽理工大学电气与信息工程院淮北合众机械设备有限公司; 出处《煤炭科学技术》 CSCD 北大核心 2024年第12期287-299,共13页; 基金国家自然科学基金资助项目(52374154) 安徽理工大学研究生创新基金资助项目(2021CX2068)。; 文摘由于卸料后带面清扫效果不稳定,矿用带式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、环保的智能带式输送系统。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。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100 g/min,刀片磨损率下降了8.99%,实际功率降低了8.61%,清扫力预测的平均绝对百分比误差(MAPE)和均方根误差(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,实现了带式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; Keywords digital twin conveyor system multi-objective optimization IWOA cleaning force; 分类号 TD67 [矿业工程—矿山机电]; 在线阅读下载PDF 职称材料

题名基于Faster-YOLOv7的带式输送机异物实时检测被引量：8: 4; 作者唐俊李敬兆石晴杨萍王瑞; 机构安徽理工大学电气与信息工程学院淮北合众机械设备有限公司安徽理工大学人工智能学院; 出处《工矿自动化》 CSCD 北大核心 2023年第11期46-52,66,共8页; 基金国家自然科学基金资助项目(51874010) 淮北市重大科技专项项目(Z2020004)。; 文摘基于深度学习的目标检测算法在异物检测中具有较好的识别效果,但模型内存需求大,检测速度慢;轻量化深度学习网络能够大幅减少模型内存需求,提升检测速度,但在井下弱光环境中检测精度低。针对上述问题,提出了一种基于Faster-YOLOv7的带式输送机异物实时检测算法。通过限制对比度自适应直方图均衡化算法(CLAHE)进行图像增强,提高弱光环境中异物对比度;基于Mobilenetv3对YOLOv7主干网络进行轻量化设计,减少YOLOv7模型的计算量、参数量;添加有效通道注意力机制,缓解因特征通道数减少而导致的高层特征信息丢失问题;采用Alpha-IoU作为损失函数提高异物检测精度。实验结果表明:(1)Faster-YOLOv7的初始损失为0.143,最终稳定在0.039左右。(2)Faster-YOLOv7的检测速度可达42帧/s,较YOLOv5、YOLOv7分别提升了17,20帧/s;Faster-YOLOv7内存为14 MiB,较YOLOv5、YOLOv7分别降低了29,57 MiB;检测准确率达91.3%,较YOLOv5提升了8.8%。(3)将SSD、YOLOv5、轻量化YOLOv7、Faster-YOLOv7目标检测算法应用到煤矿井下带式输送机运煤图像及视频中,发现SSD在视频检测时发生了漏检现象,YOLO系列模型均有效地识别出待测异物,且Faster-YOLOv7识别结果的置信度更高。; 关键词带式输送机异物检测图像增强 Faster-YOLOv7 注意力机制 Alpha-IoU损失函数限制对比度自适应直方图均衡化算法; Keywords belt conveyor foreign object detection image enhancement Faster-YOLOv7 attention mechanism Alpha-IoU loss function contrast limited adaptive histogram equalization; 分类号 TD56 [矿业工程—矿山机电] TD67 [矿业工程—矿山机电]; 在线阅读下载PDF 职称材料

题名带式输送机上散状物料堆积视频实时检测被引量：7: 5; 作者唐俊李敬兆石晴刘阳宋世现任成成; 机构安徽理工大学电气与信息工程学院淮北合众机械设备有限公司; 出处《工矿自动化》北大核心 2022年第10期62-68,75,共8页; 基金国家自然科学基金项目(51874010) 淮北市重大科技专项项目(Z2020004)。; 文摘针对非接触式散状物料堆积检测方法存在检测速度慢、在图像模糊场景下检测精度低、深度学习模型内存需求大等问题,提出了一种基于轻量化Mask-RCNN(掩码-区域卷积神经网络)的带式输送机上散状物料堆积视频实时检测方法。首先,通过暗通道先验算法对采集的图像进行预处理,以减少运输装载过程中粉尘造成的图像雾化现象,提高图像边缘特征。针对传统的Mask-RCNN的主干网络ResNet无法满足在嵌入式平台上对散状物料堆积进行实时检测的需求问题,将去雾预处理后的图像输入到基于MobileNetV2+特征金字塔网络(FPN)的主干网络中进行特征提取,生成特征图,并对主干网络进行轻量化设计,以部署在嵌入式平台上,对实时采集图像数据进行实例分割。为更精确地找到分割物体的边缘,提出了在传统Mask-RCNN的掩码分支中添加边缘损失的方法,利用全卷积网络层生成掩码,结合Scharr算子构造边缘损失函数,融合目标分类、边界框回归、语义信息得到实例分割图像。最后,通过判断散状物料堆积掩码内的像素值是否超过预设阈值实现散状物料堆积检测。实验结果表明:所提方法的模型内存需求降低到以ResNet101为主干网络的模型的1/5,经图像去雾预处理后的平均精度均值提高了8%,单张图像平均检测时间为0.56 s,检测精度可达91.8%。; 关键词矿用带式输送机散状物料运输物料堆积视频实时检测图像处理暗通道先验算法掩码-区域卷积神经网络轻量化主干网络; Keywords mine belt conveyor transportation of bulk materials material accumulation video real-time detection image processing dark channel prior algorithm mask region-based convolutional neural network lightweight backbone network; 分类号 TD56/67 [矿业工程—矿山机电]; 在线阅读下载PDF 职称材料

题名基于深度迁移学习的矿井通风机轴承故障诊断被引量：7: 6; 作者王克定李敬兆石晴胡迪; 机构安徽理工大学电气与信息工程学院淮北合众机械设备有限公司; 出处《机床与液压》北大核心 2023年第22期209-214,共6页; 基金国家自然科学基金面上项目(51874010) 淮北市重大科技专项(Z2020004)。; 文摘针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题,提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层,构建CNN-BiGRU-RF诊断模型,提取轴承更深层次故障特征以便于故障识别;利用源域数据对模型训练,确定模型结构参数;最后,引入迁移学习将模型迁移至目标域,使用目标域有标签数据微调模型参数,构建目标域诊断模型进行故障分类。实验结果表明:在矿井通风机轴承负样本稀少情况下,所提方法的故障识别平均准确率在94%以上,与其他方法相比,具有更好的诊断精度和泛化能力。; 关键词矿井通风机轴承故障诊断迁移学习卷积神经网络; Keywords Mine ventilator Bearing fault diagnosis Transfer learning Convolutional neural network; 分类号 TD407 [矿业工程—矿山机电]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于融合多维非对称策略的螺纹缺陷检测方法	王瑞李敬兆石晴许志王龙赵雪琦陈强	《现代制造工程》 CSCD 北大核心	2023	0	在线阅读下载PDF 职称材料
2	基于DBN和BES-LSSVM的矿用压风机异常状态识别方法	李敬兆王克定王国锋郑鑫石晴	《流体机械》 CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料
3	多目标优化的智能带式输送系统数字孪生模型构建及其应用	陈伟李敬兆石晴刘继超李化顺	《煤炭科学技术》 CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
4	基于Faster-YOLOv7的带式输送机异物实时检测	唐俊李敬兆石晴杨萍王瑞	《工矿自动化》 CSCD 北大核心	2023	8	在线阅读下载PDF 职称材料
5	带式输送机上散状物料堆积视频实时检测	唐俊李敬兆石晴刘阳宋世现任成成	《工矿自动化》北大核心	2022	7	在线阅读下载PDF 职称材料
6	基于深度迁移学习的矿井通风机轴承故障诊断	王克定李敬兆石晴胡迪	《机床与液压》北大核心	2023	7	在线阅读下载PDF 职称材料