摘要：针对传统孪生目标跟踪算法体量大、难以在嵌入式设备部署以及其在目标尺度变化大、有相似物干扰等条件下效果不佳的问题,提出一种新的轻量化快速跟踪(Ghost fast Tracking with TiFPN and Retriever,GTtracker)算法。引入Ghost机制,对Resnet网络进行重新设计,构建一种轻量化G-Resnet网络对跟踪目标进行快速特征提取。设计轻量自适应加权融合(Tiny adaptive weighted fusion algorithm Feature Pyramid Network,TiFPN)算法,进一步加强特征信息的融合,解决相似物干扰问题。设计一种轻量化区域回归网络(Ghost Decoupled Net,GDnet),以实现目标分类、交并比(Intersection-over-Union,IoU)计算以及边界框回归,并在跟踪阶段应用一种新的目标寻回器提升算法跟踪的成功率。在OTB100数据集和VOT2020数据集上进行算法验证,并移植算法到嵌入式设备Jetson Xavier NX上进行性能测试。实验结果均表明算法的有效性和优越性,相比经典孪生目标跟踪(SiamCAR)算法,新方法在精度和期望平均重叠率(Expected Average Overlap,EAO)指标均相似的前提下,能够实现更快的运行速度,可在Jetson Xavier NX上实时运行,达到30帧/s,且能有效解决相似物干扰、尺度变化大等问题。

摘要：近年来随着深度学习技术的不断发展,涌现出各种基于深度学习的语义分割算法,然而绝大部分分割算法都无法实现推理速度和语义分割精度的兼得.针对此问题,提出一种多通道深度加权聚合网络(MCDWA_Net)的实时语义分割框架.该方法首先引入多通道思想,构建一种3通道语义表征模型, 3通道结构分别用于提取图像的3类互补语义信息:低级语义通道输出图像中物体的边缘、颜色、结构等局部特征;辅助语义通道提取介于低级语义和高级语义的过渡信息,并实现对高级语义通道的多层反馈;高级语义通道获取图像中上下文逻辑关系及类别语义信息.之后,设计一种3类语义特征加权聚合模块,用于输出更完整的全局语义描述.最后,引入一种增强训练机制,实现训练阶段的特征增强,进而改善训练速度.实验结果表明,所提出方法在复杂场景中进行语义分割不仅有较快的推理速度,且有很高的分割精度,能够实现语义分割速度与精度的均衡.

摘要：针对齿轮箱复合故障特征难于提取,诊断缺乏自动识别性,且单通道往往无法全面表征故障信息等问题,提出一种基于随机森林与证据理论相融合的多通道齿轮箱复合故障诊断方法。首先通过小波包变换对各通道复合故障信号进行分解,得到故障信号的特征向量;之后引入一种新的特征集组合框架构建针对不同故障的特征数据集,通过随机森林算法划分单个分类模型;接着综合考虑各分类模型,合成每个通道下的集成分类器,并提出一种新的迭代自更新策略不断完善分类器的性能;最后设计一种基于Lance距离的改进D-S证据理论算法,该算法采用Lance距离来度量各空间证据间的证据距离,并构造Lance矩阵,由此获得相似度矩阵来衡量各证据体间的相似程度和支持度,通过计算各通道的敏感度权重系数进行BPA修正,获得最终的诊断融合结果。通过齿轮箱试验平台进行算法验证,结果表明该方法能有效识别出复合故障中包含的每类故障,并能全面融合不同通道的故障冗余信息,实现齿轮箱复合故障的精确诊断。

摘要：在内蒙古工业大学自动化专业参与教育部工程认证的背景下,以OBE理念为指导,对模糊控制课程进行教学设计。阐述模糊控制课程具有理论新颖抽象,直接面向解决复杂非线性控制问题的特点。简述OBE理念“反向设计,正向实施”的逻辑体系结构。基于OBE理念,结合课程特点,以学生为中心,从培养学生知识、能力、素养等几个方面制定教学目标;通过案例教学,与经典控制理论对比,贯穿直接解决复杂工程为导向进行教学环节设计;针对上述教学环节,结合课程目标制定注重能力培养的综合考核评价体系。

摘要：发酵过程的状态监测对于及时发现各类异常故障起到了至关重要的作用。然而,由于发酵过程数据呈现非线性特性,导致在提取特征信息时存在困难,增加了故障监测的难度。为了解决上述问题,提出了一种基于注意力动态卷积自编码器(attention dynamic convolutional autoencoder,ADCAE)的发酵过程故障监测方法。首先,设计了一种动态卷积结构(dynamic convolution structure),该结构可以在浅层使用大尺寸卷积核提取低级特征,在深层使用小尺寸卷积核提取高级特征,从而拓宽了模型特征学习的尺度;其次,设计了一种通道卷积注意力(channel convolutional attention,CCA)模块,该模块能够从不同尺度提取输入的非线性特征,并且在通道向量转化为权重的过程中可以更好地提取局部特征,提高了对有效信息的关注能力;最后,将动态卷积结构与CCA模块融入卷积自编码器中,使模型能够有效地捕获变量中的非线性关系,从而更好地应对发酵过程中的故障监测问题。利用青霉素发酵过程仿真平台和大肠埃希菌实际生产数据对该方法的可行性进行了验证,结果表明该方法具有较好的故障监测性能。

摘要：牛面部检测与识别是牛场智能化养殖的关键,但由于牧场养殖环境的复杂性,牛脸检测会受到模糊、逆光和遮挡3种常见环境因素的严重干扰。针对此问题,该研究提出一种复杂场景下基于自适应注意力机制的牛脸检测算法,该算法首先针对3种干扰因素分别设计了评价指标,并将3种不同类型的评价指标通过模糊隶属度函数进行归一化,并确定自适应权重系数,真实反映目标所处场景的复杂性;之后,基于YOLOV7-tiny在主干特征提取网络引入一种注意力机制CDAA(composite dual-branch adaptive attention),设计通道和空间注意力并行结构,并融合自适应权重系数,有效加强相应注意力分支的权重,提高网络在复杂场景下的特征提取能力,解决复杂场景下网络检测精度差的问题;最后,将图像场景评价指标引入损失函数,对大尺度网格损失函数的权重进行自适应调整,使网络在训练过程中更专注于数量较多的小型目标,从而提升网络整体的检测精度。为检测算法的有效性和实时性,在特定数据集上进行消融试验,并与多种经典检测算法进行对比,并移植至Jetson Xavier NX平台测试。测试结果表明,该算法检测精度达到89.58%,相较于原YOLOV7-tiny网络,牛脸检测精度提高了7.34个百分点。检测速度达到62帧/s,在检测速度几乎不损失的条件下,检测效果优于原网络与对比网络。研究结果可为复杂场景下的牛脸高效检测提供参考。

摘要：为了减少混合谐振式无线充电系统的开关器件和无源元件数量,提高系统输出功率,同时简化原、副边的控制策略,提出一种基于LCL-LCL/S混合自切换谐振式无线充电系统,无需原、副边通信和增加任何无源元件,仅通过LCL结构的自投切操作更改拓扑网络来实现无线充电系统恒流恒压的切换。首先,依靠T型网络分析恒流或恒压输出与输入阻抗呈纯阻性的关系;然后,引入混合型补偿网络数学模型,分析实现系统输入电流和电压之间零相角(ZPA)与恒流或恒压输出特性的参数配置条件;接着,依据蓄电池充电曲线特征、谐振电流阈值、电压跳变阈值和耦合系数变化约束,进一步提出一种适用于混合谐振式拓扑网络参数优化的设计方法,在避免谐振网络参数经验选值的局限性导致参数不确定性问题的同时,也为参数选取提供了理论依据;最后,搭建实验平台验证该方案的可行性与有效性。实验结果表明,优化谐振网络参数的无线充电系统具有较好的恒流恒压输出特性,系统最大传输效率为81%,完全满足恒流恒压无线充电需求。

摘要：针对以往风电机组数字孪生建模受不同研究目的或单一软件的功能限制,难以建立风电机组整机模型的问题,提出一种新的风电机组孪生建模方法。该方法首先依托FAST风速性能模块,建立稳态风模型、随机湍流风模型以及风电场实时风速模型;接着采用空气动力学模块和结构动力学模块分别搭建风电机组叶片、塔架等关键部件的几何与动力学模型;最后在Simulink中搭建风电机组电气系统模型及控制策略,由此构建完整的风电机组孪生模型。将该孪生建模方法分别用于WindPACT 1.5 MW双馈风电机组与某风电场Fuhrl?nder 2.5 MW双馈风电机组并进行验证。结果表明:孪生模型在不同风速模型下,各重要生产参数相比设计标准及实际运行数据均具有较高的准确性。此外,通过对风电机组数字孪生系统实时仿真和现场不可测数据的孪生模拟,也进一步表明孪生模型具有可行性和有效性。

摘要：设计合理的运行策略是微电网容量优化配置过程中的关键因素之一。以典型独立型风光柴储微电网为研究对象,基于分布式电源的特征,将微电网运行工况划分为7种状态,进而找出设计运行策略的关键问题:当储能(BES)、柴油发电机(DE)的可输出最大功率之和大于净负荷功率时,如何分配净负荷。针对该关键问题提出首选BES分配净负荷、首选DE分配净负荷、DE趋向额定功率分配净负荷3种运行策略。基于解算多目标优化模型的计算结果分析3种运行策略的特点,指出各自的适用场合。

摘要：针对单一传感器SLAM(Simultaneous Localization And Mapping)技术在复杂环境中存在精度低、可靠性差等问题,提出一种基于因子图消元优化的激光雷达、视觉和IMU(Inertial Measurement Unit)融合SLAM算法(Multi Factor Graph fusion SLAM with IMU as the Dominant system,ID-MFG-SLAM).首先,采用多因子图模型,提出以IMU为主系统,视觉与激光雷达为辅系统,通过引入辅系统观测因子约束IMU偏差,并接收IMU里程计因子实现运动预测与融合的全新结构.之后,为降低融合后的优化成本,加入滑窗机制并设计基于Householder变换的QR分解消元法将因子图转换为贝叶斯网络.最后,引入一种球面线性插值与线性插值之间的自适应插值算法,将激光雷达点云投影到单位球体上实现视觉特征点深度估计.实验结果表明,相比其他经典算法,该方法在复杂大、小场景中绝对轨迹误差分别可达到约0.68 m和0.24 m,具有更高的精度和可靠性.