基于小波分析的车辆变速箱故障检测的研究

利用离散正交小波变换，把车辆变速箱的振动信号进行多层小波分解，使其突变信号和非平稳信号与平稳周期性信号分开，并进行图形显示，为车辆变速箱故障检测提供理论依据。     

基于增强Tiny YOLOV3算法的车辆实时检测与跟踪

针对深度学习方法在视觉车辆检测过程中对小目标车辆漏检率高和难以实现嵌入式实时检测的问题,该文基于Tiny YOLOV3算法提出了增强Tiny YOLOV3模型,并通过匈牙利匹配和卡尔曼滤波算法实现目标车辆的跟踪。在车载Jetson TX2嵌入式平台上,分别在白天和夜间驾驶环境下进行了对比试验。试验结果表明:与Tiny YOLOV3模型相比,增强Tiny YOLOV3模型的车辆检测平均准确率提高4.6%,平均误检率减少0.5%,平均漏检率降低7.4%,算法平均耗时增加43.8 ms/帧;加入跟踪算法后,本文算法模型的车辆检测平均准确率提高10.6%,平均误检率减少1.2%,平均漏检率降低23.6%,平均运算速度提高5倍左右,可达30帧/s。结果表明,所提出的算法能够实时准确检测出目标车辆,为卷积神经网络模型的嵌入式工程应用提供了参考。     

基于经验模态分解和形态学的风电并网电压故障检测

针对风电场并网点电压故障引起的风机大规模脱网问题,提出了基于柔性形态算子和经验模态分解(empirical mode decomposition,EMD)去噪技术的电网电压故障检测方法。首先,利用EMD对采样信号进行时频自适应预处理,从而确定噪声主导模态;然后,通过柔性形态学变换加阈值输出,有效放大信号奇异点,避免了因电网电压信号周期性变化和噪声引起的背景梯度对检测结果的影响,实现故障定位检测。通过对不同噪声强度的电压暂降故障信号进行检测对比分析发现,随着信号信噪比下降,标准形态学方法的检测误差进一步增大,当信噪比达到25db时,甚至出现了误检现象,而柔性形态EMD检测方法仍然可以有效检测故障扰动的起止时间,表明该方法与标准形态学和小波阈值方法相比,在简化运算过程的同时可以获得更高的检测精度。最后,对某风电场并网点故障电压的分析结果与实测数据的一致性,验证了该方法可以有效检测电网电压的瞬态故障信息,从而为风电场无功补偿装置的投切控制提供了依据。     

基于MED-EEMD的滚动轴承微弱故障特征提取

针对滚动轴承在强噪声环境下故障信号微弱、故障特征难以提取等问题,提出了基于最小熵反褶积(minimum entropy deconvolution,MED)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)两者相结合的方法来提取滚动轴承微弱故障特征。通过对仿真信号和风电齿轮箱的振动信号分析,结果表明:为了弥补在强背景噪声下EEMD对微弱信号特征提取的局限性,该文选取MED作为EEMD的前置滤波器,最后对敏感的本征模态函数进行循环自相关函数解调分析,得出了风电齿轮箱的故障来自于高速轴的微小弯曲和高速轴输出端#10轴承外圈点蚀。同时与EEMD进行对比分析,表明了这种方法对微弱故障特征提取有较好的适用性。该文为多故障共存并处于强背景噪声下的微弱特征提取提供了参考。     

基于特征递归融合YOLOv4网络模型的春见柑橘检测与计数

春见柑橘个体小、单株果树柑橘密集、柑橘之间的形态与颜色相似度高且易被树叶严重遮挡,这些特点给春见柑橘检测与计数带来了较大困难。该研究以实际春见果园环境中的春见柑橘作为检测与计数对象,提出了一种以春见柑橘为检测目标的基于特征递归融合YOLOv4网络模型（YOLOv4 network model based on recursive fusion of features,FR-YOLOv4）。针对春见柑橘尺寸小的特点,FR-YOLOv4网络模型的主干特征提取网络采用了感受野更小的CSPResNest50网络,降低了小尺寸目标的特征图传不到目标检测器中的可能性;针对春见柑橘被遮挡和密集分布的情况,采用了递归特征金字塔（Recursive Feature Pyramid,RFP）网络来进行特征递归融合,提高了对果园环境下春见柑橘的检测精度。试验结果表明：FR-YOLOv4网络模型对于果园环境中春见柑橘的平均检测精度为94.6%,视频检测帧率为51帧/s。FR-YOLOv4网络模型相比于YOLOv4、单次多框检测器（Single Shot Multi-Box Detector,SSD）、CenterNet和更快速卷积神经网络（Faster- Region-Convolutional Neural Networks,Faster R-CNN）的平均检测精度分别提高了8.9、29.3、14.1和16.2个百分点,视频检测帧率分别比SSD、Faster R-CNN提高了17和33帧/s。FR-YOLOv4网络模型对于实际果园环境中春见柑橘的检测精度高,具备检测实时性,适用于春见果园中春见柑橘检测与计数。     

基于改进YOLO-V4网络的浅海生物检测模型

海洋生物智能检测是海洋牧场战略的一部分,而利用水下机器人在复杂的海洋环境中快速、准确地检测海洋生物是关键问题。由于海底环境复杂、亮度分布不均匀、海洋生物与其生存环境的区分性差、生物被遮蔽或半隐蔽等原因,准确识别海洋生物是一个巨大的挑战。随着卷积神经网络的发展,基于深度学习的目标检测算法成为主流,出现了如EfficientDet、RetinaNet和YOLO-V4等典型算法。这些基于深度学习的算法都不是完全尽善尽美的,不能完全满足海洋生物识别的需求。在探测精度、运算速度、密集目标探测效果等方面都有提高的空间。该研究建立了一个海洋生物数据集,采集了原始图片1 810张,数据增强后得到7 240张图片,它们被分成训练集（80%）和测试集（20%）。其次,通过引入跨阶段局部网络的概念,构建了嵌连接EC（Embedded Connection）部件,并将其嵌入到YOLO-V4网络的末端,得到改进的YOLO-V4网络。最后,该研究提出了基于改进YOLO-V4网络的海洋生物检测模型MOD（Marine Organism Detection）。试验结果表明,MOD模型的mAP50、mAP75（交并比阈值为0.5、0.75的精度均值）分别为0.969和0.734,计算量为35.328BFLOPs（十亿浮点运算数）,检测帧速为139 ms（具有图形加速器GeForce GTX1650上）。与原始YOLO-V4模型相比,MOD模型的mAP50和mAP75提高了0.9和4.8个百分点,而计算量仅提高0.2%。此外,对比两种模型的准确率-召回率曲线,MOD模型的精确度与召回率的平衡点更接近（1,1）,因此MOD模型能学习精度和效率的平衡性更好。该研究直接面向浅海生物的目标检测问题,所提供的方法可以为水下机器人精准执行智能捕捞等任务提供有益参考。     

基于欧氏距离最佳K均值聚类的超级电容组故障在线鉴别方法

为了提高超级电容组运行可靠性需要对故障电容进行在线鉴别,针对现有超级电容故障鉴别方法参数识别难度高和采集数据量大的问题,该文采用最佳K均值聚类方法在线检测故障超级电容器,并提出了最佳聚类的欧氏距离指标。该方法首先对在线电压信号数据进行预处理,采用奇异值分解提取特征值进行K-Means动态聚类并计算相应的欧氏距离指标,由最佳聚类结果鉴别出故障单体。针对该文提出方法设计了超级电容组充放电仿真试验进行验证。试验结果表明基于欧氏距离指标最佳K均值动态聚类的超级电容组故障在线鉴别方法可以根据串联单体电压信号进行故障检测。该文可为超级电容在线故障检测系统的开发与研制提供参考。     

基于经验小波变换的复杂强噪声背景下弱故障检测方法

针对复杂强噪声背景下的非平稳振动信号的弱故障和复合故障检测的难题,引入经验小波变换(empirical wavelet transform,EWT)以提高故障确诊率,并提出一种基于EWT的复杂强噪声背景下弱故障的检测方法。EWT能够通过完全自适应小波基提取信号的固有模式,与经典小波变换一样具有完备的理论基础。通过对含有复杂强噪声的仿真信号和实际信号进行EWT分析,并对比经验模态分解,验证了基于EWT的复杂强噪声背景下弱故障检测的可行性和有效性。该研究可为复杂工况下机械设备的弱故障和复合故障检测以及故障特征提取提供参考。     

基于横向力系数的汽车急转防侧翻车速计算模型与仿真

针对汽车转向行驶时常因车速过快而引发侧翻事故这一问题,通过建立车辆转向行驶的力学模型,分别对刚性车体和考虑悬架作用车体在急转工况下的受力状况进行分析;在分析车辆转向时横向载荷转移、悬架运动等因素对横向力系数影响的基础上,将横向力系数的计算方法进行改进;根据横向力系数与车速间的关系,建立了基于横向力系数的汽车急转工况防侧翻临界安全车速计算模型;选用某型商用车结构参数为例,通过Matlab软件仿真的方法将所建立模型与其他4种弯道安全车速计算模型进行对比分析,该模型所得临界安全车速处于其他4种车速模型所得结果的区间内;同时,采用车辆动力学软件Truck Sim进行不同转弯半径下的车辆转向侧翻仿真对该模型进行验证,模型所得安全车速值比Truck Sim软件仿真所得侧翻临界车速值约小10%。该研究为急转工况下车辆的侧翻评价以及车辆转向行驶的主动安全控制提供了参考。     

基于激光扫描区域动态变化的智能叉车障碍物检测

为了解决干果仓储过程中智能叉车行驶过程的障碍物误检问题,该文提出一种基于车速与转向角的智能叉车障碍物动态检测方法。智能叉车通过车载激光传感器实时获取车身位姿和周围环境信息,并结合所建立的叉车运动几何模型,形成基于水平和倾斜激光测距传感器扫描面的双面融合障碍物动态检测方式,使得智能叉车的障碍物检测区域随车速及转向角动态变化。试验结果表明：水平扫描测距传感器的试验中,该文方法未出现误检情况,而扇形方法误检率为50.00%,矩形方法误检率为10.00%;倾斜扫描测距传感器的试验中,该文方法未出现误检情况,而扇形方法误检率为30.77%,矩形方法误检率为69.23%。该文方法的警情预测与实际相符,以水平扫描测距传感器为主,倾斜扫描测距传感器为辅,能够检测到的障碍物最低高度约为31 mm,有效解决了智能叉车在仓库中的障碍物误检问题,较传统障碍物检测方法更适用于仓储运输,提高了智能叉车在仓库中的机动性和安全性。该研究可为体型较大的仓储智能运输车辆的障碍物检测方法提供参考。     

基于主成分分析和集成神经网络的发动机故障诊断模型研究

针对发动机废气排放参数和故障之间复杂的非线性关系，提出了一种基于主成分分析和集成神经网络技术的发动机故障诊断分析模型。该模型首先运用主成分分析方法降低故障诊断样本的输入维数，然后按发动机不同运转状态将样本分组，并用于子网络训练；故障诊断时，各子网络分别诊断出相应的结果，最后采用投票法融合各输出结果。试验结果表明，这种模型能有效简化训练样本和样本属性参数，优化网络结构，其诊断精度及学习能力优于单一神经网络诊断模型，能较好地解决网络规模大、训练速度慢、诊断精度低等缺点。     

基于改进的轻量化卷积神经网络火龙果检测方法

在自然环境下对火龙果进行实时检测是实现火龙果自动化采摘的必要条件之一。该研究提出了一种轻量级卷积神经网络YOLOv4- LITE火龙果检测方法。YOLOv4集成了多种优化策略,YOLOv4的检测准确率比传统的YOLOv3高出10%。但是YOLOv4的骨干网络复杂,计算量大,模型体积较大,不适合部署在嵌入式设备中进行实时检测。将YOLOv4的骨干网络CSPDarknet-53替换为MobileNet-v3,MobileNet-v3提取特征可以显著提高YOLOv4的检测速度。为了提高小目标的检测精度,分别设置在网络第39层以及第46层进行上采样特征融合。使用2 513张不同遮挡环境下的火龙果图像作为数据集进行训练测试,试验结果表明,该研究提出的轻量级YOLOv4-LITE模型 Average Precision（AP）值为96.48%,F1值为95%,平均交并比为81.09%,模型大小仅为2.7 MB。同时对比分析不同骨干网络,MobileNet-v3检测速度大幅度提升,比YOLOv4的原CSPDarknet-53平均检测时间减少了132.33 ms。YOLOv4-LITE在GPU上检测一幅1 200×900的图像只需要2.28 ms,可以在自然环境下实时检测,具有较强的鲁棒性。相比现有的目标检测算法,YOLOv4-LITE的检测速度是SSD-300的9.5倍,是Faster-RCNN的14.3倍。进一步分析了多尺度预测对模型性能的影响,利用4个不同尺度特征图融合预测,相比YOLOv4-LITE平均检测精度提高了0.81%,但是平均检测时间增加了10.33 ms,模型大小增加了7.4 MB。因此,增加多尺度预测虽然提高了检测精度,但是检测时间也随之增加。总体结果表明,该研究提出的轻量级YOLOv4-LITE在检测速度、检测精度和模型大小方面具有显著优势,可应用于自然环境下火龙果检测。     

基于级联卷积神经网络的番茄花期识别检测方法

对作物花期状态的准确识别是温室作物授粉的前提。为提高花期识别的准确率,该研究以温室番茄为例,提出一种基于级联卷积神经网络的番茄花期识别检测方法。首先采用改进的基于特征金字塔花束提取神经网络(Flower Extraction Feature Pyramid Networks, FE-FPN)实现番茄花束的局部区域提取,并采用Prim最小生成树对提取的花束区域图像进行识别优先级排序,然后按序将其输入到改进的Yolov3网络,实现番茄花朵不同花期的精准辨识检测。在包含4类花期、共1 600幅样本的番茄花束图像数据集上进行试验验证,本文方法对番茄不同花期的检测性能较好,平均检测精度达到了82.79%,平均单张检测时间为12.54 ms,各花期检测精度为花蕾期85.71%、全开期95.46%、谢花期62.66%、初果期88.34%;相比Mask R-CNN和空间金字塔池化网络（Spatial Pyramid Pooling Networks, SPP-Net）,平均检测精度提高了3.67和2.39个百分点,而且识别错误率比基础Yolov3网络降低了1.25个百分点。最后,将本文所提方法部署到大型玻璃温室环境下番茄授粉机器人上进行实际验证,识别准确率为76.67%,除去漏提取花束准确率达85.18%。研究结果可为设施番茄授粉机器人的精准作业提供重要依据。     

采用LWD-QPSO-SOMBP神经网络的拖拉机柴油机故障诊断

针对目前拖拉机柴油机故障诊断中单BP（Back Propagation）神经网络模型的局限性,该研究提出一种LWD-QPSO-SOMBP（Linear Weight Decrease-Quantum Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络的拖拉机柴油机故障诊断模型。首先,将SOM（Self Organizing Maps）神经网络和BP神经网络结合,重置网络结构并利用LWD-QPSO（Linear Weight Decrease-Quantum Particle Swarm Optimization）算法对网络的权值和阈值进行优化;然后,分析拖拉机柴油机的故障机理,确定反映故障发生的数据信号;最后,确定LWD-QPSO-SOMBP神经网络模型的结构参数,基于CAN（Controller Area Network）总线技术采集潍柴WP6型拖拉机柴油机传感器信号数据对LWD-QPSO-SOMBP神经网络的性能进行测试,并将测试结果与BP神经网络、SOMBP（Self Organizing Maps Back Propagation）神经网络、PSO-SOMBP（Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络、LWD-PSO-SOMBP（Linear Weight Decrease-Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络及改进量子粒子群（Improved Quantum Particle Swarm Optimization,IQPSO）算法优化后的SOMBP神经网络的测试结果进行对比。试验结果表明, LWD-QPSO-SOMBP神经网络输出总误差为0.111 8、平均相对误差为0.005 8、均方误差为0.000 3,相比于其他5种神经网络均为最低。LWD-QPSO-SOMBP神经网络充分发挥并有效综合了SOM神经网络在数据预处理及PSO算法在优化BP神经网络初始权值阈值方面的优势,实现了拖拉机柴油机的高精度故障诊断。LWD-QPSO-SOMBP神经网络由于使用SOM神经网络结构对输入数据进行预处理,网络收敛速度大幅度提升,相比单BP神经网络,迭代次数由2 431次降为63次,下降了97.40%;同时采取LWD-QPSO算法对BP神经网络的初始权值阈值进行优化,降低了传统PSO算法的粒子适应度,进一步提高了网络的收敛精度和收敛速度,相比传统PSO算法,粒子适应度从0.15降为0.11,下降了26.67%,网络训练误差由0.004降为0.000 6,下降了85.00%;LWD-QPSO-SOMBP神经网络的故障诊断准确率大幅度提升,相比于单BP神经网络,输出总准确率由85.00%上升至99.44%。研究结果可为高精度拖拉机柴油机故障诊断提供参考。     

融合卷积神经网络与视觉注意机制的苹果幼果高效检测方法

果实表型数据高通量、自动获取是果树新品种育种研究的基础,实现幼果精准检测是获取生长数据的关键。幼果期果实微小且与叶片颜色相近,检测难度大。为了实现自然环境下苹果幼果的高效检测,采用融合挤压激发块（Squeeze-and-Excitation block, SE block）和非局部块（Non-Local block, NL block）两种视觉注意机制,提出了一种改进的YOLOv4网络模型（YOLOv4-SENL）。YOLOv4模型的骨干网络提取高级视觉特征后,利用SE block在通道维度整合高级特征,实现通道信息的加强。在模型改进路径聚合网络（Path Aggregation Network, PAN）的3个路径中加入NL block,结合非局部信息与局部信息增强特征。SE block和NL block两种视觉注意机制从通道和非局部两个方面重新整合高级特征,强调特征中的通道信息和长程依赖,提高网络对背景与果实的特征捕捉能力。最后由不同尺寸的特征图实现不同大小幼果的坐标和类别计算。经过1 920幅训练集图像训练,网络在600幅测试集上的平均精度为96.9%,分别比SSD、Faster R-CNN和YOLOv4模型的平均精度提高了6.9百分点、1.5百分点和0.2百分点,表明该算法可准确地实现幼果期苹果目标检测。模型在480幅验证集的消融试验结果表明,仅保留YOLOv4-SENL中的SE block比YOLOv4模型精度提高了3.8百分点;仅保留YOLOv4-SENL中3个NL block视觉注意模块比YOLOv4模型的精度提高了2.7百分点;将YOLOv4-SENL中SE block与NL blocks相换,比YOLOv4模型的精度提高了4.1百分点,表明两种视觉注意机制可在增加少量参数的基础上显著提升网络对苹果幼果的感知能力。该研究结果可为果树育种研究获取果实信息提供参考。     

基于CAN总线的无线通信分析

本文在介绍CAN总线规范和协议原理基础上,分析了CAN总线在无线通信中的硬件和软件设计特点。     

基于CarSim软件的闪避障碍物驾驶者模型

为了建立闪避障碍物驾驶者模型,用于仿真驾驶者在两种不同精神状态下闪避障碍物的行为,该研究根据驾驶者与被操控车辆所组成的人机分隔模型的特性,将驾驶者的精神状况分成良好和不足两类,以PID（比例-积分-微分）控制器加上时间延迟表示驾驶者循迹动态模型,选用二维车辆动态模型,并设定驾驶者对转向角度的修正4个参数等建立驾驶者模型,利用CarSim车辆仿真软件模拟驾驶者在不同精神状况下对车体动态的操作性能反应。仿真结果显示：当驾驶者在良好与不足精神状态时反应延迟时间分别为0.15 s和1.4 s,闪避前方障碍物时车辆的重心移动轨迹、转向角以及车辆自身侧速度显著不同。因此,该文所设计的驾驶者模型参数与实际驾驶者相吻合,将为下一步建立驾驶者与车辆闪避障碍物控制法则奠定基础。     

基于无线传感网的荔枝园智能节水灌溉双向通信和控制系统

为提高水资源利用率和灌溉智能化管理的需要,设计了以无线传感器网络技术为核心的荔枝园节水灌溉控制系统,该系统的无线通信模块选择CC2530模块,传感器模块包括空气温湿度传感器DHT22,光照强度传感器GY-30,土壤水分含量传感器TDR-3以及一些外围电路,精确采集荔枝园温度、湿度、光照度和土壤含水率等多项环境信息,通过无线传感器网络、通用分组无线服务技术(General Packet Radio Service,GPRS)和互联网进行数据的传输,保证了传输的实时性和远程性,实现了对荔枝园环境的实时监控;同时,远程服务器和网站上都对荔枝园的土壤含水率的阈值进行了设定,当土壤含水率的值超过了阈值,服务器或者网站就会自动发送相关命令对相应的电磁阀进行控制,实现双向控制。分析、测试了系统的功耗和通信距离,在空旷地带,节点的双向有效通信距离达1 205 m,在荔枝园中双向有效通信距离达81.5 m。在传感器节点系统工作周期为30 min情况下,根据试验结果估算出,两节额定容量为3 000 m A·h的3.7 V锂电池串联可使传感器节点持续工作时间最大为500 d,可使电磁阀控制节点工作5 a以上。试验结果表明,该系统运行稳定,网络平均丢包率为3.87%,能够准确监测荔枝园信息采集和控制电磁阀工作,实现和控制荔枝园智能节水灌溉双向通信。