基于数字锁相放大器的电涡流位移传感器

针对电涡流位移传感器电路结构复杂、线性度低等问题,采用数字锁相放大技术来测量传感器线圈损耗,再通过线圈损耗测量位移大小。充分利用了STM32F3系列单片机的片内资源：片内数模转换器与DMA控制器配合产生激励信号,模数转换器与DMA控制器配合采集信号,浮点运算器运行数字锁相放大器算法,最后用片内数模转换器输出线性校准后的数值,实现了一种新型的电涡流位移传感器。传感器的电路简洁,线性度优于0.51%,动态响应时间小于2 ms。     

基于波段注意力卷积网络的近红外奶粉皮革水解蛋白掺假检测

近年来,深度学习技术在近红外光谱、拉曼光谱、荧光光谱等的光谱学数据建模上取得一系列突破。由于深度学习方法对于样本数量的需求高,而在分析化学领域获得大量有标签样本较为困难,因此过拟合问题一直是深度神经网络在化学计量学中应用时研究者高度关注的问题。该工作提出基于波段注意力卷积网络(WA-CNN)的近红外数据建模方法,并应用于婴儿配方奶粉皮革水解蛋白(HLP)掺假定量分析。WA-CNN在传统卷积网络的基础上加入波段注意力模块,该模块采用卷积操作自训练波段注意力权值,并以乘法加权形式对有效波段进行激活,从而有效缓解深度神经网络在近红外数据建模中的波段信息冗余问题,达到抑制过拟合,提升预测精度的目的。研究中共测试100个皮革水解蛋白掺假婴儿配方奶粉样本的近红外光谱数据,其中皮革水解蛋白的掺假比例范围是0%～20%。采用60%的样本训练,剩余40%样本测试,随机采样10次,通过测试集均方根误差(RMSEP)、决定系数(R²)以及相对分析误差(RPD)的均值来进行模型评价。并建立偏最小二乘回归(PLS)、支持向量机回归(SVR)和常规的一维卷积神经网络(CNN)三种传统模型用于...     

基于自监督特征提取的机械异常声音检测

基于声音诊断的机械设备异常状态检测在工业自动化领域具有重要意义。当前,无监督机械设备异常声音检测主要基于人工构造算法提取声音信号特征,再以此特征进一步进行异常检测,人工提取方法存在人为因素影响较大、通用性不强等问题。针对这些问题,提出一种自监督特征提取新方法,并将提取的特征输入自编码器（AE）进行机械设备异常声音检测。该方法首先将声音样本转换为时频谱图,采用设备正常声音的时频谱图作为训练样本,然后使用正常时频谱图和人为构造异常时频谱图构建自监督特征提取器（SSFE）,以SSFE提取的正常样本特征训练AE,实现无监督机械设备异常声音识别。使用MIMII公开数据集进行实验,结果表明所提方法能够自适应提取滑轨、阀门、水泵和风扇等4种机械设备的声音特征,最终获得的平均曲线下面积（AUC）检测结果为88.5%,相较于线性声谱图、对数梅尔谱、梅尔频率倒谱系数等人工特征提取方法的结果有显著提升。     

海洋水环境网络化智能监测系统的建模设计研究

针对海洋渔业养殖水环境健康监测的多参数检测与快速设计的需求,基于IEEE 1451标准框架,开展混合标准模式下的网络化智能传感系统的建模设计研究;论文从监测系统的静态功能分析出发,建立多参数监测系统模型架构图,然后利用监测系统传感器用例模型图,通过TEDS的合理配置,完成不同传感器的初始化、参数配置和传感信息校正,实现传感器的即插即用,可为传感器接入、维护带来很大便利;通过海洋渔业水环境监测系统的构建,验证了该监测系统建模设计方法的有效性和必要性,可减少35%的研发设计时间。     

基于多分支空洞卷积网络的光谱定量分析

卷积神经网络（CNN）近年来已经广泛应用在各种化学计量学任务中。然而，通过CNN从光谱中学习长程相关性仍然是一个挑战，为了避免过拟合，很多之前的工作中使用的CNN架构都很浅。本文提出了一种并行空洞卷积网络（ACPnet）的方法来学习定量光谱的长程相关性，该方法将具有不同空洞率的并行卷积分支组合在一起，以寻找近程和长程相关性的最佳平衡。并在片剂（拉曼光谱）、土壤（近红外光谱）和葡萄酒（核磁共振光谱）3个数据集上验证了该方法的通用性。结果表明，与偏最小二乘回归（PLS）、最小二乘支持向量机（LS-SVM）、常规CNN和级联模式空洞卷积网络（ACCnet）相比，ACPnet在3个数据集的回归精度都达到了最佳。此外，将ACPnet提取的特征输入到不同的回归器中进行分析，来评估该结构作为有监督特征提取器的性能。特征提取-回归模型的预测结果表明，ACPnet在3个数据集上提取的特征信息都要优于常规CNN。