基于深度学习的科学仪器运行在线监测平台设计与实现

这是一篇关于物联网,科学仪器,电流分类,监测平台的论文, 主要内容为科学仪器是科研发展的关键推进器,当前全国各级各类学校科研仪器设备资产总值持续增长,仪器数量快速增加。然而,大部分对于科学仪器的监测仍然处在人工统计阶段,仅仅通过记录仪器或者实验室的使用情况来代表仪器的真实运行情况,方式繁琐低效,数据存在不可靠性,无法达到精细化和智能化的科学仪器管理要求。因此,对科学仪器监测方式进行数字化转变是十分必要的。有效监测是实现高效管理的关键。针对当前科学仪器管理现状,本文设计并实现了一种基于深度学习的科学仪器运行在线监测平台,旨在为科学仪器管理的数字化转变提供可靠的数据基础,并已应用于浙江省大仪设备管理服务协作平台,监测万余台科学仪器运行状态。平台通过非侵入式检测仪收集科学仪器本身的运行电流数据,搭建集群式持久层进行数据存储,业务系统基于微服务架构进行模块化实现,展示层以网页Web端和微信小程端为载体,提供可靠稳定的科学仪器数据服务,基本覆盖管理人员的监测需求,将管理精力放在仪器本身。科学仪器状态识别算法是科学仪器监测的关键,应用于运行状态识别和异常状态识别。针对仪器数量快速增加带来的模型训练成本的情况,本文提出了以一类科学仪器进行模型训练的思路,以气相色谱仪类仪器为例,进行时域特征提取,设计了一种基于特征选择的科学仪器运行数据集构建方法。在运行状态识别上,本文围绕长短期记忆网络(Long Short-Term Memory networks,LSTM)搭建模型,并使用卷积神经网络(Convolutional Neural Networks,CNN)和注意力机制(Attention Mechanism,Attention)对特征提取过程进行优化,其中Transformer-LSTM模型表现最好,准确率达96.06%,宏F分数达0.961,Kappa系数达0.937。在异常状态识别上,本文针对真实异常数据较少的情况,设计了基于粒子群算法(Particle Swarm Optimization,PSO)优化的单分类支持向量机(One-Class Support Vector Machine,OCSVM)异常状态识别模型,并与LSTM组成三级异常状态识别模型,准确率达94.69%,宏F分数达0.958,最大程度避免将正常状态识别为异常状态的误报,对已知异常数据实现分级处理。通过多角度测试和普适性分析,证明了本文设计的数据集构建方法和模型训练思路在科学仪器状态识别上具有一定实用性。

国控大气辐射环境自动监测站辐射监测模型的研究

这是一篇关于能谱聚类,能谱异常检测,线性回归,监测平台的论文, 主要内容为近年来,随着核技术的发展和其在各行各业的广泛应用,以及对自然界矿物资源开采力度的加大,导致大气环境中的放射性核素浓度异常超标的风险增大,因此我国建立大气环境中核辐射安全监管体系,并在全国范围内建立了包含NaI能谱仪为主的多种监测仪器的大气辐射自动监测站(简称自动站)。由于自动站地理位置分布广,受气象因素、自然环境下核素种类复杂且含量较低和NaI能谱仪分辨率低的影响。目前存在直接应用NaI能谱仪等测量数据来判断核素浓度超标的方法漏报率和误报率较高的问题。为此,本文研究了基于线性回归的剂量率拟合方法,基于聚类和局部异常因子的环境能谱异常波动分析和判别方法。全文的主要工作和创新点如下:(1)针对目前基于空气吸收剂量率的分析方法易受外界因素干扰,且存在数据缺失的问题,研究了基于线性回归的剂量率估计方法。论文分析了空气吸收剂量率与气象参数间的相关性,通过引入气象数据作为剂量率的补充信息,在一定程度上减少了由气象变化导致剂量率波动的误报;论文利用剂量率与伽马能谱间的关系,采用线性回归模型确定剂量率与能谱计数间的定量关系;利用能谱拟合剂量率值作为高压电离室测量值的互补信息,提高剂量率数据的可靠性并在一定程度上弥补数据缺失情况。(2)针对气象自然环境中背景能谱涨落会干扰能谱分析的问题,研究了基于PCA-BIRCH算法的环境能谱聚类方法。引入基于t-SNE的数据集可视化分析方法,通过能谱降维可视化揭示了数据集的簇群分布特征;依据数据集在低维空间的分布特征建立基于PCA-BIRCH算法的聚类模型。该模型能有效将能谱数据按簇群分布特征划分为不同的数据集,可以抑制背景能谱涨落的影响。(3)针对现有能谱分析方法在降雨等环境因素变化时易出现能谱异常的误判问题,研究了基于局部异常因子的环境能谱异常检测方法。利用数据集局部密度特征建立基于LOF算法的能谱异常判别模型,根据能谱的异常分数来判断该能谱的离群程度。对比实验表明该方法能有效识别出数据集中的异常能谱,减少由环境变化引起的能谱异常的误判。(4)结合自动站信息系统的需求和技术架构,采用浏览器/服务器结构来搭建在线监测平台,包括客户端界面、后台管理模块、数据分析模块和数据库模块。重点完成了数据开发模块(空气吸收剂量率的拟合、环境能谱异常波动检测、能峰谱分析)以及交互界面(登陆界面、辐射监测数据界面、气象数据概览界面、历史数据界面)。最后以浙江省某自动站2019年历史数据中的现场数据作为案例,验证了本文所研究的监测数据分析和异常判别算法的有效性。

基于MIMU的个人室内定位系统研究

这是一篇关于室内定位,MIMU,零速检测,卡尔曼滤波,监测平台的论文, 主要内容为随着室内定位需求的激增,基于室内定位的位置服务要求也逐渐提高。卫星导航系统受制于信号影响,无法很好地应用在室内定位领域。惯性导航系统因其自主性高且成本较低等特点,已成为室内定位领域的热门研究。本文基于惯性导航理论,针对行人定位及人员管理等需求,对基于MIMU(Micro Inertial Measurement Unit,微惯性测量单元)的个人室内定位系统进行了研究。论文首先介绍了惯性导航系统的基础理论,包括坐标系旋转、姿态矩阵求解、速度和位置求解更新,重点对行人航位推算和零速更新辅助捷联惯导解算进行了对比分析。论文分析了零速更新算法,针对零速区间检测,提出了一种基于多条件约束的改进零速检测算法,利用加速度计和陀螺仪数据、采用逻辑运算进行多条件约束设计,测试结果表明其具有良好的检测性能。为了提高定位精度,详细介绍了卡尔曼滤波原理,并设计了基于零速更新的拓展卡尔曼滤波器。针对解算高度的漂移问题,提出了气压计辅助高度定位的解决方案,利用大气压变化原理进行高度估计,能很好地修正高度漂移问题。论文提出了基于多传感器数据融合的定位算法:基于加速度计和陀螺仪进行了零速更新辅助捷联惯导解算,基于气压计进行了高度辅助定位,实现了系统整体算法设计。最终通过平面行走、高度方向、三维场景三方面多场景进行了试验分析,结果表明,该算法实现了较高精度的室内定位。然后,针对系统硬件需求,设计了一款室内定位硬件平台,通过模块选型和电路设计完成硬件原理图和PCB设计,加工、焊接后得到硬件实物。硬件功能测试表明,该硬件平台满足系统需求,具有实用性。最后,基于LabVIEW软件,开发了一款用于室内实时定位的监测平台。基于虚拟仪器技术,联合数据库开发和定位算法调用,采用模块化设计思想进行了平台的各个模块设计,完成了监测平台整体开发。系统静态试验和系统动态试验结果表明,监测平台运行稳定可靠,室内定位系统实现了有效可靠的室内实时定位,满足室内定位需求。

国控大气辐射环境自动监测站辐射监测模型的研究

这是一篇关于能谱聚类,能谱异常检测,线性回归,监测平台的论文, 主要内容为近年来,随着核技术的发展和其在各行各业的广泛应用,以及对自然界矿物资源开采力度的加大,导致大气环境中的放射性核素浓度异常超标的风险增大,因此我国建立大气环境中核辐射安全监管体系,并在全国范围内建立了包含NaI能谱仪为主的多种监测仪器的大气辐射自动监测站(简称自动站)。由于自动站地理位置分布广,受气象因素、自然环境下核素种类复杂且含量较低和NaI能谱仪分辨率低的影响。目前存在直接应用NaI能谱仪等测量数据来判断核素浓度超标的方法漏报率和误报率较高的问题。为此,本文研究了基于线性回归的剂量率拟合方法,基于聚类和局部异常因子的环境能谱异常波动分析和判别方法。全文的主要工作和创新点如下:(1)针对目前基于空气吸收剂量率的分析方法易受外界因素干扰,且存在数据缺失的问题,研究了基于线性回归的剂量率估计方法。论文分析了空气吸收剂量率与气象参数间的相关性,通过引入气象数据作为剂量率的补充信息,在一定程度上减少了由气象变化导致剂量率波动的误报;论文利用剂量率与伽马能谱间的关系,采用线性回归模型确定剂量率与能谱计数间的定量关系;利用能谱拟合剂量率值作为高压电离室测量值的互补信息,提高剂量率数据的可靠性并在一定程度上弥补数据缺失情况。(2)针对气象自然环境中背景能谱涨落会干扰能谱分析的问题,研究了基于PCA-BIRCH算法的环境能谱聚类方法。引入基于t-SNE的数据集可视化分析方法,通过能谱降维可视化揭示了数据集的簇群分布特征;依据数据集在低维空间的分布特征建立基于PCA-BIRCH算法的聚类模型。该模型能有效将能谱数据按簇群分布特征划分为不同的数据集,可以抑制背景能谱涨落的影响。(3)针对现有能谱分析方法在降雨等环境因素变化时易出现能谱异常的误判问题,研究了基于局部异常因子的环境能谱异常检测方法。利用数据集局部密度特征建立基于LOF算法的能谱异常判别模型,根据能谱的异常分数来判断该能谱的离群程度。对比实验表明该方法能有效识别出数据集中的异常能谱,减少由环境变化引起的能谱异常的误判。(4)结合自动站信息系统的需求和技术架构,采用浏览器/服务器结构来搭建在线监测平台,包括客户端界面、后台管理模块、数据分析模块和数据库模块。重点完成了数据开发模块(空气吸收剂量率的拟合、环境能谱异常波动检测、能峰谱分析)以及交互界面(登陆界面、辐射监测数据界面、气象数据概览界面、历史数据界面)。最后以浙江省某自动站2019年历史数据中的现场数据作为案例,验证了本文所研究的监测数据分析和异常判别算法的有效性。

液氢加注系统运行监测平台的设计与实现

这是一篇关于加注系统,异常检测,SVDD,逻辑树,监测平台的论文, 主要内容为加注系统作为发射场地面勤务系统的关键组成部分,在运载火箭发射中扮演着重要角色。繁多的系统设备、复杂的结构机理和恶劣的工作环境,使系统在任务执行过程中运行状态难以获得有效把控。目前,对于加注系统的管理主要依靠操作人员,人力需求大,技术要求高,而且加注系统在各种因素的影响下,个别异常表现得不够清晰,若操作人员没有及时获取到系统的异常信息,就有可能错过采取有效措施的时机,从而引发重大事故。鉴于此,本文以加注系统为研究对象,制定科学的监测方案,设计出合理适用的监测平台,以保障加注系统的正常运行。具体研究工作如下:(1)提出基于KPCA与SVDD的加注系统设备异常检测方法。对系统设备的原始监测参数进行数据预处理,针对参数特征较多的问题,采用KPCA算法对预处理之后的数据降维,将降维获取到的新的特征主元作为输入,通过SVDD算法建立设备的状态监测域模型。经过实验验证,该模型能有效评判设备是否处于正常运行状态。(2)研究基于图论算法的逻辑树分析方法,在了解加注系统组成结构等知识的基础上建立系统的逻辑树,以此分析当设备产生异常时,子系统以及系统受到的影响。对逻辑树进行定性分析,求出导致顶事件发生的最小割集。针对无法准确统计底事件概率的问题,采用模糊理论中的模糊数代替精确值,完成逻辑树的定量分析。(3)结合需求分析与设计原则,规划出监测平台总体架构与软硬件架构,对于监测平台的参数采集、数据通信、数据存储提出合理的设计方案,将软件按功能划分为不同模块,对模块进行详细设计。采用前后端分离的思想,开发基于B/S架构的加注系统监测平台,并对平台的功能进行测试,测试结果表明平台可靠稳定、满足需求。

基于深度学习的科学仪器运行在线监测平台设计与实现

这是一篇关于物联网,科学仪器,电流分类,监测平台的论文, 主要内容为科学仪器是科研发展的关键推进器,当前全国各级各类学校科研仪器设备资产总值持续增长,仪器数量快速增加。然而,大部分对于科学仪器的监测仍然处在人工统计阶段,仅仅通过记录仪器或者实验室的使用情况来代表仪器的真实运行情况,方式繁琐低效,数据存在不可靠性,无法达到精细化和智能化的科学仪器管理要求。因此,对科学仪器监测方式进行数字化转变是十分必要的。有效监测是实现高效管理的关键。针对当前科学仪器管理现状,本文设计并实现了一种基于深度学习的科学仪器运行在线监测平台,旨在为科学仪器管理的数字化转变提供可靠的数据基础,并已应用于浙江省大仪设备管理服务协作平台,监测万余台科学仪器运行状态。平台通过非侵入式检测仪收集科学仪器本身的运行电流数据,搭建集群式持久层进行数据存储,业务系统基于微服务架构进行模块化实现,展示层以网页Web端和微信小程端为载体,提供可靠稳定的科学仪器数据服务,基本覆盖管理人员的监测需求,将管理精力放在仪器本身。科学仪器状态识别算法是科学仪器监测的关键,应用于运行状态识别和异常状态识别。针对仪器数量快速增加带来的模型训练成本的情况,本文提出了以一类科学仪器进行模型训练的思路,以气相色谱仪类仪器为例,进行时域特征提取,设计了一种基于特征选择的科学仪器运行数据集构建方法。在运行状态识别上,本文围绕长短期记忆网络(Long Short-Term Memory networks,LSTM)搭建模型,并使用卷积神经网络(Convolutional Neural Networks,CNN)和注意力机制(Attention Mechanism,Attention)对特征提取过程进行优化,其中Transformer-LSTM模型表现最好,准确率达96.06%,宏F分数达0.961,Kappa系数达0.937。在异常状态识别上,本文针对真实异常数据较少的情况,设计了基于粒子群算法(Particle Swarm Optimization,PSO)优化的单分类支持向量机(One-Class Support Vector Machine,OCSVM)异常状态识别模型,并与LSTM组成三级异常状态识别模型,准确率达94.69%,宏F分数达0.958,最大程度避免将正常状态识别为异常状态的误报,对已知异常数据实现分级处理。通过多角度测试和普适性分析,证明了本文设计的数据集构建方法和模型训练思路在科学仪器状态识别上具有一定实用性。

智能消防联网报警监测平台的设计与实现

这是一篇关于消防联网报警,信息融合,虚警,D-S证据理论,监测平台的论文, 主要内容为随着社会的快速发展,城市建筑物越来越复杂,呈现楼层越来越高、内部结构越来越多样、室内易燃易爆物品増加及室内电气化产品越来越多的现象,而发生火灾的几率也越来越大。火情一旦发生,对于居民的人身、财产安全均会造成严重的损害,消防安全日益成为国家与社会重点关注的问题之一。消防联网报警系统是目前主要的早期火灾监测手段。系统将监测对象的消防信息实时采集,在探知火警信息后,及时通知监管人员,控制灭火联动设备,通过工作人员的扑救及组织疏散等工作,消灭、控制火情,维护监测区域的消防安全。现有消防联网报警系统大多为C/S结构,存在信息孤岛,消防相关信息难以沟通,缺乏整体消防态势分析;单个探测器信息量有限,监测工作容易受到环境、人为活动等因素的影响,经常出现大量虚假火警信息。虚警问题耗费人力资源,使监管者对火警信号的重视程度不断降低。针对以上问题,本文做了以下几点工作:(1)提出了一种基于B/S架构的智能消防联网报警监测云平台的结构,应用物联网“感-传-知-应”的层级模型,实现对多监测区域分散楼栋消防安全的集群监测,消除信息孤岛问题,增加监测系统的可扩展性。(2)分析了消防联网报警底层监测结构和监测数据特性,讨论了监测数据采集的相关特性。针对监测数据分散度高,需要合理组织等特点,设计了合理的编码格式和传输格式,并从监测数据远程传输、数据接收等方面进行了详细设计,得出了监测数据远程采集的方案。(3)分析了消防联网报警监测平台数据的组成,根据其中实时监测数据、历史异常数据和监测系统参数信息的特点,提出了内存数据库、关系型数据库和本地文件结合的数据存储方案,并对每一种数据存储方式进行了详细设计。(4)针对目前消防联网报警系统中虚警信号较多的问题,设计了一种智能分析算法来对虚警信号进行判断。算法以有限监测空间为约束,根据火灾发生过程的相关特征,选取了三种火灾证据参数,并以D-S证据理论进行数据融合,对火警信号和虚警信号进行判别。(5)对智能监测平台的业务和功能进行了分析,实现了智能消防联网报警监测云平台,并将上述智能分析算法应用到了平台中,取得了较好的效果。文章最后总结了课题研究内容,针对工作的不足之处,给出了进一步研究的方向。

基于DLAC-CNN-RF的岭南土壤质地识别方法研究及平台构建

这是一篇关于土壤质地,特征提取,卷积神经网络,图像识别,监测平台的论文, 主要内容为我国岭南农作物种类丰富、土壤质地种类繁多,不同土壤质地直接影响土壤水分渗透程度和农作物养分吸收,进而影响农作物的产量及质量。目前国内外对复杂土壤质地种类开展有效识别研究较少,难以准确识别标定现场的土壤质地,从而无法针对不同土壤质地进行农作物种植及有效管理。本文针对土壤质地难以开展高效、精准识别等问题,提出了基于卷积神经网络-随机森林(DLAC-CNN-RF)模型的土壤质地识别新方法,在岭南不同区域进行土壤样本采样,提取土壤图像中的颗粒特征、颜色特征和纹理特征,通过DLAC-CNN-RF模型进行土壤粘粒、粉粒和砂粒含量预测,根据土壤质地三角图实现了土壤质地的高效精准识别。基于DLAC-CNN-RF模型设计土壤质地监测识别平台,对耕地的优化管理和可持续利用具有重要意义。本文的主要工作如下:(1)构建土壤质地数据库。设计并制作一种土壤研磨、筛选、拍摄为一体的图像采集便携装置,对岭南50个不同的地区土壤进行1000个样本采集并制样拍照,结合比重法测定土壤样本中砂粒、粉粒和粘粒的百分含量比,进而建立土壤质地数据库。(2)建立DLAC-CNN-RF模型土壤质地识别。分析土壤样品图像特征(颗粒特征、颜色特征和纹理特征)。其中,颗粒特征选取灰度阈值为120的二值化图像;颜色特征由局部二值模式(LBP)和4个灰度共生矩阵提取;纹理特征由Hu矩和HSV直方图统计并进行归一化得到。基于DLAC-CNN-RF模型结合7种随机组合特征(颗粒、颜色、纹理、颗粒+颜色、纹理+颗粒、颜色+纹理、颗粒+颜色+纹理)方法对土壤样本中的粘粒、粉粒和砂粒百分含量进行回归预测。(3)基于DLAC-CNN-RF模型搭建土壤质地识别平台。结合DLAC-CNN-RF土壤质地识别模型得出的数据,通过Spring Boot完成功能设计;使用My Sql数据库中的可视化工具SQLyog来进行11个数据表(用户表、角色表、用户和角色中间表、菜单表、菜单和角色中间表、土壤图片表、操作日记表、登记日志表、系统配置表、字典类型表、字典数据表)设计;最后构建系统模块,搭建并完善土壤质地识别平台并进行测试,实现土壤质地精准识别。(4)基于DLAC-CNN-RF模型土壤质地识别结果与分析。首先,将土壤质地数据库中的700个数据用于训练,300个数据用于土壤质地识别模型的测试,每个训练过程使用200个训练周期(epoch)。通过回归预测土壤样本中粘粒、粉粒和砂粒百分含量,采用平均绝对误差(MAE)、均方根误差(RMSE)和判定系数(R2)三个参数进行模型性能评估,并与传统机器学习随机森林(RF)模型和K近邻(KNN)模型对比,评估得出颗粒特征+颜色特征+纹理特征这种组合方法的DLAC-CNN-RF模型性能最优。其次,采用DLAC-CNN-RF模型对土壤质地类型分类评估,通过混淆矩阵计算出的准确度、精密度、灵敏度、特异性、AUC曲线下的面积。通过这些参数进行模型性能评估,并与VGG16-RF模型性能进行了对比,最终发现DLAC-CNN-RF土壤质地识别模型性能最优。

基于DLAC-CNN-RF的岭南土壤质地识别方法研究及平台构建

这是一篇关于土壤质地,特征提取,卷积神经网络,图像识别,监测平台的论文, 主要内容为我国岭南农作物种类丰富、土壤质地种类繁多,不同土壤质地直接影响土壤水分渗透程度和农作物养分吸收,进而影响农作物的产量及质量。目前国内外对复杂土壤质地种类开展有效识别研究较少,难以准确识别标定现场的土壤质地,从而无法针对不同土壤质地进行农作物种植及有效管理。本文针对土壤质地难以开展高效、精准识别等问题,提出了基于卷积神经网络-随机森林(DLAC-CNN-RF)模型的土壤质地识别新方法,在岭南不同区域进行土壤样本采样,提取土壤图像中的颗粒特征、颜色特征和纹理特征,通过DLAC-CNN-RF模型进行土壤粘粒、粉粒和砂粒含量预测,根据土壤质地三角图实现了土壤质地的高效精准识别。基于DLAC-CNN-RF模型设计土壤质地监测识别平台,对耕地的优化管理和可持续利用具有重要意义。本文的主要工作如下:(1)构建土壤质地数据库。设计并制作一种土壤研磨、筛选、拍摄为一体的图像采集便携装置,对岭南50个不同的地区土壤进行1000个样本采集并制样拍照,结合比重法测定土壤样本中砂粒、粉粒和粘粒的百分含量比,进而建立土壤质地数据库。(2)建立DLAC-CNN-RF模型土壤质地识别。分析土壤样品图像特征(颗粒特征、颜色特征和纹理特征)。其中,颗粒特征选取灰度阈值为120的二值化图像;颜色特征由局部二值模式(LBP)和4个灰度共生矩阵提取;纹理特征由Hu矩和HSV直方图统计并进行归一化得到。基于DLAC-CNN-RF模型结合7种随机组合特征(颗粒、颜色、纹理、颗粒+颜色、纹理+颗粒、颜色+纹理、颗粒+颜色+纹理)方法对土壤样本中的粘粒、粉粒和砂粒百分含量进行回归预测。(3)基于DLAC-CNN-RF模型搭建土壤质地识别平台。结合DLAC-CNN-RF土壤质地识别模型得出的数据,通过Spring Boot完成功能设计;使用My Sql数据库中的可视化工具SQLyog来进行11个数据表(用户表、角色表、用户和角色中间表、菜单表、菜单和角色中间表、土壤图片表、操作日记表、登记日志表、系统配置表、字典类型表、字典数据表)设计;最后构建系统模块,搭建并完善土壤质地识别平台并进行测试,实现土壤质地精准识别。(4)基于DLAC-CNN-RF模型土壤质地识别结果与分析。首先,将土壤质地数据库中的700个数据用于训练,300个数据用于土壤质地识别模型的测试,每个训练过程使用200个训练周期(epoch)。通过回归预测土壤样本中粘粒、粉粒和砂粒百分含量,采用平均绝对误差(MAE)、均方根误差(RMSE)和判定系数(R2)三个参数进行模型性能评估,并与传统机器学习随机森林(RF)模型和K近邻(KNN)模型对比,评估得出颗粒特征+颜色特征+纹理特征这种组合方法的DLAC-CNN-RF模型性能最优。其次,采用DLAC-CNN-RF模型对土壤质地类型分类评估,通过混淆矩阵计算出的准确度、精密度、灵敏度、特异性、AUC曲线下的面积。通过这些参数进行模型性能评估,并与VGG16-RF模型性能进行了对比,最终发现DLAC-CNN-RF土壤质地识别模型性能最优。