关键词： 不安全行为   化学实验室   时域分割网络   注意力机制   Vision Transformer  

摘要： 目前,国内外化学实验室事故占实验室安全事故的比例在七成以上,且实验人员的不安全行为是导致事故的主要原因之一,因此对化学实验室人员不安全行为实施智能化监测预警具有重要研究意义。本文构建了融合注意力机制和VIT(Vision Transformer)的时域分割网络(TSN)模式识别模型,在公开数据集和自建的化学实验室不安全行为模式视频数据集上开展了实例研究,并设计了一套化学实验室不安全行为模式识别系统。主要研究内容与结果如下。(1)提出了融合注意力机制和VIT的行为识别方法。以时域分割网络为基础,在特征提取网络Res Net中分别添加SENet、ECANet、CBAM三种注意力机制,增强了特征提取网络的空间特征提取能力,进而融合VIT与TSN,将特征提取网络输出的空间特征图输入到VIT中,获取空间特征图之间的时序信息,增强了模型的时序信息获取能力。(2)基于融合注意力机制和VIT的时域分割网络,开展了化学实验室不安全行为模式识别实例研究。在对化学实验室不安全行为管理条例调研的基础上,定义了5种不安全行为模式并构建了化学实验室不安全行为模式视频数据集。在化学实验室不安全行为模式数据集上分别使用“随机划分”和“根据人员身份划分”两种数据划分方式开展实验,结果显示,融合CBAM注意力机制和VIT后的TSN,在两组实验中的识别准确率分别达到了99.0%、93.2%,较改进前分别提高了1.0%、4.3%。模型在两种情况下的识别准确率均高于90%,表明本文构建的模型能够较为准确地识别本文定义的5种化学实验室不安全行为模式。(3)基于融合注意力机制和VIT的时域分割网络,开发了化学实验室不安全行为模式识别系统。系统可以使用本文构建的模型识别离线视频、在线视频和离线图像中的不安全行为模式,为化学实验室人员不安全行为模式识别提供了简洁、有效的可视化工具。本文提出的融合注意力机制和VIT的时域分割网络以及不安全行为模式识别系统,预期可以为化学实验室人员不安全行为的监测、预警提供技术支撑。

关键词： 实体城市   城市形态   城市扩张模式  

摘要： 改革开放以来,中国城市化进程不断加快。快速的城市化过程使得中国城市规模和空间结构发生剧烈变化,物理实体视角下的城市与行政视角下的城市范围有所偏离,沿用人为划定的行政区划定义城市不再合适。基于城市实体地域的概念,对中国实体城市的扩张模式和扩张特征进行研究能够克服实体城市与行政城市范围的不一致。本文以中国实体城市为研究对象,利用不透水表面数据和水体数据提取实体城市建成区。以形态学的特征为基础,细化城市扩张模式的种类,构建一套全新的城市扩张形态模式的分类标准。分析城市扩张形态模式的区域分异,选取典型城市群研究其扩张特征,最后对城市扩张形态模式和扩张特征的影响因素进行探讨。 本文的主要工作与发现: (1)采用基于规则的分类法,从形态的角度将实体城市扩张形态模式类型划分为七类,分别为:圈层式扩张、卫星城式扩张、跳跃式扩张、廊道式扩张、连接式扩张、市域外扩张和空间同城化。丰富了城市扩张模式的分类体系。 (2)对实体城市空间形态模式的区域分异进行分析。东部地区市域外扩张和空间同城化的占比持续增加,东北、中和西部圈层式扩张始终占据主导。圈层式扩张的占比随着城市规模的增加而降低,空间同城化的占比随着城市规模的增加而增加。 (3)选取五个典型城市群对其扩张特征进行研究。城市群之间和内部的扩张特征存在显著差异。高速扩张的区域由南向东和中转移。城市群整体的紧凑度呈下降趋势,长三角城市群下降的幅度最大,长江中游城市群下降的幅度最小。长江中游城市群的平均分形维数减少,京津冀城市群整体城市形状稳定性最差。 (4)定性研究影响城市扩张形态模式的因素。人口密度高的城市呈现出圈层式扩张的特征。经济总量越大,城市越倾向于转变为市域外扩张和空间同城化的扩张模式,导致整体紧凑度降低。地形对于卫星城的发展起限制作用。 (5)定量探讨城市扩张特征的影响因素。国内生产总值始终对扩张速度起促进作用,人口和耕地面积对扩张速度的影响体现出时间和空间的差异性,城市等级对西部城市扩张速度的促进作用体现了“西部大开发”的顺利实施。

关键词： 模式识别   故障诊断   主成分分析   径向基神经网络   转辙机  

摘要： 道岔是一种常见的机电信号设备,在铁路的发展中扮演着重要的角色。转辙机作为道岔的关键部件,其可靠性对铁路行车效率和行车安全都存在着不容小视的影响。目前道岔仍依赖经验丰富的信号技术人员对集中监测系统中转辙机动作曲线的监测与分析,这种方式不但需要耗费大量的人力资源,并且存在漏警率高的缺点。其次转辙机因自身结构十分复杂、所处工作环境恶劣等因素影响,更加加剧了人工诊断的难度。因此智能化的道岔故障诊断方法越来越成为研究的热点。本文分析了S700K转辙机正常工作的功率曲线及各种故障时的功率曲线,对提取得到的功率数据进行处理,之后提出了主成分分析法结合径向基神经网络的故障诊断方法对转辙机进行故障诊断。论文的主要研究内容如下:首先,本文描述了转辙机的机体结构、工作原理,分析了正常工作下转辙机功率曲线,搜集资料并列出8种常见的转辙机故障功率曲线,根据转辙机的工作原理和动作步骤,对不同故障类型的转辙机功率曲线进行分析。其次,使用合成少数类过采样技术对转辙机样本不平衡问题进行处理。根据转辙机动作的步骤,分别从时域和值域角度将功率曲线划分为多个区域,分别计算每个区域内转辙机功率的故障特征参数。之后使用Fisher准则函数对特征参数进行特征选择,将高维特征降至低维,最后通过主成分分析法提取到8维特征数据集合。最后,因径向基神经网络有着训练速度快,分类能力强等优势,选择径向基神经网络作为转辙机功率曲线的分类器,构建PCA-RBF道岔故障诊断模型。通过主成分分析法将得到的转辙机功率特征向量作为输入,对PCA-RBF道岔故障诊断模型进行训练,最后使用测试集对训练的模型进行测试。多次实验后结果表明该方法在道岔故障诊断中训练速度快,诊断准确率高,有一定的可行性。

关键词： 电子鼻   降维   芒果品质监测   模式识别  

摘要： 通常人们通过感官分析来判别芒果品质的好坏,但是该方法具有主观性强,缺乏科学依据且不利于统一芒果品质的标准等缺陷。为解决该问题,本文以电子鼻技术作为背景和理论支撑,自行研制一种对芒果在货架期的品质快速实时的监测系统,并进行试验研究。主要研究内容和结论如下: （1）选择STM32F407作为主控制器,并合理选择传感器阵列、无线模块ATK-ESP8266等设备,结合编译平台（MDK5）和Qt完成控制逻辑、操作界面和数据处理的程序编写。按总体设计要求,完成芒果气味采集系统的搭建后,共采集到244个芒果气味样本,59个芒果硬度和糖度样本,115个芒果重量损失率样本。 （2）首先对气味样本数据采用主成分分析（Principal Components Analysis,PCA）、t分布-随机邻近嵌入（T-Stochastic Neighbor Embedding,T-SNE）、线性判别分析（Linear Discriminant Analysis,LDA）降维处理后,建立K-近邻（K-Nearest Neighbor,KNN）、LDA、支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）、和人工神经网络（Artificial Neural Networks,ANN）预测芒果货架期天数的模型,以F1分数（F1）和几何均数（G-Mean）作为不平衡数据集的评估指标。进行二维和多维交叉验证,试验结果表明:采用PCA-SVM方法效果最好,其F1为0.9144,G-Mean为0.9488。 （3）再对理化值样本数据（硬度、糖度、重量和重量损失率）剔除异常样本后,建立偏最小二乘（Partial Least Squares,PLS）、SVM和ANN预测芒果理化值模型,以决定系数（2）、均方根误差（RMSE）和相对分析误差（RPD）作为评估指标。试验结果表明:硬度用PLS模型预测最优,其测试集2=0.9194,RMSE=4.3859,RPD=3.60;糖度用SVM模型预测最优,其测试集2=0.9265,RMSE=1.1603,RPD=2.95;重量损失率用ANN模型预测最优,其测试集2=0.9151,RMSE=0.6924,RPD=3.51;重量预测模型不能达到研究目标,故抛弃;最后,通过线性模型建立芒果货架期天数与理化值之间的关系,其评估指标2=0.9661,RMSE=0.2309,RPD=10.54。 （4）最后完成系统测试,测试结果表明:25个芒果样本,采用气味预测货架期,准确率达100%,用线性模型预测准确率为96%;理化值测试评估指标中,硬度的2、RMSE和RPD分别为0.9643、0.9643和5.21;糖度为0.9311、0.9014和3.41;损失率为0.9634、0.4109和5.28。综上,该系统通过模型训练、移植和测试均达到本文设计的预期,为芒果在货架期的品质快速实时监测提供方法。

关键词： 领域自适应   卷积神经网络   无监督学习   模式识别  

摘要： 无监督域自适应(Unsupervised Domain Adaptation,UDA)将知识从有标签的数据域(源域)迁移到无标签的数据域(目标域),克服域间分布差异,完成目标域的分类任务。由于深度对抗学习的出现,深度对抗领域自适应方法成为了主流UDA方法并且在领域适应方面取得了很大进展。然而我们经过分析发现,如下三种情形是导致UDA瓶颈的主要原因:(1)深度神经网络对两域特征差异的区分能力不足;(2)目标域中部分样本特征与源域另一类别的样本特征高度混淆时,模型错分率提高;(3)源域存在少量偏离本类普遍特征的样本(离群样本)时,将对迁移任务产生严重干扰(负迁移)。为了解决以上问题,我们对无监督领域自适应展开深入研究,所做的主要工作如下:首先,针对前两种情形,我们提出了不对称边缘间隔损失的无监督领域自适应方法,设计了一种不对称的边缘间隔损失(Asymmetrical Margin Disparity Discrepancy,AMDD)与基于样本筛选机制的训练策略,以获得更好的特征分辨能力。在提出的AMDD方法中,我们设计了一种多标签的熵度量方式来评估目标域中易混淆样本的边缘间隔损失,而对目标域中大部分普通样本和源域中的样本,使用MDD[28]方法中独热化(one-hot)的边缘间隔损失。我们通过实验证明,粗暴地以多标签方式计算所有目标域样本反而会导致初始时普通样本的误判,并减慢模型收敛的速度。因此,我们探索和设计了一种样本选择机制,以评估目标域中哪部分样本属于易混淆样本,并只针对该部分样本计算多标签边缘间隔损失,同时降低了计算成本。如上的两部分共同构成不对称的边缘间隔损失AMDD,在对抗学习中更加充分考虑了目标域中不同混淆度样本的特征信息,达到了更好的迁移精度。针对第三种情形,我们设计了一种基于加权余弦相似度距离的离群样本提取算法(Weighted Cosine Similarity Distance,WCSD),以有效提取源域中偏离本类普遍特征的样本,减少了负迁移。首先,将所有样本输入仅被Image Net预训练过的网络,以获得每个样本的特征向量。计算每个样本特征向量与各类别平均特征向量的加权余弦相似度距离,找出部分与其他类别平均特征向量的加权距离比与本类加权距离更近的样本,认定为离群样本。通过删除这部分离群样本,有效减少了负迁移现象的出现,在抽象特征迁移上取得了较好的效果。本文完整分析了UDA现有瓶颈背后的原因,所提出的两种方法从实际场景下解决了UDA的分类瓶颈。最终在Office31、Office-Home和Vis DA-2017等数据集上进行了充分的实验和对比分析,证明了两种方法的有效性。

关键词： 小样本学习   认知行为   动力学   图像分类   关注机制  

摘要： NMLI模型是一种新型神经模型,该模型通过在不同层次模拟人类大脑神经元的活动规律及连接特点建立,具有良好的小样本学习性能,在认知和机器学习领域具有较好的应用潜力,已在图像分类与聚类问题中取得一定的成果.但是,目前对该模型的研究存在一些不足之处,如,该模型的动力学性质并没有得到深入的研究,对于该模型解的存在性和稳定性的讨论很少;在利用该模型处理图像分类任务时,现有方法存在与人的认知特点不相符合之处,制约了它在图像分类等机器学习问题中的应用效果.因此,本文针对NMLI模型存在的这两个问题展开研究,主要工作如下:首先,本文利用NMLI模型描述强迫症中恐惧记忆模式的习得与巩固过程,对模型静态解的存在性与稳定性展开研究,得到了恐惧记忆模式习得和巩固的条件,给出了发生强迫症等特定认知现象的一种可能原因,为NMLI模型在认知问题上的进一步应用开辟了道路.其次,本文通过模拟视觉认知中的关注现象,基于信息熵建立了一种适用于NMLI模型的新的关注机制.在该机制的作用下,模型对于图像数据的关注点集中在与分类密切相关的部分,同时通过对NMLI模型结构进行优化,有效提高了模型在图像识别任务中的性能.数值实验表明,带有关注机制的改进NMLI模型的计算效率和分类准确性与原模型相比得到有效提升,提高了NMLI模型在工程领域的适用性.

关键词： 采煤机   声音信号   截割模式识别   相似理论   变分模态分解   参数优化   深度置信网络  

摘要： 伴随着煤炭行业高质量发展战略的提出,煤炭无人化、智能化开采的需求日益迫切。采煤机是机械化综采工作面的关键设备之一,其智能化水平的提升是对整个煤矿开采系统智能化的重要保障。由于煤矿工作面地质条件复杂以及开采环境恶劣,如何实现开采过程中截割模式识别成为目前亟待解决的重要难题。因此,通过研究采煤机的截割模式识别技术,对保证采煤机能够安全可靠地工作,以及提升采煤机智能化水平都有着重要意义。课题以滚筒采煤机为主要研究对象,针对采煤机截割时产生的声音信号数据进行基于数据驱动的截割模式识别方法研究,主要研究内容如下:(1)在了解基本结构与工作机理基础上,以某采煤机为原型机,结合相似理论,根据MLT量纲分析法推算出模型与原型机间的主要相似准则,并完成了模拟实验装置的相关结构设计。在此基础上,以煤粉、水泥、沙子和水作为模拟相似材料,利用正交实验方法探究了模拟煤样的抗压强度与不同材料质量占比间的关系。(2)研究分析了截割声音信号产生机理与降噪理论。针对强背景噪声下采煤机截割声音信号易受噪声污染问题,探讨了截割声音信号的主要噪声来源和类型,建立了基于改进自适应噪声完备集合经验模态分解(ICEEMDAN)和奇异值分解(SVD)的截割声音信号联合降噪方法。基于仿真信号和截割实验信号处理结果表明,ICEEMDAN-SVD联合降噪方法能够有效去除含噪信号中的噪声成分,并保留信号中的主要频率成分。相较于传统的降噪方法,经ICEEMDAN-SVD方法降噪处理后,得到的降噪信号的性能更佳。(3)针对采煤机截割声音信号数据非线性、非平稳的特点,应用变分模态分解(VMD)算法进行相应处理。研究VMD算法中模态分量个数以及惩罚因子的取值对分解结果的影响规律。为了能够自适应确定VMD算法的结构参数,建立了基于麻雀搜索算法(SSA)优化VMD参数的方法。结合采煤机截割声音信号数据的特性,以信号的局部最小包络熵为目标函数,利用SSA自适应确定VMD算法的最佳参数组合,并结合仿真和实验信号进行性能对比分析。研究结果表明,采用的SSA-VMD算法具有良好的抗噪声能力,同时能够准确提取数据信号中的特征信息,从而有助于后续的识别研究。(4)建立了基于复合多尺度排列熵(CMPE)、改进灰狼优化算法(IGWO)以及支持向量机(SVM)的截割模式识别模型。结合截割声音信号数据的IMF特征分量,研究了CMPE与MPE的特征表达能力。利用SVM在解决非线性、小样本数据分类上的能力,将其作为采煤机截割模式识别的分类器。为了确定SVM模型中的惩罚参数和径向基半径,利用灰狼优化算法(GWO)进行寻优处理。同时,引入差分进化算法和幂函数收敛因子提升GWO算法的全局寻优能力和收敛速度。实验信号表明,建立的截割识别模型能够有效、准确地区分不同截割模式。(5)为了进一步提升采煤机截割模式的识别准确率,建立了基于深度置信网络(DBN)的截割模式识别模型。研究分析了DBN模型结构参数对其性能的影响规律。针对DBN模型参数选择问题,提出了利用IGWO算法优化DBN结构模型,自适应确定隐含层节点数和学习率,并构建了基于IGWO-DBN的识别模型。结合已有的截割声音信号数据特征集,得到IGWO-DBN模型的平均识别准确率为99.33%。对比结果表明,建立的算法模型能够更好地提升采煤机截割模式的识别精度。课题的研究成果可为基于声音信号数据驱动的采煤机截割模式识别研究提供新的借鉴思路。图[94]表[17]参[244]

关键词： 运动识别   预期性姿势调整   反向动力学   模式识别  

摘要： 步态转换识别是行走辅具实现智能控制的重要先决条件。目前该领域研究由于缺少步态转换识别相应的理论机制支持而无法保证转换识别的及时性。因此,本文拟基于先于步态转换的预期性姿势调整策略,从不同运动模式和不同步态时期的比较分析中验证预期性姿势调整应用于步态转换预测的可行性,并使用该理论结合模式识别算法进行运动转换预测方法研究。为了分析不同转换任务的预期性姿势调整策略在生物力学上的差异,本文基于反向动力学计算了平地行走、平地行走向下楼梯转换和平地行走向上楼梯转换三个转换任务的关节力及关节力矩。最终发现三种转换任务关节力及关节力矩在预期性姿势调整阶段存在显著差异。该结果证明了不同步态转换任务会改变预期性姿势调整的策略,从力学角度说明了不同转换任务在预期性姿势调整阶段的可分性。为了验证预期性姿势调整阶段是理想分类时期,本文从运动学和肌肉收缩模式两个角度进行分析,比较了预期性姿势调整时期(即双支撑期)和摆动期两个分析窗在关节角度、脚与地面间隙以及肌肉激活特征上的差异。结果表明,在预期性姿势调整阶段不同动作下运动学无显著差异或差异较小,但在其后的摆动期则存在显著差异;且预期性姿势调整阶段的肌肉收缩特征在不同动作下已存在显著差异。该结果验证了预期性姿势调整阶段是理想的分类时期。基于以上研究,本文提出基于预期性姿势调整阶段的肌电和运动学特征对三种稳态任务和四种步态转换任务进行预测。为了更符合人体运动规律,本文提出两种新的分类策略,将各转换模式单独分类,结果证明该策略优于传统分类策略。同时,本文比较了不同特征对分类结果的影响,最终选择基于肌肉协同矩阵和体段角速度的融合信号进行分类,分类准确率高于98%;且以摆动中期为基准时刻点,平均预测时间提前了390ms。该结果从分类角度验证了基于预期性姿势调整阶段的信号特征能够及时准确地识别到运动转换。以上研究分析了预期性姿势调整阶段不同步态模式力学、运动学和电生理特征的差异性,验证了基于预期性姿势调整理论预测步态转换的有效性和及时性,为智能行走辅具的控制优化提供了理论支撑和技术支持。

关键词： 模式识别   试验设计   三七   质量评价   超临界流体色谱  

摘要： 三七(Panax notoginseng(Burk.)***)是我国传统名贵中药材之一,中医中常用于散瘀止血、消肿定痛。长期以来,三七在中医药及保健品领域中占据着重要地位,全面了解其化学成分组成、确定关键活性成分、阐明成分之间相互作用机制对三七的质量控制与评价尤为重要。三七中化合物种类繁多、成分复杂、化合物结构差异大,这些问题为三七中化学成分分析及其质量评价带来了巨大挑战。目前三七分析及质量评价方法主要为液相色谱法(Liquid Chromatography,LC),如反相色谱、亲水色谱、离子交换色谱等。虽然LC对三七中大部分化学成分有较好的洗脱,但存在分析时间长、有机溶剂消耗量大、高极性物质洗脱效果差、平衡时间长等弊端。为了弥补LC的不足,实现中药三七系统全面分析,需求更加高效快速且能与LC互补的分析技术。超临界流体色谱(Supercritical Fluid Chromatography,SFC)是以超临界流体作为流动相,根据溶质在两相中分配系数不同从而实现物质分离的一种色谱技术,具有分析速度快、分离效率高、环境友好、与HPLC互补等优点,近年来,SFC已被广泛应用于中药分析、环境检测、食品分析等诸多领域。本论文以中药三七为对象,尝试将SFC技术结合模式识别用于中药三七的质量评价方法研究。首先考察了SFC结合蒸发光散射检测器(Evaporative Light-scattering Detector,ELSD)各项参数对检测器信号的影响,为三七中皂苷类成分SFC-ELSD方法开发提供了指南,通过结合指纹图谱相似度分析对不同三七样本质量进行了评价,证明了SFC-ELSD用于中药三七分析的可行性。其次,开发了一种高效快速的SFC-MS(Supercritical Fluid Chromatography-Mass Spectrometry,SFC-MS)方法结合化学模式识别技术用于中药三七的质量评价研究,SFC-MS结合偏最小二乘法判别分析(Partial Least Squares-Discriminant Analysis,PLS-DA)模型成功实现了不同采收期和不同部位三七样本的区分并得到潜在的可作为三七质量评价指标的特征成分。最后,通过体外药理活性试验对模型的准确性进行验证,选择三七经典止血活性结合统计学方法,深度挖掘了筛选得到的特征成分与经典止血活性之间相关性,对三七止血药效的物质基础进行了探讨。第一章:首先系统介绍了中药三七主要成分及目前常用质量评价方法,总结了现有方法存在的不足,其次全面介绍了SFC在中药质量评价方面的应用进展,在此基础之上提出了本论文的研究思路及创新点。第二章:通过响应面设计系统考察了SFC-ELSD方法开发中各项参数对检测器信号影响。首先通过Plackett-Burman试验对各个因素进行显著性评价,再利用Box-Behnken设计结合响应面法考察了各参数间相互作用并优化得到最佳方法,将该方法结合指纹图谱用于中药三七质量评价研究,为三七中皂苷类成分SFC-ELSD分析方法的开发提供了优化指南。第三章:成功建立了一种SFC-MS结合化学模式识别方法用于中药三七的质量评价研究。首先通过对固定相、改性剂、添加剂进行筛选得到适用于皂苷分析的色谱条件,再通过试验设计(Design of Experiments,Do E)进一步优化得到最佳分析方法,通过各项方法学指标验证了该方法可行性。通过结合层次聚类分析(Hierarchical Clustering Analysis,HCA)、主成分分析法(Principal Components Analysis,PCA)和偏最小二乘法判别分析(PLS-DA)等多种模式识别方法,分别根据化合物的峰面积和含量建立模式识别模型对不同药用部位和不同采收期的三七质量进行评价。结果表明基于化合物峰面积的PLS-DA分类模型可准确区分不同采收期和不同部位三七样本,特征成分人参皂苷Rg、人参皂苷Rg、人参皂苷Rb可作为三七潜在的质量标志物,SFC-MS技术结合PLS-DA方法在三七质量评价领域具有一定的应用前景。第四章:从活性的角度验证了分类模型及特征性成分的科学性。以三七止血活性为指标,采用体外活性评价的方法测定了三七不同部位和不同采收期提取物对空白人血浆凝血酶时间(Thrombin Time,TT)、凝血酶原时间(Prothrombin Time,PT)和活化部分凝血酶时间(Activeated Partial Thromboplasting Time,APTT)的影响,并对化合物含量与凝血活性之间相关性进行了考察。结果表明不同采收期的样本在凝血酶时间上存在显著性差异,筛选得到的三个特征成分与凝血酶时间均存在显著相关性,进一步证明了筛选出的三个特征成分可作为三七质

关键词： 振动声调制检测技术   自升式海洋平台   有限元仿真   结构健康监测   模式识别  

摘要： 自升式海洋平台于海洋油气开发领域中应用广泛,是一种十分重要的海洋油气开采装备。海洋平台的工作环境恶劣,且作业过程还容易受到风浪流等其他外部环境载荷的影响,长时期的服役会导致平台结构的材料老化,加之环境腐蚀、海生物附着、疲劳损伤累积及缺陷损伤扩大等因素,平台工作的稳定性和安全性受到极大的挑战。因此有必要研究一套适合于自升式海洋平台的缺陷智能检测系统,在海洋平台主结构出现缺陷的早期,对缺陷结构进行检测和预警,为维修维护决策提供数据支持,保障海洋平台的钻采作业安全。振动声调制检测技术(Vibro-Acoustic Modulation,VAM)是一种非线性超声检测方法,缺陷识别能力强,尤其对接触型闭合缺陷等微缺陷具有很高的灵敏度,在工程中得到广泛应用。本文以自升式海洋平台为对象,开展融合振动声调制检测技术和人工智能算法的平台结构缺陷检测技术研究。论文主要研究内容如下: 以自升式海洋平台实验缩尺模型为研究对象,通过人为预制的方式模拟三类接触型闭合缺陷(螺栓松动、齿条啮合松动、桩腿裂纹),同时搭建振动声调制缺陷检测实验系统。以螺栓松动为例,开展检测参数优化研究。建立自升式海洋平台有限元模型,对平台进行模态分析确定实验低频激励信号扫频频率范围。依托振动声调制检测系统对振动声调制检测实验的低频激励信号频率、低频激励信号幅值、高频激励信号频率和高频激励信号幅值四大激励参数进行参数寻优,得出优化后的激励参数组合。 基于振动声调制检测系统,针对不同缺陷实际检测中的特点,选用优化激励参数组合分别对三类接触型闭合缺陷进行检测规律研究,同时为缺陷模式智能识别模型的构建提供实验数据支撑。对于螺栓松动缺陷,探究了不同低频激励信号频率及高频激励信号频率对检测效果的影响;对于齿条松动缺陷,探究了不同压电片组合方式对齿条松动缺陷检测效果的影响;对于裂纹缺陷,验证了振动声调制检测技术的有效性。建立自升式海洋平台桩腿裂纹缺陷检测有限元模型,进行模态分析及谐响应分析确定振动声调制裂纹缺陷数值模拟的低频激励信号频率,探究了不同裂纹缺陷尺寸对缺陷检测效果的影响。 利用不同缺陷振动声调制检测实验数据设置数据集,构建随机森林、K最邻近法、卷积神经网络和长短时记忆网络四种人工智能算法模型,对多类缺陷公共数据集进行缺陷模式识别四分类研究,得到四种平台缺陷智能识别算法模型。通过四种平台缺陷智能识别算法模型分别进行单一缺陷不同状态模式识别四分类研究,验证各缺陷智能识别算法模型的泛化能力,综合比较不同算法模型对所有数据集的模式识别效果,得到基于长短时记忆网络的自升式海洋平台缺陷模式智能识别模型的各项性能指标均接近100%,为四种算法模型中的最优模型。