石化机组故障诊断对于现代工业系统的可靠性和安全性具有重要意义。人工智能(AI)技术作为工业应用的新兴领域和故障识别的有效解决方案,日益受到学术界和工业界的关注。然而,在不同的运行条件下,人工智能方法面临着巨大的挑战。从理论背景和工业应用两方面对石化机组故障诊断中的人工智能算法进行全面阐述。介绍不同的人工智能算法,包括K近邻、朴素贝叶斯、支持向量机、人工神经网络和深度学习等方法;对AI算法在工业应用中进行了广泛的文献调研;最后,对不同AI算法的优势、局限性、实践启示进行总结,表明了技术进步、多模态数据整合、实时监测预测、算法通用性对提升石化工业效率与可靠性的关键作用,并展望了未来的研究方向与挑战。

针对目前钢铁表面缺陷检测算法存在检测精度低、检测速度慢和模型复杂度高等问题,提出基于YOLOv5s改进的钢铁表面缺陷检测算法。将SE通道注意力模块融入骨干网络中以增大缺陷特征通道权重,降低背景干扰,提高算法对缺陷特征的提取能力;在颈部网络融入STR多头自注意力模块,提高缺陷边缘纹理等细节特征的比重;改进损失函数为SIoU,缩短预测框回归收敛过程以提高算法检测速度。实验结果表明:改进算法在NEU-DET数据集上的mAP值为80.4%,较YOLOv5s提高5.5%,每秒处理帧数为100,算法体积降低约8.3%,算法计算量降低约4.3%,对比其他的目标检测算法,改进算法在检测精度、检测速度上均明显提升,模型复杂度降低明显。改进算法可满足实时钢铁表面缺陷检测需求。

文章提出了一种基于机器视觉的BGA器件焊球质量检测方法。该方法在同一视点下，用相同光源分别以两种不同入射方向角照射被测BGA连接器焊球，获得两幅图像，然后得到BGA连接器焊球在x方向的曲面信息，以此计算出被测焊球的主要质量参数。最后给出了BGA连接器焊球检测的主要算法。