CB级、PC级功能一体化自动转换开关电器的研究

对比了CB级与PC级自动转换开关电器的设计原理,提出了CB级、PC级功能一体化自动转换开关电器的设计方案,并探讨了一些问题。指出CB级、PC级功能一体化自动转换开关电器能够提供过载、短路保护,具有结构简单、转换速度快、维护方便等优点,为制造厂生产、设计选型及用户使用提供方便。     

智能型三电源自动转换开关

介绍了一种智能三电源自动转换开关的硬件电路、软件流程、操作机构和电源切换控制策略。基于双电源自动转换开关的操作机构,设计了一种可用于三电源自动切换的操作机构。根据三路供电电源自动切换的工作方式,提出了以专家控制系统为基础的电源切换控制策略。智能型三电源自动转换开关具有智能控制、高可靠性、简单操作等优点。     

ATSE正确选用问题

结合全国智能建筑群网与中国建筑设计研究院机电院举办的“自动转换开关电器ATSE设计应用导则”专题研讨会中确定的“自动转换开关电器ATSE 设计应用导则”,针对如何正确选用ATSE提出自己的观点。     

自动转换开关电器的发展与应用

详细阐述了自动转换开关电器(ATSE)的定义、发展现状、分类、结构形式等,比较分析各类型自动转换开关电器(ATSE)的特点及其应用的技术要求.介绍了如何在设计、使用中合理地选用双电源自动转换电器,以保证供电的可靠性.     

双电源自动转换开关信号检测电路设计

设计了一种双电源自动转换开关信号检测电路。以PIC18F458为核心处理器,利用其A/D转换、CCP输入捕捉功能完成了双电源自动转换开关的电压、频率信号检测电路的硬件设计,并编写了相应的检测软件。该检测电路抗干扰性高、精度高,具有成本低、易维护的优点。     

ATSE在民用建筑中使用时一些问题的探讨

为保证重要负荷供电的连续性,双电源自动转换开关电器在民用建筑中应用范围日益扩大。由于产品的技术性能要求不断提高,因此对产品的合理选择就变得越加重要,所以设计人员应熟悉和了解其组成与工作原理、主要性能特点等,以便在设计过程中合理选择和使用双电源自动转换开关电器。     

智能电器

TQ30V系列自动转换开关消防设备、电梯、消防控制室等重要负荷必须安装电源自动切换装置。为了保证负荷供电的连续性,双电源自动转换开关应用越来越大,技术性能要求越来越高。自动转换开关的性能直接影响着各重要用电场所的安全和可靠,甚至影响整个电网的运行安全。自动转换开关已经成为低压配电系统当中不可缺少的重要组成部分。     

双电源自动转换开关研究

阐述了500 kV崇左变电站WHK63N型双电源自动转换开关(ATSE)结构原理、现状和发展趋势,提出一种新型的静态转换开关STS(Static Transfer Switch)设计思路,使之更可靠、智能化和更安全.     

自动转换开关电器(ATSE)的选择及应用

本文介绍了自动转换开关电器的类型、工作原理、主要功能及特点,以及自动转换开关电器在低压配电系统中的应用。     

自动转换开关电器短路性能指标在系统可靠性设计中的重要性

自动转换开关电器作为低压配电系统中保证供电连续性的典型器件,其自身短路性能直接影响系统的可靠性。通过对额定短时耐受电流、额定短路接通能力和额定限制短路电流等三项指标进行分析,阐述了自动转换开关电器短路性能指标在系统可靠性设计中的重要性,并对其合理应用作了指导。     

电触头侵蚀研究概述

介绍了材料转移分类及其机理，总结了电弧热力作用和熔池能量涨落对喷溅的影响，分析了机械因素、材料因素对电侵蚀的影响规律，介绍了探针摄影法和干涉法等测量材料侵蚀的方法。     

特征迁移结合主动标注的颅内病变鉴别方法

为了解决使用磁共振图像进行脑炎和胶质瘤的临床诊断时会出现误诊的问题,提出了一种卷积层特征迁移结合主动样本标注的分类方法.该方法首先采用卷积层特征参数迁移,利用磁共振成像(MRI)数据进行模型的微调,并验证了不同MRI模态特征的区分能力;其次针对样本标注困难问题,设计基于熵不确定性的样本主动标注算法,提取样本的不确定性信息,进一步提高模型的收敛速度以及泛化能力.在由重庆医科大学附属第一医院放射科纳入的175个病例(脑炎118例,胶质瘤57例)上进行实验,在交叉验证下分类准确率达到95.08％,曲线下面积达到0.98,模型的分类精度显著优于现阶段主要依靠医生经验的方法,准确率和曲线下面积分别提高17.51％和0.15;同时仅需要标注30％的数据样本,模型便能达到最优性能,减少大量数据标注工作,能够为初期诊断提供有意义的指导.     

Boosting bit rates and error detection for the classification of fast-paced motor commands based on single-trial EEG analysis

Brain-computer interfaces (BCIs) involve two coupled adapting systems-the human subject and the computer. In developing our BCI, our goal was to minimize the need for subject training and to impose the major learning load on the computer. To this end, we use behavioral paradigms that exploit single-trial EEG potentials preceding voluntary finger movements. Here, we report recent results on the basic physiology of such premovement event-related potentials (ERP). 1) We predict the laterality of imminent left- versus right-hand finger movements in a natural keyboard typing condition and demonstrate that a single-trial classification based on the lateralized Bereitschaftspotential (BP) achieves good accuracies even at a pace as fast as 2 taps/s. Results for four out of eight subjects reached a peak information transfer rate of more than 15 b/min; the four other subjects reached 6-10 b/min. 2) We detect cerebral error potentials from single false-response trials in a forced-choice task, reflecting the subject's recognition of an erroneous response. Based on a specifically tailored classification procedure that limits the rate of false positives at, e.g., 2%, the algorithm manages to detect 85% of error trials in seven out of eight subjects. Thus, concatenating a primary single-trial BP-paradigm involving finger classification feedback with such secondary error detection could serve as an efficient online confirmation/correction tool for improvement of bit rates in a future BCI setting. As the present variant of the Berlin BCI is designed to achieve fast classifications in normally behaving subjects, it opens a new perspective for assistance of action control in time-critical behavioral contexts; the potential transfer to paralyzed patients will require further study.     

基于 BiLSTM-Attention 的迁移学习变工况故障识别方法研究

针对传统深度学习网络模型在变工况条件下的故障诊断泛化能力差的问题,提出一种基于迁移学习的双向长短时记忆网络和注意力机制(TLBA)融合的故障识别方法。将原始故障数据划分为源域及目标域;并构建融合注意力机制的双向长短时记忆网络(BiLSTM-Attention, BA)模型,之后使用此模型学习源域数据特征;最后利用迁移学习通过对目标域数据的学习,进一步优化调整BA模型的网络参数,最终得到目标域的故障分类辨识模型。以航空器翼梁故障为案例,结果表明,该方法与传统故障诊断方法BiLSTM-Attention相比,其综合评价指标F_1-score有3.4%的提高,故障平均诊断准确率在91%以上;同时针对变工况下的故障分类结果较为稳定。     

基于深度迁移学习的天气图像识别

当对天气图像等场景复杂和特征不明显的图像进行识别时,往往存在识别率不高和特征冗余等问题。基于此,本文提出了一种基于深度迁移学习的图像分类算法。该算法利用ImageNet数据集的模型参数构建ResNeXt、Xception以及SENet 3种网络模型提取图像特征,采用领域自适应的判别联合分布自适应算法来相似化特征向量,完成高质量的特征表示,并以其结果为准则融合模型特征,将融合特征经过多层感知机训练以实现高准确率识别的图像分类。实验结果表明,该算法的性能优于传统的单一网络模型,进一步提升了图像分类准确率的上限。     

音频场景识别中非对称卷积和知识迁移方法研究

针对当前音频场景识别中训练数据量不足的问题,设计了基于知识迁移的非对称卷积声音场景识别系统。相较于现有方法利用音频场景识别数据集从头训练网络模型,该系统在其他任务训练好的网络模型上进行调整和训练,从而保留了源领域的有效信息。与此同时,该系统针对声学特征的特点,采用了非对称卷积模块来增强网络的特征提取能力。实验结果为该系统的准确率相较基准系统提高了0.023,并且该系统的卷积核可视化结果观察到的特征纹理更清晰。结果表明知识迁移可以提升模型的特征表示能力,与非对称卷积结合能进一步提升系统性能。     

基于稳态视觉诱发电位的相频特性分类算法研究

目前基于稳态视觉诱发电位（SSVEP）的脑-机接口在人机协作中受到广泛关注,现有面向SSVEP信号的相位与频率信息的深度学习分类方法,仍存在由于信息利用不充分导致的SSVEP信号分类效果较差等问题。而目前已出现多种分类算法用于解决上述问题。本文基于迁移学习思想提出一种用于SSVEP信号分类的深度神经网络模型,将快速傅里叶变换后的复向量作为输入,对各个导联的实、虚部向量进行卷积,学习对应的相频特性。该模型分为两部分：第一部分利用所有被试者之间的统计共性获得相位和频率信息的全局相频特征模块;第二部分利用训练好的全局相频特征模块对局部相频特征模块进行初始化,通过局部相频特征模块的进一步强化学习对训练参数进行微调,以减少每个被试者之间的个体差异。在公开数据集BETA上进行测试,在时窗长度为1.5 s时,平均准确率和平均信息传输率分别为89.98%和71.80 bit/min。实验结果表明,与其他方法相比,本文的分类算法模型取得了较为不错的分类效果,所设计的全局、局部相频特征模块能够改善个体差异因素对分类结果的影响,为深入挖掘、利用SSVEP信号中的相位和频率信息提供了全新思路。     

从工程应用谈自动转换开关电器产品发展趋势(下)

介绍了自动转换开关电器(ATSE)在供电系统中的应用,以及转换开关电器的分类。详细阐述了ATSE的转换控制器结构及原理。最后,从工程应用角度介绍了ATSE的选择及系统解决方案。     

从工程应用谈自动转换开关电器产品发展趋势(上)

介绍了自动转换开关电器(ATSE)在供电系统中的应用,以及转换开关电器的分类。详细阐述了ATSE的转换控制器结构及原理。最后,从工程应用角度介绍了ATSE的选择及系统解决方案。