基于C#的磨机监控系统设计

针对选矿厂磨矿过程中磨机负荷难以实现自动控制以及OPC技术数据传输存在弊端这2个问题,利用VS编程软件设计了基于C#的磨机监控系统。根据实际生产的需求以及监控系统的要求,在该监控系统中设计了设备运行状态显示,磨机运行数据曲线绘制,手动、自动、专家、优化4种控制方式,人机交互的编辑和操作菜单功能模块,以及运行数据存储等功能,同时利用C#本身拥有的串口通信技术,实现了磨机控制仪与监控计算机间的数据传输。运行效果表明,该系统满足磨机自动控制要求,并具有开发成本低,可靠性强,控制方式灵活等优点。     

基于混沌动态随机分组与调制分数阶FFT旋转因子的图像加密

针对分数阶傅里叶变换(FRFT)图像加密中,由于FRFT旋转因子单一性和分组单一性而引起的安全性问题,提出一种新的加密方法——混沌动态随机分组与随机调制FRFT旋转因子。该方法采用3个混沌子系统:用子系统1(密钥)对明文进行无损预加密,得到(一次)密文;然后,用子系统2对FRFT进行动态分组;用子系统3对FRFT旋转因子进行随机调制。接着,用经动态分组、随机调制旋转因子后的FRFT对(一次)密文进行二次加密。相邻像素相关性、像素改变率等测试结果表明,该算法对统计攻击和差分攻击具有较强的抵御能力;实时性、还原性测试表明,一次加密中,采用无损方式与有损相比,其解密用时减少了52.5%,解密后明文相似度提高了4.5%,由此,免除了去噪处理,降低了系统开销。安全性测试表明, 与单纯调制旋转因子方法相比,随机分组与调制旋转因子方法的信息熵提高了1.7%,抵御穷举法攻击的能力提高了10³⁶³⁵倍。由此表明,该方法在实时性、还原性、安全性等方面,均优于混沌密钥单纯调制FRFT旋转因子算法。     

基于半监督学习的动态神经网络结构设计

针对神经网络初始结构的设定依赖于工作者的经验、自适应能力较差等问题,提出一种基于半监督学习(SSL)算法的动态神经网络结构设计方法。该方法采用半监督学习方法利用已标记样例和无标记样例对神经网络进行训练,得到一个性能较为完善的初始网络结构,之后采用全局敏感度分析法(GSA)对网络隐层神经元输出权值进行分析,判断隐层神经元对网络输出的影响程度,即其敏感度值大小,适时地删减敏感度值很小的神经元或增加敏感度值较大的神经元,实现动态神经网络结构的优化设计,并给出了网络结构变化过程中收敛性的证明。理论分析和Matlab仿真实验表明,基于SSL算法的神经网络隐层神经元会随训练时间而改变,实现了网络结构动态设计。在液压厚度自动控制(AGC)系统应用中,大约在160 s时系统输出达到稳定,输出误差大约为0.03 mm,与监督学习(SL)方法和无监督学习(USL)方法相比,输出误差分别减小了0.03 mm和0.02 mm,这表明基于SSL算法的动态网络在实际应用中能有效提高系统输出的准确性。     

黏胶纤维厂冷却循环水系统变频节能改造

针对黏胶纤维厂冷却循环水系统存在的能源浪费,根据冷却水泵运行特点,对冷却循环水系统变频节能改造,有效解决能源浪费的问题。     

基于PSO-CNN-LSTM的短期热负荷预测模型

为提高短期供热负荷预测精度,减少供热不均与供需失调所造成的能源浪费,提出一种基于粒子群(Particle swarm optimization, PSO)、经验模态分解(Empirical Mode Decomposition, EMD)、卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆神经网络(Long Short Term Memory Network, LSTM)的混合预测模型。首先,针对供热负荷呈现非线性、复杂性等特点,采用EMD对供热负荷分解,从而实现弱化供热负荷复杂程度;其次,分别运用CNN与LSTM提取供热负荷空间特征与时域特征;最后,结合PSO算法对LSTM网络的超参数进行调整,寻找出最优参数。实验表明,结合EMD分解的PSO-CNN-LSTM网络相比LSTM、CNN-LSTM、EMD-CNN-LSTM平均误差分别降低了44%、34%、24%、21%,拥有更高的预测精度和拟合效果。所提模型为集中供热负荷预测提供了一种新的思路,对于制定集中供热能源分配提供了参考意义。     

融合改进小波变换的小型磁瓦表面缺陷检测方法研究

针对磁瓦表面光照不均匀且表面纹理复杂的问题,提出一种改进小波自适应阈值去噪方法来消除磁瓦表面复杂的纹理,同时又能较好的保持边缘;针对传统的阈值分割方法面对磁瓦表面照明不均匀不能较好的分离背景和前景问题,将自适应阈值分割方法进行了改进,经过形态学处理和边缘检测实现了磁瓦缺陷的检测。研究表明,所用的滤波方法运行时间为0.0866秒,检测准确度达到了90.6%,并且改进后的自适应阈值分割更有利于提取缺陷,为磁瓦的缺陷检测提供了一种可实现的解决方案。     

主元分析优化量子神经网络的变压器故障诊断

针对变压器故障检测速率较慢的问题,通过对基于量子神经网络的变压器故障诊断方法的分析,发现该方法有较高的精度,但是速率较慢,不能达到实时性、快速性的要求。因此提出基于主元分析优化量子神经网络的变压器故障诊断方法。利用主元分析进行故障数据降维,选取主成分累计贡献率高于85%的主元代替原有的7个故障气体含量数据,用降维后的数据作为网络的输入,应用量子优势消除数据相关性,最终对变压器的故障做出判断。利用变压器故障实验数据信息库中的故障数据分别对量子神经网络、主元分析优化量子神经网络进行仿真研究,结果表明在故障识别率不变的情况下,所提方法使得诊断速率得到大幅提升。