基于迁移学习的电能替代节能量在线估计方法

电能替代成为能源转型发展的重要趋势和关键路径,节能量的快速准确估计有利于电能替代项目的推广。为充分利用少量电能替代项目调试期数据快速估计节能量,提出了一种基于迁移学习的单位节能量在线估计方法。首先利用回归算法对大量基期样本展开训练,获得基期能耗模型;其次,利用基于迁移学习的回归算法对大量基期样本、少量调试期样本展开训练,并通过不同的权重更新策略迭代调整基期样本、调试期样本权重,获得调试期能耗模型;最后,采用归一法获得参考条件下能耗差值,即单位节能量。针对干燥领域的电能替代进行仿真分析,证明了所提方法的有效性,并研究了迭代次数、样本数目和样本组合对所提算法预测误差的影响。     

基于深度学习的锂离子电池SOC和SOH联合估算

锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。     

基于深度强化学习的风电场储能系统预测决策一体化调度

风电场储能系统的优化控制可以提高风电场作为发电商在电力市场中的竞争力。文中提出基于深度强化学习的储能系统预测决策一体化调度方法,令高维度的风电场原始测量数据直接驱动储能系统。与预测、决策相分离的传统调度模式相比,预测决策一体化调度模式将风电功率预测与储能系统动作决策相融合,避免了预测阶段中有效决策信息的损失,使风电的随机规律无须通过数学假设等方式被人为刻画,避免了建模误差。其次,引入深度强化学习Rainbow算法优化风电场测量数据与储能系统动作指令之间端到端的控制策略,该策略具备动态统筹多时段系统收益的能力。最后,基于风电场历史数据的算例分析,验证了所提一体化调度模式的优越性和深度强化学习应对不确定性问题的有效性。     

基于改进的SSD模型手机违规使用目标检测

针对某些对手机使用有特殊规定的场所时常面临难以准确、高效地识别手机违规使用的问题,提出了一种基于改进的SSD模型来检测手机的违规使用。利用SSD模型获取初次目标位置及区域分类,并利用改进的DenseNet模型对初次目标框进行判定,从而获得精确的手机检测边界框。为改进数据预处理流程,采用了数据扩增与图像质量改善相结合的策略。在自建的手机检测数据集上的实验结果验证了这些改进策略的有效性,改进的SSD模型定位精度可达91.1%,识别精度高达98%,相比原有SSD模型提升了35%。改进的SSD模型同时具有识别精度高和定位精度高的特点,可为智能识别违规使用手机的行为提供理论依据和技术支持。     

基于机器学习的人体步态检测智能识别算法研究

为实现快速步态状态判断,以更好地对下肢外骨骼进行高精度的步态识别和控制,进行了基于可穿戴惯性测量装置检测人体姿态变化的算法研究。通过对人体下肢的跌倒、转弯、蹲坐与起立等非周期性步态变化活动进行测算试验,获得了受试者实验过程中身体角度、下肢关节角速度和加速度变化等数据,随后应用随机森林等4种机器学习经典分类算法对受试者进行了活动识别对比分析,结果表明,决策树监督学习算法相对于其他算法,能够快速、准确地检测并判断出人体非周期性变化中的多种活动状态,历次识别精度均可达到99%以上,为可穿戴智能装备的开发与应用提供理论基础。     

基于深度高斯过程回归的视频异常事件检测方法

针对现有异常检测方法忽视异常事件发生概率小而造成虚警这个问题,基于高斯过程回归(GPR)的框架,将GPR核函数非参数化所具有的灵活性与深度神经网络的结构特性相结合,并将卷积神经网络封装在GPR的核函数中,以同时实现异常检测任务中特征提取和检测两个步骤。在测试阶段,相对于训练样本集的后验概率的对数似然较小的被判定为异常。方法在一个模拟数据集和一个完全真实的数据集上进行了实验验证,实验结果证明所提出的方法在两个数据集上分别达到了83.9%的帧级AUC和34.4%的帧级AUC,在性能上达到了现有技术发展水平。     

基于多尺度耦合的密集残差网络红外图像增强

为了提升非制冷红外热像仪的图像质量,满足低对比度弱小区域的观瞄与锁定的需求,提出了一种基于多尺度密集残差网络的红外图像超分辨重建模型,该模型的基本框架是通过级联多个残差特征进行学习,以粗到细的方式重建高分辨率图像。首先提出一种多尺度跨域融合模块,通过对不同感受野的分支结果进行融合,不仅可以融合不同感受野的互补信息,还可有助于提升梯度收敛和特征传输;然后叠加多个跨域融合模块,并采用残差特征学习进行优化,最终学习出高分辨率细节信息。仿真实验结果表明,所提出的超分辨模型能够较好的超分辨重建效果,在微弱结构保持和点目标保持上的性能也更加突出。所提的模型已经在海思嵌入式深度学习平台上实现了高质量的红外增强,具有较高的工程应用价值。     

面向列车轮轨接触区域图像分割的生成对抗网络

列车和轨道之间的开放约束条件决定了车辆脱轨的客观存在。轮轨接触区域边缘曲线分割对列车轮轨接触关系的研究具有重要意义,提出了一种基于生成对抗网络的轮轨接触区域边缘曲线分割算法。通过将残差模块引入生成器网络中,增强了网络对输出变化的敏感程度,进而更好的调整生成器权重。此外,膨胀残差模块的引入,有效扩大了特征图的接收区域。实验结果显示,改进的生成对抗网络对轮轨接触区域边缘曲线的分割准确度达到9613%,敏感度、特异度、F1值、ROC曲线下的面积分别为8390%、9713%、8367%和9812%,验证了该方法能够准确分割轮轨接触区域边缘曲线。     

基于教与学算法的SRM转矩分配函数优化及控制研究

针对开关磁阻电机(SRM)换相阶段转矩脉动严重问题,提出基于教与学算法的转矩分配函数优化策略。以开通角、关断角、换相重叠角为寻优对象,输出转矩跟随参考转矩能力为评价指标,结合转矩分配函数与直接瞬时转矩控制,构成转矩闭环。为提升系统动态性能,转速环采用分数阶滑模控制方法,将其输出作为转矩环参考转矩。仿真实验结果表明,经教与学算法优化后,转矩可在相绕组换相阶段平滑过渡,且输出转矩脉动得到明显抑制;分数阶滑模较PI控制而言,系统转速迅速进入稳态,且上升过程无超调,有利于提升系统动态特性。     

面向快速制造车身模具的机器人软质工具研磨工艺研究

在研究以硬质工具进行机器人自动研磨的基础上。建立了采用软质工具的机器人自动研磨系统。根据被研磨工件的表面形状，对研磨轨迹进行了规划。以机器人研磨系统为平台，进行了基础工艺实验，分析了主轴转速、机器人行走速度、横向进给量等工艺参数对研磨质量的影响，从而综合选择合适的工艺参数，并进行相应的误差补偿。通过实验确定了合理的预压量，并进行了等离子熔射制造的车身模具表面研磨试验，得到了较好的研磨效果。