基于AM-LSTM的风电场内多点位风电功率预测

为了提高大型风电场的风电功率预测的准确性,构建基于多点位的注意力机制(AM)和长短期记忆神经网络(LSTM)混合预测模型.对于风电功率影响因素特征提取模块,利用属性简约方法,在保证不影响原有的分类效果上,去掉多余属性,大幅度提高预测效率.对于风电功率预测模块,首先,利用15分钟数据间隔,不同高度的风速等作为模型输入,然后通过LSTM处理输入的时间序列与风电功率之间的非线性关系,接下来通过AM进一步优化LSTM的权重,最终得到风电功率的预测结果.通过国外某电场数据的验证:将数据集按照季度分开,各个模型预测结果最为优的是第四季度,对于基于多点位的注意力机制和长短期记忆混合预测模型的均方根误差和平均绝对误差分别比前馈神经网络预测模型降低48.8％和17.4％,比单一长短期记忆神经网络预测模型降低37.2％和7.8％.     

烧结断面火焰图像多核Boosting显著性检测

烧结断面火焰图像受烟尘与光晕干扰,图像中火焰边缘与料层区域出现模糊退化现象.为解决传统基于二维图像特征的显著性检测方法难以有效地获取断面火焰图像实际显著区域的问题,提出基于边界连通性与多核Boosting的显著性检测方法.首先在图像颜色空间转换过程中采用色彩去相关原理,利用边界连通性与暗通道先验获取初始显著性图,提高初始显著性模型的检测水平;然后根据断面火焰图像超像素区域自身信息、区域方差和区域对比度构建区域描述符,在4个尺度上描述超像素分割区域,并使用基于支持向量回归的多核Boosting算法生成辅助显著性图;最后将初始显著性图与辅助显著性图进行加权融合,得到最终显著性图.以P-R曲线、F-measure、平均绝对误差和单幅图像的运行时间为评价指标,采用包含人工标注的600幅烧结断面火焰图像将所提方法与其他5种现有方法进行对比,并对所提方法各阶段进行分析.实验结果表明,所提方法优于其他5种方法,各阶段检测性能逐步增强,为提高断面火焰图像有效信息的提取精度奠定了基础.     

基于CNN-LSTM混合模型的动态手势识别方法

动态手势识别是手势交互的关键技术,针对动态手势数据的时序性和空间不确定性造成识别困难问题,提出一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的动态手势序列识别方法.实验采用数据手套采集动态手势数据,对定义的8种动态手势进行测试,平均识别率达到了92.5％.实验表明,与单纯使用LSTM模型或CNN模型对比,所提模型识别率较高,在虚拟现实界面交互任务中用户体验更好.     

基于双弯管法的稀相固相质量流量测量北大核心CSCD

双弯管法固相质量流量测量方法是以弯管流量计为基础,可实时测量气固两相流固相质量流量的方法。在前人研究的基础上对双弯管法固相质量流量测量模型进行了优化改进,建立了考虑气固两相流固相体积时的数学模型,并进行了实验研究,给出了基于新模型的固相质量流量计算公式。实验结果表明:新数学模型可以提高固相质量流量的测量精度,降低测量误差,与实际情况更加接近。     

炼铁高炉炉前液压站油品离心净化的应用分析北大核心

冶金生产过程中,液压和润滑系统在设备正常运行中起着举足轻重的作用。因此,油品净化的管控,是各企业长期面临的一项持续性工作。最常见的净化方式有过滤式、真空过滤式两种方式。根据原理和优缺点进行对比分析,过滤式和真空过滤式方法净化效果一般、性价比低、适用工况少,而离心式油品净化方式可以真正达到高效率低消耗的净化。对离心式油品净化方式进行调研、试用和运行追踪,实测数据表明该离心净化方式确实能够满足炉前液压油油品净化的需求。     

热轧生产中重负荷齿轮油净化、除水新型净油机

针对重负荷的齿轮传动装置中齿轮油杂质含量大、含水量高且难以分离等问题，介绍了一种具备自动排水功能的新型离心式净油机。主要介绍了其工作原理、自动排水功能的设计及其附加特殊功能。应用表明，该离心式净油机能够高效地将油液中水、杂质快速分离并自动连续排出；此外，还具有强大的破乳化能力，去除油液中的溶解水，使油液中含水量低于0.05%，排出的水中含油量低至6.99 mg/L，远远低于30 mg/L的国家环保直排水指标要求；还有，对大颗粒杂质和15 μm以下的微小杂质均具有非常好的去除效果。采用新型离心式净油机，可有效提高油品利用率，降低成本消耗，提高设备使用寿命。     

退火温度对TWIP钢组织性能和氢致脆性的影响

采用电化学结合低应变速率拉伸实验(SSRT)的方法和OM、SEM等手段研究了退火温度对Fe-18Mn-0.6C TWIP钢充氢条件下力学性能和变形行为的影响,并探讨了各类微观组织结构对氢致脆性的作用。结果表明,TWIP钢晶粒尺寸随退火温度的升高逐渐增大,700℃退火板晶界处容易观察到(Fe, Mn)3C渗碳体。900℃退火获得的中等尺寸均匀晶粒的TWIP钢具有最高的强塑积。在电化学充氢和SSRT同时进行下,TWIP钢的强度和塑性大幅下降,随退火温度的升高,强塑积损失率(R)呈增大趋势。高温退火得到的大尺寸晶粒在变形中更容易产生形变孪晶,孪晶/孪晶交叉位置和孪晶/晶界交叉位置是氢致裂纹的主要来源。尽管相对低温退火得到大尺寸晶粒和界面处层错能(SFE)变化使TWIP钢在变形中不容易产生形变孪晶,但其局部粗大的碳化物与形变孪晶间产生的应力集中处极易形成空位,演化成裂纹源,使相对低温退火的TWIP钢本身塑性不高。低于800℃退火对TWIP钢提高氢脆抵抗力没有明显作用。     

全相位与Geiger算法的岩石声发射源定位方法

Geiger定位算法在岩石定位分析中得到广泛应用,但是对初始值要求非常严格,若初始值选择不当,则很难进入收敛范围。为了提高定位精度,减少迭代次数,针对这些问题,提出全相位与Geiger算法的岩石声发射源定位方法。首先进行花岗岩（50 mm×100 mm×50 mm）断铅实验,接着充分利用全相位FFT相位不变性的优势分析断铅信号,通过相位差法求出时延同时反演声发射源求出Geiger迭代初始值,最后综合最小二乘法与Geiger算法,迭代求出最优解。实验仿真结果显示此算法的平均误差相比美国PCI-2型声发射仪器定位结果降低了约5 mm,有效解决了Geiger初始值选取的问题,能够迅速进入收敛范围,提高了收敛速度和定位精度。     

基于改进ADNet网络模型的低剂量CT图像降噪方法

与正常剂量计算机断层扫描成像(CT)相比,低剂量CT成像可以有效减少X射线对身体的辐射,但因此产生的噪声会显著降低CT成像质量。传统的神经网络由于提取通道单一,影响了图像的特征提取,不利于低剂量CT图像的降噪。分析了基于双注意力机制和记忆与高频特征融合的神经网络图像降噪方法。实验结果表明,与目前常用的3种典型网络相比,该模型避免CT图像过度平滑,可有效保留图像细节纹理。与ADNet网络模型相比在结构相似性上提升了0.005 5,峰值信噪比上提升了0.270 7。     

波前校正的变论域模糊控制方法

自适应光学校正技术中常用的PID控制依赖于变形镜的响应模型,响应模型易受扰动影响因此标定过程较为复杂。针对此问题提出一种不依赖变形镜响应模型的变论域模糊控制方法,将哈特曼重构波前中提取的波面评价指标的残差参数与残差差分参数作为变论域模糊控制器的输入,对输出的比例积分微分参数进行自整定,实现自适应控制。利用Matlab进行变论域模糊控制方法与传统模糊控制方法进行对比的相关仿真。波前校正实验结果表明,变论域方法校正后波面数据优于传统模糊控制方法,波前残差的均方根值也更小。控制器系统性能实验中,传统模糊控制器的超调量偏大,而变论域模糊控制器的超调量几乎为零,调节时间也更短。变论域模糊控制方法在保证系统的鲁棒性,提升系统的快速性的同时,利用参数自整定的特性克服了扰动因素对变形镜响应模型造成的不利影响,提高了校正效率,对于波前校正更具有实用性。