基于注意力机制的多尺度卷积神经网络电机轴承故障诊断

针对现有的卷积神经网络(Convolutional Neural Network,CNN)故障诊断方法只能提取单尺度特征,丢失了故障敏感信息,无法正确表达电机轴承的健康状态的问题,提出了注意力机制的多尺度卷积神经网络(Multi-scale Convolutional Neural Network,MSCNN)故障诊断方法,将多尺度特征提取整合到传统的CNN结构中。通过不同尺寸的卷积核捕获信号的多尺度特征,使模型获得多样性的特征表达;引入注意力机制(Attention Mechanism,ATT),对提取的特征自适应的评分和赋值,将注意力集中在敏感特征上,让模型学习到高级特征;最后利用公开数据集进行实验验证,结果表明,所提方法诊断精度高,具有较好的泛化性能。     

无人机在电力系统中的应用

随着无人机相关技术的快速发展,其在实际应用中有了巨大突破,这些发展为无人机在电力系统中的应用提供了前提条件。由于我国电力系统涉及区域较广、地形变化复杂,采取传统的人工管理模式具有较大难度和工作量,而无人机的引入可以极大地降低电力系统的相关基础建设的难度,实现对相关地形区域的测绘、电力线路巡检等。文章主要对无人机在电力系统中的应用进行分析,同时结合无人机技术的发展趋势对今后无人机在电力系统中应用的前景进行预测。     

基于人工势场和模糊规则的多水下机器人队形控制方法

人工势场法是常用机器人队形控制方法之一,它的基本原理是将机器人看做质点,通过势场作用于质点的力来规划机器人的运动;基于人工势场的队形控制方法大都是针对这种质点模型提出的,不能直接应用于多水下机器人系统,由此,提出一种人工势场和模糊规则相结合的多水下机器人队形控制算法;首先定义一组势函数,然后根据水下机器人的运动特性,设计一个模糊控制器,将势场力映射为水下机器人的期望速度和航向角;以三个水下机器人组成三角形队形为例,进行了仿真实验;实验中,初始位置散乱的水下机器人较快地形成队形,并稳定地保持队形行进,证明了该算法的可行性和有效性。     

无人机在输电线路巡检中的应用及发展前景

随着经济的不断发展,我国电力事业的进步也非常快速,电网的安全与否会在很大程度上对社会的稳定产生影响,而输电线路的稳定运行能够为电网的安全提供有效保障。无人机是随着电力企业发展而诞生的新型巡检设备,能够有效分担工作人员的工作量,提升工作效率。本文以输电线路巡检的概述为研究基点,论述当前无人机在输电线路巡检中的应用,并展望无人机在输电线路巡检中的未来发展。