基于m-Ucosφ平面识别振荡期间输电线路不对称故障的方法EI北大核心CSCD

距离保护作为输电线路的后备保护在电力系统广泛应用,但是系统振荡期间测量阻抗变化会导致距离保护误动作,在系统振荡期间需要闭锁距离保护,而系统振荡期间线路发生不对称故障时需要快速开放距离保护,现有距离保护利用电流不对称度识别振荡期间不对称故障,识别故障电阻的灵敏度低,无法快速开放距离保护。提出了一种综合利用保护安装处电流、电压特征识别振荡期间线路不对称故障方法,利用保护安装处的电压余弦分量反映故障点处的电压,建立了电流不对称度–电压余弦分量平面,从电流和电压两个维度综合反映系统振荡及线路故障特征,在此基础上,构建了系统振荡期间线路不对称故障的识别判据,提高了保护识别振荡期间线路不对称故障的灵敏性,缩短了距离保护开放时间,实时数字仿真系统(real time digital system,RTDS)仿真结果验证了本方法的有效性。     

储层预测在扶余油层水平井开发中的应用

近年来,吉林油田开发资源劣质化严重,开发对象从连续厚油层发展到不连续薄油层,而目前水平井是解决不连续薄油层最好方法。在国际油价持续低迷的情况下,如何少打控制井而有效利用水平井这部分储量尤为重要。通过地震与地质相结合,提供一种设别油层的预测方法,地震拓频、保幅,精细构造解释和速度建模技术研究,模型正演反演,向异性预测等技术实现高精度的储层识别,提高了水平井部署及实施成功率,保障了水平井的开发效果,在油田开发中有着重要的意义。     

改进的多层感知机在客户流失预测中的应用

针对在传统的客户流失预测数据预处理中，使用one-hot编码处理离散属性导致数据维度增加及数据过于稀疏的问题，提出了两种基于多层感知机的改进后的客户流失预测模型。其主要思想是分别使用堆叠自编码器和实体嵌入两种方法对多层感知机进行改进，通过将离散属性的高维编码数据向低维空间映射，有效地减少了one-hot编码产生的稀疏数据，增加了离散属性值之间的关联度。在对两份公开的数据集进行交叉验证后的实验结果表明，改进后的模型既有效地提高了预测的准确度，又维持了传统多层感知机模型在并行化计算方面的优势。     

双离心机法线加速度计动态校准中三参数余弦算法实现及应用

在双离心机的线加速度计动态校准中,三参数余弦算法贯穿在幅频特性、相频特性以及幅值线性度的整个测试中。本文详细描述了三参数余弦算法的概念和推导过程,以及在双离心机线加速度计动态校准数据处理过程中三参数余弦算法的程序实现;介绍了在幅频特性和相频特性中关于采集点的选取方式,降低由于采集点选择方式不同对数据拟合精度造成的影响。选取某型线加速度计为例,利用双离心机进行动态校准,对采集得到的数据点进行曲线拟合并得到测试结果,验证了所编写的三参数余弦算法程序的可行性。     

浅析安全监控系统在岩滩水电站主厂房起重设备上的应用

为完善岩滩水电站安全监控系统在起重设备上的应用,笔者通过对起重设备控制系统配置、安全监控系统安装后出现的问题进行了分析和探讨,采取将安全监控系统使用的编码器通信与主控制系统通信网络分离,改进安全监控系统所用编码器的安装工艺,增加控制器通信模块,保障主控制系统通信快速畅通等方法,解决了因编码器通信异常而导致停车的问题。经改进后,安全监控系统的监测更加精确、可靠。     

正偏心正交车铣精加工切削层几何形状研究

针对未考虑正偏心正交车铣切削层几何形状而导致难以全面反映正交车铣切削层几何形状变化规律的问题，基于正交车铣运动规律，在不考虑动力学影响的情况下，对切削层的形成过程进行了静态分析。建立的正偏心正交车铣切削层几何形状的解析模型涉及铣刀侧刃和底刃的切入/切出角度、切削厚度和切削深度。通过试验验证了该解析模型的正确性，并分析了切削参数对铣刀切削层的影响。研究结果为正偏心正交车铣切削层几何形状的变化提供了定量的分析依据，为切削力和颤振的研究提供了理论指导。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

齐大山铁矿南帮含水构造带探测研究

为解决采空区突发涌水给矿山安全生产带来的安全威胁,以齐大山铁矿为研究对象,以高密度电阻率法含水构造带理论模型的正演模拟研究为基础,运用高密度电阻率法对采场南帮含水构造带的异常范围进行了圈定;运用瞬变电磁法进行了二次探测,并对高密度电阻率法所圈定的异常范围进行了验证。研究表明:含水构造带显示为低阻异常特征,在高密度电阻率法探测成果图中显示的两处低阻异常与含水构造带理论模型的正演模拟结果一致;同时,在瞬变电磁法探测成果图中显示的低阻区域均在高密度电阻率法所圈定的低阻异常范围内,二者相互验证,这两处低阻异常均为含水构造带的地球物理异常特征的显示,表明采用高密度电阻率法和瞬变电磁法组合识别技术可实现对隐伏含水构造带的先导性探测。