基于改进角度-时间谱分析的滚动轴承故障特征提取

针对角度-时间谱(ATS)分析无法准确提取变转速下轴承故障特征的问题,提出基于改进ATS分析的滚动轴承故障特征提取方法。首先,通过分析信号的时频特性计算信号的三维ATS;然后,引入平均信息图,优选轴承故障特征频带;最后,以所选的频带为积分范围对三维ATS进行积分运算得到信号的改进ATS。试验表明,改进ATS分析方法能够准确分析故障阶次,反映变转速下轴承的故障特征。     

基于信息融合和堆叠模型的超短期风电功率预测

针对超短期风电功率预测,准确捕捉功率变化因素和建立混合预测模型是提高预测精度的有效手段之一。为了能够继承和整合单个模型的优点以及增强历史信息的表示和利用能力,文章提出了一种基于信息融合和堆叠模型的超短期风电功率预测模型。首先,利用相关性方法选择历史功率序列和历史测风塔数据的特征,作为预测模型的输入;然后,建立两层堆叠的集成模型作为预测模型,并使用交叉验证和超参数优化以增强预测模型的泛化性能;最后,以每个基学习器的输出作为元学习器获得最终预测值的新输入。通过东北某风电场真实数据的验证,以及与单一模型、深度神经网络模型和集成学习模型的对比,验证了所提模型的可行性和有效性。     

基于FasterR-CNN的PCB缺陷检测研究

为了快速准确地进行PCB缺陷检测,文中针对常见的PCB缺陷铜面残渣(简称re)和铜面异物(简称fb),利用了Faster R-CNN进行缺陷目标检测.从测试结果可以看出,Faster R-CNN检测模型在PCB缺陷检测中具有良好的检测效果.当阈值为0.5时,有缺陷图片(简称NG图片)的漏检率只有1.73％,无缺陷图片(简称OK图片)的误检率只有5.20％,基本满足了本文的PCB缺陷检测要求.     

基于卷积神经网络的PCB缺陷图像识别

PCB缺陷图像检测是确保PCB生产质量的重要环节,但传统的人工PCB缺陷检测具有劳动强度大、工作效率低等不足.为此,本文研究了一种基于卷积神经网络的PCB缺陷图像识别方法,建立了包括三种PCB缺陷和无缺陷图像的数据集,基于ResNet101网络模型搭建了PCB缺陷图像识别分类模型.引入迁移学习的方法,基于在大数据集上充分训练好的模型结合PCB图像数据集,并训练该PCB缺陷图像识别模型.实验结果表明,ResNet101模型对无缺陷PCB图像和三类常见PCB缺陷图像的平均识别准确率达到91.98％,验证了该模型对PCB图像识别分类的有效性.