基于数据增强和卷积神经网络的多轴承剩余寿命预测

轴承的健康状态与设备安全可靠运行息息相关,在现代制造系统中,轴承剩余使用寿命(Remaining Useful Life,RUL)预测已成为研究热点.文中提出了通过数据增强来提取轴承衰退特征并利用卷积神经网络(Convolutional Neural Network,CNN)进行轴承RUL预测的方法.该方法首先将均方根、峰值和峰度作为时域特征,频谱分区求和(FSPS)特征作为频域特征,经过数据增强将18维时域和频域特征增加到108维,从而得到全面反应轴承退化过程的信息.通过搭建卷积神经网络(CNN),利用CNN处理高维特征的能力实现轴承RUL预测.最后,试验结果证明文中所提方法相对DNN模型、SVM模型具有更高的预测精度.     

基于电容序列近似熵的消弧线圈接地选线方法

针对零序电流互感器极性不明确导致选线失败的问题,分析了选线失败的原因,提出一种基于对地电容近似熵的选线方法。提出利用差分方法改进矩阵束,解决分量湮没问题,从而准确提取复频域极点信息。分别求取每条线路对地电容序列,由于消弧线圈补偿作用故障线路电容序列近似熵将超过阈值,则判断该条线路为故障线路。仿真实验结果验证:该方法摆脱了由于零序互感器极性不同而导致选线错误的限制,且适用于两出线系统,适应性强,选线准确率高。     

低压配电网三相不平衡负载参数的辨识方法研究

为了解决现阶段计算低压配电网负荷上实际压降、三相负荷不平衡度时忽略三相负荷不平衡与中性线阻抗同时存在的实际情况所引起的求解结果不准确问题,提出一种实时计算负荷实际大小及负荷侧虚拟中性点电压的方法,以此辅助监测低压配电网安全。首先建立与低压配电网等值阻抗网络匹配的高阶微分方程模型,再利用方程系数与等值阻抗参数之间的关系,采用暂态数据辨识模型参数,实时求取三相负荷等值阻抗,中性线阻抗及虚拟中性点电压。仿真结果验证了该方法的有效性和准确性。     

一种改进YOLOv4-tiny的带钢表面缺陷实时检测方法

带钢表面缺陷检测是生产过程智能检测的重要任务。针对目前带钢表面缺陷检测算法效率低、实时性差的问题,本文提出了基于卷积神经网络的轻量级目标检测器。该方法以YOLOv4-tiny模型为框架,针对带钢表面缺陷检测任务的特殊性,结合了多尺度检测与空间注意力机制的优化策略,在保证检测效率的同时提高了轻量级目标检测器的精度。实验证明,所提出的改进的YOLOv4-tiny模型能够精确地检测带钢表面缺陷,平均均值精度mAP(mean Average precision)为73.29%,并且每秒帧数FPS (Frames per second)达到163,满足实际工业落地的实时性要求。     

电能表自适应封印设备灵巧机构设计

目前国内电能表加封工作,主要采用人工方式操作,工作质量欠佳且效率低下,急需开发结构紧凑、具有自适应性能的自动加封设备。在分析设备的整体要求和机构组成的基础上,对自动化铅封设备的自适应封印灵巧机构进行研究,设计了穿丝及封印机构、送丝机构和铅封导流机构。     

基于神经网络的光伏电站出力超短期预测研究

为准确掌握电站未来某段时间内的出力情况,以西南某大型光伏电站为例,对影响光伏电站出力的因素进行分析,建立BP神经网络出力预测模型,分别基于电站实测气象数据和中尺度数值天气预报数据训练预测模型,并对电站2020年1月1日8:00～18:30时15 min分辨率的输出功率进行预测,结果表明:以实测气象数据作为训练样本,预测效果较优,平均绝对误差(MAE)、均方根误差(RMSE)、相关性系数(R)和合格率(Q)预测评估指标分别为9.03％、12.33％、0.980、95.24％.     

基于消弧线圈补偿特征的故障选线新方法

为解决零序电流互感器极性不明确导致选线错误的问题,提出一种根据消弧线圈补偿特征的选线新方法。对于每条线路建立健全线路数学模型,利用零序电压电流暂态分量与基频分量求取相应的导纳参数。针对分量"湮没"问题,提出一种矩阵束的改进方法实现小幅值高频分量的精确提取。分析得到消弧线圈补偿作用规律:在确定频段内故障线路两参数符号相反或数值明显减小,健全线路两参数计算结果相近,可实现故障判断。仿真实验结果验证了该方法摆脱了零序互感器极性不同导致选线错误的限制,无需线路参数信息即可实现故障自判,适应性强。     

基于余弦相关性分析的光伏集群出力预测

光伏发电具有波动性和间歇性,分布式光伏发电的大规模并网,对电网的调度、电能质量及电网的稳定性运行造成很大影响。光伏出力预测在有效解决上述问题的同时为电网调控提供了有力的支撑。本文建立基于相关性分析的单场电站组合预测模型,利用选取典型场站、更新相关场站的相关系数和权重因子对光伏集群进行处理预测,实践证明本文模型能得到比较准确的光伏集群预测结果。     

基于GOA-kmeans的电缆早期故障诊断技术研究

电缆早期故障是一种间歇性故障,持续时间短且不触发继电保护动作,是永久性故障的前期过程。为识别早期故障的种类和初步估算距离永久性故障的时间,利用蝗虫优化算法及k-means的早期故障识别方法进行电缆早期故障诊断。首先利用蝗虫算法对k-means聚类进行改进,解决k-means聚类初始中心点的选择问题,再基于优化后的k-means算法对早期故障波形持续时间、波形特征等完成分类预测,从而完成早期故障识别。采用实际数据进行验证,结果表明该方法能够有效识别配电网架空线早期故障,具有较高的工程应用价值。