样本信息聚集原理改进及其在铁路车辆结构疲劳评定中的应用

疲劳S-N曲线是高速动车组结构设计中最重要的基础数据。降低样本数据的离散性和提高寿命预测的准确性一直是铁路车辆结构长寿命安全可靠服役的热点研究课题,经典的样本信息聚集原理(Sample polymerization principle,SPP)能够确保小样本疲劳数据统计处理的准确性,但在寿命估算的可靠性上还有改进空间。通过参数搜索的优化建立应力与标准差之间的关系,实现不同应力水平下标准差的最优取值,从而提出一种新的基于SPP的概率疲劳S-N曲线拟合方法。研究结果表明,与成组法相比,基于(X-x-x-x)型数据的疲劳P-S-N曲线的斜率和截距的相对误差小于3%,估算寿命仅为成组法5%;在处理(x-x-x-x)型数据时,估算寿命约为传统方法的0.1%。在应用于高速列车焊接结构时,改进方法充分考虑了因焊接缺陷引入的离散性,预测的疲劳寿命更加可靠与合理。由此可见,改进的SPP以及标准差参数寻优技术不仅可以确保小样本数据的拟合精度,而且能够获得更加可靠的疲劳P-S-N曲线,工程应用中得到更保守的预测结果。     

面向变电站安全监控的视频智能终端布点优化

人工智能视频监控技术在变电站安全监控与管理工作方面具有广阔应用前景。为提高智能变电站的视频监控系统中摄像头终端的利用效率,研究了智能摄像头终端的优化布点模型和算法。首先,基于栅格化思想对变电站平面图进行区域划分,提出采用监控区域重要度矩阵来描述区域和设备的重要程度。然后,建立了摄像头终端监控范围的清晰度离散模型。据此引入监控乘子函数建立以平均监控距离最小为目标,考虑摄像头选型选址和购置成本约束的变电站监控摄像头终端布点优化模型。并采用遗传算法求解该模型得到其优化布点方案。最后,通过仿真算例验证了模型在减少监控盲区数量的有效性和实用性,具有较高的工程应用价值。     

适应变电站进出监控需求的人脸快速识别方法

针对当前变电站进出安全监控的现状问题以及为实现无人值班变电站提供技术指导的需求,提出了一种适应变电站进出监控需求的人脸快速识别方法,并通过视频监控案例验证了该方法的实用效果。研究表明,所提人脸快速识别方法可对监控视频出现的人员进行实时分析,能够全面地提升变电站人员进出安全系数,对变电站的安全监控工作意义重大。