基于深度自编码网络模型的风电机组齿轮箱故障检测

为了实现风机齿轮箱的故障检测分析,提出一种基于风电机组齿轮箱的数据采集与监视控制(SCADA)数据和振动信号的深度自编码网络模型。该模型作为一种典型的深度学习方法,通过逐层智能学习初始样本特征,可以获取数据蕴含的规则与分布特征形成更加抽象的高层表示。首先,利用限制性玻尔兹曼机对网络参数进行预训练和反向传播算法对参数进行调优,建立深度自编码网络模型。然后,通过对齿轮箱的状态变量进行编码和解码,计算重构误差并将其作为齿轮箱的状态检测量。为了有效检测重构误差的趋势变化,选用自适应阈值作为风机齿轮箱故障检测的决策准则。最后,利用对齿轮箱故障前、后记录的数据进行仿真分析,结果验证了深度自编码网络学习方法对齿轮箱故障检测的有效性。     

基于SVPWM低谐波死区算法的研究及应用

针对传统死区时间注入SVPWM调制波会使逆变电路输出波形产生畸变并导致其幅度降低的问题,为降低输出波形的谐波含量,提出了一种将可变死区时间加入到零矢量中的死区注入方法。在单相SVPWM调制方法的矢量合成原理分析基础上,对死区算法进行理论研究,并利用Matlab仿真进行了谐波分析。研究了采用FPGA生成SVPWM波形及相应的死区注入方法,利用微网分布式电源实验平台,分别对两种不同死区时间注入单相SVPWM的算法进行了实验验证,证明了该低谐波死区算法的有效性和准确性。     

分布式电源中Z源逆变器锁相方法的研究

针对分布式电源并网运行时存在谐波干扰及并联运行时分布式电源之间的相位差会导致环流影响系统安全性等问题,对分布式电源中Z源逆变器的锁相方法进行了研究。通过对Z源型逆变器拓扑结构和空间矢量正弦波调制方法的分析,在DSP加FPGA控制平台实现对最大功率跟踪和电压电流幅度控制的基础上,提出了一种同时利用软件过零信号和硬件过零信号的数字锁相方法。该数字锁相环通过FPGA实现,可以提高分布式电源中Z源逆变器锁频锁相的稳定性和准确性。经过分布式电源实验平台验证,证明了这种锁相方法的可靠性。     

SLOPE/W在某露天煤矿采掘场边坡稳定性分析中的应用

某煤矿采掘场非工作帮边坡为软岩高边坡,为分析边坡是否存在潜在安全隐患而影响施工进度及施工安全,进行了非工作帮边坡的稳定性分析。采用Geo-studio软件中的Slope/W模块建立了边坡的计算模型,并用Bishop法和Morgenstern-price法对暴雨工况和暴雨叠加地震工况进行计算,得出边坡的稳定性系数。推测的滑面计算结果与边坡稳定性评价的标准进行对比,发现计算结果与现场勘察后预测结论基本一致。该边坡整体稳定性为基本稳定。更多还原     

燃料空气炸药爆轰产物JWL状态方程参数计算

炸药爆轰产物的Jones-Wilkins-Lee(JWL)状态方程参数一般由圆筒试验确定,但圆筒试验并不适用于宏观上呈云雾状态的燃料空气炸药(FAE)。为确定FAE爆轰产物的JWL状态方程参数,基于外场FAE爆轰试验数据,引入反向传播神经网络联合遗传算法(BPNN-GA),建立适用于FAE的状态方程参数计算方法,并与单爆源和多爆源的外场试验结果对比。研究结果表明：引入BPNN-GA可以简化状态方程参数优化过程,提高了寻优速度和精度;基于FAE爆轰产物JWL状态方程参数,建立单爆源与多爆源的FAE云雾爆轰模型,数值仿真所得的冲击波轮廓与实际爆轰冲击波形貌一致,单爆源与多爆源50 m测点处地面峰值超压仿真值与试验值的最大偏差分别为9.0%和11.1%.     

可控压力补偿器提高比例流量阀的流量特性研究

现有调速阀多采用连接压力补偿器的方法来控制输出流量,但普通压力补偿器由于受液动力的影响,补偿压差难以维持定值,导致调速阀流量控制特性较差,且流量阀本身由于非线性因素的影响也会导致其流量输出精度偏低。提出一种调速阀的电控非线性补偿方案,并以Valvistor阀作为研究对象,利用电机驱动滚珠丝杠的方法来对压力补偿器施加附加力,不仅可以实时补偿压力补偿器的液动力,而且还可以补偿流量阀的非线性因素,使得流量控制精度提高。分析电控补偿调速阀的工作原理,根据真实参数在SimulationX中建立调速阀的多学科仿真模型,分别对压力补偿器和Valvistor阀的补偿特性进行分析。结果表明：补偿后压力补偿器与流量阀的流量输出误差均在4 L/min以内,误差都不超过2%,表明该调速阀具有良好的流量控制特性。     

基于聚类分析的微博广告发布者识别

微博空间存在大量的广告内容,这些信息严重影响着普通用户的用户体验和相关的研究工作。现有研究多使用支持向量机（SVM）或随机森林等分类算法对广告微博进行处理,然而分类方法中人工标注大数据量训练集存在困难,因此提出基于聚类分析的微博广告发布者识别方法：对于用户维度,针对微博广告发布者通过发布大量普通微博来稀释其广告内容的现象,提出核心微博的概念,通过提取核心微博主题及其对应的微博序列,计算用户特征和对应微博的文本特征,并使用聚类算法对特征进行聚类,从而识别微博广告发布者。实验结果显示,所提方法准确率为92%,召回率为97%,F值为95%,证明所提方法在广告内容被人为稀释的情况下能准确地识别微博广告发布者,可以为微博垃圾信息识别、清理等工作提供理论支持和实用方法。     

深度强化学习研究综述

作为一种崭新的机器学习方法,深度强化学习将深度学习和强化学习技术结合起来,使智能体能够从高维空间感知信息,并根据得到的信息训练模型、做出决策。由于深度强化学习算法具有通用性和有效性,人们对其进行了广泛的研究,并将其运用到了日常生活的各个领域。首先,对深度强化学习研究进行概述,介绍了深度强化学习的基础理论;然后,分别介绍了基于值函数和基于策略的深度强化学习算法,讨论了其应用前景;最后,对相关研究工作做了总结和展望。     

核主泵备用机械密封材料的摩擦性能研究

采用Falex-1506摩擦磨损试验机,研究了水润滑、室温条件下,载荷和速度对核主泵用机械密封材料:无压烧结碳化硅(WNV2)和碳化硅加碳(CHV1)、反应烧结碳化硅(R)和碳化硅加碳(R2)、石墨(MSMG)在不同配副条件下摩擦学特性的影响规律。使用扫描电镜(SEM),对磨损表面进行了观察和分析。研究结果表明,碳化硅和石墨材料自身的孔隙,在高载荷下容纳了更多的润滑流体,因此,不同配副条件下的摩擦系数均随载荷的增加而减小。另外,滑动速度引起的温度改变通过影响表面层性质影响摩擦力,而碳化硅和石墨在很宽的温度范围内机械性质保持不变,所以摩擦系数随速度的增加基本不变。     

重寄生蜂对烟株不同部位僵蚜的寄生特点研究

烟蚜茧蜂是蚜虫的主要天敌,但其控制作用又受到重寄生蜂的影响。我们在烟株封顶后将其分为上、中、下3个部位,对不同部位重寄生率进行分析,为弄清重寄生蜂的活动及寄生规律做了初步研究。结果表明:在前期,烟株下部的重寄生率明显高于中部和上部;在中后期,大田重寄生率高达40%,且此时烟株上部和中部的重寄生率均显著高于下部。在云南大理烟区有2种重寄生蜂,蚜虫宽缘金小蜂[Pachyneuron aphidis (Bouche)]和长背瘿蜂（Phaenoglyphis sp.）,以蚜虫宽缘金小蜂为优势种,长背瘿蜂在云南尚未见报道;大田重寄生率在8月初达到高峰。