E＋H公司重锤料位计电子测量系统的校准

Ｅ＋Ｈ公司重锤料位计电子测量系统的校准赵国旺，王庆岩河北省启新水泥厂（０６３０００）我厂新建２０００ｔ／ｄ窑外分解生产线生料库料位测量，采用德国Ｅ＋Ｈ公司生产的ＦＭＭ７６０型重锤料位计。该料位计运行可靠，精确度高，但其电子测量系统的校准是关键。如果校...     

基于改进YOLOv3算法的公路车道线检测方法

针对YOLOv3算法在检测公路车道线时存在准确率低和漏检概率高的问题, 提出一种改进YOLOv3网络结构的公路车道线检测方法.该方法首先将图像划分为多个网格, 利用K-means++聚类算法, 根据公路车道线宽高固有特点, 确定目标先验框数量和对应宽高值; 其次根据聚类结果优化网络Anchor参数, 使训练网络在车道线检测方面具有一定的针对性; 最后将经过Darknet-53网络提取的特征进行拼接, 改进YOLOv3算法卷积层结构, 使用GPU进行多尺度训练得到最优的权重模型, 从而对图像中的车道线目标进行检测,并选取置信度最高的边界框进行标记.使用Caltech Lanes数据库中的图像信息进行对比试验, 实验结果表明, 改进的YOLOv3算法在公路车道线检测中平均准确率(Mean average precision, mAP)为95%, 检测速度可达50帧/s, 较YOLOv3原始算法mAP值提升了11%, 且明显高于其他车道线检测方法.     

基于深度在线迁移的变负载下滚动轴承故障诊断方法

针对变负载条件下滚动轴承源域与目标域中相同状态的数据特征分布差异性较大,目标域数据按照序列方式在线获取时,数据更新需重新训练模型的问题,提出一种深度在线迁移的CNN-ISVM (convolutional neural networks-incremental support vector machine)变负载下滚动轴承故障诊断方法.该方法运用短时傅里叶变换得到不同负载下滚动轴承振动信号的频谱图并构建数据集;使用源域数据建立CNN-ISVM预训练模型并保存模型参数;利用迁移学习将源域共享模型参数迁移至目标域CNN-ISVM模型训练过程中,快速建立分类模型;分类模型中的ISVM分类器在保留已学到知识的基础上,在线处理目标域新增数据,无需重新训练.经实验验证,所提出方法可实现数据按照序列方式采集的变负载下滚动轴承多状态在线分类,并具有较好的稳定性及较高的准确率.     

不平衡供电条件下多脉动整流器的谐波特性分析

为明确非理想供电情况下多脉动整流器的谐波产生特性,研究了6脉波、12脉波整流电路在不平衡供电条件下的频域谐波耦合导纳矩阵模型.考虑晶闸管换相过程及不平衡电压对晶闸管开通和关断时刻的影响,分析了供电不平衡时直流侧谐波电压的特征以及不平衡电压分量对直流电压波动的影响;采用附加谐波耦合导纳矩阵,建立了考虑不平衡电压的三相6脉波整流器的谐波耦合模型,模型可拓展应用至任意脉波整流器在不平衡供电电压下的谐波分析;修正了整流电路电流断续情况下的模型,提升了模型通用性.仿真分析与实验测量验证了所提模型的准确性和有效性.     

基于循环卷积多任务学习的多领域文本分类方法

文本分类任务中,不同领域的文本很多表达相似,具有相关性的特点,可以解决有标签训练数据不足的问题.采用多任务学习的方法联合学习能够将不同领域的文本利用起来,提升模型的训练准确率和速度.该文提出循环卷积多任务学习(MTL-RC)模型用于文本多分类,将多个任务的文本共同建模,分别利用多任务学习、循环神经网络(RNN)和卷积神经网络(CNN)模型的优势获取多领域文本间的相关性、文本长期依赖关系、提取文本的局部特征.基于多领域文本分类数据集进行丰富的实验,该文提出的循环卷积多任务学习模型(MTL-LC)不同领域的文本分类平均准确率达到90.1％,比单任务学习模型循环卷积单任务学习模型(STL-LC)提升了6.5％,与当前热门的多任务学习模型完全共享多任务学习模型(FS-MTL)、对抗多任务学习模型(ASP-MTL)、间接交流多任务学习框架(IC-MTL)相比分别提升了5.4％,?4％和2.8％.     

磁共振射频信号对医疗器械影响的数值和实验研究

广泛研究了在MRI系统中的医疗器械射频致热问题。采用全波电磁仿真和热仿真工具,研究了器械长度与器械尖端周围的最大温升的相关性。测试结果显示,“最坏情况”的温升测量结果与仿真数据一致。该工作提出了一种高效、准确的方法,用来评估多种不同尺寸的医疗器械在磁共振环境下的射频致热情况。     

基于改进 DQN 网络的滚动轴承故障诊断方法

针对实际中滚动轴承正常和故障状态下的振动数据不平衡,且故障诊断准确率不高的问题,基于深度强化学习,提出一种改进深度Q网络(DQN)的滚动轴承故障诊断方法。该方法将振动信号进行短时傅里叶变换,构建时频图样本集;提出把K-means算法中样本到中心点的距离作为回报值的偏置,以不平衡比为基准,为训练集构建具有个性化的回报函数,同时引入残差网络(Resnet-18)实现特征的深层提取;智能体将新的回报函数和时频图作为输入,在每个时间步长执行诊断动作,判断并返回回报值;最终,智能体学会不平衡数据下的故障诊断策略。实验表明,所提改进的诊断模型相比本文对比的其他方法在不平衡下提高了5%～8%;同时不平衡且变负载情况下也表现突出,不平衡指标得分达到了0.982左右,具有较好的泛化性。     

基于联邦模型迁移的不同规格滚动轴承故障诊断方法

数据隐私与数据安全问题逐渐受到社会关注,各用户隐私的滚动轴承振动数据存在孤岛且不共享的问题,同时不同规格滚动轴承振动数据分布差异大、部分已知标签数据稀缺,使得诊断准确率不高。针对上述问题,提出一种基于联邦模型迁移的不同规格滚动轴承故障诊断框架。该方法对多个用户振动数据做短时傅里叶变换,构建时频图数据集;各用户训练本地模型并将模型参数上传至服务器,同时引入差值更新和参数稀疏化算法改进联邦学习中本地模型参数传递策略;服务器采用联邦平均算法聚合模型参数并更新本地模型,迭代后建立用于迁移学习的共享模型;提出逐层解冻策略保留共享模型部分参数并发送给每个用户,再利用本地数据微调共享模型,获得适用于每个用户的个性化模型。经试验验证,所提方法在数据孤岛和标签稀缺的前提下,可实现不同规格滚动轴承故障诊断,并具有较高的准确率和良好的泛化性能。     

基于协同深度学习的二阶段绝缘子故障检测方法

针对现有绝缘子故障检测模型受航拍图像中复杂背景干扰导致准确率低的问题,提出一种基于协同深度学习的二阶段绝缘子故障检测方法.该方法将全卷积网络(FCN)与YOLOv3目标检测算法相协同,第一阶段,利用FCN算法对航拍图像预处理,设计跳跃结构融合浅层图像特征与深层语义特征,构建8倍上采样的绝缘子分割模型,结合图像像素逻辑运算,实现绝缘子目标的初步分割,避免背景区域对绝缘子故障检测的干扰.在此基础上,第二阶段构建YOLOv3模型进行绝缘子故障检测,以深度神经网络Darknet-53作为特征提取器,借鉴特征金字塔思想,在三个尺度的输出张量上对绝缘子故障进行标记和类别预测,保证模型对不同尺寸的绝缘子故障准确检测.利用K-means++聚类算法优化YOLOv3的锚点框参数(Anchor Boxes),进一步提升检测精度.实验结果表明,基于协同深度学习的二阶段方法能够有效克服复杂背景的干扰,在绝缘子故障检测中平均准确率(MAP)高达96.88％,较原始YOLOv3算法MAP值提升了4.65％.     

基于改进多点估计与最大熵的概率谐波潮流算法

随着可再生能源发电的大规模接入,电力系统中的谐波呈现出更加明显的随机性、波动性等不确定性特征。为研究电力系统的不确定性谐波水平,提出了一种基于改进多点估计与最大熵分布的概率谐波潮流算法。首先,基于离散近似理论,确定独立标准正态分布随机变量的多重采样点和权重;然后,根据随机变量空间变换,获得功率、谐波电流等任意分布随机变量的权重与采样点,并据此计算谐波电压等输出随机变量的统计特征,进而基于最大熵分布求取输出变量的概率分布。相比传统点估计结合级数展开算法,所提算法通过改进的多点估计,提升了计算效率与准确度;通过引入最大熵分布,保证了概率密度函数拟合效果。利用改进的IEEE 33节点系统验证了不同分析场景下所提方法的性能以及相比传统算法的优势,并依据该方法分析了谐波潮流计算中输入随机变量相关性对系统谐波水平的影响。