卷积神经网络对变电站风机远程控制的调度优化

针对变电站风机远程控制的问题,提出一种基于卷积神经网络的调度优化方法.首先收集风机的运行功率、温度、湿度以及电压等数据;然后利用卷积神经网络理论计算已收集数据,并得到风机的运行状态;最后依据风机运行状态,对智能用电开关、智能空开进行远程控制.研究结果显示,基于卷积神经网络的远程调度方法能全面了解风机运行状态,数据拟合度和压缩率较高,并对风机进行精准的远程调度,而且响应时间较短.     

基于风机叶片缺陷的超声波检测方法分析

作为风力发电机的关键部件,叶片质量至关重要,目前风机叶片缺陷检测主要采用无损检测方法,如超声波、红外热波、声发射波及X射线检测,针对叶片深层缺陷、裂纹和分层等缺陷难以有效检出等问题,结合风机叶片典型结构和常见缺陷,通过设置叶片试件不同位置、不同类型的人工缺陷,采用超声波对人工缺陷进行检测,检测试验结果表明,超声波检测方...     

基于深度学习的风机叶片边缘检测

利用传统视觉算法提取叶片边缘易受地平线或非目标风机的干扰对提取结果造成误差。针对这一问题,提出一种基于显著性及改进双向级联网络的检测算法,该算法可排除地平线及背景影响,获取完整边缘信息。其中,显著性检测网络模拟人的注意机制,提取视场重要信息,将目标风机与背景分离;改进双向级联网络在原有结构新增尺度选择模块,优化不同层之间特征共享,精确检测不同尺度的边缘,完整获取目标轮廓。利用某风电场无人机采集的实验数据,对识别性能评估得出该方法具有足够的精度,可在不同环境中准确识别叶片轮廓。     

无人机在风机叶片检测中的应用

介绍了无人机的分类及特点,分析了风机叶片的故障种类、检测方式及无人机应用于叶片检测的特点等,最后通过实例说明无人机在风机叶片检测中具有操作简单、维修方便、效率高等优点。     

基于机器视觉的风机叶片缺陷检测

针对风机叶片缺陷难以检测的问题,提出一种基于机器视觉的风机叶片缺陷检测方法.首先,使用非局部均值方法去除图像中的背景噪声,同时平滑缺陷边缘;其次,使用自适应对比度增强方法进行图像增强,提升图像的整体质量;然后使用双阈值 OTSU 大津法分割增强后的图像,提取得到缺陷区域;最后,使用 Canny算子和形态学 变换对缺陷区域进行边缘检测,得到缺陷区域定位.试验结果表明,该算法具有一定的有效性和准确性.     

基于改进卷积神经网络的火灾实时检测方法

针对火灾检测时间长,影响最佳抢救时间的问题,设计了基于改进CNN的火灾实时检测方法。提取火灾图像数据,充分分析火势与烟势;基于改进CNN构建火灾检测模型,缩短检测时间,提高火灾检测精准度,进而实现火灾高效检测。采用对比实验的方式,验证该方法的检测时间较短,可符合实时性需求,极具推广价值。     

基于 EfficientDet 的风机叶片缺陷检测方法

受工作环境恶劣等原因影响,风机叶片常会出现裂纹、凹坑等缺陷。针对当前常用目标检测算法对风机叶片小尺寸缺陷检测准确率低的问题,提出一种基于EfficientDet算法的风机叶片缺陷检测方法。首先采集图像数据并建立Pascal VOC格式的风机叶片缺陷图像数据集,然后对EfficientDet算法中的主干特征提取网络进行改进,减少向下采样次数并调整有效特征层从而增强主干特征提取网络对小尺寸缺陷的检测能力,同时为特征融合网络增加融合路径提升算法的多尺度特征融合能力,选用FReLU作为激活函数实现像素级空间信息建模,并通过Mosaic数据增强和Focal Loss损失函数增加小尺寸缺陷样本对于检测器的贡献。在建立的风机叶片缺陷图像数据集上的测试结果表明改进后的算法模型平均类别精度达到了96.15%,相较于原版的EfficientDet提升了3.77%,对小目标的检测性能有明显提升。     

基于光纤传感技术的风机叶片故障检测技术研究进展

叶片是风电机组的重要组成部分,承担着捕获风能的重要功能,一旦损伤必然导致风机停机,对其进行状态监测十分必要。对风机叶片的监测主要采用无损检测技术,传统方法大都基于电子测量原理,具有抗电磁干扰能力差、无法实现分布式测量等缺点。文中在对比传统无损检测技术灵敏度、效率、抗干扰能力等指标的基础上,重点分析和研究了光纤传感技术用于风机叶片监测的现状。从测量原理、传感器结构、应用实施方法、监测效果等方面,分析了FBG、BOTDA、OFDR以及干涉型光纤传感技术的研究进展,最后重点分析了光纤形状传感技术在风机叶片监测中的应用研究现状、存在的问题及未来发展趋势。     

基于可变形卷积神经网络的遥感图像飞机目标检测

遥感图像中的飞机检测在民用和军事应用中都是一个重要且富有挑战性的任务。针对现有目标检测算法在复杂场景中旋转不变性差的问题,提出了一种多尺度可变形卷积神经网络用以检测飞机目标。该方法通过将可变形卷积适当地嵌入到特征金字塔来构建可变形特征金字塔,使得金字塔可以自适应的调整卷积过程中的空间采样位置,在进行飞机检测时具有一定的旋转不变性,且在各种复杂场景中也更加可靠。同时,根据训练集中的目标尺寸设计锚点尺寸并引入焦点分类损失以有效地关注难分类样本。该方法在公共UCAS-AOD数据集获得了97.39%的平均精度与RetinaNet模型相比提高了1.59%,并优于R-FCN、YOLOV2等其他流行方法,证明了该方法的有效性和准确性。     

基于一维卷积神经网络的癫痫发作检测

癫痫是一种最常见的危及生命且具有挑战性的神经系统疾病。癫痫脑电信号复杂多样,人工检测癫痫信号耗时耗力,误判率高,不同的医务人员检测出来的结果也不相同,而且临床的原始脑电数据经常会包含多种噪音和生理伪迹,干扰癫痫检测性能。因此,非常有必要进一步研究高效可靠的癫痫自动检测技术,从而减轻医护人员负担。本文针对来自中国301医院收集的临床原始脑电数据进行分析训练,引入了一种基于一维卷积神经网络具有连续双层卷积结构的模型,可以高效稳定地检测到癫痫信号。结果为灵敏度、特异性、准确率和F1-score分别达到96.8%、99.8%、99.6%和96.1%,而且利用GPU进行模型训练的运行时间比对比模型低2到3倍。结果表明,本文引入的基于一维卷积神经网络模型优于现有方法,在癫痫检测性能上高效稳定,对癫痫的辅助诊断具有重要意义。     

风机叶片材料雷击热损伤特性及损伤机制的分子动力学研究

随着风力发电的发展,风机面临愈加严峻的雷击风险。该文对2种常用叶片材料实际成分进行计算并据此建立分子体系模型,采用分子动力学研究手段对其进行雷击损伤的定量研究,揭示其热解损伤、气体膨胀损伤和机械强度损伤特征。分子动力学研究结果表明轻木具有更好的热稳定性、更高的刚度,并受气体膨胀损伤最小。对2种夹层材料的风机叶片样本进行大电流冲击实验印证了分子模拟的结果。但实验显示轻木叶片样本的分层现象更明显,主要因为材料结构孔隙大降低了粘合度。综上所述,轻木相较于PVC具有更好的热稳定性和更强的耐雷击能力,但制作夹层材料时应提高粘合度,以削弱雷电弧热效应造成的分层现象。     

基于卷积神经网络的苹果缺陷检测算法

苹果的外观是评价苹果品质的重要特征.由于苹果的果萼与果梗的影响,机器视觉技术检测苹果的外观缺陷一直是研究的难点,提出了基于卷积神经网络(CNN)的苹果分块缺陷检测算法.首先改进了一种基于RGB彩色分量算术运算的背景分割算法;然后采用64×64步长为32的窗口对前景进行分块处理,以正常、果萼、果梗、边界图像块为正样本,以腐烂、疤痕、虫伤等缺陷统一为负样本,采用渐进式学习方法确定训练样本数目.正常与缺陷苹果各150个作为测试数据.实验结果表明,该算法的检测速度为5个/s,且正确率高达97.3％.     

基于稀疏轻量卷积神经网络的管道泄漏检测

针对传统供水管网泄漏检测问题,本文提出了一种基于稀疏轻量卷积神经网络的管道泄漏检测算法。首先通过声音传感器采集管道泄漏的声音信号,经过立体声转换、重采样、长度对齐等预处理操作后,将其转换成梅尔频谱图。然后,构建一种稀疏轻量化的卷积神经网络模型来对梅尔频谱图进行特征抽取和泄漏检测。针对声音特征图的稀疏和时延性质,本文采用Inception网络结构来进行提高模型的特征抽取能力。此外,因为该模型需要被部署到边缘侧,因此设计了一种基于SqueezeNet的轻量化卷积神经网络模型来减少模型的参数,降低模型复杂度。实验结果表明,提出的管道泄漏检测算法在保证复杂度较低的同时具有较高的识别准确率。     

基于多尺度局部对比度的海上风电风机叶片异常点检测∗

针对传统方法在海上风电风机叶片砂眼等损伤异常点检测虚警率高的问题,提出了一种基于多尺度局部对 比度的风机叶片异常点检测方法.首先通过Facet-Kernel滤波对图像进行预处理,抑制背景杂波,突出异常点;其次 通过多尺度局部对比度计算,准确提取异常点位置;最后通过自适应阈值分割提取损伤异常点.实验结果表明,该方 法具有较好的检测结果,拥有有效性及鲁棒性.     

基于SSD算法优化的风机叶片缺陷检测研究与应用

风机叶片在运行过程中,由于环境和高速旋转等原因会产生各种缺陷,这些缺陷直接影响风机发电量,严重者甚至导致叶片产生不可逆的损伤,带来巨大的经济损失。针对风机叶片的缺陷识别和检测,采用优化后的SSD(单步多框目标检测)算法,该算法从采集的缺陷样本中自主学习叶片缺陷特征,实现风机叶片缺陷的自动检测、定位和分类。最终在测试数据集上达成mAP(平均精度均值)为82.1%,召回率为90.3%。该算法已应用于企业级项目中,实践证明深度学习算法在企业级项目中具有很好的鲁棒性和商业价值。     

基于卷积神经网络和简单循环单元集成模型的风电场内多风机风速预测

在传统风电场风速预测中,往往将风电场视作一个整体,进而给出较大空间尺度下的单一整体风速预测结果。但在实际风电场中,多台风机分布在不同的地理位置上,其各自的本地风速也存在明显差异。对此,该文提出一种通过学习历史风速和历史风向中空间相关性和时间相关性,从而实现不同地理位置上多风机各自本地风速的预测方法。该方法首先利用卷积神经网络(CNN)提取空间相关性信息,然后将蕴含空间信息的特征序列交由简单循环单元(SRU)处理,进而学习时间相关性信息。风速和三角函数化的风向构成类似于RGB图像结构的三维矩阵。CNN非常适合处理RGB图像类型的数据,故使用CNN提取多风机的风速和风向在同一个时刻下的空间信息。与其他循环神经网络相比,由于SRU可大幅减小计算代价,故使用SRU提取多风机的风速和风向随时间变化的动态信息。在实际风电场数据上的仿真测试表明:在多个不同的预测时域下,该方法与现有利用时空相关性的预测方法相比,不仅显著减小了计算代价,而且提高了预测的准确性。     

基于卷积神经网络与ECOC-SVM的输电线路异物检测

输电线路悬挂异物会引发输电线路单相接地、相间短路等停电事故,因此本文提出一种基于卷积神经网络与ECOC-SVM的输电线路异物检测方法。首先,本文构建气球、风筝、塑料和鸟巢4种输电线路异物图像数据集;然后采用Otsu自适应阈值分割、形态学处理等方法提取感兴趣区域;再利用DenseNet201提取感兴趣区域的特征;最后对ECOC-SVM模型进行训练、测试与结果分析。所用方法在4类异物上的平均识别准确率可达93.3%,有助于提高输电线路运维的效率。     

基于卷积神经网络的绝缘子RTV喷涂缺陷检测方法

绝缘子室温硫化硅橡胶(room temperature vulcanized silicone rubber, RTV)涂层的二次喷涂可以有效延长绝缘子的使用寿命,保障电力系统的安全运行。针对喷涂质量的评估问题,提出一种基于卷积神经网络的RTV喷涂缺陷自动检测方法：首先构建绝缘子RTV喷涂区域提取网络模型,对绝缘子RTV喷涂区域进行精确分割;然后构建绝缘子RTV喷涂缺陷检测网络模型,对5种喷涂缺陷进行语义分割。实验结果证明,所构建的喷涂缺陷检测网络模型在评价指标上优于主流的语义分割网络,具有良好的性能,能够满足应用需求。