基于自适应深度学习模型的变压器故障诊断方法

为提高变压器故障诊断的准确率,提出一种基于自适应深度学习模型的变压器故障诊断方法。该方法采用油中溶解气体作为故障诊断特征量,基于深度学习理论构建诊断模型。为解决传统基于固定学习率的深度学习模型训练过程中收敛速度慢、收敛精度低的缺点,提出一种自适应深度学习模型构建方法,该方法可根据迭代进程变化特性对学习率进行自适应调整,有效提高了深度学习模型的训练精度及速度。基于实例确定了变压器故障诊断自适应深度学习模型隐层层数、学习率调整系数等参数。实验结果表明,该方法特征提取及分析能力强,具有更好的收敛速度及收敛精度,可有效提高变压器故障诊断的正确率。     

改进的变步长自适应谐波检测算法

基于自适应对消原理的自适应谐波检测算法因其优良的性能被广泛应用于有源滤波器,但该算法存在无法平衡稳态精度和收敛速度方面的不足。针对此不足,文中基于箕舌线函数和三阶权值系数提出了一种改进的变步长(Least Mean Square,LMS)谐波检测算法。该算法利用误差信号的自相关平均估计获得期望误差估计均值,并通过改进的箕舌线迭代函数作为核心函数来调节步长更新,之后通过推导出来的三阶权值公式代替传统的权值迭代。仿真实验结果表明,该算法在谐波检测中不但具有较快的收敛速度,也能获得较高的稳态精度。     

一种改进的自适应谐波电流检测方法

针对现有的基于双曲正切函数变步长LMS算法的谐波电流检测仍存在稳态误差和收敛速度不能同时满足要求的问题,分析了一种在基于双曲正切函数变步长LMS算法的基础上改进的变步长算法,利用误差的时间均值估计建立步长与误差之间的新型双曲正切函数关系以控制步长的更新,降低稳态误差,提高算法的检测精度。并且同时对权值采用两次迭代更新,将两次迭代的结果作为新的权值,以加快权值的更新速度,提高算法的收敛速度。该算法具有较高的检测精度的同时还有较快的响应速度。Matlab/Simulink的仿真结果证明了该算法用于谐波电流检测具有很好的效果。     

用神经网络法预测特大型电网短期负荷的初探

影响特大型电网短期负荷的因素十分复杂,负荷变化属非平稳的随机过程.用神经网络BP算法并采用变步长、加动量因子以及不等权、半随机初始解等方法,使迭代迅速收敛,减小预测误差、提高学习精度;用目标误差作为结束网络迭代条件;用测点模型矩阵预测不同季节、不同时段的负荷,在短期负荷预测中取得较满意结果.     

基于配网功率预估的输配网全局潮流计算

在输配网全局潮流计算中,当前的需求是有效减少配网潮流计算量并保证收敛精度。对此,提出一种基于配网功率预估的输配网全局潮流计算方法。首先,建立边界点交互功率预估函数,在此基础上构建主从迭代和预估迭代交替使用的输配网潮流计算模型,通过主从迭代得到配网功率和边界点电压,求解功率预估函数参数进行预估迭代,减少了主从迭代次数。在潮流迭代的过程中不断修正预估函数,使功率预估值不断逼近真实值,保证了潮流的收敛精度。采用修正函数对配网潮流计算初值进行修正,使初值更接近真实值,减少了每次主从迭代中配网子迭代次数。仿真及其分析表明,所提方法在提高计算速度方面效果非常显著,同时计算结果具有很小的误差。     

基于分数阶Tikhonov正则化方法的 电弧反演研究

有触点开关电器在分断电路时将不可避免地产生电弧。该文建立了直动式触头系统开断下的三维电弧模型,将电弧假设为电流折线集合。基于毕奥萨伐尔定律,通过正演分析获得电弧周围测磁平面的磁场分布,并根据磁场反演电弧电流密度分布。为了提高电流重建精度,采用Tikhonov正则化方法求解基于电磁逆问题建立的不适定方程组。考虑到标准Tikhonov正则化方法的最小二乘解由于滤波算子的作用而丢失重建数据的细节使得解过于平滑,采用分数阶Tikhonov正则化方法来提高解的精度,并基于Morozov偏差准则求取正则参数。反演结果表明,通过降低阶数α可减缓滤波算子的收敛速度,提高解向量范数而逼近精确解。同预设值相比,在施加标准差为0.001的测磁干扰下,电弧反演的最大相对误差为21.16%,平均相对误差为8.99%,重建精度高于标准Tikhonov方法与截断奇异值分解法,反演结果能够反映电弧分布趋势。     

用于土壤分层电阻率模型反演的人工蜂群结合混沌搜索算子及混沌算法

土壤结构参数的测量与反演是接地设计中的重要环节。为此基于求解土壤分层模型电位分布的高阶复镜像法以及土壤模型结构反演的原理,开发了基于直接搜索法的土壤分层结构反演算法。进而在人工蜂群算法的基础上,加入混沌搜索算子和混沌池,提出了1种用于土壤分层结构反演的混沌池人工蜂群算法,增强了反演算法的局部搜索能力和全局搜索能力。计算表明,较用于反演土壤分层结构的遗传算法,提出的算法拥有更小的反演误差,最大可以将反演的均方根误差缩小到遗传算法的1/10。通过对比几种基于直接搜索的算法,证明了该算法在收敛速度以及寻优能力上的优势,比遗传算法更加适合作为土壤结构反演的算法。     

基于鲁棒迭代学习的永磁直线电机控制

针对永磁直线电机速度和位置迭代学习跟踪控制中,由测量扰动引起的跟踪误差有界收敛问题,提出一种带有衰减因子的鲁棒迭代学习控制算法.采用λ范数方法分析鲁棒迭代学习控制算法的收敛性,理论结果表明,鲁棒迭代学习控制算法可以保证跟踪误差收敛到零,而P型迭代学习控制算法仅保证直线电机速度和位置的跟踪误差收敛到一个与扰动信号上界有关的域内.仿真结果表明,所提出的鲁棒迭代学习控制算法可以有效抑制测量扰动,获得较好的跟踪性能.带有衰减因子的迭代学习控制方法是一种抑制非重复测量扰动的有效方法.     

永磁同步电机位置伺服系统迭代学习控制

为了解决永磁同步电机位置伺服系统中的高阶非线性、强耦合性以及外部干扰,从而获得期望的跟踪精度,根据永磁同步电机位置伺服系统模型的特殊性提出了一种改进型迭代学习控制方法。有别于传统迭代学习控制方法中对系统误差求一阶导数,改进型迭代学习控制算法对误差求二阶导数后,设计D-型迭代学习控制策略,利用数学知识严格证明了算法收敛性,并推导出其收敛条件。算法解决了传统控制难以实现高精度永磁同步电机位置伺服的问题,利用迭代学习控制策略,使得系统能够达到期望的跟踪精度。仿真和实验结果表明了该算法的有效性。相较于传统方法,迭代学习控制策略误差更小,精度更高。     

抛物线类渠道断面收缩水深的计算通式

为了得到抛物线类渠道收缩水深的显函数计算通式,该文首次提出基线函数增量法的概念并采用该方法确定函数的参数。通过对抛物线型渠道断面收缩水深的基本方程进行恒等变换,取得简单快速收敛的迭代公式;根据无量纲收缩水深与已知量综合参数之间的数值分析,采用基线函数增量法确定迭代初值函数中的参数并应用迭代理论,得到了n次抛物线型渠道收缩水深的直接计算通式。误差分析及实例计算表明,在工程常用范围即无量纲收缩水深α∈(0,0.5]范围内,在工程常用抛物线指数n∈[1,5]范围,收缩水深最大相对误差小于0.52%,在抛物线指数n∈[1,100]范围内,收缩水深的最大相对误差小于0.85%,计算公式形式简单、精度高、通用性强。     

基于改进 SIFCM 和区域生长的三维 CT 图像缺陷体积测量

针对工件三维CT图像中孔洞和空腔缺陷体积测量问题，本文提出了一种基于改进型空间直觉模糊C均值聚类(NL-SIFCM)和三维区域生长的内部缺陷体积自动测量算法。首先对采集得到三维CT图像进行预处理；随后使用NL-SIFCM在三维CT图像上分割得到二值化缺陷图像组，同时针对三维CT图像切片间具有空间相似性改进得到快速算法；最后对二值化图像组进行三维区域生长得到缺陷体素数和空间结构，并将缺陷空间结构显示于三维可视化软件中辅助检测人员分析缺陷。实验结果表明，对用于模拟缺陷的标准球体积测量值相对误差在1.0%以内，具有较高测量精度；并通过实际工件检测验证了该算法适用性可有效满足CT检测需求。     

能级效率显式矩阵算法

提出了多能级蒸汽循环能级效率的显式矩阵算法,可根据主循环参数直接求取能级效率,无需进行迭代。提出了热力循环的标准模型,反映了多能级蒸汽循环的共性。标准模型中只包括锅炉、汽轮机、再热器、凝汽器和回热加热器,给水泵作为标准循环的补偿过程来考虑。实际热力循环可以看作是标准循环在结构和参数上的偏离。以标准循环为基准,可以求出热力循环结构和参数变化时对性能指标的影响。提出了能级之间存在能量耦合时的处理方法,可以求出跨能级能量交换问题对性能指标的影响而无需提出新的热力循环模型。     

一种基于改进YOLOv4的SAR舰船检测算法

在大量数据支持的背景下,如何高效利用大量SAR图像,提升舰船目标的检测精度是当前舰船目标检测的难题。本文聚焦如何提升YOLOv4算法对SAR舰船目标的检测精度,提出了一种融合多尺度和注意力增强的YOLOv4增强算法。在原YOLOv4的PANet中加入注意力模块（CBAM）,同时使用加强的K-means聚类算法对数据集中的舰船目标真实框进行聚类,并对锚框结果进行线性比例变换,让算法锚框更适合于训练集。实验证明本文提出的算法在SAR舰船检测中的平均准确率（）达到了94.05%,比原始YOLOv4精度提高了0.7%。实验结果充分证明本文提出的算法能够提升SAR舰船图像检测精度,为海上活动判断精确化提供技术支持。     

基于高分辨率SAR影像和深度学习的输电杆塔智能识别研究

近年来,强降雪、洪涝等极端气象灾害频发,对输电线路安全运行造成巨大挑战。星载合成孔径雷达技术(SAR)技术作为一种广域、全天时、全天候的新型感知技术,可实现大范围输电线路受灾情况的快速评估。针对复杂背景下的高分辨率SAR影像中的电塔识别问题,文章提出一种结合YOLO v2和VGG模型级联的Two-Stage目标检测算法。在Stage-1阶段,基于YOLO v2对整景SAR影像进行电塔检测;在Stage-2阶段,基于VGG对Stage-1的检测结果进行假阳性消除。以2018年1月强降雪后某地的COSMO影像为例进行测试,结果表明电塔召回率可达85. 7%,证明文中方法可较准确地识别整景SAR影像的电塔目标。     

一种基于参数估计的运动舰船SAR成像方法

海面舰船不仅存在自身动力带来的平移运动,还受风浪等影响存在摇摆运动和振荡运动等复杂运动形式,传统SAR成像算法难以获得聚焦舰船图像,首先建立了海面振荡舰船和摇摆舰船的SAR成像几何模型,在此基础上了推导并分析了回波信号特点,针对回波特点提出了基于附加多普勒参数估计与补偿的舰船成像方法,使用平滑伪魏格纳分布（SPWV）提取并估计附加多普勒参数,能够明显改善振荡舰船和摇摆舰船SAR成像的聚焦效果,最后通过仿真实验证明了该方法的有效性。     

一种改进的梯度加速Landweber算法及其在ECT图像重建中的应用

图像重建算法是电容层析成像技术(electrical capacitance tomography, ECT)在工业应用中的关键。Landweber迭代算法在图像重建的精度和速度上取得了较好的折衷性,但其收敛速度较慢,且迭代后期具有不稳定性,无明确的迭代停止准则。提出一种改进的梯度加速Landweber迭代算法,依据级数理论对梯度加速Landweber迭代算法进行深入分析,通过构造残差矩阵并添加约束因子获得新的迭代公式,并将其应用于ECT图像重建。数值仿真结果表明,改进算法对各流型的相对误差及相关系数均可在较少次迭代后稳定收敛于某一确定值,具有明确的迭代停止准则,且对于大多数流型的重建图像在主观质量上更接近于原始流型,从而验证了改进算法的稳定性及有效性。     

基于改进 KCF 算法和多特征融合的车辆跟踪研究

针对目前车辆跟踪研究算法中,核相关滤波算法(KCF)在复杂背景下存在特征提取单一以及尺度无法自适应的不足,本文提出一种多特征融合的尺度自适应算法。该算法以颜色直方图信息作为颜色特征,将具有更多语义信息的高层卷积特征和拥有较高分辨率的底层卷积特征作为深度特征,并与颜色特征进行自适应特征融合。然后,采用上下文图像对目标背景信息进行约束优化,并通过平均峰值相关能量检测衡量响应置信度,最后利用高置信度的跟踪结果来避免模型易受干扰的问题。通过在OTB100数据集上的实验表明,本文算法的精度分别比其他的主流跟踪算法Staple、SAMF、KCF、TLD、DSST和CSK高出4.9%, 5.7%, 10.2%, 10.3%, 23.4%, 29.7%。     

弧底梯形明渠临界水深的直接计算公式

弧底梯形渠道是由底部圆弧段与上部梯形段边坡相切组成的几何断面,其临界水深方程为超越方程及高次方程不容易直接求解。该文首先引入判定水深位置的分界流量,并对其临界水深方程进行数学变换,根据迭代理论提出了无量纲水深及无量纲水面宽度的快速迭代公式,进而得到弧底梯形明渠临界水深的直接计算公式。误差分析及实例计算表明：在全部水深范围内,临界水深的最大相对误差小于0.122%,公式形式简单,计算精度高,便于工程应用。     

基于神经网络的星敏支架指向倾角监测方法

针对星敏支架热致变形导致其指向精度降低的问题,提出了一种基于神经网络的指向倾角监测方法。 首先,分析星敏 支架结构特征,搭建星敏支架指向倾角预测系统,采集星敏支架结构形变和倾角变化数据,并对实验数据进行预处理;其次,构 建深度神经网络模型,将星敏支架模型各测量点的应变信息作为输入变量,并使用 Adam 优化算法更新网络参数,经训练迭代 后得到指向倾角预测模型;然后针对传统深度神经网络收敛速度慢、容易产生局部最小值等局限性,使用遗传算法对深度神经 网络的超参数进行优化,以提升神经网络的训练速度;最后使用测试集数据对星敏支架指向倾角变化进行预测,分析该模型在 不同温度条件下对星敏支架指向倾角监测的准确率。 实验结果表明,优化后深度神经网络模型的指向倾角预测方法的平均误 差为 0. 20″,且倾角预测精度明显优于传统算法,证明利用深度学习方法实现星敏支架指向倾角监测具有可行性。     

基于数据增强的太阳能电池片缺陷检测

针对太阳能电池片缺陷数据量匮乏造成的网络过拟合和模型性能不达标的问题,提出基于深度卷积对抗生成网络和图像随机拼接的真假数据融合算法,将训练数据量提升了800倍;同时对网络模型进行轻量化优化,减少模型训练参数。实验结果表明,经过真假数据融合扩充数据集后训练的模型测试精度相比原始训练集和传统数据增强算法分别提升了近30%和17%;轻量化处理后的模型参数减少为之前的1/2,对每张图片的测试时间由57 ms缩短到22 ms。研究证明,真假数据融合算法能够有效的缓解训练数据不足造成网络过拟合问题;轻量化优化模型在保证精度的同时,压缩模型大小,加快测试速度。