某地铁站空调负荷逆向分解方法与验证

提出采用随机森林算法对某地铁站大系统空调负荷进行分解,以便获取各子项负荷,为地铁站空调系统负荷计算、设计及运营提供一定参考.根据对冷负荷分项负荷特征的分析,选择室外参数、总冷负荷及时间对随机森林模型进行训练.训练集均方根误差为0～5.1 kW,平均误差为0～7.2％;测试集均方根误差RMSE为0～15.7 kW,平均误...     

工程机械控制器非侵入式远程调试系统研究

提出一种面向RISC-V工程机械控制器的非侵入式远程调试与监控系统。该系统基于JTAG协议,实现目标控制器的程序调试。基于HTTP协议并结合WEB服务器虚拟HMI技术,实现对目标控制器运行状态的监测。以RISC-V工程机械控制器为对象进行测试,测试结果表明该调试系统可以在非侵入的前提下实现对目标控制器的远程调试和监控目的。     

融合注意力机制的轻量级火灾检测模型

基于视觉信息的火灾检测对消防工作具有重要意义,但现阶段相关研究提出的方法大多是基于高性能的硬件设备开展,这限制了相关成果的实际应用。在YOLOv5目标检测算法基础上使用ShuffleNetv2网络为主干构造轻量化模型,并引入SIoU损失函数提高模型目标框的定位精度,同时在模型中添加Shuffle Attention注意力机制,提高在复杂环境下对目标火焰的识别精度。试验证明,与YOLOv5原模型相比,改进后的模型在实现更好识别效果的同时,参数量减少了54.2%,检测速度提升了40.5%。将模型部署嵌入式设备验证其应用效率,结果显示,模型在实现32帧/s检测速度的同时维持了较好的识别效果。     

基于非侵入式随机有限元法的地下洞室可靠度分析

提出了地下洞室变形可靠度分析的非侵入式随机有限元法。介绍了随机多项式展开的基本原理,采用 GEOSLOPE 的 SIGMA/W 模块进行确定性有限元分析。提出了随机多项式展开与 SIGMA/W 模块接口方法及其流程图,从而实现了确定性有限元分析和随机分析一体化。最后研究了非侵入式随机有限元法在地下洞室变形可靠度分析中的应用。结果表明：非侵入式随机有限元法使得随机分析与确定性有限元分析互不耦合,其计算效率是传统的蒙特卡罗模拟方法无可比拟的,它是地下洞室变形可靠度问题分析一种有效的方法。采用二次衬砌支护是提高地下洞室可靠度有效的方法。此外,岩体变形模量的变异性对地下洞室变形可靠度有非常明显的影响,而岩体重度的变异性对可靠度基本上没有影响。因此,在地质勘查中要尽可能准确地确定岩体的变形模量,从而有效地提高地下洞室变形可靠度。     

基于自注意力的排水管道缺陷检测方法

排水管网是城市的生命线。人工检测的方法,费时费力,效率低下。传统计算机视觉算法和机器学习算法仅分析了少量缺陷特征,无法满足排水管道检测准确度要求。针对以上问题,本文提出了一种基于自注意力的排水管道缺陷检测方法。该方法采用自注意力机制代替了卷积神经网络作为特征提取器,通过多层感知机和Softmax函数为缺陷图像预测分类标签,提高了排水管道缺陷检测的准确度。对比经典的卷积神经网络算法,本模型的准确度最高。以上研究证明了自注意力算法在排水管道缺陷图像分类领域的可行性,提高了检测的准确度,为排水管道检测提供了一种新思路。     

电力负荷预测神经网络模型的设计

为提高电力负荷预测精度,本文采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法 ,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点。     

考虑参数空间变异性的边坡可靠度分析非侵入式 随机有限元法

提出了考虑土体参数空间变异性的边坡可靠度分析的非侵入式随机有限元法。采用Karhunen-Loeve级数展开方法表征土体抗剪强度参数空间变异性,其中通过wavelet-Galerkin技术求解Fredholm积分方程得到相关函数的特征解。基于有限元滑面应力法计算边坡安全系数,采用随机多项式展开将隐式函数表达的安全系数替换为显式函数表达的安全系数,并编写了计算程序NISFEM。研究了所提方法在考虑土体参数空间变异性的边坡稳定可靠度分析中的应用。结果表明：提出的非侵入式随机有限元法极大地提高了考虑土体参数空间变异性的边坡可靠度分析的计算效率,为解决复杂边坡稳定可靠度问题提供了一条有效的途径。考虑抗剪强度参数空间变异性的边坡可靠度分析存在临界变异系数,其随边坡安全系数的增加而增大。当抗剪强度参数的变异系数小于临界变异系数时,忽略土体参数空间变异性将会高估边坡失效概率。当边坡安全系数小于1时,边坡失效概率并不总是随着抗剪强度变异系数的增加而增大。此外,土体黏聚力和内摩擦角随机场间相关性对边坡失效概率具有十分明显的影响。     

新型“智能非侵入式电动阀门执行器”问世

华电冈野阀门有限公司在近两年的时间里，组织一批工程科技人员利用公司的产业优势，走访了全国近二百个使用“智能非侵入式电动阀门执行器”的重点工程项目，掌握了大量的资料，对国内外生产的该种产品所存在的技术含量低、可靠性差等问题进行了针对性研究和解决。     

基于自注意力的隧道视频火灾识别技术研究

针对公路隧道火灾样本量少、深度学习效果不理想的问题,研究一种小样本学习技术,以提高对隧道火灾样本的利用率,并在此基础上利用成熟的机器学习方法,提出一种基于自注意力的隧道视频火灾识别技术。该技术采用自注意力机制结合SVM分类器搭建火焰识别模型,该模型针对各项特征对火焰识别的重要性分配不同的注意力权重,形成注意力矩阵,并将权重矩阵与特征向量的值相加权,通过SVM的Hinge Loss进行线性支持向量机分类,对公路隧道火灾进行识别和预警。在火灾识别训练过程中,通过对火焰疑似区域进行检测,并利用数据增强技术达到样本扩增的目的,随后采用多通道融合的特征提取方式构建特征向量,输入设计的自注意力火焰识别模型中,通过梯度下降优化器进行小批量模型训练,降低迭代次数,最终获得最优特征权重参数,得到最佳识别模型。试验结果表明,该方法在模型训练时收敛较快,在火焰识别时相比未使用小样本学习的传统SVM算法,准确率提高了5%,因此能在小样本环境下有效提高火灾识别的准确度。     

基于随机森林的空调冷负荷逆向分解方法

提出基于随机森林算法的冷负荷逆向分解方法。介绍该方法的步骤,结合某办公建筑实例对该方法的分解效果进行验证。建立随机森林冷负荷分解模型,将冷负荷逆向分解为围护结构负荷、人员负荷、灯光设备负荷和新风负荷。导入典型气象年数据,利用Energy Plus软件计算得到办公建筑的全年逐时负荷(含总负荷和分项负荷),干球温度、湿球温度来自典型气象年数据。将时刻、冷负荷、干球温度、湿球温度作为模型输入,人员负荷、新风负荷、围护结构负荷、灯光设备负荷作为模型输出对模型进行训练和测试。以均方根误差、日平均相对误差的平均值作为评价指标,对随机森林冷负荷分解模型的分解效果进行评价。随机森林冷负荷分解模型可准确实现负荷分解,分解精度较高。4项负荷分解结果中,就均方根误差来看,人员负荷分解精度较高,围护结构负荷分解精度偏低;当以日平均相对误差的平均值为判断标准时,围护结构负荷分解结果偏离模拟值程度较小,人员负荷偏离模拟值程度较大。     

基于极限学习机的电力短期负荷预测

本文首先对人工神经网络中的单隐含前馈神经网络和极限学习机(ELM)的基本原理和理论进行了概述,然后将极限学习机算法与粒子群算法结合,利用粒子群优化算法(PSO)对极限学习机的参数进行优化,将PSO和ELM的优点结合在一起,使其具备参数调整简单、可以在全局范围寻优、泛化能力强等特点,最后使用基于粒子群算法优化极限学习机的预测模型,在具体数据中进行算例分析,确定预测模型的可行性。     

非完全自灌式消防系统的安全隐患和防治措施

从对规范关于自灌式吸水的解释出发,分析了按规范要求所设计的非完全自灌式吸水消防泵系统存在的消防安全隐患,并提出提高其安全可靠性的措施,以保证在火灾延续期内任何时间都能迅速启泵。     

基于混合pi-sigma网络的短期电力负荷预测

本文提出了一种短期电力负荷的混合pi-sigma模糊神经网络回归预测方法。该方法根据短期电力负荷的周期性,利用混合pisigma模糊神经推理功能,对欧洲电力负荷进行预测。该模型以高斯基函数作为模糊子集的隶属度函数,在线动态调整隶属度函数和结论参数。实例表明,本文提出的混合pi-sigma网络电力负荷预报方法优于常规时序预测方法,具有物理意义透明、预测操作方便,精确度高以及预测结果确定等特点,克服了神经网络电力负荷预报方法的不确定性。仿真实验结果验证了所提模型和方法的有效性。     

基于神经网络法的自锚式悬索桥可靠度研究

自锚式悬索桥造型美观,且不需要庞大的锚碇。其将主缆锚固于加劲梁上,受力发生了极大的变化。因此,研究自锚式悬索桥的可靠性十分必要。采用BP神经网络法拟合可靠度计算的极限状态函数,引入粒子群算法优化神经网络法的初始权值,实现函数拟合的双优化,新算法则利用MATLAB编程实现。极限状态函数显化后,结合蒙特卡洛法计算自锚式悬索桥在正常使用极限状态下的可靠度。     

基于LSTM-BPNN混合模型的天然气负荷预测研究

准确的天然气负荷预测对燃气公司的生产运营、调度规划和安全供气至关重要。传统的天然气预测模型往往无法充分利用输入特征之间的时序相关性,这限制了它们的预测精度。因此本文提出了一种基于长短期记忆神经网络(LSTM)和反向传播神经网络(BPNN)的混合模型用于天然气负荷预测,其中LSTM用于对输入特征进行重编码,BPNN用于学习重编码特征和用气量之间的映射函数。该方法充分利用了LSTM的时序特征提取能力和BPNN的拟合能力,旨在对用气量进行更准确的预测。本文采用浙江某天然气门站1年用气数据对该方法的性能进行了验证。结果表明,与极端梯度提升树、BPNN和LSTM相比,该方法具有更高的预测精度。     

基于BIM技术的自锚式悬索桥健康监测

本文以自锚式悬索桥为例,通过将Revit构建的BIM模型与传统健康监测技术结合,实现了监测系统三维模型可视化;通过将传感器族布设在BIM模型实现测点的三维可视化;通过建立采集传输模块,实现数据的实时收集;通过将传感器族的唯一ID和传感器编号关联实现监测数据的可视化;通过测点监测数据与传感器族阈值属性比较实现三维实时预警显示。     

基于PSO-SVM模型的短期电力负荷预测研究

文章分析了影响电力负荷的因素,对现存的短期电力负荷预测方法进行了研究,采用粒子群算法对支持向量机进行参数寻优,建立了基于粒子群优化的预测模型,并对短期电力负荷进行预测仿真,为精准且快速地预测短期电力负荷提供了有效的方法。通过实例分析验证了该模型在电力负荷中的预测精度,结果显示其精度值较高。     

基于递进式级联卷积神经网络的混凝土裂缝识别方法

基于深度学习的卷积神经网络方法是目前图像裂缝识别鲁棒性较高的方法,主要分为滑动窗口法和图像分割法。滑动窗口法存在后期阈值分割裂缝精度不高的问题;全局图像分割法存在裂缝区域数据和背景区域数据严重不均衡问题,会对裂缝分割精度产生影响。采用了基于递进式级联卷积神经网络的方法对混凝土表面裂缝进行识别:首先采用全卷积神经网络一次性判断图像中所有密集重叠窗口区域内是否含有裂缝,然后将含有裂缝的窗口区块提取出来作为感兴趣区域,再基于轻量化的U-Net图像分割网络作用于感兴趣区域,将裂缝区域精确地提取出来。试验结果表明,所提出的基于递进式级联卷积神经网路的裂缝识别方法优于直接使用滑动窗口法和全局图像分割法,有着可靠的应用前景。     

基于时间序列和灰色模型的短期电力负荷预测

针对短期电力负荷预测,从不同研究角度出发,分别构建了时间序列ARIMA模型和基于相似日的灰色预测GM(1,1)模型,使用SPSS、MATLAB等软件编程,得出不同模型下所研究地区未来七天内各个时点的电力负荷预测值,并对其精度进行了检验。结果表明两种模型下的预测结果精度较高且各具优点,在实际应用中,可根据短期电力负荷的具体特征和预测要求,灵活的选择模型加以应用。