基于聚类分析和状态估计的制粉系统故障预警

状态监测可大大降低发电设备的维护成本.将基于非线性状态估计的状态监测方法用于发电机组制粉系统.采用一种改进的内存矩阵的构造方法,能够很好地覆盖制粉系统的正常运行空间.当估计的模型和实际测量值之间相差很大时表明状态异常.通过提取正常工况下的监测参数的聚类中心,计算估计值与聚类中心的相似性测度值,确定风机工作状态.根据国内某机组某直吹式制粉系统的实时数据验证,仿真结果表明此方法可以有效地实现早期故障预警.     

基于改进Mask R-CNN的变电设备红外图像实例分割算法

红外图像中变电设备的分割精度直接影响着故障诊断的结果，针对复杂红外背景下变电设备边缘分割不精细、分割精度低的问题，提出了一种基于改进Mask R-CNN模型的变电设备红外图像分割方法。首先将ResNet特征提取网络中部分残差模块的标准卷积替换为可变形卷积，然后对空间注意力机制模块和通道注意力机制模块并行连接，并在这两个模块中加入可变形卷积，最后改进Mask R-CNN掩膜分支的损失函数，对目标边缘分割的精细度进一步优化。该方法能够有效提高模型对红外图像中变电设备几何特征多样性的适应能力，并减轻模型对背景等干扰特征的关注。在变电设备红外图像数据集上进行实验，结果表明，相比于Mask R-CNN基准模型，该方法的AP_50:95、AP₅₀和AP₇₅提高了3.5%、1.0%、4.2%,表明该方法能够显著提高红外图像中变电设备实例分割的准确率，有效解决边缘分割不精细的问题。     

基于Web技术的电力信息服务网站的研究与实践

信息化是电力行业的发展趋势，以Ｗｅｂ技术为基础，建立了面向电力行业的信息服务站点，信息服务系统采用两级框架结构，面向３个方面用户对象，５种不同的用户信息交互方式，经３个多月的实践表明网站的建设满足了许多电力行业的需求，在用户间建立起了一条新的信息交流渠道，取得了令人满意的效果，具有很好的衫和价值和发展前景。     

基于多类支持向量机的汽轮发电机组故障诊断

故障诊断发展的瓶颈之一是故障样本的缺乏，而不仅在于诊断方法本身。支持向量机方法是专门针对小样本情况的，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值。该文分析了多类支持向量机的DAGSVM算法，时于σ的取值，提出了基于错分样本数的变增量迭代算法，在小样本情况下时汽轮发电机组故障诊断进行了仿真研究，结果表明了该方法的有效性。     

火电厂仿真机中的DCS仿真方式与关键技术

本文全面地分析和总结了国内火电厂仿真机中的DCS仿真方式和技术,从多个角度对仿真方式及虚拟DCS技术进行了细致的分类,阐述了不同方式的优缺点,分析了实现虚拟DCS的关键技术,总结了不同DCS产品在国内火电厂仿真机中的应用情况,介绍了采用虚拟DCS技术的仿真机上可以实现的先进功能,最后对该领域的发展方向和进一步研究进行了展望。     

支持向量回归在内模控制中的应用研究

提出支持向量回归内模控制的设计方法采用支持向量回归在线辨识算法建立被控对象的正模型,并利用先离线再在线辨识的方法建立被控对象逆模型.对非线性慢时变系统进行仿真研究,与其它方法的仿真比较结果表明SVR-IMC具有更好的控制性能.     

基于反卷积和特征融合的SSD小目标检测算法

由于小目标的低分辨率和噪声等影响,大多数目标检测算法不能有效利用特征图中小目标的边缘信息和语义信息,导致其特征与背景难以区分,检测效果差。为解决SSD(single shot multibox detector)模型中小目标特征信息不足的缺陷,提出反卷积和特征融合的方法。先采用反卷积作用于浅层特征层,增大特征图分辨率,然后将SSD模型中卷积层conv11_2的特征图上采样,拼接得到新的特征层,最后将新的特征层与SSD模型中固有的4个尺度的特征层进行融合。通过将改进后的方法与VOC2007数据集和KITTI车辆检测数据集上的SSD和DSSD方法进行比较,结果表明:该方法降低了小目标的漏检率,并提升整体目标的平均检测准确率。     

基于YOLO轻量化的多模态行人检测算法

针对低光照环境下行人检测精度低和模型参数量大的问题,基于YOLO框架,提出一种轻量化的多模态行人检测算法EF-DEM-YOLO。采用轻量的ES-MobileNet作为主干特征提取网络,并在该网络中引入ECA和SE-ECA注意力机制模块,增强重要的通道特征,提高小目标行人的检测精度。在颈部网络中设计了基于深度可分离卷积的DBL模块,进一步缩减模型的参数量。另外,为了提高低光照条件下行人的检测精度,利用可见光模态和红外模态在不同光照条件下特征互补的特点,提出了基于图像熵的可见光与红外模态加权融合方法,并设计了融合模块EWF。相比与基准方法,该算法对于不同光照条件下的行人目标,模型的mAP提高55.5%,MR降低85.9%,模型的推理速度达到33.4帧/秒,并且均优于其他经典的目标检测算法,为边缘计算和低光照场景下的行人目标的实时检测提供了可能。