基于注意力改进卷积网络的隧道风机预埋基础损伤识别EI北大核心CSCD

针对隧道风机预埋基础损伤信息微弱、特征难以提取等问题,提出一种基于度量-频段注意力卷积神经网络的隧道风机预埋基础损伤识别方法。首先,通过预埋基础冲激试验的激励信号和响应信号,计算预埋基础的频率响应函数并作为损伤识别模型的输入;然后,使用多层卷积将输入的频率响应函数映射到特征空间提取损伤特征信息;再次,采用频段注意力机制对不同频段上的特征进行自适应加权融合,并采用度量损失进一步增强提取特征的可辨识性;最后,将提取的特征输入全连接层以实现预埋基础损伤识别。实测数据验证结果表明,所提方法对比现有的神经网络模型具有更高识别率,能够对隧道风机预埋基础健康状态进行有效地评估。     

基于变系数滑模控制器的风电机组振动主动控制研究

基于某公司新型8 MW半直驱式风电机组传动链实际参数建立传动链机电控耦合模型，设计机侧变流器速度环变系数滑模控制器，通过采用改变控制策略来增强风电传动链抗干扰能力并减小传动链零部件横向振动。结果表明：当风电机组受到外部突变激励时，在变系数滑模控制器控制下发电机转子对速度追踪效果更好、机械部件横向振动位移显著减小且发电机电流及电磁转矩中的机械频率得到有效抑制。     

机械振动WSNs子带峰值自适应量化融合编解码方法

针对智能运维机械振动无线传感器网络多传感器传输振动数据时面临传输数据量大及传输效率低的问题，本文提出一种子带峰值自适应量化融合编解码方法。首先，传感器节点对原始数据进行离散余弦变换以确保子带能量集中；然后提取出子带DCT系数中的离群值，并用子带峰值自适应量化方法对其进行量化以减少数据失真；最后，用字节融合与比特融合方法将多传感器的量化数据进行融合拼接以减少数据冗余。将提出的方法与其他数据压缩方法进行对比以验证本文方法的性能。实验结果表明，该方法在8个节点同时采集传输的机械振动无线传感器网络中，数据压缩比为8.335时，重构信噪比为20.486 3 dB,节省37.2%的传输时间，可以有效实现信道资源受限的机械振动无线传感器网络多传感器振动数据的融合压缩。