基于FCM改进算法的手背静脉识别

针对光源、手背厚度及水纹对手背静脉图像的噪声影响问题,提出一种新的手背静脉特征提取方法,包括最近邻图像插值缩放、Canny边缘检测以及一种改进的基于灰度直方图加权并顾及像素空间信息的FCM算法。实验结果证明,应用改进的FCM算法能减少图像分割迭代次数,较好地滤除噪声干扰。     

基于径向基函数神经网络的滚动轴承故障模式的识别

径向基函数（RBF）神经网络是一种3层前馈性神经网络，它具有较强的函数逼近能力和分类能力。鉴于径向基函数神经网络的优点，在对滚动轴承振动信号特征分析的基础上，提出了采用时序方法对其建立AR模型，利用AR模型参数建立径向基函数神经网络，并用该网络对滚动轴承的故障模式进行了识别。理论和试验证明了该方法的有效性，且具有较高的识别精度。     

基于K-L变换和支持向量机的

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量，而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征，采用K-L变换对其提取状态主特征向量，然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明，K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式，为轴承故障诊断向智能化发展提供了新的途径。     

基于K-L变换和支持向量机的滚动轴承故障模式的识别

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征,采用K-L变换对其提取状态主特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明,K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径。     

基于双谱估计的轴承非线性振动信号模式识别

当滚动轴承发生故障时,其产生的振动信号一般是包含较强噪声的非高斯和非线性耦合信号.本文对把高阶统计量用于滚动轴承非线性振动信号特征模式识别的方法进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法.利用这种方法可以同时获得包含滚动轴承故障信号幅值和相位耦合信息的双谱特征图谱.实验研究表明,利用双谱图谱中不同的非线性耦合其故障特征模式不同的特点,可以快速地识别轴承的工作状态.     

磁性液体倾斜角传感器的有限元耦合分析

根据一种差动式变压器结构的磁性液体倾斜角传感器工作原理,推导出传感器输出电压与灵敏度公式,并利用ANSYS软件对这种结构的传感器进行电磁-电路的耦合场分析,通过对数值模拟结果进行深入分析以便能为传感器的设计提供指导,并将模拟结果与已公开发表的实验数据进行对比.得出当磁性液体倾斜角传感器的结构参数确定后,传感器的输出电压与转动角度成线性正比关系;且传感器的灵敏度与激励电压的振幅、磁性液体相对磁导率及激励电压频率成正比,但激励电压频率超过一定范围后,传感器灵敏度增加值会逐渐减小,建议激励电压频率最好不超过1.5 kHz.     

改进的ART2型神经网络在故障诊断中的应用

针对传统ART2型神经网络的缺点,提出了一种增强了网络执行速度的改进的ART2型神经网络。改进后的算法避免了传统ART2因输入次序不同而导致的输出结果不同的缺陷。应用了一种新的方法计算输入模式与所有模式的相似度。为了解决传统ART2型神经网络的模式漂移问题引入了激活深度的概念。改善了ATR2型神经网络的适用性。     

高频共振法在滚动轴承故障诊断中的应用

总结了用高频共振法进行故障诊断的步骤,并提出了使用这一方法时要注意的一些具体问题。实验表明该方法对周期性脉冲信号的检测是一种行之有效的方法。     

10 kV油变和箱变战略采购LCC研究与应用

针对上海市电力公司战略采购设备10kV油变和箱变,利用全寿命周期成本(LCC)方法,结合抽检试验得到的相关技术评价情况开展了研究和实际评标工作.根据10kV油变和箱变设备在全寿命周期的运行特点,估算各设备在全寿命周期所耗费的费用,在经济评估中结合技术指标,充分发挥战略采购优势,以使企业更为合理地进行采购及设备管理,降低企业的成本,并有效节约社会资源.     

太阳能光伏发电最大功率点跟踪控制器设计

为提高光伏发电系统的效率,设计一种太阳能光伏发电最大功率点跟踪控制器。该控制器采用升降压式DCDC变换电路,利用变步长占空比扰动法实现最大功率点跟踪。设计以超级电容和蓄电池混合储能的充电方式,该方法在太阳光强较弱时用小电流继续对蓄电池充电,实现对蓄电池实时充电。对太阳能充电进行相关实验,结果表明:设计的最大功率点跟踪控制器可以在任何光照条件下完成充电,超级电容与蓄电池混合充电比蓄电池单独充电时的充电电流增加了29.1%,提高光伏发电系统的效率。