基于模糊评判与状态预测的精密空调控制软件开发

在精密空调控制中,由于环境温度、相对湿度等因素的相关影响,基于模糊控制PID、神经网络PID算法实现的控制系统在环境调节过程中,可能使执行机构陷入往复操作的震荡局面,从而浪费能源;另一方面,上述算法存在实现复杂、系统资源需求大、控制系统成本高的缺点.结合精密空调控制系统的特点,提出了基于模糊评判与状态预测的控制模型,该模型基于模糊控制的基本原理和控制要求设计一模糊控制规则表,将精密空调对环境的调节看成执行机构从初态到终态一系列的状态变化过程,根据检测机制当前检测到的温湿度,利用规则表和模糊评判函数决定对执行机构的控制操作.该模型在单片机上得到了实现.实验表明:基于模糊评判与状态预测的控制模型有效克服了模糊控制PID、神经网络PID模型的不足,开发的控制系统成本低,节能效果良好.     

基于3G网络的智能配电检修支持系统

面对配电检修现场与故障情况复杂、故障处置时效要求高等情况,为提高配电检修质量、缩短检修所需时间,给出了一种基于3G网络的智能配电检修支持系统设计方案.该系统以面向服务的架构为基本构架模式,专家系统为支撑核心,智能手机等移动平台为应用终端,基于3G网络,构成一个分布式智能系统,为处于检修现场的检修人员,提供完备及时的检修...     

电力负荷管理系统的发展探讨

结合DSM的需要和电力负荷管理 (以下简称电力负管 )发展的历史和现状 ,提出了充分利用现有资源 ,完善和发展电力负管的几项新功能 :远方抄表、负荷分析预测、反窃电、谐波监测、配变监测和集抄功能等 ,探讨充分利用现有资源发展电力负管的方法和方向。     

数字音频里LMS算法及其改进算法研究

在数字音频里,由于LMS算法具有低计算复杂度、在平稳环境中的收敛性好和利用有限精度实现算法时的稳定性等特性,使LMS算法成为自适应算法中应用最广泛的算法。本文对LMS算法及其改进算法进行了研究,探讨了步长因子μ(n)对各种算法收敛性、稳定性的影响。结果表明,变步长μ(n)的取值尤为重要,如果μ(n)取较大值则具有较快的收敛速度,如果μ(n)取值很小,则NLMS算法近似等效于LMS算法。它们的自适应过程较快,性能有了很大改进。     

粘弹性磁性磨料光整机理研究与加工实验

介绍了粘弹性磁性磨料的制备方法,运用流变学原理分析了粘弹性磁性磨料在磁场中的磁流变效应,发现磨料的剪切应力与磁场强度、基体粘度和固相体积分数有关。理论分析了磨料的光整机理,得出磨料的光整性能与磁场强度、磨料粘度和磨粒粒度相关。用磨料对45钢外圆表面进行光整加工实验,加工12min后工件表面粗糙度从1μm降到0.37μm,表明该磨料光整性能良好。实验发现在一定范围内磁场强度越高、磨料粘度越大、磨粒粒度越大磨料的光整性能越好,验证了理论分析得出的结论。     

基于声发射检测CSG材料损伤演变及裂纹识别

为了从细观角度揭示胶凝砂砾石（CSG）材料损伤演变机制和裂纹的分类演化规律,结合声发射测试技术,采用Geiger时差定位法、上升角-平均频率法和高斯混合模型,对CSG材料的裂纹类型进行识别.结果表明：CSG材料的破坏过程可分为原始裂纹闭合、新生裂纹扩展、裂纹聚结和峰后破坏4个阶段;声发射事件的三维定位直观反映了裂纹萌生、扩展直至贯通的动态演化过程;通过裂纹类型识别,加载前期试件以剪切裂纹为主,后期拉伸裂纹占比增加,在临近破坏前,高水胶比时剪切裂纹与拉伸裂纹比约为2∶1,低水胶比时约为1∶1.     

深矿坑三面封闭空间贝雷架支撑体系拆除施工技术

长沙冰雪世界项目建立于百米深矿坑之中,矿坑中部的混凝土平台采用贝雷架支撑体系进行支模,用钢量达到1. 6万t。该平台混凝土梁及楼板浇筑完成后,由于深矿坑三面封闭且坑底地形复杂,该贝雷架支撑体系的拆除具有很大的难度。为解决贝雷架支撑体系的拆除难题,通过修建临时钢栈桥,合理部署拆除施工工艺,通过手拉葫芦、卷扬机及汽车式起重机等多种机械设备相配合的方式,顺利完成贝雷架支撑体系的拆除,有效解决了该项目的重大难题。     

长沙冰雪世界项目绿色建造关键技术

由于特殊深坑环境和独特设计创意,长沙冰雪世界项目建造技术难度大。分析项目建造重难点,介绍绿色建造关键技术,包括矿坑建造部署、破碎岩体坑壁加固技术、高性能混凝土百米向下输送技术、重载平台高支模设计与施工、重型桁架液压提升技术及百万立方米冰窟保温节能技术等。目前项目成功完成实施,取得高质量科技成果,形成了整套关键建造技术。     

基于多层多核卷积神经网络的非侵入式负荷监测方法研究

非侵入式负荷监测仅依靠测量得到的总负荷的电压、电流与功率等承载电力信息的信号就实现负荷监测,无需额外的计量装置和线路改造,因此得到广泛研究。针对传统深度神经网络分解模型准确度仍不能满足实际需求的现状,本文提出了一种基于多层多核卷积深度神经网络分解模型。为体现不同设备的特性,模型在数据分割时采用不同的序列长度。然后,模型将分割后的数据先通过高维映射将输入的功率时间序列映射到高维向量,再利用多层卷积法与多核卷积法共同构建出的深度神经网络对生成的信息向量进行特征提取,经多次迭代学习生成负荷分解模型。与多种用于非侵入式负荷分解的深度学习方法相比,本模型对负荷识别准确率提升效果显著,在REDD数据集上的识别准确率达到99.41%。