Artificial intelligence for BIM content management and delivery: Case study of association rule mining for construction detailing

The proliferation of Building Information Modeling (BIM) applications, in tandem with the extensive variation of building products, pose new demands on design and engineering firms to efficiently manage and reuse BIM content (i.e., data-rich parametric model objects and assembly details). Tasks such as classifying BIM objects, indexing them with meta-data (e.g., category), and searching digital libraries to load objects into models still plague practice with inefficient manual workflows. This research aims to improve the productivity of BIM content management and retrieval by developing an AI-backed BIM content recommender system. Using data from a case-study firm, this research extracted content from over 30,000 technical BIM views (e.g., plans, sections, details) in historical projects to build an unsupervised machine-learning prototype with association rule mining. This prototype explicated the strength of relationships among co-occurring BIM objects. Using this prototype as the backbone AI-engine in live BIM sessions, this research developed a context-aware recommender system that dynamically provides BIM users with a set of objects associable with their modeling context (e.g., type of view, existing objects in the model) and human–computer interactions (e.g., objects selected by the user). By mining association data from hundreds of historical projects, this development marks a departure from the existing prototypes that rely on explicit coding, recurring user input, or subjective ratings to recommend BIM content to users. The simulation and experimental implementation of this recommender system yielded high efficacy in predicting content needs and achieved significant savings in the time spent on conventional BIM workflows.     

基于溶液图像时序特征的元素组分含量动态监测系统

针对稀土萃取过程中组分含量难以实时监测以及现有组分含量检测方法耗时、耗内存的现状,设计了一种基于溶液图像时序特征的元素组分含量动态监测系统。首先使用图像采集装置获取萃取槽体溶液的时序图像,考虑萃取液颜色特性和单一颜色空间的不全面性,采用主成分分析（PCA）方法在HSI和YUV融合的颜色空间提取图像的时序特征,并结合生产指标构造基于鲸鱼优化算法（WOA）的最小二乘支持向量机（LSSVM）分类器来对工况状态进行判断。然后当工况处于非最佳状态时,在HSV颜色空间对图像提取颜色直方图和颜色矩特征,并开发以溶液图像间的混合特征差值的线性加权值为相似度度量的图像检索系统,从而获取组分含量值。最后进行镨/钕萃取槽体混合溶液测试,结果表明该系统能够实现元素组分含量的动态监测。     

融合共现推理的Faster R-CNN输电线路金具检测

为促进目标检测模型与电力领域业务知识有机融合,缓解金具样本间长尾分布问题,有效提升输电线路金具的自动化检测效果,提出了融合共现推理的Faster R-CNN(faster region-based convolutional neural network)输电线路金具检测模型。首先,深入研究输电线路金具结构化组合规则,通过数据驱动的方式以条件概率对金具目标间的共现连接关系进行有效表达;然后,结合图学习方法,利用学习并映射的共现概率关联作为共现图邻接矩阵,使用基线模型(Faster R-CNN)提取的特征向量作为图推理输入特征,以自学习的变换矩阵作为共现图传播权重,完成图信息传播并实现有效的共现推理模型嵌入。实验证明,融合共现推理模块的Faster R-CNN模型较原始模型提升了6.56%的准确率,对于长尾分布样本中数量较少的金具性能提升尤其显著。     

基于装接容量的负荷预测及其在配电网规划中的应用

根据用户和配电网设备的历史负荷数据,研究了用户装接容量与需用系数之间的关系,基于点、线、面的负荷预测思路,运用需用系数法、业扩工询法等预测方法,更准确地对负荷进行预测,并应用于实际电网规划和设备负荷控制.     

基于模糊补偿的弹药自动装填机器人滑模控制

针对弹药自动装填机器人存在的摩擦力、扰动力、负载变化大以及建模误差等导致的控制器精度降低、鲁棒性差的问题,提出了一种基于模糊补偿的自适应模糊滑模控制的鲁棒控制器.同时为了减少模糊逼近的计算量,提高运算效率,采用模糊补偿器对不同的扰动补偿项加以区分,并分别逼近.仿真实验表明:该控制方法可以很好地抑制各种干扰因素的影响,消除了传统滑模控制器所固有的抖振现象,系统性能指标有了明显提高,实现了弹药装填机器人轨迹快速跟踪控制的要求.     

云南电网低频问题下风机转子动能控制研究

风电机组提供频率响应后,转子转速恢复过程可能导致的频率二次跌落是制约风机提供向上调节能力的关键问题。文章对云南电网风机转子动能控制展开研究,提出风机转子动能控制参数整定方法,在扰动初期利用综合惯量控制快速抑制频率变化率,减小最大频率偏差;在扰动中后期与水火等常规同步机组和直流频率限制器(frequency limit controller,FLC)协调配合,避免频率二次跌落问题,实现频率整体动态过程的优化。仿真研究表明,增加虚拟惯性控制系数K_df,不利于改善频率最大偏差,会让频率在进入直流FLC死区后出现严重超调和反调现象;下垂控制系数K_pf是改善频率最大偏差和直流FLC动作量的关键,K_df和K_pf取值相同时,运行在最大功率追踪区的风电机组改善频率最大偏差的能力几乎相同。     

基于线路阻抗短时调节的多直流连锁换相失败抑制方法

连锁换相失败是交直流混联电网的新型连锁故障形式之一。结合连锁关系在换相失败相关现象中的体现和参与环节,文中提出了一种在关键线路短时调节阻抗以降低耦合的抑制策略,重点讨论了策略的实施位置。在加权网络模型的基础上,基于直流分群界定了换相失败的连锁范围。在直流群内搜索对直流耦合关系影响较大的关键路径,并采用潮流介数比较各线路阻抗变化对系统运行状态的冲击,以避免在重要线路采取措施。针对不同的扰动,利用换相电压时间面积判断需要启动策略的直流群,从而实现有差别的连锁换相失败抑制。在修改的IEEE 39节点系统和某省市电网算例中,利用PSCAD/EMTDC开展仿真,结果均验证了关键线路阻抗短时调节策略抑制连锁换相失败的效率和有效性。     

面向新能源消纳能力评估的年负荷序列建模及场景生成方法

全年负荷序列是开展中国省级电网新能源消纳能力评估的基础,文中提出了基于聚类分析和马尔可夫链技术的年负荷序列建模和场景生成方法。首先,通过自组织映射对历史负荷数据进行典型日聚类分析,并采用离散马尔可夫链描述不同典型日之间的状态转移特性。针对每类典型日,采用核密度估计和t-Copula函数构建日负荷特性指标的联合概率分布模型。然后,通过马尔可夫链蒙特卡洛随机抽样生成每日的典型日状态和日负荷特性指标。最后,通过构建日负荷序列优化模型,实现每日负荷序列的优化重构,直至生成全年负荷序列场景。算例基于中国某省级电网全年负荷数据进行测试,并利用所生成的负荷序列场景开展未来年度新能源消纳能力的评估,结果验证了所提方法的有效性及实用性。     

基于AprilTag图像识别的移动机器人定位研究

气流激振故障是燃汽轮机由于工作介质引发的常见故障,针对某型燃气轮机气流激振故障,建立峰值保持降采样算法和粒子群算法优化的深度置信网络故障诊断模型。使用峰值保持降采样法对振动数据进行缩减,并以之作为深度置信神经网络的输入,降低模型训练时间,同时采取粒子群算法对深度置信网络结构参数寻优,搜索诊断性能最好的深度置信模型所对应的网络结构参数。实例结果表明,优化后的模型不仅降低模型训练时间,实现网络结构参数智能寻优,还有效实现燃气轮机气流激振故障诊断,测试准确率约为99.8%。