分布式光纤测温系统在煤矿火灾检测中的应用

摘要：针对煤矿安全存在潜在的火灾问题,文中主要介绍分布式光纤测温原理及其在煤矿火灾监测中的应用。在系统结构上,本文提出了一种优化设计方案。此外,在信号处理方面,本文提出了一种命名为RLN-ELAM的新颖算法,用于检测并消除瑞利噪声对系统测量精度的影响,提高拉曼分布式光纤系统的测量精度。实验结果表明,利用此设计方案和算法后,可以使系统的温度分辨率、空间分辨率均有所提高,测量误差从7%降低到不足2%。在实验室进行的模拟实验中,对温度进行实际测量,结果表明,该煤矿火灾监测系统能够提供详细的温度分布情况并能够及时准确地报警,使工作人员随时掌握煤矿温度分布情况,及时准确地找到火灾发生区。     

基于改进Faster R CNN的光伏电池内部缺陷检测

光伏电池近红外图像中复杂异构背景使内部缺陷检测成为一项极具挑战性的问题,为此,提出了一种基于深度学习的目标检测框架-残差通道注意力Faster R-CNN(residual-channel-attention-faster R-CNN,RCA-Faster R-CNN),该网络通过卷积层-池化层提取图像特征,再送入新颖...     

基于PSO的SVM的煤岩声发射源定位研究

为了准确的预测采空区煤矿煤岩破裂与失稳前岩石所释放出来的声发射信息的位置,并且根据山西焦煤的官地矿16403工作面获得的声发射事件的数据,因为该数据是一个非线性、高维的问题,提出了用PSO和SVM算法相结合的方法在煤矿煤岩声发射定位中的应用进行了研究。以往的方法只是单纯的收集煤岩或岩石声发射信息,以至于定位会出现失准、精度低和误差大的缺点。文章提出了“1+1=1”的定位方法,既收集同一位置的岩石和煤岩体的声发射信号,分析处理后,得到其位置。在煤岩失稳前两者都会发出强烈的信号。仿真结果表明：应用PSO和SVM理论结合的方法进行煤矿煤岩声发射定位的预测,在提高准确性和精确度的同时,也大大的提高了泛化的能力,该方法也大大减小定位失准的误差。     

基于SSA-AdaBoost-SVM的变压器故障诊断

针对支持向量机(SVM)诊断变压器故障的效果不稳定的问题,利用Ada Boost集成算法对其强化,得到的AdaBoost-SVM模型诊断结果比较稳定,但准确度依然有待提高。因此,提出利用麻雀搜索算法(SSA)对Ada Boost-SVM模型进行优化,指定其弱分类器权重αt、SVM惩罚因子c和核参数g的寻优范围,使用SSA对三种参数在指定的寻优范围内寻优,提高模型的准确率。将提出的SSA-AdaBoost-SVM变压器故障诊断模型与PSO-SVM、SSA-SVM、AdaBoost-SVM、AdaBoost-SSA-SVM和PSO-AdaBoost-SVM五种模型对比,提出的模型具有更高的准确率和稳定性,平均准确率可达91.58%。实验结果表明,提出的SSA-AdaBoost-SVM变压器故障诊断模型具有更好的表现。     

基于改进Faster R CNN的光伏电池内部缺陷检测

光伏电池近红外图像中复杂异构背景使内部缺陷检测成为一项极具挑战性的问题,为此,提出了一种基于深度学习的目标检测框架 残差通道注意力Faster R CNN(residual channel attention faster R CNN, RCA Faster R CNN),该网络通过卷积层 池化层提取图像特征,再送入新颖的残差通道注意力RCA模块进行复杂背景特征抑制和缺陷特征突出,进而区域推荐网络推荐出更加精确的包含缺陷的候选框,最后利用分类与定位网络实现高精度的缺陷分类和位置估计。实验结果表明,RCA Faster R CNN的缺陷检测精度提升到了8329%,证明了所提方法的有效性。     

基于NRS与SVM-ELM的瓦斯传感器故障诊断

针对于瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期性传感器输出故障作为研究对象,提出一种基于邻域粗糙集（NRS）和支持向量极端学习机（SVM-ELM）的故障诊断方法。首先对瓦斯传感器的特征属性值进行归一化处理,然后利用NRS信息约简理论降低属性维度,提取出影响瓦斯传感器的关键属性构成约简集。将约简集作为SVM-ELM的输入进行训练,利用训练好的SVM-ELM对测试样本进行模式识别。最后通过实验对比验证该方法具有训练速度快、分类精度高的特点,辨识正确率在95%以上,能够显著提高故障诊断的速度和准确性。     

基于邻域粗糙集与支持向量极端学习机的瓦斯传感器故障诊断

针对于瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障作为研究对象,提出一种基于邻域粗糙集（NRS）和支持向量极端学习机（SVM-ELM）的故障诊断方法。首先对瓦斯传感器的特征属性值进行归一化处理,然后利用NRS信息约简理论降低属性维度,提取出影响瓦斯传感器的关键属性构成约简集。将约简集作为SVM-ELM的输入进行训练,利用训练好的SVM-ELM对测试样本进行模式识别。最后通过实验对比验证该方法具有训练速度快、分类精度高的特点,辨识正确率在95%以上,能够显著提高故障诊断的速度和准确性。