变压器寄生电容对LLC空载稳定运行影响的研究

由于寄生参数的影响,LLC空载运行存在不稳定问题。针对变压器寄生电容对LLC空载稳定运行的影响,对副边采用铜带绕制变压器的寄生电容进行了建模,通过比较建立的模型和实验测量变压器的阻抗特性,验证建模的正确性。最后采用了一种有利于空载运行的变压器结构,并在一台500W样机上进行了验证。     

基于压缩感知平行因子分解的电力系统谐波与间谐波频率估计方法

电力系统中的电力电子设备所产生的谐波数量日益增加,谐波问题是一个备受关注的话题。本文通过引入压缩感知理论和平行因子模型,提出了一个用于谐波和间谐波的频率估计算法。先从信息发送终端中获取数据,然后使用欧拉公式将正弦信息转化为空域信息构造多时延输出并建立为平行因子模型,再对模型进行压缩后进行平行因子分析。最后将所得的数据经过贪婪算法重构,再进行频率值的估计。与传统的平行因子计算比较,该计算具有压缩过程,计算工作量相对较小,对数据存储容量需求也较少。所提计算的频谱估计性能与传统的平行因子分解算法（Parallelfactorization,PARAFAC）非常接近,而且也比采用旋转不变技术的信号参数估计算法（Estimating signal parameter via rotational invariance techniques,ESPRIT）更加精确。     

具氨氮吸附效能的沸石多孔混凝土配合比优化

为开发具氨氮吸附效能的沸石多孔混凝土功能材料,采用正交试验、综合表观验证分析等方法对其最优配合比进行研究。结果表明:各因素对孔隙率的影响大小顺序为骨料粒径>灰骨比>水灰比>减水剂掺量,骨料粒径对孔隙率的影响显著,灰骨比次之,水灰比与减水剂掺量影响较小;对氨氮吸附量的影响顺序是灰骨比>水灰比>骨料粒径>减水剂掺量,灰骨比对吸附量影响显著,水灰比次之,粒径与减水剂掺量影响较小。通过表观分析验证性试验结果得出最优骨料粒径是20～30 mm,水、灰、骨料的最优的配合比是0.28∶1∶8。     

具氮、磷吸附特性的多孔混凝土材料优选

研究了粒径在25～30mm的天然沸石、浮石、钢渣、砾石在低浓度下对溶液中氮、磷的吸附特性,优选出具氮、磷高效吸附的多孔混凝土材料;通过静态试验和动态试验研究,对数据进行模型拟合及回归分析,得到了各材料对氮、磷的饱和吸附量.结果表明:4种材料对溶液中氨氮的吸附能力大小排列为沸石＞浮石＞钢渣＞砾石,对总磷的吸附能力大小依次为浮石＞钢渣＞沸石＞砾石.沸石对氨氮和浮石对总磷的吸附结果均能很好的拟合Lagergren准二级反应动力学模型.静态试验中当氨氮浓度为2 mg/L时,沸石对氨氮的吸附容量相应为116.28 mg/kg;浮石在总磷浓度为0.2 mg/L时,浮石对总磷的饱和吸附量为10.06 mg/kg.动态试验中各材料吸附效果明显优于静态吸附效果,在氨氮浓度为5 mg/L时,沸石对氨氮的吸附量达到了823 mg/kg,在总磷浓度为0.5 mg/L时浮石对总磷的吸附量为49 mg/kg.沸石和浮石可作为具氮、磷吸附特性的多孔混凝土优选材料.     

SYSMAC LINK令牌总线网设计与实现

本文介绍了OMRON联网可编程序控制器(PC)模块SYSMAC LINK的特点、功能和使用方法。论述了CV系列PC采用SYSMAC LINK联网的资源。设计了以SYSMAC LINK为核心的最小令牌总线PC网络。实现了元电#2机组锅炉保护系统的计算机控制。     

GA改进BP神经网络在抗滑桩孔爆破开挖中的应用

目前桩孔开挖主要依靠工程类比进行,不同设计者设计的爆破参数往往因掌握的爆破理论和经验的不同而有所差异,爆破质量参差不齐。为此,提出基于遗传算法GA改进BP神经网络(GA-BP)建立爆破参数优化设计模型,该法不仅可以利用已有爆破经验数据和工程地质条件,同时,使用遗传算法优化BP神经网络阈值和权值可以弥补BP神经网络不稳定的缺陷,以达到获得更优爆破参数的目的。实践表明,基于遗传算法改进BP神经网络相比一般BP神经网络预测相对误差较小,同时GA-BP神经网络得到的优化爆破参数进行现场试验,取得了良好的爆破效果。因此,GA-BP神经网络模型应用于抗滑桩孔开挖爆破参数设计是可行的,可用于指导爆破施工。     

基于改进YOLOv5的安全帽佩戴检测

针对YOLOv5无法通过权重进行聚焦,产生更具有分辨性的特征,从而降低安全帽检测准确性的问题,使用注意力模块,并分别研究压缩激励层（Squeeze and Excitation Layer, SEL）和高效通道注意力（Efficient Channel Attention, ECA）模块。针对YOLOv5去除冗余框时采用的非极大值抑制（Non Maximum Suppression, NMS）在物体高度重叠时仅保留同类最高置信度预测框的问题,使用Soft-NMS算法保留更多的预测框,并进一步使用加权非极大值抑制（Weighted Non Maximum Suppression, WNMS）融合多次预测框信息提升预测框准确性;针对下采样带来的信息丢失问题,使用Focus模块提升检测效果;综合各个模块得到最优的FESW-YOLO算法。该算法在安全帽数据集上的mAP@0.5、mAP@0.5:0.95相较于YOLOv5分别提高了2.1个百分点、1.2个百分点,提升了安全帽监管准确性。