基于改进Mask R-CNN的风机叶片缺陷检测

针对传统风机叶片缺陷检测采用人工的方法效率低、精度差的问题,提出了一种基于改进Mask RCNN的风机叶片缺陷检测方法。该方法首先使用ResNet-50结合FPN网络生成特征图,然后输入到RPN网络中筛选出ROI,通过ROIAlign固定特征图尺寸输入到预测网络中,对类型、边界框、掩膜进行预测。另外,文章构建了一个风机叶片缺陷掩膜数据集用于模型的训练。通过测试集验证并与Mask R-CNN,Faster R-CNN进行了对比分析,文章提出的方法实现了对缺陷目标的检测和实例分割,在准确检测的同时大幅提高了检测速度。     

水位流量关系曲线高水延长方法新探讨

针对传统的单一水位流量关系曲线高水延长方法的缺陷,以泗洪站为例,采用多层递阶和回归分析相结合的方法,对稳定水位流量关系曲线进行了高水延长计算。结果表明,该模型精度较高,并可通过计算机编程计算,提高了工作效率。     

基于机器视觉的风电叶片风沙侵蚀程度检测方法研究

提出一种基于机器视觉的风电叶片表面无损检测方法,可快速检测出叶片表面有无缺陷。该方法结合机器视觉理论和图像处理技术,通过对采集到的叶片图像进行灰度化、空间滤波、图像增强、图像分割、图像去噪、形态学重建等算法,实现对叶片缺陷损伤区域的识别与特征参数的提取,可降低噪声和人工判读对叶片表面缺陷精度的影响,可为今后叶片无损检测的自动化和数字化提供参考。     

以多尺度颜色小波纹理特征为基础的工业炉火焰图像分割研究

分割火焰图像最常用的方法是分类算法,而使用这种算法最大的缺陷在于当像素点数增高时,分割图像的耗时就越大。通过以火焰图像采集装置来采集研究样本,提出了一种可以加快分割速度的方法及运用多尺度颜色小波纹理特征为基础的工业炉火焰图像分割法,经过对图像特征矩阵进行压缩,采用分类算法获取压缩尺度火焰区域并检测其边缘;根据压缩尺度火焰边缘进一步检测其在原始尺度区域,构建边缘区域特征矩阵并进一步检测,从而得到原始尺度火焰区域图像的目的。     

高效柔性钙钛矿太阳电池研究

对柔性钙钛矿太阳电池(FPSCs)成膜工艺进行研究,针对在柔性基底上沉积薄膜不均匀、较多缺陷、内部应力等问题,分析其形成原因和影响因素。选择PET/ITO作为柔性基底,SnO₂作为电子传输层,加入KCl进行调控,KCl的加入可增加电子传输层与柔性导电基底的亲和性,从而获得致密且缺陷较少的膜层。通过优选钙钛矿前驱体各组分配比,加入MACl作为添加剂调控结晶过程,并在钙钛矿表面设计PEAI钝化层钝化界面,获得高质量的钙钛矿结晶和致密表面,并使电池的柔韧性能得到提升。在适宜的环境下,制备认证效率达到23.14%的柔性钙钛矿太阳电池,其在弯折10000次后仍能保持80.48%的初始光电转换效率。     

多峰和振荡局部放电信号分类及缺陷识别

高压电气设备绝缘缺陷局部放电脉冲信号具有单峰、多峰和振荡特性,而基于脉冲波形特性参数的识别法针对多峰或振荡脉冲效果较差。因此,提出一种采样数比率分类法(SCRC),通过对脉冲波形分区获得多个区域窗,定义并计算每个区域窗的采样数比率特征值,通过比较特征值对多峰和振荡波形进行分类。同时,将该分类方法和BP神经网络算法结合,根据同一缺陷放电脉冲波形的相似性规律,提出了缺陷识别的联合算法。经过缺陷模型试验验证,SCRC分类算法及与BP神经网络结合的联合识别算法能有效识别典型缺陷的局部放电脉冲波形分类及缺陷类型。     

融合元学习和双路径注意力的太阳电池缺陷生成

针对太阳电池缺陷图像数据少导致深度学习模型过拟合，从而造成小样本缺陷检测困难的问题，该文提出一种融合元学习和双路径注意力的生成对抗网络（MAGAN）作为数据增强策略。所设计的元学习调参模块（MTM）优化生成器中权重参数；所设计的双路径注意力模块（DPAT）在特征提取过程中更关注图像中微小微弱缺陷特征；在改进网络构架的同时提出一种聚类约束损失函数解决训练过程中梯度消失问题。实验和研究结果表明，所提方法能够针对小样本缺陷生成有效目标数据集并优于其他生成对抗网络，最后通过分类准确率验证了该网络的有效性。     

基于贝叶斯网络的避雷器缺陷诊断

在实际工程中，避雷器缺陷的样本较少，利用神经网络之类的智能算法难以得出精准的判断。为此提出一种基于贝叶斯网络的避雷器缺陷诊断方法，该方法首先通过主成分分析法提取了21个影响避雷器运行的特征参量，随后考虑提取后的特征参量建立两层信息架构的缺陷诊断模型，根据已有的实时数据计算不同类别下的分类概率，若第一次分类结果表明避雷器异常，则补充新的检测证据进行二次诊断。最后选用某地区同一电压等级下的6台避雷器，分析和验证了所提方法的有效性和正确性。     

FAGAN：一种基于模型迁移与注意力机制的太阳电池缺陷图像对抗生成方法

缺陷微小微弱、数据样本规模不足等是制约太阳电池质量检测技术快速发展的瓶颈问题。因此，该文提出一种用于生成太阳电池缺陷图像的生成对抗网络模型FAGAN。该方法先在源域公开道路数据集上进行模型预训练提取跨域底层视觉特征，以提升FAGAN在目标域生成缺陷形式的多样性；然后设计了有效通道空间注意力ECSA，在空间与通道两个维度对缺陷特征进行增强，以提升微小微弱缺陷生成样本的质量。实验结果表明：该文提出的方法所生成的太阳电池缺陷图像的性能评价指标FID优于现有的梯度惩罚Wasserstein距离生成对抗网络（WGAN-GP）、深度卷积生成对抗网络（DCGAN）、循环生成对抗网络（CycleGAN）和样式生成对抗网络（StyleGAN）。     

一种高效双路径注意力太阳电池缺陷检测网络

针对多晶硅太阳电池片缺陷尺度不一、跨度大、表面纹理背景复杂、缺陷微小微弱的特性,基于Yolov4提出一种新型检测框架EDANet,构建两个新型的模块：跨尺度空间增强模块（CGSE）和自校准压缩-激励模块（SCSE）。CGSE模块作为空间注意力以多尺度的形式将特征进行融合、抑制背景、突出前景、重加权特征图,引导网络学习正确的前景背景特征分布;SCSE模块以通道注意力的形式对高层特征的每个空间位置建立长距离依赖关系,通过显式合并信息帮助网络生成更多的辨识性表示,以区分微小微弱缺陷。实验结果表明：该网络的均值平均精度（mAP）值达到92.07%,在多晶硅太阳电池缺陷检测精度上有明显提升。     

基于PSO-XGBoost的风电叶片缺陷分类算法

针对风电叶片缺陷回波信号分类效率低的问题,提出粒子群-极限梯度提升（PSO-XGBoost）算法。首先采用变分模态分解（VMD）结合模糊熵的方法对缺陷回波数据进行特征提取,建立XGBoost多分类模型,在此基础上采用PSO算法对XGBoost超参数进行寻优,建立PSO-XGBoost多分类模型。这种PSO、XGBoost相结合的算法可提高风电叶片缺陷的预测精度、减少缺陷分类的误差。通过仿真,对PSO-XGBoost、XGBoost及其他几种机器学习算法进行对比,结果表明PSO-XGBoost算法准确度最高,其缺陷分类准确率可达98%。由此可见,采用PSO-XGBoost算法可有效提高风电叶片缺陷分类的准确率。     

基于多层感知器的气液两相流流型识别方法

通过对电阻层析成像数据采集原理和深度学习网络的研究,提出了一种基于阵列电阻值和多层感知器深度学习网络相结合的流型识别方法。利用电阻层析成像系统中的16个电极传感器来获取流型样本数据,并构建出流型识别数据库,然后对多层感知器深度学习网络进行训练,获得可以识别不同流型的网络。实验结果表明,采用阵列电阻值结合多层感知器网络对流型进行学习和识别的方法,流型识别准确率可以达到95%,解决了流型图像生成过程与数据特征预选过程中流型特征损失的问题,流型识别性能得到了提高。     

基于生成对抗网络和深度残差神经网络的变电站异物检测

变电站电力巡检能够保证变电设备安全运行,及时发现潜在危险和隐患。传统方法主要依靠人工完成,需要较多的人力物力,并且由于变电站异物入侵的偶然性和突发性,传统方法很难预测发生的时间和地点。针对该问题,提出了基于生成对抗网络和深度残差神经网络的变电站异物检测技术。利用深度残差神经网络提出图片的特征,结合区域推荐网络和池化分类器实现目标的分类和定位。利用生成对抗网络生成样本扩充训练数据库,提升了网络的学习能力。最后利用真实变电站的图片数据进行测试,提出的方法具有较高的异物识别准确度,并且比较了不同种类不同数目的训练集,验证了通过生成对抗网络扩充样本的有效性和可行性。     

基于空洞因果卷积网络的风电机组异常检测

准确可靠的异常检测对于保障风电机组安全高效运行尤为重要。然而，由于风电机组内部结构复杂，运行工况复杂多变，导致所获取的数据采集与监控（SCADA）系统数据往往呈现出复杂的非线性和关联耦合特性。为了更加有效地捕获不同传感器变量之间的空间相关性，提出基于空洞因果卷积网络的风电机组异常检测方法，并采用Focal Loss改进损失函数解决了数据不平衡问题对模型性能的影响。该方法可通过不同的感受野大小从多尺度角度提取丰富的空间相关特征，有效建模并挖掘不同传感器数据间存在的空间因果关系。同时，该模型提供了一种端到端的异常检测方案，可直接从原始SCADA数据中提取空间特征，建立数据与状态标签之间的非线性映射关系，从而输出异常检测结果。通过某风场的SCADA数据实例分析验证了所提出方法的可行性和有效性。     

基于LO-RANSAC的锂电池极片表面痕类缺陷检测北大核心CSCD

针对锂电池极片表面的痕类缺陷检测准确率低、误检率和漏检率高的问题,提出了一种基于局部最优化的随机抽样一致性(locally optimized random sample consensus,LO-RANSAC)的痕类缺陷检测算法。首先,针对锂电池极片表面存在的椒盐噪声、大噪点多的问题,提出了一种改进的自适应中值滤波和基于连通域的滤波算法。其次,针对检测痕类缺陷准确率达不到预期以及误检率漏检率较高的问题,引入一种局部最优化的RANSAC算法。最后,给出了一种基于LO-RANSAC的痕类缺陷分类方法。实验结果表明:本文所提算法相较于标准RANSAC检测准确率提高了5.9%,相较于基于卷积神经网络算法准确率提高了15%,达到了98.2%;多种算法中本工作算法对于痕类缺陷的检测误检率和漏检率最低;平均检测速度较标准RANSAC算法提高了1.7倍,每秒钟检测的图片数量FPS(frame per second)达到12.49。本工作算法具有较高的检测准确率、较低的误检率及漏检率,检测速度达到实时检测要求,因此可满足锂电池极片表面的痕类缺陷检测需求,解决了锂电池极片表面痕类缺陷自动检测难题。     

基于红外热点的电力缺陷检测方法

针对直升机电力巡检拍摄到的实时红外视频序列,寻找定位高温点并实时反馈给控制系统,首先对其进行Hough变换检测输电线,然后采用Otsu自适应阈值算法对红外图像中的热点区域进行分割,提取出缺陷区域,接着利用SIFT特征匹配识别红外图像中的绝缘子,最后对缺陷进行分类和分级。实验证明该算法发热点定位准确率较高,可智能识别缺陷,减轻了人工作业负荷。     

基于EMD-MDT的直流微电网线路故障检测

提出一种经验模态分解和决策树相结合的风光储直流微电网配电线路故障检测和分类方法。该方法通过经验模态分解对发送端测得的直流电流进行分解,得到多个本征模态函数,并采用最大加权相关系数方法计算选取灵敏度最高的2个本征模态函数,将9个统计方法应用于本征模态函数生成故障特征值,最终基于决策树,实现风光储直流微电网配电线路的精准检测和分类。算例分析表明,基于经验模态分解的风光储直流微电网配电线路故障检测方法可不受故障电阻、故障起始时刻和故障距离的影响,快速有效的对配电线故障进行检测和分类。     

堆焊层与基体脱壳导致司太立合金脱落的分析与检测

随着超临界、超超临界燃煤机组的大量应用,发电设备上"家族性"缺陷随之产生,堆焊层与基体脱壳缺陷导致司太立合金(Stellite)脱落就是一例。司太立合金是一种耐磨、耐腐蚀及耐高温氧化的硬质合金。介绍了对超临界、超超临界燃煤机组主汽门、调门堆焊层,采用超声波检测的工作原理、工艺方法、检测仪要求和检测资质。通过案例分析,解读了司太立合金堆焊层与基体"脱壳"的主要原因及评判结果,为进一步了解和跟踪司太立合金堆焊层表面裂纹和"脱壳"缺陷,提供防范措施和技术支撑。     

基于模糊PI控制的海上风电柔性直流输电整流器研究

为提高海上风电柔性直流输电电压等级,抑制直流侧电压跌落和闪变,将三相电压源变流器用于送端整流器。采用多个功率单元级联的拓扑结构,电流内环采用PI解耦控制、电压外环模糊PI调节双闭环控制方式。分析了变流器数学模型,建立了MATLAB／Simulink仿真模型,实现了电压级联输出．在线PI参数整定。仿真结果验证了该系统在海上风电柔性直流输电应用中的有效性。     

薄壁堆焊层超声检测试验研究

内壁堆焊层的超声检测,尤其是表面未经加工的第一层堆焊层(厚度约为3~4 mm)的检测成为超声检测的难点,而内壁堆焊缺陷的危害性巨大。为解决这一问题,对薄壁堆焊层的超声检测方法进行了分析,主要从探头的选取、灵敏度的设置、试块的设计等方面进行研究,通过在堆焊层试块上应用双晶纵波直探头技术进行检测。结果表明:超声检测可以检测出薄壁堆焊层的缺陷,其研究结果对薄壁堆焊层超声检测提供了重要参考,同时也为制造过程中制定相关检测方案提供一定的依据。