快速液压夯实机远程监控系统设计

施工质量实时监控十分必要,从工程机械的信息化发展趋势出发,设计开发了一套基于快速液压夯实机的远程监控系统.该系统可以完成不同工况参数的采集、处理、传输以及显示,同时可以完成夯实机的地理信息显示,工程实践证明该系统可以起到很好的远程监控作用.     

基于百度地图API的工程机群定位系统开发

根据工程机群的特点和通信技术发展现状,提出一种基于百度地图API的工程机群定位系统。以STM32作为硬件平台,搭载具有基站定位功能的GPRS模块SIM900,使用无线通信技术与互联网建立连接,将定位信息发送到监控中心。Web服务器采用B/S架构,由C#语言、ASP.NET、ADO.NET技术开发,同时引入百度地图JavaScript API,用户只需通过浏览器不仅能监测数据信息,而且能在地图上直观地显示定位信息。     

基于短时傅里叶变换和深度卷积神经网络的直升机齿轮箱故障诊断方法

齿轮箱作为直升机重要的传动机构,其运转的可靠性对保障直升机系统安全具有重要的作用.针对传统信号处理需要大量专家经验来识别故障类型的不便性和复杂性,为了实现直升机齿轮箱故障诊断,本研究提出一种基于短时傅里叶变换和深度卷积神经网络的故障诊断方法.首先,将采集到的直升机齿轮箱振动信号利用短时傅里叶变换绘制时频图,以提取振动信...     

基于CNN-Bi-LSTM的太阳辐照度超短期预测

针对太阳辐射引起光伏出力的不确定性和波动性,进而造成大量光伏发电并网时对电网稳定性和安全的危害,提出一种新的太阳辐射超短期预测方法。该方法通过构建一维卷积神经网络,对多个关键气象变量进行数据融合和特征转换,然后构造双向长短期记忆网络预测模型,实现对未来15 min的太阳总辐照度的超短期预测。实验结果表明,所提出的预测模型相对传统的机器学习方法可有效提高超短期太阳总辐照度的预测精度,且相对持续模型在相对方差上提高了约14%。     

基于分组差分粒子群算法的含分布式电源配电网故障定位北大核心CSCD

针对粒子群算法在对含分布式电源的配电网故障定位时,易陷入局部最优的问题,文章提出了一种分组差分粒子群算法。该算法对粒子群进行了分组操作,每组粒子群均可代表原种群的特性,并对每组全局最优值进行了变异、选择操作。文章构造了配电网故障定位的目标函数,以含分布式电源的IEEE33节点配电网系统为例进行仿真测试,对该算法与其他启发式优化算法进行了对比分析,结果验证了该算法在故障定位时不易陷入局部收敛,且准确性和快速性得到提高。最后通过配网自动化平台对所提算法进行了验证,进一步证明了该算法应用于实际工程的可行性。     

基于T-VGG的太阳电池片缺陷检测

针对太阳电池片EL图像,提出一种融合注意力机制和Ghost卷积层并引入批标准化的T-VGG轻量级卷积神经网络模型。首先使用Ghost卷积层替换常规卷积层,其次引入注意力机制和批规范化,进而实现对电池片缺陷的高精高速检测。实验结果表明,该卷积神经网络模型对缺陷的检测准确率为99.15%,对缺陷类型的检测准确率为96.28%,检测时间为0.032 s/张,在保证高精高效性的同时兼具通用性。     

考虑SOC的自适应分组策略在储能参与一次调频中的应用

大规模储能电站中各电池组状态的不一致性,使得传统电池参与一次调频研究时的归一化处理难以涵盖所有电池组状态,容易导致部分电池过度充放电。提出了一种考虑电池荷电状态（state of change, SOC）的自适应分组策略,用于储能参与一次调频的应用研究。根据电池的额定容量和SOC对储能电池进行分组,以实时调整各电池组的出力比例;设计评价指标以量化分析电池使用寿命,根据每组电池SOC对其进行综合控制,以实时调整每组电池出力大小,减小电池循环深度,提升其使用寿命。通过Matlab/Simulink进行仿真验证,结果表明,所提分组策略能在保证一次调频性能的同时,有效提升储能电池的使用寿命。     

基于卷积神经网络的在线泵效计算方法研究与应用

油井泵效的计算是油田生产管理中的一项重要工作,针对传统泵效计算方法计算复杂,速度慢的问题,提出一种基于卷积神经网络的泵效计算方法。该方法通过卷积操作从地面示功图中提取特征图,并融合油井参数和抽油机参数,挖掘多源参数与泵效之间的非线性关系。此外,将井下泵示功图作为先验知识引入,有助于泵效计算精度的提升。应用测试结果表明,基于卷积神经网络的泵效计算方法精度高、速度快,可支持多井在线计算,符合油田数字化的需求。     

基于双流神经网络的煤矿井下人员步态识别方法

人脸、指纹和虹膜等生物识别方法在井下复杂环境限制下常常比较模糊,导致基于这些生物特征的煤矿井下人员身份识别率不高。本文在残差神经网络和栈式卷积自动编码器的基础上,提出了一种基于双流神经网络(TS-GAIT)的步态识别方法。主要利用残差神经网络提取步态模式中包含时空信息的动态特征,利用栈式卷积自动编码器提取包含生理信息的静态特征,并采用一种新颖的特征融合方法实现动态特征和静态特征的融合表征。提取的特征对角度、衣着和携带条件具有鲁棒性。在CASIA-B步态数据集和采集的煤矿工人步态数据集(CM-GAIT)上对该方法进行实验评估。结果表明,采用该方法进行煤矿井下人员步态识别是有效可行的,与其他步态识别方法相比准确率有显著提高。     

基于TW-RN优化CNN的煤矸识别方法研究

针对小样本数据难以构建深度学习模型和实际工况下多尺度形态、颜色煤矸的识别率低的问题,提出了一种融合迁移学习思想与结构优化的煤矸深度识别模型的优化方法。模仿井下实际生产环境搭建机器视觉平台,采用CCD（Charge Couplect Device）工业相机实时获取煤和矸石图像,利用图像旋转、翻转以及增加噪声方式扩展煤和矸石数据集的多样性。从降低模型训练时间出发,提出一种迁移权重和简化神经元（Transfer Weight-Reduce Neurons,TW-RN）模型优化方法改进预训练卷积神经网络（Convolutional Neural Network,CNN）模型,构建了改进后的Im_AlexNet、Im_VGG16、Im_VGG19、Im_ResNet50四种煤矸识别模型。依托扩充后的煤和矸石数据集,仿真对比了4种模型在不同优化器类型、学习率设置方式下的训练结果,确定了每种模型的最佳优化器类型和学习率设置方式。以测试准确率、F1分数、模型内存大小、训练时间4种评估参数为基准,定量评价改进前后每种模型的性...