基于机器视觉的风机叶片缺陷检测

针对风机叶片缺陷难以检测的问题,提出一种基于机器视觉的风机叶片缺陷检测方法.首先,使用非局部均值方法去除图像中的背景噪声,同时平滑缺陷边缘;其次,使用自适应对比度增强方法进行图像增强,提升图像的整体质量;然后使用双阈值 OTSU 大津法分割增强后的图像,提取得到缺陷区域;最后,使用 Canny算子和形态学 变换对缺陷区域进行边缘检测,得到缺陷区域定位.试验结果表明,该算法具有一定的有效性和准确性.     

饲养方式对新疆多浪羊肉品质的影响

分别以戈壁滩放养及工厂集约化饲养的6 月龄多浪羊背最长肌为对象,分析测定不同饲养条件下羊肉的屠 宰性能、pH值、持水力、嫩度、色泽、抗氧化能力、脂肪酸含量、肌原纤维超微结构等指标。结果表明：工厂集 约化饲养组多浪羊肉的嫩度、成熟7 d的亮度值和脂肪酸总量优于戈壁滩放养组（P＜0.05）,而戈壁滩放养组多浪 羊肉的持水力、抗氧化能力、宰后1 d的红度值及多不饱和脂肪酸含量优于工厂集约化饲养组（P＜0.05）;工厂集 约化饲养组多浪羊肉肌原纤维密度较大、直径小,肌原纤维之间排列紧密;而戈壁滩放养组的多浪羊肉肌原纤维密 度小、直径大,肌原纤维之间空隙较大。两种饲养方式各有优势,在生产中可考虑结合已有的饲养条件加以完善, 以生产出更优质的羊肉。     

基于改进灰狼算法优化长短期记忆网络的光伏功率预测

为提高光伏发电功率预测的准确性,提出一种基于改进自适应因子与精英反向学习策略的改进灰狼算法(IGWO),用以优化长短期记忆网络(LSTM)预测模型。利用IGWO优化LSTM全连接层参数,建立IGWO-LSTM组合模型预测光伏功率,具有较好的收敛速度与求解效率,也可有效避免局部最优解。最后基于常州某光伏发电站实时数据进行仿真,实验结果表明IGWO-LSTM相对于LSTM光伏功率预测更具准确性。     

基于SCADA数据驱动的风电机组状态监测

监测控制与数据采集 (SCADA)系统广泛部署于各大风场的风电机组上,其采集的 SCADA 数据可用于风电机组的状态监测.为了更有效地捕获SCADA 数据中的空间关联性,可以改进Inceptionv１方法建立１D_Inception v１模型提取SCADA 数据中的空间多尺度特征,以更准确地对风电机组进行状态监测.实验结果表明,该模型提供了一种端到端的数据驱动方法,可以直接从SCADA 原始数据中学习空间关联性,给出故障诊断结果,相较于传统方法有着更高的准确率.使用基于１D_Inceptionv１模型的数据驱动方法,可以及时、准确地对风电机组进行状态监测, 降低风电机组的运行和维护成本。     

浅论双馈风力发电机组自动化并网运行的分析

随着国家对清洁型能源越来越重视,风力发电也得到了长足的发展。本文笔者主要介绍了双馈风力发电机组自动化并网运行的分析。     

基于ADAMS/Engine的柴油机曲柄连杆机构动力学建模及分析

基于ADAMS/Engine对柴油机曲柄连杆结构的受力情况进行仿真并对结果进行了分析和优化,继而分析了这些力和它们所产生的力矩对柴油机机体、支撑等的振动影响,对信号进行三维傅立叶变换,观察随转速的变化情况。在进行两个周期的仿真模拟后,得到柴油机曲柄连杆受力的载荷谱;然后进行柴油机转速扫描模拟分析,获得其各部位的载荷状况,从而为柴油机的设计提供依据。     

高速列车车体加速寿命试验载荷谱编制及分析

铝合金车体是高速列车的关键核心部件,设计中需要满足超长疲劳寿命要求。工程中,为避免实际运行中发生疲劳失效,同时降低试验成本,常采用加速寿命试验方法。采用车辆系统动力学方法计算获得车体随机载荷谱,对载荷谱进行处理,得到载荷频次图;基于FKM标准,编制三种载荷比下1×10⁷次循环对应的车体加速载荷谱;采用有限元法,分别施加三种载荷比条件下的载荷谱,得到对应的加速系数;分别采用线性及非线性损伤累积理论,分析载荷块谱的加载顺序对车体损伤累积的影响。得出结论：在原始载荷谱和加速载荷谱作用下,车体结构各点疲劳损伤均小于1,满足设计要求;分别提高载荷比至P=1/3和P=2/3,对应的加速系数为12.75和218.65;载荷谱加载顺序对车体疲劳累积损伤有影响：以P=2/3为例,高-低顺序载荷谱循环632次时,损伤值累积达1,而对应相同的损伤值,低-高顺序载荷谱仅需要循环614次。结果表明车体承受载荷存在低应力幅占优的特点,即低-高加载顺序具有更好的加速效果。对车体加速寿命试验载荷谱的编制及分析方法研究,为车体台架疲劳试验提供理论依据及科学指导。     

基于改进Faster RCNN的电缆外护套破损检测

工业现场的电缆外护套破损主要依靠人工巡检的方式，消耗人力，主观性大容易出现检查盲点，实时性差且某些工业现场人工巡检危险性较大。针对人工巡检产生的一系列问题，提出一种基于改进的Faster RCNN电缆外护套破损检测方法。为提高模型泛化能力对采集的训练集采用灰度化、翻转、平移、锐化等方法进行数据增强；使用参数量更少且层数更深的特征提取网络RseNet50替换原始的VGG16作为主干特征提取网络；采用迁移学习的方式将ImageNET数据集上训练完成的权重作为模型的初始权重；利用双线性插值法替换感兴趣区域池化操作；通过K means聚类算法对原始数据集进行聚类分析，采用轮廓系数法作为评价标准，由聚类结果定制外护套破损检测的锚框。实验结果表明，改进的Faster RCNN对电缆外护套破损检测的平均精度均值（mAP）为8833%比原始的Faster RCNN提高了549%，同时优于经典的SSD算法和YOLOv3算法，改进后检测速度达到036张/s满足检测要求。该模型可后续搭载各类移动检测平台，具有较高的工程使用价值。