排序方式: 共有23条查询结果,搜索用时 0 毫秒
1.
基于振速测量的HELS方法声场重建研究 总被引:1,自引:0,他引:1
本文在Helmholtz方程最小二乘法(HELS)的理论基础上,提出水下基于振速测量的HELS方法声场重建模型,并对理想点源声场进行了重建结果分析,仿真结果显示在不同的测量距离上,尤其对于振速重建,基于法向振速测量的声场重建精度高于基于声压测量的声场重建精度;在发射不同频率声波时,基于法向振速测量的声场重建精度变化不大,说明该模型对于频率适应性强;为了分析该模型在实际应用中的性能,加入随机噪声分析,证明了振速模型抑制噪声的能力明显优于声压模型.仿真研究表明了该振速模型的正确性、可行性和重要性. 相似文献
2.
无机纳米填充对聚酰亚胺高频脉冲下局放特性的影响研究 总被引:1,自引:0,他引:1
聚酰亚胺薄膜作为特种工程塑料薄膜之一,目前被广泛应用于变频调速牵引电机对地绝缘和匝间绝缘中,是变频电机的基础绝缘材料。笔者在高频脉冲方波条件下,对纳米和非纳米聚酰亚胺薄膜进行了不同频率和不同上升时间下的局部放电测试,比较分析了其特征参量的变化情况。结果表明:气隙表面电导率对局部放电有很大影响,上升时间对PD参数的影响主要取决于初始电子的延迟和气隙的动态电场ΔE,无机纳米填料在聚合物中产生大量界面改善了材料的电导率,电荷沿着气隙表面运动更加容易,同时纳米材料中大量浅陷阱的存在,使局部放电初始电子的产生更加容易。 相似文献
3.
目前的视听语音分离模型基本是将视频特征和音频特征进行简单拼接,没有充分考虑各个模态的相互关系,导致视觉信息未被充分利用,分离效果不理想。该文充分考虑视觉特征、音频特征之间的相互联系,采用多头注意力机制,结合卷积时域分离模型(Conv-TasNet)和双路径递归神经网络(DPRNN),提出多头注意力机制时域视听语音分离(MHATD-AVSS)模型。通过音频编码器与视觉编码器获得音频特征与视频的唇部特征,并采用多头注意力机制将音频特征与视觉特征进行跨模态融合,得到融合视听特征,将其经DPRNN分离网络,获得不同说话者的分离语音。利用客观语音质量评估(PESQ)、短时客观可懂度(STOI)及信噪比(SNR)评价指标,在VoxCeleb2数据集进行实验测试。研究表明,当分离两位、3位或4位说话者的混合语音时,该文方法与传统分离网络相比,SDR提高量均在1.87 dB以上,最高可达2.29 dB。由此可见,该文方法能考虑音频信号的相位信息,更好地利用视觉信息与音频信息的相关性,提取更为准确的音视频特性,获得更好的分离效果。 相似文献
4.
为了提高重建声场中质点振速量的重建精度,在传统基于声压测量的Helmhohz方程最小二乘(HELS)方法理论基础上,推导得到了基于振速测量HELS声场重建的测量模型,简称振速模型.给出了该模型的声场重建算法和参数选取的基本原则,并对基于振速模型的声场重建和声压模型的声场重建进行仿真计算比较结果表明,新模型较传统模型的声... 相似文献
5.
高压方波脉冲对聚酰亚胺薄膜表面形貌的影响 总被引:1,自引:1,他引:0
为了研究高频脉冲电压下绝缘材料的老化、失效机理,给变频电机绝缘结构设计提供理论基础,在高频脉冲方波条件下,对纳米和非纳米聚酰亚胺薄膜进行了不同频率和不同时间的老化及局部放电测试:通过扫描电镜研究对比了老化对2种薄膜表面及横截面形貌的破坏情况;分析比较了频率对2种薄膜局部放电参量(起始放电电压,平均放电量和放电次数)的影响。结果表明:老化后2种薄膜的表面形貌都发生了明显改变,但由于添加纳米粒子使2种薄膜破坏情况完全不同;气隙表面电导率对局部放电有很大影响,无机纳米填充使非纳米聚酰亚胺薄膜产生大量界面,改善了材料的电导率,更加容易产生局部放电初始电子。 相似文献
6.
7.
基于介质损耗分析研究变频电机绝缘老化特性 总被引:1,自引:1,他引:1
变频牵引调速电机匝间绝缘承受来自逆变器的连续高压脉冲方波的作用,其老化机理与工频正弦电压作用下具有很大差异。笔者通过采用两种电压源对模拟变频电机匝间绝缘和对地绝缘的绞线对试样进行老化试验,测量了tanδ随老化时间的变化趋势,分析了电压形式对匝间绝缘和对地绝缘介质损耗产生和发展的作用机理。试验结果表明:脉冲电压下,匝间绝缘内部有放电发生时,放电与空间电荷协同作用使绝缘缺陷迅速增多;无放电时空间电荷反复注入和抽出造成绝缘损伤。交流电压下绝缘介质发热主要由局部放电造成,而脉冲电压下主要是由空间电荷所导致。对地绝缘由于其绝缘结构,呈现槽放电现象,空间电荷的引入大大加速了绝缘的老化。 相似文献
8.
针对水轮机远程运行状态监测困难的现状,提出了基于模拟退火算法的粒子群算法(simulated annealing algorithm-particle swarm optimization, SA-PSO)优化极限学习机(extreme learning machine, ELM)的方式,建立水轮机运转状态识别模型SA-PSO-ELM。对水轮机信号进行互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)获得IMF分量,引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度,判断信号主导模态和噪声主导模态的分界点,用小波去噪对噪声主导模态降噪,并与其余的IMF分量重构得到去噪信号,同时对去噪后的信号进行分解,计算每个IMF分量的排列熵,构建特征向量。由于SA-PSO精度高不易陷入局部最优的特点和ELM的性能受权值、阈值共同影响的特点,用SA-PSO优化ELM的权值和阈值,构建水轮机运转状态识别模型SA-PSO-ELM。对不同工况下采集的水轮机压力脉动数据,分析了基于PSO-ELM、ELM及SA-PS... 相似文献
9.
10.