关键词： 风电叶片   裂纹检测   多模态目标检测   红外图像   模式识别  

摘要： 裂纹损伤严重影响风力发电机叶片(WTB)的使用寿命与安全性,需要及时检测维修。虽然已有机器人产品能够进入叶片内部拍摄图像,但裂纹显著性低、背景复杂等问题导致智能检测算法的识别效果不佳,检测过程仍需要人工参与识别。本文结合叶片裂纹检测研究现状,利用图像处理与模式识别等技术,研究融合红外与可见光两种模态图像识别风电叶片内表面裂纹,致力于提升检测算法的环境适应能力与准确性。主要研究内容如下: (1)采用主动热激励凸显裂纹,使用红外热成像仪采集多模态裂纹图像。通过图像扩充与标注,构建了后续网络模型训练、验证以及测试的基准数据集。进一步针对数据集中红外图像质量不佳的问题,采用emphasize算子的预处理方法增强裂纹边缘,并优化emphasize算子提升预处理后的图像质量。 (2)为融合红外图像与可见光图像快速检测裂纹,本文基于Center Net目标检测网络提出一种多模态目标检测网络。为探究融合深度、融合阶段与融合方法对该网络裂纹检测能力的影响,通过消融实验优化以上内容,提出一种中层融合网络模型(MLF)。结果表明,MLF有效融合了两种图像信息,能够检测更多的不明显裂纹。相比单模态目标检测,MLF的平均精度提升3.38%,达到78.93%。 (3)为进一步提升MLF的检测准确性,通过优化网络结构和添加通道注意力模块改进MLF,并提出一种两阶段训练方法更有效地训练整个改进模型,得到改进的网络模型(MMLF-STCA)。结果表明,MMLF-STCA相比MLF能够减少漏检及重复检测现象,平均精度由78.93%提升至85.15%,提升了检测的准确性。 (4)为验证本文方法在实际裂纹检测中的性能,搭建裂纹检测装置,在风电叶片中部片段开展裂纹检测识别应用实验,比较了单模态可见光、单模态红外、MLF、MMLF-STCA的检测性能。结果表明,本文改进的MMLF-STCA模型检测准确率最高,达到83.66%,相比单模态目标检测提升7.68%,相比改进前的MLF提升5.31%。 综上,为解决裂纹显著性低、背景复杂等复杂场景中裂纹检测效果不佳的问题,本文提出一种基于多模态图像的裂纹检测方法,能够更有效地检测显著性低的风电叶片内表面裂纹,提升裂纹检测的准确率。此外,该方法可以进一步扩展到其他裂纹显著性低的材料或复杂场景的裂纹检测任务中。

关键词： 局部放电   信号去噪   特征提取   模式识别   神经网络  

摘要： 输电线路的绝缘状况直接关系着电网运行的可靠性。局部放电作为电气设备绝缘劣化的主要表征形式,其放电特征一定程度上反映了输电线路的运行状况,因此实现对输电线路局部放电类型的分类识别,对诊断线路绝缘状况和延长设备寿命有着重要意义。目前基于电学的局部放电信号分类识别研究已较为成熟,而针对局部放电声波信号检测与识别的研究较少。局部放电声波信号中含有丰富的时频域信息,可将其特征进行提取并用于模式识别;神经网络的分类能力远超传统分类器,其深度学习分支更是有望实现全自动的特征提取与模式识别。本文在此基础上,对其中几个关键环节开展了研究:(1)输电线路中局部放电的发生伴随着声波信号的传播,故本文首先研究了局部放电声波信号的产生原理及发展过程,同时分析了不同类型局部放电的特点。在上述研究基础之上,设计了三种典型的电缆局部放电绝缘缺陷模型,并在实验室环境下开展了电压等级10k V的局部放电模拟实验;然后基于Sagnac光纤传感技术设计了局部放电声波信号检测系统,最终获取了三种绝缘缺陷类型的局部放电数据样本,为后续的研究奠定了基础。(2)针对实际采集到的局部放电声波信号中存在噪声干扰的问题,提出一种基于变分模态分解和改进小波去噪的噪声抑制方法。首先对局部放电信号进行变分模态分解,得到若干频带分布不同的本征模态分量,结合模态的峭度剔除窄带干扰主导的分量;然后利用改进的小波去噪法,将其余有效模态分量中残留的白噪声进一步滤除;最后将剩余分量进行信号重构实现噪声抑制。对仿真局部放电信号去噪的结果表明,本文方法可提升信噪比约12.1d B,且能够更加完整地保留原始信号波形。此外,也将该方法用于实际采集到的局部放电数据样本去噪中,最终噪声抑制比达到了7.504。(3)通过对去噪后的实验数据的对比,初步分析了各类局部放电信号的时频域差异。接着从时域,频域以及能量分布三个方面,提取了时域峰值、重心频率等共计16个局部放电特征参数。之后本文将提取到的600组特征数据制作成特征向量数据集,并采用BP神经网络对数据集进行分类识别,识别的准确率达到了95.1%。(4)本文提出了一种基于全卷积神经网络和长短期记忆神经网络结合的深度学习局部放电分类模型。相比于BP神经网络,该深度学习模型具有自动提取局部放电信号特征的优势。之后搭建了FCN-LSTM局部放电识别模型,并收集了9000组局部放电数据用于模型的训练与测试,实验结果显示,FCN-LSTM模型的识别准确率达到了91.4%,可以有效地实现局部放电模式识别。

关键词： 核酸化学修饰   正电性功能基团   模式识别   细胞穿透肽   核酸药物递送  

摘要： 核酸作为一种功能性生物大分子,已被广泛用于生物传感和药物递送领域。但是天然的核酸分子有较多的局限性,如易被核酸酶降解、强烈负电性和大分子量导致的细胞膜通透性差等,这限制了其生物学功能。化学修饰可以有助于改善天然核酸的固有缺陷,拓宽其应用范围。本论文基于DNA序列多样性、可修饰性和生物兼容性做了以下两个研究:首先,选择FAM标记的硫代磷酸酯修饰的DNA(Phosphorothioate modified DNA,PS-DNA)作为基本骨架,并在该骨架上修饰带有不同正电性的功能性基团构建集成修饰适配体探针,进一步结合单层二硫化钼纳米片构建化学鼻舌传感平台(Monolayer molybdenum disulfide nanosheets-ensemble modified aptamer,MoS-EMAmer)用于靶细胞的模式识别分析;其次,开发了一种创新型细胞穿透肽,并基于迈克尔加成反应成功构建了创新型细胞穿透肽-DNA运输体系(Innovative cell penetration peptide-DNA,GLECPP-DNA),提高了DNA的跨膜运输能力。具体内容如下:1.采用PS-DNA作为基本支架,通过控制PS在DNA上位置、数量及空间距离,从而控制功能性基团的位置、数量及空间距离。PS修饰的DNA具有很强的亲核反应活性,通过亲核取代反应将带正电性的功能性基团修饰在DNA支架链上,构建12种EMAmer探针,为非特异性传感识别元件的构建提供了新的思路。在此基础上,结合单层MoS纳米片构建了一种低荧光背景、高重现性的传感平台,通过模式识别方法实现了癌细胞和混合物的快速、便捷、灵敏和准确的识别分析,对6种细胞的识别准确率可达97%,有望为癌症诊断提供有利工具。2.基于经典阳离子型细胞穿透肽R8的结构,对R8进行修饰和改造,设计了一条创新型细胞穿透肽(GLECPP)。与R8不同的是,GLECPP在精氨酸之间插入一些间隔臂氨基己酸和β-丙氨酸,并且在GLECPP序列中增加两个色氨酸和十个组氨酸。其中,间隔臂有利于精氨酸侧链的最佳定位,色氨酸可增强GLECPP与细胞膜的相互作用,组氨酸可在酸性环境中质子化从而实现内体逃逸。为验证GLECPP结构设计的合理性,我们将GLECPP与R8做穿膜性能对比。研究结果证明,与R8相比,GLECPP具有更高的穿膜效率(10μM时,GLECPP是R8的5倍)和更优异的溶酶体逃逸能力(2.5μM时,GLECPP在细胞内荧光清晰可见并均匀分布在细胞质中,而R8的荧光强度非常弱),同时GLECPP也具有低的细胞毒性和良好的血清稳定性。此外,为验证GLECPP是否具有高效携带货物分子的能力,我们将GLECPP与DNA通过迈克尔加成反应偶联形成药物递送体系,与裸DNA相比,GLECPP-DNA药物递送体系穿膜效率更高,且当GLECPP-DNA为5μM时,GLECPP-DNA能均匀分布在细胞中,细胞毒性小(10μM时,细胞存活率为87%)。这些研究以改善DNA的化学多样性和细胞膜通透性为出发点,首先对DNA骨架进行修饰构建MoS-EMAmer传感阵列,为构建非特异性传感元件库提供新的思路;其次,利用DNA的功能化修饰和生物偶联反应,构建DNA-载体递送体系,这为核酸药物递送载体设计和构建提供新的视角,以上研究有望为生物分析及药物递送领域提供灵活、强大的功能平台。

关键词： 双支持向量机   平均深度   模式识别   离群值  

摘要： 作为经典的机器学习算法,双支持向量机（TWSVM）可以通过构造两个非平行超平面,使超平面接近一个类的点,同时远离另一个类。与经典的SVM算法不同,TWSVM可以通过将一个大型二次规划问题替换成一对较小的二次规划问题,从而降低算法的复杂度。与SVM分类器相比,虽然TWSVM速度快了四倍,但其在抵抗噪声或离群值方面的表现不足。鉴于此,本文提出了一种在计算距离时考虑深度影响的二元SVM分类器,双深度支持向量机（TDSVM）。 本文首先提出了平均深度的概念,并将其应用于TWSVM,构建了一种能够识别数据集中离群值的稳健SVM框架。通过加强中心和弱化边缘,TDSVM达到了更好的泛化性能并实现了SRM原则。TDSVM不仅可以应用于TWSVM处理的众多问题,而且有助于减少噪声和离群值对数据的影响,同时获得更加鲁棒的结果。 然后,基于平均深度在TDSVM中的应用,将该思想应用于双支持向量回归模型。在获得样本点到上下界拟合函数的距离后,利用调整后的深度比例对其进行加权,建立了双深度支持向量回归模型（TDSVR）。分析表明,使用TDSVR进行回归比TSVR得到的回归模型具有更小的均方根误差（RMSE）和更大的拟合优度（R2）。 为了验证本文提出方法的优势,本文在理论和实验上对其进行了论证。通过在UCI数据集和合成数据集上的实验结果均表明了TDSVM和TDSVR算法的有效性和鲁棒性。与其他相关算法比较,不论在引入高斯噪声前还是引入后,TDSVM在大多数数据集上的分类精确性都优于其他用于比较的算法,TDSVR的拟合误差和拟合优度在实验数据集上均获得了最佳的结果。 最后,为了验证前文所提的模型在解决实际问题中具有良好的表现,本文针对不同行业与类型的企业信用评分问题,提出了基于TDSVR的企业信用评分模型。根据某金融机构提供的总计1958家中小企业客户数据,通过建立模型,并对其进行实验,从得到的实验结果发现该模型可以很好的借助已有的企业数据对一般性企业进行信用评分。进一步地,本文将该模型与基于TSVR的企业信用评分模型进行了对比,结果表明不论是从均方根误差RMSE还是拟合优度R2的角度来看,TDSVR模型预测企业信用评分的表现均优于TSVR模型。通过该模型的实际实验可知,它可以有效解决商业银行在贷款和投资中难以决策的问题。

关键词： φ-OTDR   行为识别   特征提取   特征选择   模式识别  

摘要： 近些年来,伴随着人类认知边界的不断拓展,老人安全监测、校园欺凌预警、周界安防识别等特殊场所下的特定行为识别需求也日益复杂。然而,目前主流行为识别技术普遍受到设备安装、识别繁琐、数据量庞杂等多方面的限制。相位敏感型光时域反射计(Phase Sensitive-Optical Time Domain Reflectometer,φ-OTDR)因具有成本低廉、铺设方便、物理性质稳定、可实现分布式监测等优良特性而被广泛应用于行为信号识别等领域。本文基于φ-OTDR系统,面向特殊场所下特定行为识别领域,通过对实验数据采集、特征提取、特征选择及模式识别的研究从而创造性地解决目前光纤传感识别领域中特征提取范围较小、特征选择方法单一、评估指标有失偏颇、识别准确率不足等问题,论文主要工作内容如下:(1)在对目前扰动行为识别方法的研究现状及技术短板进行调研和分析的基础上,结合不同识别场景的需求,提出基于φ-OTDR光纤传感技术,面向特殊场所中特定行为识别研究的可行性方案。(2)基于φ-OTDR系统原理搭建实验平台,采集无异常环境、行走、摔倒、行走时摔倒4类行为模式信号,最终得到无异常环境信号286组、行走信号839组、摔倒信号408组、行走时摔倒信号414组,作为研究用的数据储备。(3)提出时域-频域-时频域融合特征提取方法,在充分阐述其提取原理的基础上共计提取141类特征数据。基于SVM、随机森林、MLP学习模型,通过ROC曲线分析时域-频域-时频域融合特征数据集相较于时域等单一分析域数据集的模型拟合性能。实验表明,时域-频域-时频域融合特征数据集AUC面积可达0.9899,解决了光纤传感领域提取特征涉及范围小的问题,且在不同学习模型上均可表现出优良的模型拟合性能。(4)提出特征综合打分系统,以斯皮尔曼相关系数、距离相关系数、岭回归、准确率、处理时间、灵敏度作为基特征评估模型,从不同角度考察特征重要性并对其进行排序选择。基于5类不同的学习模型分析特征综合打分系统与传统特征选择方法、经典深度学习方法在准确率、处理时间、灵敏度上的区别。结果显示,其识别准确率可达94.08%,处理时间可低至187毫秒每次,灵敏度可达95.87%,解决了评估指标偏颇、特征选择方法单一、识别准确率不足等问题,在工程指标上的表现均优于传统特征选择方法及经典深度学习方法。(5)实现所提出算法的应用拓展及性能再验证。面向周界安防领域,依照原有的实验设计思路和处理办法,提取攀爬、晃动、敲击、静止4类行为模式数据共计295组,重复上述步骤。结果显示,在周界安防领域中所提出算法准确率可达到98.45%,处理时间最低为5.35毫秒每次,灵敏度最高可达到98.43%,验证了不同场景下所提出算法的普适性和泛化能力,表明了所提出方案在基于φ-OTDR光纤传感技术,面向特殊场所中特定行为的识别上具有显著优势,为该领域的研究提供了新颖的处理思路和坚实的应用基础。

关键词： 电力电缆   局部放电   绝缘缺陷   信号去噪   缺陷类型模式识别  

摘要： 电力电缆是高压输电系统中容易出现局部放电现象的电力设备之一。在生产工艺、运行环境和复杂电场等因素的影响下,电力电缆绝缘材料发生的局部放电现象不仅增加了维护人员进行局部放电检测的难度,并且导致不同绝缘缺陷局部放电信号的识别准确度较低。基于此,为了实现对电缆局部放电信号的准确检测,提高电力电缆不同绝缘缺陷类型局部放电信号的识别准确度,文章围绕基于Sagnac光纤振动检测系统的电缆绝缘缺陷模式识别方法进行了研究。 首先针对电缆局部放电信号不易检测的问题,基于Sagnac干涉效应搭建电缆局部放电超声信号光纤振动检测系统,结合同步压缩域连续小波变换(Synchrosqueezed Continuous Wavelet Transform,SSCWT)和自适应阈值函数,滤除信号中夹杂的白噪声并获得信号对应的时频图。通过广义交叉验证(Generalized Cross Validation,GCV)阈值和斐波那契数列搜索原理找到最佳阈值,进一步提升去噪效果。由信噪比、均方根误差、归一化相关系数等参数验证去噪算法具有较好的去噪效果。 其次,为了实现电缆局部放电超声信号的模式识别,根据设定特征函数能量比的阈值实现检测信号中单个局部放电超声信号的分离,提取不同缺陷类型局部放电超声信号的数值特征构成数据集,并对数据集进行数据筛选和数据降维处理。采用不同机器学习算法对局部放电超声信号类型模式识别,结果表明随机森林算法对原始数据集的模式识别效果最好,识别准确度为93.23%。同时随着维度的降低,不同机器学习模型的识别准确度降低,运行时间变短。 最后,基于局部放电超声信号时频图数据集,采用性能更优异的深度学习模型提高电缆不同绝缘缺陷类型局部放电超声信号的模式识别准确度。实验结果表明Shuffle Net模型达到98.33%的模式识别准确度。网络结构具有轻量型特点的Shuffle Net模型同样在识别速度上占优势,在保证识别准确度的前提下,运行时间与VIT模型的相比缩短了40%。Sagnac光纤振动检测系统和深度学习模型适用于高压输电设备的模式识别。

关键词： AIS   船舶行为模式   轨迹聚类   典型轨迹  

摘要： 随着全球海洋经济的持续发展,海上交通情况愈加复杂,重大船舶事故时有发生。为加强船舶管理,国际海事组织强制所有海上船舶安装了用于信息交换的自动识别系统(Automatic Identification System,AIS)。目前基于AIS的船舶行为模式识别研究愈发成为海事交通管制和船舶行为监测领域的研究焦点。然而,船舶行为模式识别研究仍面临着AIS数据质量差、轨迹相似性度量函数定义及聚类模型调参困难、典型轨迹提取算法对簇类质量要求较高,轨迹信息挖掘不足等问题。因此,本文拟运用改进的轨迹聚类模型及典型轨迹提取算法等对船舶行为模式识别展开研究。主要研究内容包括: (1)对课题提供的实际AIS数据进行预处理。通过设置报文时间间隔和质量合格数据点百分比阈值,初步筛选出质量合格的AIS数据。随后对AIS数据进行异常值处理,数据降噪、滤波、插值与重采样,停留点去除等操作,构建了可供后续使用的高质量船舶AIS数据集。 (2)针对现有轨迹压缩算法保留轨迹点不均匀,易受噪声点影响、易保留漂移点等问题,本文提出了一种结合时间差和特征点的船舶轨迹压缩算法,实现了对船舶轨迹的压缩。所提压缩算法的ALLR为0.0023,MMPE为0.7118,AMPE为0.2794,优于RDP和MDL压缩算法,满足轨迹压缩的简洁性与精确性要求,为后续基于轨迹段的改进DBSCAN聚类模型提供了良好的轨迹段数据基础。 (3)针对船舶轨迹聚类中对AIS数据特征利用不足的问题,本文提出了融合时空和行为特征的轨迹段相似性度量函数,并基于DBSCAN算法,实现了船舶轨迹聚类。在南沙港真实AIS数据中对所提改进DBSCAN聚类模型进行了对比实验。实验结果表明,与基于单纯Hausdorff距离或Traclus距离的DBSCAN聚类模型相比,所提模型的综合评价指标为0.7566,显著优于其他两种模型的0.3862和0.4002。同时所提模型可更有效地发现不同的航行方式,证明了其有效性和优越性。 (4)针对现有典型轨迹提取算法对数据分布均匀性要求高、易受异常轨迹影响等问题,本文提出了一种结合三次样条与区域限制的典型轨迹提取算法。使用所提算法对真实聚类结果进行的提取实验表明,所提算法克服了目前扫描线典型轨迹提取方法存在的部分问题,可以处理形状较复杂或密度分布不均的轨迹簇。 (5)以实现船舶行为模式识别结果的可视化为目标,本研究基于Py QT5框架开发了“船舶典型行为模式识别可视化平台”。经过测试,该平台能够实现数据的输入输出,能够正确运行核心聚类和提取算法并展示船舶轨迹聚类或典型行为模式提取的结果,实现了将研究方法可视化的目标。

关键词： GIS   局部放电   时域有限差分法   模式识别   定位  

摘要： 气体绝缘组合电器(Gas Insulated Switchgear,GIS)因其占地面积小、受外界环境干扰少等优点广泛应用于电力系统中,其安全可靠运行对电力系统的稳定至关重要。然而,GIS在生产制造、运输和安装过程不可避免的存在缺陷,都可能产生不同程度的局部放电(Partial Discharge,PD)。PD是反映设备绝缘状态的重要参数,与设备绝缘劣化及绝缘击穿有密切联系。因此,对GIS进行PD检测可以有效获取设备的绝缘状态,避免故障隐患扩大,防止重大事故的发生。超高频法(Ultra-high frequency,UHF)以其抗干扰能力强、灵敏度高等优点广泛应用于PD检测领域。然而,对UHF电磁波信号传播特性的研究大多采用高斯脉冲代替,无法充分还原不同缺陷激发的电磁波信号;其次,传统的模式识别方法无法直接对传感器输出的电压信号进行识别造成大量数据的浪费,且现有的定位方法普遍面临成本高、拓扑复杂等问题。因此,GIS中UHF电磁波信号传播特性、模式识别方法合理性及PD源定位准确性是目前亟需解决的关键问题。本文围绕GIS UHF电磁波信号传播特性、模式识别及PD源定位方法展开研究。首先,基于时域有限差分法建立仿真模型,采用实测PD电流脉冲作为激励源,研究了 UHF电磁波信号在GIS内部的传播特性。通过电压峰峰值和累积能量对不同方向信号分量进行分析,得出径向分量最大,说明UHF传感器应沿径向设置。然后对比了不同径向位置对UHF电磁波信号的影响,指出传感器应沿靠近腔体内壁的径向位置设置。最后研究了腔体尺寸对电磁波的影响,增大外腔体尺寸或内导体尺寸,放电峰值均减小。其次,本文采用卷积神经网络模型直接对UHF时域波形谱图进行模式识别研究,分别从优化算法及网络模型方面进行研究并优化模型性能,研究结果表明DenseNet模型的性能最优,识别准确率可达97.625%。然后研究了样本数量对模型识别结果的影响。最后针对新工作环境下的设备面临的少样本问题,提出基于深层迁移学习的模式识别方法,有效提高了少样本下模型的识别准确率,研究结果表明深层迁移学习模型的识别准确率可达96%,训练时间明显缩小,确保了模型的有效性和实时性。最后,基于互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)和能量比值法研究了 PD定位方法。首先,利用CEEMD对UHF时域信号进行滤波和去噪,使信号特征更加明显。其次采用能量比值法获取信号的首波到达时间。最后,使用神经网络对首波到达时间和传感器与PD源之间的轴向距离进行线性拟合,实现PD源的定位,定位相对误差基本维持在10%以内,验证了定位方法的可行性。