关键词： 分段不合理   末端无联络   标准接线   广度优先遍历   接线模式   双环网  

摘要： 为了发现和解决配电网的架空线或电缆和架空线混合线路由于接线不当,在发生故障时有多于10台公变或专变停电的问题,以及纯电缆线路由于接线不合理安全可靠性较低的问题,本文通过数据挖掘找出配网中节点间的两两连接关系、节点的种类和状态等信息,对于架空线或混合线路首先用遍历算法找出单线的所有组成元素,然后搜索并计算每一个分段内的用户变压器数,并用识别算法辨别分段不合理、末端无联络、自身联络等三种非标准接线。对于纯电缆网,用遍历算法把整个电缆网分割成多个接线树组,提取接线树组的特征并与特征专家库进行模式匹配来识别典型的接线模式,如单辐射、双环网等。上述算法应用于电力的规划和供服等部门,对配网规划、设计和改造的决策提供了巨大的帮助。

关键词： 故障模式识别   质量控制   改进   运载火箭  

摘要： 通过分析比较各级各类与Ⅰ、Ⅱ类单点故障模式有关的质量管控文件要求,在各型号开展Ⅰ、Ⅱ类单点故障模式识别及质量控制工作的基础上,对Ⅰ、Ⅱ类单点故障模式的识别方法现状进行了分析,提出了基于FMEA和FTA识别型号的Ⅰ、Ⅱ类单点故障模式;同时从关键特性分析与控制、强制检验点设置与控制及“不可检、不可测”产品识别与控制3类方法对Ⅰ、Ⅱ类单点故障模式的质量控制方法进行了总结,并提出了适应性改进,使不同级要求合并,形成最大包络要求,然后保证同一要求在不同型号开展过程中理解到位、思想统一等。

关键词： 变换域特征提取   协同训练   个体识别   特征重构   工作模式识别  

摘要： 为解决传统复杂雷达信号特征参数提取困难而无法有效进行个体识别和工作模式识别的问题,提出一种基于图像化特征的雷达信号个体识别与工作模式识别方法.首先,利用变换域特征提取将雷达时域信号映射到图像域;然后,通过协同训练来对雷达信号进行个体识别;最后,在个体识别的基础之上,采用图像化特征重构方法和图像分类技术完成对工作模式的识别.实验结果表明,13类个体识别中,利用ResNet和BiLSTM网络协同训练的识别准确率能到82%以上;4类工作模式识别中,利用ResNet网络的识别准确率能到95%以上.

关键词： 输电线路   复合绝缘子   缺陷特征   模式识别  

摘要： 传统方法在进行±1 100 kV输电线路复合绝缘子缺陷多源特征及模式识别时,去噪效果不佳,无法提取准确的缺陷特征,模式识别用时较长。为此,提出一种新的方法解决以上问题。对输电线路复合绝缘子图像进行均衡化处理,实现图像增强;采用均值滤波方法实现图像去噪,并在二维熵的基础上完成图像分割。提取直线特征、斑点特征和分块统计特征构建复合绝缘子缺陷的特征集,应用BPSO算法融合直线特征、斑点特征与分块统计特征,获得复合绝缘子缺陷特征,构建输电线路复合绝缘子缺陷模式识别模型,实现复合绝缘子缺陷特征及模式的识别。实验结果表明,所提方法的正确识别率高、识别效率高。

关键词： 多功能雷达   工作模式   辐射源描述字   K-means聚类算法  

摘要： 多功能雷达具有多种工作模式,正确识别雷达工作模式对于提高电子战效能具有重要意义。论文首先介绍了多功能雷达的主要工作模式,通过辐射源描述字进行区分,随后引入K-means聚类算法,梳理了算法步骤,分析了算法适用于雷达工作模式识别问题的合理性。实验结果表明,该算法具有很高的识别准确率,能够有效实现对多功能雷达工作模式的正确划分。

关键词： XLPE电缆   模式识别   XGBoost   局部放电   学习曲线  

摘要： 局部放电模式识别对交联聚乙烯(XLPE)电缆绝缘性能的判定具有重要意义。在XLPE电缆的局部放电模式识别的研究中,传统机器学习算法存在收敛速度慢、易过拟合、识别准确率低等问题。文章采用一种基于改进XGBoost算法的XLPE电缆局部放电模式识别方法。通过搭建电缆局部放电试验平台人为构造四种35 kV XLPE电缆局部放电缺陷模型进而获取原始数据,利用MATLAB软件完成统计特征参数的计算,以特征参数为输入量,放电类型预测结果为输出量,通过交叉验证、学习曲线确定最优参数进而得到有效的模式识别模型。实验分析结果表明,与决策树、随机森林、BP神经网络和SVM等局部放电模式识别方法相比,文中方法可进一步提升识别准确率,总体识别准确率为96.93%。

关键词： 燃煤锅炉   炉膛结渣   模糊理论   神经网络   隶属函数   模式识别  

摘要： 当前,我国电力行业仍以煤炭为主要能源消耗品,加之电站锅炉常用燃煤中的硫含量与灰分较高,易造成受热面的积灰和结渣,而炉膛严重结渣将限制锅炉出力,威胁机组运行的经济性与安全性,因此,开发一种全面、综合的结渣预测模型对锅炉炉膛结渣程度有效监测非常关键。将模糊数学理论与BP神经网络相结合,构建适用于燃煤电站锅炉炉膛结渣特性判定的模糊神经网络。在选择输入评判指标时,从煤灰本身考虑其结渣特性,同时将无因次炉膛最高温度纳入模型,考虑锅炉运行情况,使判别依据更加全面,共选取了分辨率较高且最具代表性的6个因素作为本模型的输入判别指标。采用4种不同类型的隶属函数,将判别指标模糊化后,作为模糊神经网络的模型输入,并与不进行模糊化处理的神经网络对比,根据统计学原理,选用出现概率最大的结果作为最终评判指标,增加预测结果的精确度。针对华能秦岭电厂660 MW超临界锅炉BMCR负荷运行时炉膛结渣情况,采用构造好的炉膛结渣模糊神经网络模型进行预测。结果表明,该机组在燃用华亭煤时,炉膛结渣判别指标软化温度、硅比、硅铝比、碱酸比、综合指标、炉膛无因次最高温度分别为1220℃、58.71、1.63、0.48、2.55、0.982,为重度结渣。在适当掺烧黄陵1号煤时,各项指标则分别为1255℃、71.02、2.04、0.31、2.15、0.958,为中等结渣,因此可采用掺烧优质煤来改善炉膛结渣状况。该模型预测结果准确,为综合评价锅炉炉膛的结渣特性提供了新方法。

关键词： 机器学习   预测性维护   人数统计   异常检测   模式识别   低分辨率   数据处理   数字化转型  

摘要： 各行各业的数字化转型和日常生活中的新场景已经对边缘上的人工智能(AI)和机器学习、先进数据处理、音频、视觉等产生了需求。边缘机器学习(ML)计算支持广泛的、智能化的工业和家庭应用,包括用于异常检测的传感器数据处理、预测性维护、用于改进玻璃破碎检测的音频模式识别、简单命令词识别以及视觉应用,如使用低分辨率摄像头进行在场检测或人数统计。现在的产品设计人员已看到了人工智能和机器学习的巨大潜力,可以为家庭安全系统、可穿戴医疗监测器、商业设施和工业设备监控传感器等边缘应用带来更多的智能化。所以Silicon Labs认为边缘AI和机器学习将被广泛应用于工业和家庭。

关键词： 图片比色法   多组分   RGB值   苏丹红  

摘要： 基于互不作用的多组分体系各组分吸光度具有加和性的特点,建立了分光光度—图片比色联用法同时测定混合溶液中苏丹红Ⅱ和苏丹红Ⅲ浓度的方法。在苏丹红Ⅱ和苏丹红Ⅲ的最大吸收波长474 nm和504 nm处,测得混合溶液的吸光度,在各组分吸光度与颜色量值X_(R)、X_(G)、X_(B)关系的基础上,依据行列式克莱姆法则,结合各组分浓度与颜色量值的关系推算出各组分的浓度。结果表明,二组分苏丹红标准系列的吸光度与X_(R)和X_(B)线性关系较优,在对照实验中,两者测定浓度的结果具有良好的一致性,与标准浓度对比,发现苏丹红Ⅱ浓度准确度较高,能初步预测苏丹红Ⅲ的浓度。本方法具有操作简便、成本低廉、无需大型仪器设备,为多组分有色染料成分测定提供一种新的思路。

关键词： 电能质量扰动   希尔伯特—黄变换   模糊聚类   模式识别   电压突变量  

摘要： 为了提高电能质量扰动识别的准确性,弥补基于传统单一特征量模式识别方法易受干扰、精度低的缺陷,提出基于模糊聚类分析的电能质量扰动模式识别方法。该方法利用HHT变换从多种不同类型的电能质量扰动信号中提取出相应的扰动特征量,再将提取的特征量进行模糊聚类分析,准确地把这些电能质量扰动信号一一归类至光伏扰动与公共电网扰动两大类别,同时建立基于模糊聚类分析的电能质量扰动识别流程。仿真结果表明,该方法克服了传统单一特征量模式识别方法的局限性,优化了扰动信号的识别效果,提高了识别效率,识别精度高,抗噪能力强。