基于混合离散状态转移算法的多目标节能无等待流水车间调度

针对以完工时间和总能耗为目标的节能无等待流水车间调度问题(energy-efficient no-wait flow shop scheduling problem,EENWFSP),设计一种混合离散状态转移算法(hybrid discrete state transition algorithm,HDSTA)进行求解。根据问题特性设计工序和速度矩阵的编码方式,采用启发式算法获得优质的初始解。根据EENWFSP性质,对4个离散操作算子进行任务分配,将嵌入二次状态转移的交换、移动、对称算子用于工序优化,替换算子用于机器速度优化,并在替换算子中嵌入基于关键路径的速度替换策略。设计了一种改进的破坏重构操作,用于进一步提高Pareto解的质量。通过与4种算法在测试实例上的实验结果分析,表明HDSTA在解决EENWFSP时具有较强优势。

基于非平稳Transformer的超短期风电功率多步预测

针对风电预测中波动性和随机性造成的风电功率多步预测精确度不高的问题,提出一种基于非平稳Transformer的超短期风电功率多步预测模型。利用皮尔逊相关系数法(PCC)和主成分分析法(PCA)对风电功率及其影响因素的分析确定输入数据,结合可以提升非平稳时序预测效果的非平稳Transformer模型,高效充分地挖掘输入数据与输出功率的复杂关系,构建风电功率超短期预测模型。实例分析表明,所提方法对不同预测步长下的风电功率进行预测时均具有较高的预测精度,且预测结果更稳定。

结合特征重用与重建的YOLO绝缘子检测方法

针对基于深度学习的绝缘子缺陷检测方法存在泛化性能低、难以识别复杂背景下的绝缘子等问题,从特征提取和融合角度出发,提出一种结合特征重用与重建的YOLO(YOLO-RR)模型的绝缘子缺陷检测方法。首先,在特征提取阶段,以DenseNet为基础构建dense35网络作为主干网络,通过特征的重用增加对特征细节的感知能力,提升了模型在低饱和度和低对比度成像情况下的检测精度,并降低了网络参数量。其次,在特征融合阶段,提出基于沙漏模块的双向特征金字塔网络(H-BiFPN)结构进行不同尺度特征间的双向融合,通过特征重建和融合丰富了不同尺度的特征信息,解决了连续卷积下小目标信息丢失的问题,提升了对小目标的检测精度。最后,使用Wise-交并比(WIoU)损失函数优化模型,通过重点关注普通锚框使预测更加精准。在扩充后的中国输电线路绝缘子数据集(CPLID)上的实验结果表明,YOLO-RR模型识别率达到93.6%,网络参数量压缩至5.16×10^(6),优于对比模型,能够满足绝缘子缺陷定位的准确性和实时性要求,同时在背景干扰较大、受光照影响的成像上也有很好的检测效果。

基于改进变分模态提取的轴承早期故障诊断

针对变分模态提取(variational mode extraction,VME)在强背景噪音下初始中心频率难以确定的问题,提出了基于谱相干引导变分模态提取(SC-VME)的滚动轴承故障诊断方法。首先,引入谱相干(spectral coherence,SC)算法对信号进行处理,得到由循环频率和频谱频率构成的双频域,并结合1/3-二叉树滤波器组得到改进包络谱(improved envelope spectrum,IES);然后,以轴承故障特征频率识别的局部特征能量与频带中的IES能量占比为诊断指标,构建诊断性指示图,据此确定VME期望模态的初始中心频率;最后,通过对提取的期望模态进行包络谱分析,实现滚动轴承早期故障诊断。通过仿真和试验信号分析,结果表明所提SC-VME方法准确性更高、用时更短、效果更优。

基于伪标签深度学习的半监督滚动轴承故障诊断模型

针对实际工程应用中被标记的滚动轴承故障样本收集困难,传统诊断模型精度较低的问题,提出一种伪标签学习融合参数迁移深度学习网络的半监督滚动轴承故障诊断模型。首先将ImageNet数据集上预训练的残差网络(Residual Network,ResNet)模型参数迁移至本文模型中作为初始参数,并使用不同学习率微调网络层参数以加快模型收敛速度;随后引入伪标签半监督学习,使用标签数据训练模型并对无标记数据进行预测以生成伪标签;最后使用标签数据以及伪标签数据训练参数迁移后的ResNet模型,并测试诊断效果。对两种滚动轴承故障数据进行半监督下故障诊断实验及跨域故障诊断实验。实验结果表明,在具有大量未标记样本集下,所提出模型可迁移至不同设备完成诊断,具有较强的鲁棒性,可用于处理复杂工业环境中的故障诊断问题。

稀疏奖励下基于课程学习的无人机空战仿真

针对传统强化学习在空战环境下探索能力差和奖励稀疏的问题,提出了一种基于课程学习的分布式近端策略优化(curriculum learning distributed proximal policy optimization,CLDPPO)强化学习算法。嵌入包含专家经验知识的奖励函数,设计了离散化的动作空间,构建了局部观测与全局观测分离的演员评论家网络。通过为无人机制定进攻、防御以及综合课程,让无人机从基本课程由浅入深开始学习作战技能,阶段性提升无人机作战能力。实验结果表明:以课程学习方式训练的无人机能以一定的优势击败专家系统和主流强化学习算法,同时具有空战战术的自我学习能力,有效改善稀疏奖励的问题。

基于动态能耗的多无人机协同任务分配

针对多无人机物流配送存在的空载率高、能源利用效率低等问题,考虑同时送取货的多无人机配送场景和无人机实时能耗变化,提出了无人机动态能耗模型,进行了多无人机同时送取货任务分配问题的研究。用遗传算法对问题进行求解,针对经典遗传算法对初始种群的依赖性、易早熟、局部搜索能力弱等特点,设计了一种混合初始化方法,引入了食肉植物算法繁殖机制,并结合问题特性设计了内交叉策略和反馈变异策略,同时引入了过程精英策略,对遗传算法进行了改进。实验结果表明,改进的遗传算法可以有效求解基于动态能耗的多无人机任务分配问题。

组合聚类和深度学习模型的风电场群风速预测

为提高规模化风电场群的风速预测精度,进而保障中国电网的安全稳定运行,提出了一种基于粒子群-投影寻踪聚类算法结合NS-L-Transformer的风电场群短期风速混合预测模型。首先,通过变分模态分解、去伪分量和小波变换的方法对采集的风速数据集进行处理,得到滤除噪声干扰后的风速数据集。其次,考虑风电场群间的风速空间关联特性,根据其风速波动特征,采用粒子群-投影寻踪聚类算法分析了风电场群间的空间相关性,根据算法所得到的评价指标对风电场群进行了场群关联性最优分类,并构造了分类后的高维风速数据集。最后,通过Transformer模型的自注意力机制结合LSTM模型的门控单元机制捕捉风速时间序列的局部特征,提出了NS-L-Transformer模型对所构造的具有局部特性的高维风速数据集进行了风速预测。选用中国东南某地区风电场群的风速数据进行了仿真分析,研究结果表明,采用分类后的高维数据集进行风速预测较单一风速数据集的预测精度有较大的提升;相较于Transformer模型,NS-L-Transformer的预测误差减少,从而验证了本研究所提混合预测模型的有效性。

参数未知的复混沌系统错位复修正函数投影同步

为解决参数未知的复混沌系统在复杂状态变量无法分离情况下的同步控制问题,提出了错位复修正函数投影同步(misalignment complex correction function projection synchronization,MCCFPS)控制方案。首先,设计一种自适应跟踪控制器,使其能够适应任意有界复混沌系统之间的差异。该控制器通过动态控制强度和收敛因子增强自适应能力并调节收敛速度,通过Lyapunov理论证明该控制器的收敛性,从而为控制方案的可靠性提供理论支持。然后,对两个异构的复混沌系统进行动力学模型分析,计算并比较混沌系统和复混沌系统时间序列的模糊熵,验证复混沌系统的复杂度更高,从而突显其同步控制在保密通信应用中的优越性,并进一步设计其MCCFPS同步方案。最后,通过数值仿真验证MCCFPS方案的有效性。结果表明:该方案能够成功实现复混沌系统的同步控制,并具有良好的同步效果和控制性能。总体来说,相较于传统的混沌系统,研究引入复变量,并采用更复杂的MCCFPS同步控制方案,直接在复域中实现混沌同步,有效提高了系统的安全性。研究结果为复系统同步控制问题提供了新的思路和途径,具有重要的应用价值。

分数阶忆阻二阶电流反馈型Buck-Boost变换器动力学建模与分析

提出一种基于分数阶微积分理论的有源压控忆阻负载峰值电流型Buck-Boost变换器模型。在推导其在电感电流连续模式下电路方程的基础上,通过数值仿真分析并验证Buck-Boost变换器的复杂动力学行为。仿真实验结果表明,随着系统阶次的变化及忆性负载的加入,系统分岔点均发生后移,系统稳定工作范围大大增加;对整数阶忆阻负载变换器模型施加两时间尺度参数激励与外接激励,研究当慢变参数频率与系统固有频率产生量级差时的簇发振荡行为,随着系统激励幅值A的变化,系统会出现概周期的单-Hopf簇发振荡。

基于改进离散状态转移算法的复杂地形崎岖度约束风电场微观选址优化

为解决复杂地形下风电场微观选址问题,文章提出了一种基于改进离散状态转移算法(RC-DSTA)的优化策略。首先,为解决地面平整度对风机安置的影响,引入崎岖度指数(TRI)将地面平整度进行数值量化,并对崎岖度过大的点进行约束处理;然后,提出一种基于离散状态转移算法(DSTA)的多风向下三维尾流叠加计算发电量的风机布局优化方法,并对离散状态转移算法进行改进,减少适应度值的计算时间,以缩短复杂计算优化问题的计算时长,提高计算效率;最后,以新疆某实际复杂地形风电场为例,在同一地形条件和目标函数背景下,将该算法与遗传算法(GA)和工程设计的微观选址结果进行比较。结果表明,在考虑地形因素特点的情况下,提供合理的风机布局方案,RC-DSTA比其他两种方法更有效。

基于路径重积分特征提取的轴承故障诊断

滚动轴承振动信号呈现非线性和非平稳特征,为充分挖掘滚动轴承振动信号的有效信息,提高故障诊断准确率,提出基于振动信号路径重积分(path signature, PS)的滚动轴承故障信号特征提取方法。首先,对一维故障振动信号进行时延重构,构成有限维路径空间;其次,对路径进行多重迭代积分得到高阶路径积分特征作为故障振动信号初始特征,利用主成分分析(principal component analysis, PCA)对其进行降维得到能充分表征故障信号本征信息的特征;最后,将不同故障信号基于路径重积分的故障特征构成故障特征集,输入到支持向量机(support vector machine, SVM)完成故障的识别和分类。实验结果表明,该方法在公开数据集上的10种故障类型诊断准确率达99.33%,对比其他几种方法,所提方法能快速准确地识别滚动轴承不同故障类型。

无监督健康指标在轴承早期故障检测中的应用

针对滚动轴承早期故障时间点难以检测问题,提出一种基于卷积深度置信网络(convolutional deep belief network, CDBN)与多核极限学习机自编码器(multi-kernel extreme learning machine based autoencoder, MKELM-AE)的无监督健康指标故障检测方法。首先,引入CDBN自适应提取滚动轴承健康状态振动信号频谱的深层高维特征信息,去除高维数据冗余信息后得到表征滚动轴承健康状态的低维特征;然后,采用粒子群优化(particle swarm optimization, PSO)的MKELM-AE对提取的低维特征进行重构训练;最后,将待测信号输入训练好的CDBN-MKELM-AE模型中计算重构误差作为反映滚动轴承退化的健康指标,并采用Bootstrap Pettitt异常检测方法检测待测健康指标发生突变的时间。实验结果表明,所提方法建立的健康指标能反映轴承退化的不同阶段,可有效检测出早期故障中健康指标发生突变的时间,定位早期故障点。

基于图注意力网络的风力发电机齿轮箱故障诊断

针对风力发电机齿轮箱故障振动信号的非平稳性、特征混叠和诊断正确率低等问题,提出一种基于图注意力网络(GAT)的风力发电机齿轮箱故障诊断方法。首先利用原始振动信号的频谱定义节点和边,将故障信号构造为可视图;然后将可视图数据作为输入,在GAT中嵌入邻居自注意力机制使其自适应提取可视图信号的节点特征和结构特征;最后使用分类器对提取的节点特征进行分类识别。通过行星齿轮箱数据集和风力发电机齿轮箱数据集的实验,结果表明与机器学习、深度学习以及其他图神经网络相比,所提方法准确率更高,鲁棒性和抗噪性更好,可有效实现端到端的智能故障诊断。

基于改进YOLOv7的变电站设备红外图像识别方法

变电站电气设备红外图像识别是其进行缺陷与故障诊断的重要前提,能保障电力系统的安全稳定运行。为达到变电站设备高精准、高效率的识别效果,本文提出了一种基于改进YOLOv7网络的变电站设备红外图像识别方法。变电站采集到的红外图像作为YOLOv7网络的输入,在红外图像的识别中,采用CoordConv卷积层增加图像坐标信息,增强网络层的信息细节,丰富图像特征内容;引入注意力机制排除其他信息干扰,增强模型的特征表达能力,提高网络训练精度;为进一步提高识别精度,不同于传统损失函数的构建,采用WIoU损失函数加速网络收敛,提高模型的准确性。通过对变电站采集的实际红外图像进行分析,实验结果表明,所提出的基于改进YOLOv7网络的变电站设备红外图像识别模型识别精度能达到97.1%。相较于YOLOv7网络和其他几种典型网络,所提模型具有较高的准确性和鲁棒性,可以有效应用于变电站设备的智能监测和维护,为后续故障诊断工作提供基础条件。

基于迭代增强变分模态提取的滚动轴承复合故障诊断

针对变分模态提取对多分量复合故障提取能力不足,且存在中心频率和平衡因子两个超参数优化等问题,提出了一种迭代增强变分模态提取(iterative enhanced variational mode extraction,IEVME)的滚动轴承复合故障诊断新方法。首先,提出引入中心频率趋势收敛现象优化VME的初始中心频率,使其能自适应寻找合适的初始中心频率进行提取并加入新的收敛准则对信号进行迭代提取的迭代变分模态提取方法(iterative variational mode extraction,IVME);然后,通过优化IVME的平衡因子得到多个分量信号,再利用图拉普拉斯能量指数选取最优分量进行重构;接着,为全面提取复合故障信号中的主要周期,提出了结合加强运算减去运算的增强最小噪声幅值解卷积(enhanced minimum noise amplitude deconvolution,EMNAD)方法,以降低噪声并增强相对较弱的周期信号;最后,通过融合平方包络谱实现对滚动轴承的复合故障诊断。将所提方法应用到滚动轴承复合故障诊断中,通过仿真和实例信号验证所提IEVME方法的有效性和鲁棒性,并将所提方法与现有多种方法进行对比,结果表明所提IEVME方法准确性更高,效果更优。

基于弹性面域特性的虚拟管道优化与设计

针对集群路径规划中的运算量大、拥堵和碰撞等造成非弹性虚拟管道可行域受限的问题,提出一种基于弹性面域特性的虚拟管道模型。首先,提出弹性面域的概念,其弹性有界平面可作为虚拟管道的边界,能够有效利用脊曲线横截面附近的空余空间来改变可行域范围。其次,以管道内部空间的脊曲线为基准扩展安全区域,改进路径规划算法以适用于弹性面域虚拟管道。最后,通过对比仿真实验,验证该模型及所提算法在不同环境下的适用性及优越性。该研究对虚拟管道概念在集群路径规划领域中的推广应用具有一定的实用价值。

实现VB与MATLAB数据交换的新方法

MATLAB是目前应用最广泛的数值科学计算语言 ,同时也是系统分析和仿真的强大工具 ,VB是目前使用最广泛的可视化编程工具。本文提出一种新的实现VB与MATLAB数据交换的方法 ,从而可以充分结合两个软件的优点 ,大大缩短软件开发周期。

变速恒频风力发电机数学模型及控制策略研究

本研究分析了当前风力发电机的控制方式及存在的问题 ,给出了新型变速恒频风力发电机在二相同步旋转坐标系下的数学模型 ,并在此基础上利用矢量控制达到对定子有功功率和无功功率的解耦控制。

气动人工肌肉静态数学模型与实验研究

该文首先提出考虑气动人工肌肉端部影响、橡胶弹性力和摩擦力的改进的气动人工肌肉静态数学模型,然后设计了气动人工肌肉静态特性测试台,测得某公司生产的DMSP-40-450RM-RM型肌肉的静态特性。根据理论的改进模型和测量数据,该文采用数据拟合的方法,得出该种型号气动人工肌肉的比较简单且拟合结果较好的数学模型。