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。

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。

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。

强化学习求解组合优化问题的研究综述

组合优化问题广泛的存在于生产实践的各个领域,解决组合优化问题的主要手段通常包括使用由领域专家人工设计的启发式算法以及设计成熟的求解器,按照一定顺序构建一个解决方案.而随着实际问题复杂度逐渐的增加,这类方法无法于在线求解方面取得很好的效果,得到的结果可能往往是次优的.而强化学习给出了一个很好的替代方案,通过对智能体模型的良好训练,迅速地对此类问题进行求解.故回顾了近年来将强化学习框架应用于组合优化问题的研究,对其基本原理、相关方法、应用研究进行总结和综述,并指出未来该方向亟待解决的若干问题.

长白山常见树种新叶与老叶的光谱特征差异分析

揭示新叶与老叶叶片的叶属性及其光谱特征的差异,不仅对于植被生理生态参数的无损监测有重要意义,而且可为林业定量遥感提供更多理论支撑。对长白山8个树种的新叶和老叶叶片进行采样和光谱测量,获取新老叶片的反射率光谱曲线,并进行一阶微分变换和光谱指数计算,同时实验测定比叶面积(SLA)、叶含水率、叶氮含量及叶碳含量等叶属性参数。利用方差分析与相关性分析方法,研究不同树种新老叶片在理化性质、光谱特征上的差异,并分析两者的相关性在新老叶之间的差异。结果表明:(1)多个树种的叶属性在新老叶的表现出显著差异。除叶碳含量之外,其他3个叶属性均在多个树种新老叶间表现出显著的差异性,叶碳含量在新老叶间均不存在显著差异。(2)不同树种叶片光谱特征在新老叶间的差异不一致,仅枫桦、裂叶榆、三角槭和红松的新老叶具有较明显的光谱曲线特征差异,枫桦新老叶在光谱三边特征表现出显著差异,尤其是红边。(3)叶属性与光谱信号的相关性在新老叶间表现出显著差异,说明光谱对新老叶叶属性的指示能力不同。近红外光谱反射率对老叶叶氮含量的指示能力强于新叶,而多个光谱指数对新叶含水率和叶碳含量的指示能力强于老叶。研究表明新老叶间不仅叶属性和光谱特征存在差异,而且二者之间的相关性也不同,这对于森林叶属性的无损观测过程中选择代表性叶片具有指导意义。

基于夜光遥感的我国春运人口流动时空特征研究

基于2013、2019和2021年的NPP/VIIRS夜间灯光数据,构建春节夜光差值指数,在省域尺度上证明了差值指数与流动人口量具有显著相关性(R=0.61,P<0.01),并以该指数研究了全国春运期间人口流动的时空特征。结果发现:1)我国春运强度在胡焕庸线两侧差异明显,东南地区人口流动是西北地区的6倍左右。春运在东南地区呈现连片式特征,在西北地区呈现离散零星式的流动特征。2)2013—2021年间,我国春运期间总体人口流动格局大致稳定,但流入地和流出地在空间上存在一定变化。3)经济发展状况和新冠疫情可能导致了这种格局演化特征的发生。尤其新冠疫情防疫和“就地过年”政策的推出,导致2021年春节期间大规模人口流动的减少,春运强度的下降。

基于混合深度学习模型的风速区间预测研究

风速的不确定性使风速预测难度加大,从而使风能难以被有效利用,为解决这个问题,基于卷积网络、共享权重长短时记忆网络、注意力机制和高斯过程回归,提出一种混合深度学习模型进行风速区间预测。首先采用卷积与共享权重的长短时记忆两者相融合的网络对风速序列进行特征提取,然后加入注意力机制有侧重地对特征向量加以利用,最后通过高斯过程回归进行区间预测。将该模型应用于2个风速数据集进行测试,从点预测、区间预测2个方面与其他风速预测方法进行对比。实验结果表明,所提预测模型能获得高精度预测结果及合适的预测区间。

基于改进DDPG的无人驾驶避障跟踪控制

无人驾驶汽车在跟踪避障控制过程中,被控对象具有非线性特征且被控参数多变,线性模型及固定的无人驾驶车辆数学模型难以保证车辆在复杂环境下的安全性和稳定性,并且无人驾驶离散化控制过程增加了控制难度。针对此类问题,为提高无人驾驶汽车实时控制跟踪轨迹的精度,同时降低整个控制过程的难度,文中提出了一种基于蒙特卡洛-深度确定性策略梯度(MC-DDPG)的无人驾驶汽车避障跟踪控制算法。该算法基于深度强化学习网络搭建控制系统模型,在策略学习采样过程中采用优秀的训练样本,使用蒙特卡洛方法优化网络训练梯度,对算法的训练样本采取优劣区分,使用优异的样本通过梯度算法寻找最优的网络参数,从而增强网络算法的学习能力,实现无人驾驶汽车的更优连续控制。在计算机模拟环境TORCS中对该算法进行仿真实验,结果表明,应用MC-DDPG算法可以有效地实现无人驾驶汽车的避障跟踪控制,其控制的无人驾驶汽车的跟踪精度及避障效果均优于深度Q网络算法和DDPG算法。

异构超混沌系统有限时间组合-组合同步及应用

为有效提高保密通信系统的安全性,在混沌组合同步的基础上提出一种基于有限时间理论的异结构超混沌系统组合-组合同步方案,并将其应用于混沌掩盖保密通信。选取四种具有普适性的经典超混沌系统作为研究对象;结合有限时间理论和Lyapunov稳定理论,利用反步法设计异结构超混沌系统的组合-组合同步控制方案,在数学理论上证明了方案的合理性,并通过数值仿真和对比实验验证了有限时间控制方案的高效性和对外部干扰的强鲁棒性;利用该有限时间组合—组合同步设计了混沌掩盖保密通信方案,仿真结果表明在外部干扰和信道噪声存在的条件下此方案能快速有效地恢复出原始信息信号,具有较强的抗破译性。

DC-DC Boost变换器系统的复合模态振荡分析

以DC-DC Boost变换器系统为研究对象,引入参数激励和外部激励,建立参外联合激励多尺度耦合动力学模型。当系统表现为严格共振关系时,且参数、外部激励频率与系统固有频率存在量级差时,把两激励项转化为单一周期激励项的函数形式,将此作为慢变参数,得到广义自治快子系统。主要探究了三种典型激励频率比下系统的复合模态振荡行为,借助单参数和双参数分岔图、复杂度谱熵图、转换相图等,分析了“非对称式光滑Fold-非光滑Fold型”、“周期性对称式非光滑Fold-Fold型”等复合模态振荡的产生机理和非光滑动力学行为特性。特别地,系统在不同频率比下的运行轨线结构,穿越非光滑分界面次数,簇发分岔点等均有所变化,从而导致含不同涡卷数的复合模态振荡。该研究为相关耦合电路的簇发振荡研究提供了理论基础及辅助分析模型。

基于图卷积神经网络的滚动轴承故障诊断

滚动轴承在噪声环境下发生故障时其振动信号往往呈现出非平稳、特征混叠、故障特征易被噪声淹没等特点,为更有效地挖掘其在强噪声环境中的故障特征,提高诊断准确率,提出一种基于图卷积神经网络(Graph Convolutional Networks,GCN)的滚动轴承故障诊断方法。首先,通过快速傅里叶变换(Fast Fourier Transform,FFT)将振动信号转化为频域信号,并根据变换后的频谱定义节点和边,将故障信号构造为全连接图;然后,利用GCN提取全连接图的节点特征;最后,使用全连接层和Softmax作为分类器对提取的节点特征进行分类识别。实验结果表明,所提方法与机器学习、深度学习和其他图神经网络诊断模型相比,准确率更高,抗噪性更好,可有效实现强噪声背景下端到端的滚动轴承智能故障诊断。