基于串级模型预测控制的倾转旋翼机过渡段控制

针对倾转旋翼机过渡阶段存在的纵垂向控制通道切换问题,基于串级控制框架提出了一种具有自适应权重矩阵的模型预测控制(model predictive control,MPC)策略。首先,通过分析直升机模态和定翼机模态的控制结构差别,构造了兼容全部飞行模态的增广串级控制结构。然后,在确立了倾转旋翼机的模糊建模策略后,设计了MPC目标函数中权重矩阵的参数自适应变化律,从而使内环和外环中高度、前飞速度的跟踪误差惩罚项根据所处模态的不同有着不同的惩罚占比。这样可以使在过渡阶段设计的增广串级控制结构能始终满足时标分离原则。该控制方案将2个飞行模态和过渡阶段的控制纳入一个统一的控制结构中,实现了各飞行模态间的自由切换。仿真结果表明,所提控制方案有良好的控制效果,控制量较为平滑。

基于改进Faster-RCNN的无人机巡检架空线路销钉缺陷检测

为了提升无人机巡检架空线路的效率,提高架空线路销钉缺陷检出率,提出了一种基于改进Faster-RCNN算法的无人机巡检架空线路销钉缺陷检测方法。针对无人机巡检图像背景大、销钉目标尺寸小的特点,通过以深度残差网络ResNet101作为前置特征提取网络,增大训练图像尺度,建立特征金字塔融合多尺度特征,以K-means算法优化初始锚框,对Faster-RCNN算法进行改进;并用实际无人机巡检图像进行实验测试。实验结果表明,该方法对无人机巡检图像中销钉缺陷有较好的检测效果,在测试数据集上检测精确度达到93.6%,召回率达到89.8%,泛化能力较强,相比现有其他常见目标检测方法,检测效果更好。

基于样本扩充的Faster R-CNN电网异物监测技术

电网公司的巡检工作主要依靠人工完成,需要大量人力物力,且实时性较差。针对该问题,提出一个基于区域推荐卷积神经网络的图像目标监测系统,其中核心算法为Faster R-CNN算法。利用深度学习对摄像装置所采集的现场图像进行分析,执行目标检测任务,若发现威胁电网安全运行的隐患将及时通知工作人员。深度学习发挥其优势需要有效样本达到一定数量,包含隐患的真实样本较少,有些异物种类甚至没有合适的样本,往往不能满足深度学习算法的训练要求。因此研究了一种用于扩充样本的样本生成算法,将隐患目标与背景图像按照一定规则进行融合,达到批量扩充样本集的目的。使用该算法生成的样本进行测试,测试结果表明扩充后的训练集可以使系统性能得到一定提升。此外,通过测试发现,对训练集做一定的预处理可以提升模型的识别性能。

基于场景建模的电力巡检异物检测样本扩充方法

利用深度卷积神经网络来进行图像目标检测是电力巡检异物检测的常用手段。训练神经网络需要大量样本,但电力行业存在着图片难以收集导致训练样本不足的情况。为方便目标检测神经网络的训练、提升目标检测模型的识别性能,利用一种基于已有样本的场景建模方法,自动生成大量符合实际电力场景的图片,以扩充样本。该方法利用卷积神经网络实现场景建模,并采用泊松融合进行图片合成,同时加入尺寸变换、图像旋转、图像滤波等数字图像处理方法。通过实例验证,该样本扩充方法可以实现扩充目标检测训练所要求的图像样本,也可以在样本完全缺失的情况下快速生成一定量的样本,提高目标检测模型的性能。

界面上的质子耦合电子转移反应

质子耦合电子转移(Proton-Coupled Electron Transfer,PCET)反应是生物和化学的重要过程,它与光合作用、呼吸过程、能量转化和存储,以及制备清洁能源材料等过程紧密相关。界面上的质子耦合电子转移反应是近年来的研究热点之一,本文对该领域进行了简要综述,主要介绍了发生在液/液界面和固/液界面上的质子耦合电子转移反应的研究进展。

输电线路巡检图像检测模型的加速与压缩研究

为了降低基于深度学习识别算法的巨量计算复杂度和对设备性能的高要求,进一步提升电力图像识别系统的泛用性,提出一种加速与压缩算法,旨在保证精度的前提下,减小模型规模和计算量。首先选取实验场景为输电线路巡检图像检测,考虑精度和速率需求,目标检测算法选取为Faster区域卷积神经网络(regional convolutional neural networks,R-CNN);继而在原检测算法的基础上添加一批规范化层且与卷积层融合以减少运算量,对卷积层进行剪枝,并对全连接层采用奇异值分解以减少冗余。实验表明:所提算法可以有效地压缩模型尺寸,加速推理过程,减少测试模型约18%的计算量和80%的模型尺寸。