液压型风力发电机组调速系统的DMC预测控制方法研究

以液压型风力发电机组调速系统为研究对象,针对变量马达的恒转速控制问题,结合动态矩阵控制(DMC)原理,提出一种基于DMC的液压型风力发电机组调速系统预测控制方法,并通过Simulink-AMESim联合仿真技术分析预测步长与控制步长对转速控制的影响规律。研究结果表明,与经典PID控制方法相比,基于DMC的预测控制方法提升了液压型风力发电机组调速系统的控制性能,可为后续工程实际应用提供理论指导。

基于单神经元PID自适应的液压型风力发电机组恒转速控制

以新型液压型风力发电机组为研究对象,针对风速随机变化引起变量马达转速恒定困难的问题,提出一种基于单神经元PID自适应控制的方法,深入研究单神经元PID自适应控制器参数对变量马达恒转速控制性能的影响。利用AMESim仿真软件建立定量泵-变量马达液压模型,联合MATLAB/Simulink仿真软件进行了仿真研究。仿真结果表明:相比于经典的PID控制方法,单神经元PID自适应控制方法对变量马达恒转速控制具有良好的效果,增强了系统的抗扰动能力,提高了变量马达恒转速输出精度。

浅谈泵站电气设备安全运行的管理和养护

为实现环境保护优化、电力资源供应到位、农业生产稳定推进,就必须解决好泵站电气设备安全运行问题。本文阐述了泵站电气自动化设备的运行管理与养护策略。

深层聚合残差密集网络的超声图像左心室分割

目的超声图像是临床医学中应用最广泛的医学图像之一,但左心室超声图像一般具有强噪声、弱边缘和组织结构复杂等问题,其图像分割难度较大。临床上需要一种效率高、质量好的超声图像左心室分割算法。本文提出一种基于深层聚合残差密集网络(deep layer aggregation for residual dense network,DLA-RDNet)的超声图像左心室分割算法。方法对获取的超声图像进行形态学操作,定位目标区域,得到目标图像。构建残差密集网络(residual dense network,RDNet)用于提取图像特征,并将RDNet得到的层次信息通过深层聚合(deep layer aggregation,DLA)的方式紧密融合到一起,得到分割网络DLA-RDNet,用于实现对超声图像左心室的精确分割。通过深监督(deep supervision,DS)方式为网络剪枝,简化网络结构,提升网络运行速度。结果数据测试集的实验结果表明,所提算法平均准确率为95.68%,平均交并比为97.13%,平均相似性系数为97.15%,平均垂直距离为0.31 mm,分割轮廓合格率为99.32%。与6种分割算法相比,所提算法的分割精度更高。在测试阶段,每幅图像仅需不到1 s的时间即可完成分割,远远超出了专业医生的分割速度。结论提出了一种深层聚合残差密集神经网络对超声图像左心室进行分割,通过主、客观对比实验表明本文算法的有效性,能够较对比方法更实时准确地对超声图像左心室进行分割,符合临床医学中超声图像左心室分割的需求。