将齿轮箱温度划分为正常、温升异常和温度异常3种场景,并利用所构建的卷积神经网络(Conventional neural network,CNN)结合双向长短期记忆(Bidirectional long short term memory,BiLSTM)网络模型对场景进行判别。在此基础上,采用分位...将齿轮箱温度划分为正常、温升异常和温度异常3种场景,并利用所构建的卷积神经网络(Conventional neural network,CNN)结合双向长短期记忆(Bidirectional long short term memory,BiLSTM)网络模型对场景进行判别。在此基础上,采用分位数回归(Quantile regression,QR)结合门控循环单元(Gate recurrent unit,GRU)方法,分别预测不同温度场景下的油温及轴承点预测及温度区间,并根据GRU温度异常诊断模型对2种预测温度进行诊断。算例分析结果表明,用该方法能准确预测各状态下齿轮箱温度,且预测区间可靠,可实现齿轮箱温度异常的高效诊断。依托某风场实测数据对所提方案进行验证,验证结果表明所提方法有效且性能优越。展开更多
针对换流站多种电气设备检测时背景复杂干扰性强而又需要快速准确检测出故障的实际情况,提出基于改进YOLOv5(You Only Look Once)的检测方法。首先,为提高算法的准确性和收敛速度,通过K-means聚类算法对YOLOv5模型中的锚框预设进行改进...针对换流站多种电气设备检测时背景复杂干扰性强而又需要快速准确检测出故障的实际情况,提出基于改进YOLOv5(You Only Look Once)的检测方法。首先,为提高算法的准确性和收敛速度,通过K-means聚类算法对YOLOv5模型中的锚框预设进行改进,在数据集预处理阶段得到更适用于换流站电气设备的锚框,使其更加契合换流站电力设备数据集;然后,为提高算法检测过程的识别速度,在特征提取网络添加注意力机制模块,筛选出重要的特征信息。将改进后的算法网络识别效果与YOLOv5中的原始算法网络检测结果进行对比分析。结果表明,检测平均识别精度均值由71.16%提高至92.51%,检测速度由21帧/s提升至31帧/s;同时与R-CNN(Regions with convolutional neural networks)等算法相比,检测精度与速度都有较大提升。添加可解释性分析,将识别结果通过热力图的形式显示,可以更好地应对算法的潜在风险。展开更多
在图像拼接过程中,使用固定阈值的旋转不变性二进制描述(Oriented fast and rotated brief,ORB)算法检测出的特征点在特征匹配阶段会产生较多误匹配,从而导致拼接的图像在拼接缝处产生重影。针对此问题,提出一种基于改进ORB的图像拼接...在图像拼接过程中,使用固定阈值的旋转不变性二进制描述(Oriented fast and rotated brief,ORB)算法检测出的特征点在特征匹配阶段会产生较多误匹配,从而导致拼接的图像在拼接缝处产生重影。针对此问题,提出一种基于改进ORB的图像拼接算法。首先,使用自适应算法将ORB的固定阈值替换为动态阈值对特征点进行检测;然后,使用K近邻(K-nearest neighbor,KNN)算法进行特征点粗匹配,再用随机抽样一致性(Random sampling consensus,RANSAC)算法对特征点进行精匹配;最后,通过最佳缝合线法和渐入渐出法对图像进行拼接。实验结果表明,相较于传统的ORB算法,利用所提出的算法时所需的特征点检测时间、匹配时间明显减少,匹配正确率明显提高,拼接缝重影被有效消除。展开更多
文摘将齿轮箱温度划分为正常、温升异常和温度异常3种场景,并利用所构建的卷积神经网络(Conventional neural network,CNN)结合双向长短期记忆(Bidirectional long short term memory,BiLSTM)网络模型对场景进行判别。在此基础上,采用分位数回归(Quantile regression,QR)结合门控循环单元(Gate recurrent unit,GRU)方法,分别预测不同温度场景下的油温及轴承点预测及温度区间,并根据GRU温度异常诊断模型对2种预测温度进行诊断。算例分析结果表明,用该方法能准确预测各状态下齿轮箱温度,且预测区间可靠,可实现齿轮箱温度异常的高效诊断。依托某风场实测数据对所提方案进行验证,验证结果表明所提方法有效且性能优越。
文摘针对换流站多种电气设备检测时背景复杂干扰性强而又需要快速准确检测出故障的实际情况,提出基于改进YOLOv5(You Only Look Once)的检测方法。首先,为提高算法的准确性和收敛速度,通过K-means聚类算法对YOLOv5模型中的锚框预设进行改进,在数据集预处理阶段得到更适用于换流站电气设备的锚框,使其更加契合换流站电力设备数据集;然后,为提高算法检测过程的识别速度,在特征提取网络添加注意力机制模块,筛选出重要的特征信息。将改进后的算法网络识别效果与YOLOv5中的原始算法网络检测结果进行对比分析。结果表明,检测平均识别精度均值由71.16%提高至92.51%,检测速度由21帧/s提升至31帧/s;同时与R-CNN(Regions with convolutional neural networks)等算法相比,检测精度与速度都有较大提升。添加可解释性分析,将识别结果通过热力图的形式显示,可以更好地应对算法的潜在风险。
文摘在图像拼接过程中,使用固定阈值的旋转不变性二进制描述(Oriented fast and rotated brief,ORB)算法检测出的特征点在特征匹配阶段会产生较多误匹配,从而导致拼接的图像在拼接缝处产生重影。针对此问题,提出一种基于改进ORB的图像拼接算法。首先,使用自适应算法将ORB的固定阈值替换为动态阈值对特征点进行检测;然后,使用K近邻(K-nearest neighbor,KNN)算法进行特征点粗匹配,再用随机抽样一致性(Random sampling consensus,RANSAC)算法对特征点进行精匹配;最后,通过最佳缝合线法和渐入渐出法对图像进行拼接。实验结果表明,相较于传统的ORB算法,利用所提出的算法时所需的特征点检测时间、匹配时间明显减少,匹配正确率明显提高,拼接缝重影被有效消除。