基于EMD-SDP图像特征和改进DenseNet车用PMSM故障诊断

永磁同步电机(permanent magnet synchronous motor,PMSM)因转速范围宽、输出转矩大、调速响应快、尺寸小、质量轻等优点被广泛应用于电动汽车驱动系统。受恶劣气候、异常振动和频繁起动-制动工况因素影响,PMSM易发生匝间短路、退磁、轴承磨损等故障。本文针对PMSM相似故障单一维度信号下难区分以及工作条件发生变化时传统诊断方法鲁棒性差的问题,提出了一种基于经验模态分解-对称点模式(empirical mode decomposition-symmetric dot pattern,EMD-SDP)图像特征和改进DenseNet相结合的车用永磁同步电机故障诊断方法。首先,通过实验获取不同状态的电机在多种工况下振动信号,将预处理的振动信号进行EMD处理,求解不同层级本征模态函数(intrinsic mode function,IMF);其次,将原始振动信号转化为SDP图像,对不同层级IMF转化为RGB色彩特征在SDP图像上显示出来;然后,通过融合scSE注意力机制改进DenseNet学习图像数据集构建分类网络模型;最后,按照信号-图像-网络的流程对待测电机状态进行评估与诊断。诊断结果表明:所提出的方法在稳态和变速瞬态工况下均表现良好的性能。在恒速恒载工况下,所提的方法达到最高的故障诊断准确率(99.72%),相比基准的DenseNet的准确率(98.06%)提升了1.66个百分点。改进后的DenseNet模型和DenseNet模型的ROC曲线最接近左上角,AUC均值分别为0.9974和0.9745;在加速恒载和减速恒载工况下,改进后的DenseNet模型也达到了最高的诊断准确率,分别为96.88%和97.08%。AUC均值分别为0.9877和0.9869。本文所提出的方法的总体性能优于传统方法,能有效地用于速度变化时的故障诊断。

量子点LED显示研究进展:材料、封装涂层、图案化显示应用

量子点(Quantum Dot,QD)作为一种新型发光材料,具有发光光谱窄、激发光谱宽、量子产率高及可溶液制备等优点,其制成的发光二极管(Light-emitting diode,LED)器件通过色转换过程可实现红、蓝及绿波段较窄的发射半波峰(<20 nm),色域范围超过120%NTSC,被视为下一代最有潜力的显示技术之一。然而,量子点材料的发光不稳定性、低出光效率与全彩化技术难题严重限制了量子点材料在高性能显示设备方面的应用。如何解决这些难题,实现稳定高效的量子点全彩化新型显示仍需进一步探索。本文总结了国内外对量子点材料改性、量子点材料封装方法、量子点涂层出光增强策略以及量子点图案化显示应用4个方面的研究进展,为进一步提升量子点LED显示技术提供有价值的参考。

基于参数优化SDP分析的转子故障诊断方法

针对存在多种故障类型不同故障严重程度的转子故障诊断问题,提出了一种基于参数优化对称点模式(symmetrized dot pattern,SDP)分析的智能诊断方法。首先,利用SDP分析提取多个传感器信号的故障特征并将其融合为SDP图像;然后,以基于欧氏距离定义的图像区分度函数为适应度函数,基于天牛须搜索(beetle antennae search,BAS)算法获得SDP分析中角域增益因子与时间延滞系数的最佳取值;最后,利用SDP图像训练卷积神经网络(convolutional neural network,CNN)获得转子故障诊断模型。试验研究表明,该方法相较于其他故障诊断方法具有更高的诊断精度,且在强噪声环境下的诊断表现良好。基于BAS算法优化后的SDP分析放大了不同类型不同严重程度转子故障的表征差异,提高了故障诊断精度。

基于多传感器信息融合与混合感受野残差卷积神经网络的调相机转子故障诊断

大型调相机是电网对无功调节的关键设备之一,预防调相机因转子故障而产生的安全事故极为重要;为了有效利用设备实际监测过程中多源传感器同步采集的海量数据,并考虑传统卷积神经网络(CNN,convolutional neural network)模型的特征学习能力差、感受野尺度单一等缺点,提出了一种基于SDP-MRFRCNN的调相机转子故障诊断方法;首先通过对称点模式(SDP,symmetrized dot pattern)将调相机多个传感器的振动信号进行信息融合,获取融合多源振动信息的图像,然后构建混合感受野残差卷积神经网络(MRFRCNN,mixed receptive field residual CNN)进行学习,实现调相机转子状态识别;实验结果表明,该方法增强了不同状态特征间的辨别度,具有更高识别精度,分类准确率达到了99.33%。

基于倒谱-对称点图谱-卷积神经网络的内燃机增压器滚动轴承故障诊断

针对内燃机增压器滚动轴承振动信号易受噪声影响、故障特征微弱的问题,提出了一种基于倒谱(cepstrum)-对称点图谱(symmetrizeddotpattern,SDP)-卷积神经网络(convolution neural network,CNN)的智能故障诊断方法。通过倒谱对原始信号进行故障特征提取,获取能够反映滚动轴承故障类型的特征向量。然后应用对称点图谱方法将一维倒谱数据映射到极坐标空间,并进行灰度化处理得到SDP特征灰度图,将特征图导入到卷积神经网络进行特征挖掘和故障识别。最后通过滚动轴承外滚道、内滚道和滚动体出现损伤的故障试验,构建了9类故障状态原始信号,验证了基于倒谱-SDP-CNN的智能故障诊断方法。结果表明:倒谱-SDP-CNN方法具有运算简便、快捷、受噪声影响较小等优点,对试验测试集的故障识别准确率达到97.5%,可以较为准确地诊断增压器滚动轴承的故障状态和严重程度。

基于AGA-SSAE和SDP域转换的暂态电能质量扰动识别方法

针对复杂电能质量扰动信号非平稳性和非线性导致的信号特征难以直接提取和识别的问题,该文提出一种基于自适应遗传算法优化(adaptive genetic algorithm,AGA)的栈式稀疏自编码器(stacked sparse autoencoder,SSAE)和对称点模式(symmetrized dot pattern,SDP)域转换的暂态电能质量扰动识别方法。首先,通过Matlab仿真随机生成6种单一扰动信号和9种复合扰动信号,通过SDP方法将原始时域扰动信号转换至极坐标域,实现扰动信号可视化并生成对应的扰动图谱,对扰动图谱进行参数优化;然后,基于Tensorflow开源框架搭建SSAE识别模型,并由AGA算法完成模型结构及其参数的优化,实现扰动图谱的深度特征提取与挖掘;最后,由末端分类器进行无监督学习分类,比较常见扰动识别方法的优劣。结果表明:该文提出的基于AGA-SSAE和SDP域转换的暂态电能质量扰动识别方法能够对暂态扰动进行高效、准确的识别分类,平均测试准确率为97.89%,优于传统方法10%左右;同时所提方法的架构清晰,且具有较好的收敛性和泛化能力,适用于电力系统电能质量暂态扰动的快速、精确识别。

图形衬底对多周期InGaAs量子点自组装生长的影响

量子点器件技术广泛应用于量子计算和光电器件上.成核位置的均匀性、有序性和尺寸一致性,可以有效提高光电器件性能.为了实现阵列量子点的可控性,本文采用湿法刻蚀制备图形化衬底,理论上解释了铟原子在图形化衬底上成核现象,产生有序的量子点分布特征,发现图形衬底的缺陷诱导在平台边缘和沟壑边缘成核,形成较大的量子点.在Stranski-Krastanow模式下图形衬底制备多周期量子点,发现多周期生长可以弱化台阶结构对量子点分布的限制作用.

LED单边侧入式导光板的网点设计

单边侧入式导光板可降低其设计成本和制作成本,为了获得均匀的表面照度,本文介绍了LED为光源的单边侧入式导光板散射网点设计方法。建立了相应模型,得到这种导光板散射网点的一种排布公式和计算方法,并用TracePro软件进行模拟仿真,验证了网点设计方法的正确性。模拟和实验结果表明通过这种网点设计方法可获得均匀度优于90%的表面照度分布。

基于Trace-Pro软件的LCD导光板网点分布仿真与研究

针对目前背光模组的均匀度差和亮度低的问题,利用Trace-Pro光学仿真软件对印刷式导光板的网点分布进行模拟分析,着重提高光输出的均匀度。采取分块优化来简化设计,通过与网点面积密度比的关联,利用网点密度比、网点半径和间距三者的关系,进行相互转化,拟合出间距的整体性最佳化曲线,从而避免了重复建模和光线追迹。通过这种网点设计方法获得了高照度下均匀度大于90%的导光板的网点分布。将优化结果与实际导光板尺寸比较对比可知,间距平均值偏差1.6μm以下,半径平均值偏差±2.7μm以下。实验结果与计算分析结果吻合得较好,对实际生产有一定的指导意义。

一种基于划分的组合服务选取方法

组合服务选取问题是服务计算领域研究的核心问题.由于组合服务中基本服务QoS间存在着复杂的关联关系,使得某些服务一起使用时效率会较高,而某些服务一起使用时效率反而会降低,现有的服务选取算法几乎忽略了该问题,从而使得选取时所使用的Web服务QoS数据往往不准确,致使选取出的组合服务在实际执行时并不是最优的.为了解决该问题,提出了一种基于划分的组合服务选取方法.首先基于日志记载的质量信息选取那些性能优良的组合服务执行实例,在此之上发现被频繁一起使用的具体服务集合,据此产生对组合服务的划分,形成组合服务点和对应的点模式;最后把点模式集作为点的备选服务集,以点为单位进行组合服务选取.由于点模式经过了多遍执行的验证,和直接对点中各基本服务进行独立选取相比其性能往往会更高.实验表明,该方法能有效提高选取出的组合服务质量.

基于SDP法诊断发动机的异响

针对发动机异响特征与声信号的复杂性,提出了基于SDP(Symmetrized Dot Pattern)的发动机异响诊断方法。通过将测得的发动机各个局部位置的声信号将其时域波形转换为极坐标图形,利用正常发动机与产生异响发动机SDP图形之间的相关系数来判断所测发动机是否存在异响,与传统诊断方法即对时域与频域信号幅值不同进行对比分析相比具有分析时间短、辨别直观等优点。试验结果证明,SDP法能快速准确地分辨出正常发动机与异响发动机的差别,达到了对发动机异响诊断的目的。

基于深度特征学习的汽轮机转子状态识别方法

复杂汽轮机转子振动信号的非平稳性和非线性等问题,会严重影响到汽轮机转子的状态识别。为了保证汽轮机转子的安全运行,提出一种基于对称点模式(symmetrized dot pattern,SDP)特征融合的卷积神经网络(convolutionneural network,CNN)状态识别方法。该方法通过基于SDP分析方法对汽轮机转子各方向、各位置的信号进行特征融合,获取融合特征的SDP图,最终基于CNN进行融合特征SDP图像识别,实现转子故障状态识别。与其他状态识别方法相比,该方法提高了不同状态特征的表征差异,进而提高了学习效果和识别精度。同时,对比实验结果表明,相较于其他状态识别方法,该方法对转子振动状态识别精度最高,达到了96%。

服装波点图案消费感知与设计要素的相关性

为探究服装消费者对波点图案的感性评价与图案设计要素的关系,准确把握服装波点图案的设计定位,从而满足消费者的感性需求,通过消费感知实验,获取消费者对服装波点图案在7个维度方面的感性评分数据,同时将实验样本图案的定性要素赋值为定量数据,通过偏最小二乘法探索两组数据的映射关系,建立相关性数学模型。通过数据分析得出结论:服装波点图案设计要素影响着消费者的感性认知,二者存在较高的相关性,且不同的感性形容词对应着不同的相关性模型;相关性模型具有实践应用价值,有助于实现基于不同感性需求的个性化图案设计,建立服装波点图案的感性评价预测模型。

基于LMS和SDP的发动机异响诊断方法研究

为有效提取发动机声信号特征,以诊断发动机的异响,提出了一种以最小均方算法和对称点图形算法相结合的发动机异响诊断方法。采用最小均方算法去除信号中的噪声,还原发动机声信号,而利用SDP图形技术将信号转换为极坐标图形,得以判断发动机是否产生异响。通过仿真与试验,验证了该方法的有效性。

Ge/Si量子点的生长研究进展

要有效应用SK模式生长的Ge量子点,必须实现Ge量子点的位置可控并且进一步缩小Ge量子点的尺寸。阐释了这方面的研究进展,特别对图形衬底生长Ge量子点,利用Si表面的自组织性在错切割的邻晶面衬底上生长有序Ge岛,表面杂质诱导成岛这三个方面的进展加以介绍分析。

基于点对称变换的乙丙橡胶电缆终端缺陷诊断

为解决高速动车组车载电缆健康状况的智能化诊断受限于天窗期短的问题,该文提出一种基于点对称(SDP)的乙丙橡胶(EPR)电缆终端缺陷局部放电诊断方法。首先,搭建局部放电试验平台获取局部放电信号;然后,提出一种车载电缆局部放电信号的SDP参数确定方法,并基于SDP变换将不同类型缺陷局部放电信号映射到极坐标系中形成SDP图像;最后,对比三种常见的深度学习网络——卷积神经网络(CNN)、栈式自编码器(SAE)及深度置信网络(DBN)提取不同类型缺陷的SDP图像深层特征,并基于网络尾端Softmax分类器进行识别。结果表明:针对四种典型的电缆缺陷,DBN网络与SDP图像的结合效果最佳,缺陷识别率达到了96.1%,相比于传统诊断方法,识别准确率提高了10%左右,由此验证了通过深度学习算法自适应提取SDP图像特征的方法,可有效应用于电缆缺陷诊断领域,具有较好的工程应用前景。

超高色域图案化量子点彩膜的研究

平板显示中影响色域的两个关键因素为背光源发光光谱特性和彩色滤光片的透过光谱特性。在TFT-LCD的高色域领域,为了实现BT2020标准,我们开发了量子点光刻胶替代彩色滤光片的方法。首先合成新型的量子点光刻胶,将其作为色彩转换膜制备在彩色滤光片下方,通过背光激发量子点自发光,可得到色纯度更高的红绿光。研究表明,自主开发的量子点光刻胶可以有效地进行色转换,可耐受光刻工艺,在高温烘烤和碱性显影下,可保持一定转换效率,且能实现pattern化,避免目前用白光直接搭配彩膜的漏光问题,有效地提高色域。

基于点对称变换与图像匹配的变压器机械故障诊断方法

变压器本体的振动信号与其机械状态密切相关,利用该特点可实现对变压器机械故障的判别。该文提出了一种基于点对称变换(SDP)与图像匹配的变压器机械故障诊断方法。首先通过集合经验模态分解(EEMD)对初始信号进行分解,并选择合适的分量对信号进行重构,去除变压器自身及外界环境的干扰;接着通过SDP获得重构后的振动信号的SDP图像,并在每类故障中选择部分图像,利用聚类模板提取共同特征获得该类故障下的典型故障模板;最后通过比较未知故障信号的SDP图像与各类典型故障模板SDP图像的相似度实现最佳匹配,完成变压器机械故障的诊断。变压器的实验结果表明:不同类型的机械故障SDP图像间存在明显特征差异,该方法可以实现机械故障的有效判别。与传统的机械故障诊断方法相比,该文所提方法考虑了外界高频干扰,避免了提取多个特征量的繁琐步骤,操作简单且准确率高。

基于声纹SDP-CNN的变压器局部放电模式识别

变压器的可靠性是电网运维和运行控制的重要支撑,其绝缘劣化状态的在线检测一直是研究热点。传统的超声检测方法不能实现从声音信号到图像信号的高表征度转换和高精细度识别。文章设计了3种典型类型的变压器局部放电缺陷模型,利用超声传感器采集放电信号中的“声音”属性数据,并利用共振稀疏分解的方法有效提取特征信号,然后采用改进的对称点模式(symmetrized dot pattern,SDP)方法将声纹图像化,构建“声纹库”。最后,构建了自适应的声纹SDP-CNN模型实现了特征信息的自动融合,简化了诊断过程并把复杂放电的识别准确率提高到了98.67%。

基于点对称图像的变压器局部放电信号故障诊断

局部放电是变压器工作过程中常见的故障,该文提出一种基于点对称图像的局部放电信号处理及故障诊断研究方法。对局部放电故障的点进行观测及采集数据,进而分解及处理得到所需状态信号,并通过点对称图形的方法将数据的形式转换成图像,提取出信号所含的显著特征,对比正常和故障信号的图像,实现局部放电故障是否发生的判断。相对于其他特征提取方法,该方法可以更加准确直观地展示出不同状态之间的差异。文章进行实验验证,并对比多组数据,最终实现变压器故障与否的判别,证明该文方法的有效性和先进性。