考虑交通信号和交通密度的城市路段个体行程时间建模

为探究城市路段中交通密度与交通信号对个体车辆行程时间的影响规律,提高城市道路行程时间的预测精度,基于车牌识别数据与信号机配时数据等多种融合数据,提出了由自由流行程时间、密度延误与随机误差项组成的行程时间关系函数,并在该函数基础上构建了考虑个体驾驶习惯的行程时间预测模型。首先,基于道路限速条件、车辆进入路段时的下游交叉口信号状态构建自由流行程时间函数;其次,提出了一种通过密度阈值判断车辆能否在当前信号周期通过下游交叉口的方法,并基于个体车辆进入路段时的路段密度计算出车辆所需等待信号周期个数及等待前方排队疏散所需时间,从而构建密度延误函数;然后,将个体实际行程时间与自由流行程时间、密度延误的差值作为随机误差项,通过高斯混合模型拟合随机误差项的概率分布;最后,选用安徽省宣城市多个路段作为案例,分析各路段行程时间函数各部分的具体表现,对该行程时间预测模型进行验证。结果表明:行程时间预测模型的MAPE,MAE,RMSE分别为6%~12%,5~15,13~35,在准确率方面优于其他算法,是一种有效的城市路段个体行程时间预测方法。

滚动轴承健康智能监测和故障诊断机制研究综述

轴承作为工业设备机械系统中最关键并且最容易发生故障的零件之一,长期处在高负荷的运行状态。当其发生故障时或者不可逆的磨损时,可能带来事故甚至造成巨大经济损失。因此,对其进行有效的健康监测和故障诊断,对于保障工业设备安全稳定运行有着重要的意义。为进一步促进轴承健康监测和故障诊断技术的发展,对当前现有的模型及方法进行分析与总结,并对现有技术进行划分、对比。从使用的振动信号数据分布出发,首先,对数据分布均匀下的相关方法进行整理,主要按照基于信号分析和基于数据驱动两方面进行研究现状的分类、分析与总结,对该情况下故障检测方法所存在的不足与缺陷进行概述。其次,考虑实际工况下数据采集通常具有不均衡特性的问题,对处理该类情况下的检测方法进行总结,并将现有研究中对该问题的不同处理技术根据其侧重点不同分为数据处理方法、特征提取方法、模型改进方法,并对所存在的问题进行分析。最后,对现有工业设备中轴承故障检测存在的挑战及未来发展方向进行了总结与展望。

基于随机数据驱动SDMD的电力系统区域惯量评估方法

准确评估系统惯量对于支持未来低惯量电力系统的系统安全运行至关重要。文中提出了一种随机数据驱动下基于机电响应特征的系统惯量评估方法,从随机响应信号中实现了区域有效惯量的评估。首先,通过将随机Koopman理论与随机动态系统相结合,推导出了随机Koopman空间上机电特征与系统惯量的耦合关系。然后,利用子空间动态模式分解(SDMD),以数据驱动的方式提取系统机电响应特征。该算法通过正交投影和奇异值分解,在压缩数据的同时实现了系统状态矩阵的低秩近似,可以有效减弱观测噪声对计算结果的影响。最后,采用IEEE 4机2区系统和IEEE 10机39节点系统的数值模拟算例验证了所提算法的有效性和鲁棒性。

一种模型驱动的深度学习OFDM接收机

针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)接收机解调精度低和计算复杂度高的问题,采用深度学习方法构建了一种新的模型驱动的接收机模型,称为FBLTNet(Fully Connected,Bi-LSTM and Transformer-encoder Neural Network)。该模型分为信道估计和信号检测两个部分,其中信道估计以全连接神经网络(Fully Connected Deep Neural Network,FCDNN)替代线性插值,信号检测则使用深度自注意力网络编码器Transformer-encoder和双向长短期记忆网络(Bidirectional Long-Short Term Memory,Bi-LSTM)的组合网络,实现信号的解调和比特流的恢复。在瑞利衰落信道下测试了不同调制方式的接收机性能,结果表明FBLTNet与基于深度学习的接收机以及传统接收机相比,误比特率性能得到了显著的改善;与数据驱动的无线接收机算法相比,线下训练模型收敛时间和测试时间分别减少了33.0%和25%,网络结构参数减少了29.5%。

Linux中多种IO机制及应用探究

Linux操作系统在软件工程中的应用比较广泛,各种商业发行版本广泛地存在于PC桌面、后端服务器和个人移动终端中。而Linux中数据输入输出的效率直接决定了操作系统的应用执行效率。就硬件的读写速度来看,CPU的数据处理速度远大于磁盘IO的数据处理速度。因此在Linux中,IO性能的优化一直是Linux效率优化的重点。在Linux操作系统中一共存在非阻塞、阻塞、多路复用、信号驱动和异步5种IO模型。这5种IO模型优缺点各不相同,分别对应着不同的应用场景。

基于模型偏差学习的交通信号自适应优化方法

城市交通信号配时优化是保证交通系统整体运行效率的前提条件。传统基于模型的信号控制方法往往基于历史统计数据,并且底层交通流模型不可避免地存在模型偏差,影响控制方案的科学性及其实际应用效果。考虑模型与数据融合驱动,提出一种基于模型偏差学习的交通信号控制自适应优化方法,以最小化路网行程时间为目标,建立信号控制最优化模型。首先,针对交通流预测模型的模型偏差,引入偏差函数表示预测模型与实际交通流状态间的误差;其次,建立基于径向基函数(RBF)神经网络的偏差函数,结合实际交通流数据对模型偏差进行学习,提高偏差函数的拟合效果;在此基础上,提出考虑模型偏差信息的自适应优化方法,以提高信号控制方法的控制性能。以小型测试路网与实际路网为例进行算例分析,基于SUMO仿真对本文提出的模型偏差学习方法进行验证,考虑不同交通流量条件,与固定配时、模型预测控制进行比较,分析其控制性能指标。结果表明,模型与数据融合驱动的信号控制自适应优化方法能有效提高预测模型的准确性,降低路网行程时间,与基于模型的控制和模型预测控制方法相比路网累积行程时间平均减少了38.3%和25.6%,提升了路网的实际运行效果。最后在宣城实际路网的仿真验证了方法的有效性。

煤化工机泵群设备故障监测及定位技术研究

机泵群设备的故障监测和定位技术对于提高装置生产效率和保障设备安全具有重要意义。文章以煤化工机泵群设备为研究对象,通过分析设备故障监测的现状和存在的问题,提出了一种基于先进传感技术和数据分析方法的故障监测和定位技术,并对该技术进行了试验验证。试验结果表明,该技术能够有效地监测和定位设备故障,为煤业煤制油行业提供了一种可行的设备管理和维护方法。

基于“专创融合”的数字信号处理课程教学研究

数字信号处理是电子信息类专业本科阶段重要的专业课程,在培养学生的专业实践应用能力方面具有重要作用。为了充分调动学生的学习潜力,本课程以学生为中心、以“专创融合”为导向,通过项目驱动,激发学生学习热情;通过探究式教学法,发掘学生学习潜能;通过虚拟仿真,化繁为简,抽象理论形象化,降低了理论学习难度。并进一步采用多元化课程评价方式提供教学保障。该模式在皖江工学院通信工程专业进行了实践,结果表明:通过“专创融合”课程教学改革,学生的学习热情增加,学用结合、成果显著,优秀率提高了6.6%,不及格率下降了11%,学生对课程的反馈100%满意。以期为应用型本科高校数字信号处理课程教学提供借鉴。

小波分析辐射波动下光伏冷库压缩机结霜特性及诊断

针对光伏直驱蒸气压缩制冷(VCR)冷库系统的压缩机结霜故障,基于小波分析开展其诊断及特性的理论和试验研究,对比测试了市电、光伏直驱压缩机未结霜与结霜的声音振动信号特性。结果表明,市电与光伏直驱压缩机结霜相比,未结霜的制冷性能分别衰减了12.86%和5.35%,当市电驱动压缩机声压级信号的功率谱以1~5dB的降幅下降至-15dB以下,光伏直驱压缩机声压级信号的功率谱以10~15dB的降幅下降至-20dB以下时,意味着压缩机将要结霜。这时可以在市电驱动下将压缩机频率调至22Hz以上和光伏直驱下将压缩机频率调至28Hz以下来避免压缩机结霜。

基于数据驱动的电子通信设备异常信号识别方法

详细探讨基于数据驱动的电子通信设备异常信号识别方法,涵盖从基础的机器学习分类技术到复杂的深度学习应用,以及异常检测算法和时间序列分析技术的多方面内容。这些技术在实际电子通信系统中的应用测试,验证了其在实际环境中的效果和可行性。通过这些先进的数据驱动方法,可以更有效地预测和识别电子通信设备中的异常信号,从而提前采取措施,防止潜在的通信故障和中断,显著提升了通信系统的稳定性和可靠性。

智能网联环境下信号灯消息的质量判别

为实现智能网联环境下信号灯消息的高质量上车服务,亟需对通过路侧单元发送的信号灯消息进行质量判别并形成相应的评价标准,帮助精准定位路侧基础设施的数据问题,进而营造更好的智能网联环境。本文系统性地从唯一性、完整性、准确性和时效性这4个关键维度,建立1套针对信号灯消息质量的评价指标体系。同时,以数据驱动的方式从积累的海量历史信号灯消息中挖掘出各项指标的分布和趋势特征,进而分析得到合适、可执行的质量判别标准。该方法在实际智能网联数据运维服务中得到了有效验证,能全面、准确地定位信号灯消息的数据问题,具有较高的应用前景。

基于项目驱动的数字信号处理课程混合式教学设计与实践

阐述数字信号处理课程的混合式教学特点,存在的问题以及教学的策略。探讨课程教学模式设计与实施方案,包括混合式教学设计、翻转式教学模式、项目驱动的教学模式,体现基于项目驱动混合式教学模式的优势。

直驱风电场并网系统宽频振荡小干扰稳定判据及稳定性分析

并网电力系统中多直驱风电机组(direct-driven permanent magnet synchronous generator,PMSG)风电场可能出现次同步/超同步振荡现象,为深入的研究直驱风电场并网系统的宽频振荡,文章对多PMSG风电场并网系统进行了一系列研究。首先,针对次同步振荡频率场景和超同步振荡频率场景分别建立了单台PMSG的简化数学模型。然后,结合风电场的等效降阶法求解了多PMSG风电场并网系统的特征方程,运用劳斯赫尔维兹判据得出各频率场景下并网系统中风电场的稳定性判据,从解析的角度分析了并网系统中各运行参数对系统稳定性的影响。最后,通过一个可扩展的多PMSG风电场并网系统验证了文中提出的风电场等效降阶模型下的稳定判据是可行有效的,并直观的讨论了并网系统中PMSG风电机组数量以及长线路等效电抗变化对并网系统稳定性的影响。

基于大数据驱动技术的光通信信号判决方法

为识别光通信因自身限制和大气湍流影响产生的畸变信号,研究基于大数据驱动技术的光通信信号判决方法。大数据采集模块获取海量光通信信号数据,通过创建Kafka集群将存储的信号传输到核心服务层,采用压缩感知方法压缩接收到的信号,采用自排序熵获取信号特征,利用K均值算法实现光通信信号判决。实验结果表明:该方法所得压缩信号波形较为稀疏,且与原始波形变化趋势相同;不同光通信信号特征呈现的振动频谱差异较大,代表性优良;光通信信号判决性能理想,完全不受噪声数据的干扰。

压缩感知重构算法的两步深度展开策略研究

针对压缩感知中重构算法的深度展开问题,提出了一种两步深度展开策略(two-step deep unfolding,TwDU)。已有深度展开重构算法通常依赖前一步估计值估计当前值,TwDU对已有深度展开重构算法增加估计深度,依赖于前两步估计值估计当前展开值。TwDU对已有深度展开算法前两步估计值增加了两个训练权重。训练权重优化利用了信号估计值之间的相关特性,可以随着数据的特性自我学习和调整,所提TwDU策略应用于可学习迭代软阈值算法(learned iterative soft thresholding algorithm,LISTA)、可训练迭代软阈值算法(trainable iterative soft thresholding algorithm,TISTA)、可学习近似消息传递算法(learned approximate message passing,LAMP)等已有深度展开算法。通过在一维和二维稀疏信号的仿真验证,TwDU策略在重构精度和收敛速度上都更具有明显优势。

单通道通信信号盲分离方法的研究进展综述

单通道盲信号分离(SCBSS)技术相关理论与实践应用不断完善,SCBSS方法的研究取得了较大的进展。在分析国内外大量学术研究成果的基础上,基于通信信号盲信号分离(BSS)技术的应用逻辑提出了一种新的BSS技术分类框架。该框架依据不同应用场景对BSS系统输出结果的要求,将BSS问题划分为多信号波形分离、单信号波形分离、多信号符号序列分离以及单信号符号序列分离4个层次,并系统性地梳理了SCBSS技术的研究现状。同时,综述了现有基于数据驱动的SCBSS研究现状,并探究了基于数据驱动的SCBSS技术目前亟待解决的问题和解决思路。最后,对SCBSS的几个潜在研究方向进行了分析和展望,旨在为SCBSS的研究和应用提供参考。

引入非局部模块卷积神经网络的基频提取模型

基频或基音的估计是各种语音信号处理技术的关键子问题,现有信号处理技术研究多使用数据驱动的方法,即通过卷积神经网络进行基频提取。然而,卷积神经网络中的卷积操作一次只能处理局部的音频样本点,只有在递归应用卷积操作时才能捕获全局音频样本点依赖关系,导致计算效率低与优化困难。受非局部模块在计算机视觉任务中具有较高性能的启发,提出一种具有非局部模块的卷积神经网络用于基频提取任务。非局部模块相比不断堆叠的卷积神经网络,可以直接计算两个位置之间的关系,由于其可以忽略欧氏距离,因此能够快速捕获长范围的依赖关系。对于基频估计任务,可在卷积神经网络中加入非局部模块以计算音频样本点之间的相似性,有助于捕获帧与帧和样本点与样本点之间的全局依赖关系,且非局部模块可以保持输入输出维度不变,能够快速地集成卷积神经网络。实验结果表明,该方法平均绝对误差仅为4.7,与基线模型相比,至少降低了0.7,能够获得最佳的模型性能。

基于增强层次对称点图像分析和深度残差网络的水电机组故障诊断

图像转化在水电机组故障诊断领域具有一定的潜力,传统将一维数据转化为图像的方法存在图像特征单一性、一张图像难以表示多种信号且图像识别精度偏低等问题。为此,提出一种基于增强层次对称点图像分析(Enhanced Hierarchical SDP,EHSDP)和深度残差网络(Deep Residual Network,Resnet50)的水电机组故障诊断方法。首先,利用移动差分和移动平均过程代替传统的层次分解,提出EHSDP的图像转化方法,在克服信号特征表现单一性问题的同时图像转化效率提高27.42%;其次,将分解过的振动信号图像化得到水电机组的图像数据库,划分EHSDP图像为训练集和验证集,利用训练集训练Resnet50模型得到最优模型参数;然后,将验证集图像输入训练好的Resnet50模型中,借助TSNE对提取到的特征降维可视化,各状态特征信号无混叠;最后,输出图像特征分类实现水电机组故障诊断,并用某水电站SK-3#真实机组数据进行验证。仿真实验和实例验证结果均表明,所提方法在所有对比模型中优势明显,验证了本文所提方法的有效性和实用性。

新能源汽车永磁同步电机故障分析与控制技术

永磁同步电机是目前国内外新能源汽车制造中应用最为广泛的驱动电机类型之一,在使用过程中具有稳定性高、控制精度高、维修方便和高功率密度比等应用优势,因此,提高永磁同步电机的工作稳定性、故障监测与维护技术对于保障新能源汽车的稳定、高效和安全运行具有重要意义。基于新能源汽车永磁同步电机的基本控制原理与控制技术,对目前常见的新能源汽车永磁同步电机故障分析技术及方法进行阐述。研究结果可以为新能源汽车永磁同步电机的维护与故障诊断提供发展建议与参考。

安全驱动的城市交叉口自适应信号控制方法

为提升城市交叉口的交通安全,提出1种安全驱动的自适应交通信号控制方法,以交通安全提升为主,同时优化通行效率和尾气排放。基于多目标深度强化学习,构建信号控制算法框架和双重决斗深度Q网络模型,使用离散交通状态编码定义当前交通状态,利用卷积神经网络提取状态特征。针对不同奖励函数量纲无法统一的问题,设计综合奖励函数。基于长沙市交叉口场景和交通流数据,在SUMO搭建实验环境。研究结果表明:在单交叉口真实流量和模拟流量场景下,与现有交通信号控制相比,所提方法在交通冲突频率、车辆行车延误、CO_(2)排放等指标上都表现出更好的性能。研究结果可为城市交叉口安全优化提供参考。