基于行波的配电网故障缺陷行波特征图谱绘制及故障原因识别

在不同类型的配网故障中,由于生成行波的骤变电压电流、环境因素、行波传输介质稳定性不同,生成行波的相关因素的持续时间及持续频率不同,会导致在配网线路上传播的行波波形数据具备不同的形态特征。由此可针对这些行波波形数据进行拟合分析,提取并拟合出针对特定配网故障原因的行波波形的典型曲线,绘制建立特征图谱库并以此为模版,对后续行波波形数据进行曲线拟合度分析,更精确地分析出配网故障缺陷信息以及其对应的故障原因,解决行波侦测技术在配网故障原因分析以及缺陷预警识别方面的不足与缺陷,实现配网线路发生故障时对故障原因进行预判,指导抢修工作,提升抢修效率。

基于经验模态分解与长短时记忆网络的配电网故障原因识别方法

针对识别配电网故障原因,目前的“人工巡线”方法,不仅耗费大量的人力物力资源,而且延长了停电时间。因此,提出一种基于数据驱动的配电网故障原因识别方法。首先通过对大量现场记录的故障波形数据进行分析,得到不同原因故障的机理以及波形特征,提出一种基于经验模态分解(empirical mode decomposition,EMD)和主成分分析(principal component analysis,PCA)的故障特征提取方法。通过EMD将故障时域波形按照不同的时间尺度进行分解,得到具有信号局部特征的本征模态函数(intrinsic mode function,IMF)分量。其次利用PCA对多个IMF分量进行降维,提取IMF序列中的主要特征分量并将其组成特征向量。最后提出一种基于长短期记忆网络的故障原因分类模型,用于提取特征序列的动态时间尺度特征并实现故障原因的分类。使用实际现场数据的实验结果表明,该故障原因分类模型具有较高的准确度。

基于数据融合和改进MoCo的工业机器人抖动原因识别

实际工程中工业机器人受关节控制参数不佳易引起末端抖动,抖动原因识别有助于定位关节异常及优化控制。而工业机器人抖动原因识别存在周期信号冗余度高、抖动方向多及抖动状态样本标签缺失的问题,故提出基于数据融合和改进动量对比学习(MoCo)的工业机器人抖动原因识别方法。首先,对工业机器人末端各传感器数据依次进行数据降维、数据扩充、水平拼接融合及降维,构建充足且全面反映抖动方向及状态信息的融合样本。其中,数据融合前降维可降低周期样本冗余度及提升样本融合效率,数据融合后降维可避免融合样本过长导致模型训练复杂度增加。其次,在MoCo前标记少量融合样本由正编码器分类通道输出监督信息,引导特征聚类。然后,改进对比学习策略,将正编码器提取的无标签融合数据特征与动量编码器保存的负样本特征的聚类中心进行对比,去除特征相似度最高的聚类中心以降低对比类别错误的假负样本干扰。并通过对称调换两个编码器的输入进行两次对比损失计算,完成编码器训练。最后,在编码器分类通道后添加Softmax分类器完成工业机器人抖动原因识别。实验结果表明,所提方法在不同工况的工业机器人抖动原因识别准确率均在90%以上,证明了该方法的有效性。

基于序列标注模型的情绪原因识别方法

情绪原因识别是情绪分析中的一个重要研究任务。该任务旨在自动分析出导致某一情绪发生的原因描述。该文将情绪原因识别任务建模为序列标注模型,即将情绪词相关的子句当成序列,进而整体标注出哪些属于原因子句。具体实现中,我们使用条件随机场(CRF)模型进行求解,并结合了基本词特征、词性特征、距离特征、上下文特征及语言学特征等多种特征进行原因识别。实验结果表明,所采用的这些特征对于原因识别都有一定帮助,特别是上下文特征。此外,我们发现在使用类似特征集合的情况下,序列标注模型能够获得比分类模型更好的识别效果。

基于E-CNN的情绪原因识别方法

文本情绪原因识别作为一个新型的研究方向在文本情绪分析领域占据重要地位。该文结合卷积神经网络,提出了一种基于集成卷积神经网络的情绪原因识别方法。该方法通过词向量、卷积、池化等操作充分融合了句子的语义信息,利用多个CNN集成降低数据不平衡性对情绪原因识别的影响,克服了传统情绪原因识别方法的繁琐规则制定、特征抽取、特征空间降维等过程。实验结果表明,该文的方法在情绪原因识别方面取得了较好的效果,对于情绪归因的方法研究具有一定的指导作用。

基于ECPA神经网络的情绪原因识别方法

情绪原因识别是文本情绪分析领域中的一个前沿研究方向。传统情绪原因识别方法需要进行规则制定、抽取特征,而该文从情绪原因的语言特点出发,结合Bi-LSTM模型和注意力机制,提出一种基于情绪上下文位置注意力神经网络的情绪原因识别方法(ECPA)。该方法考虑了情绪词和情绪类别中的情绪信息,学习了Bi-LSTM模型建模后的上下文语义信息,引入了基于位置信息的注意力机制模型,进而构建情绪原因识别模型。实验结果证明,该方法在情绪原因识别任务中的有效性,并取得了目前最优的性能,同时对情绪归因方法具有一定的指导作用。

急诊护理纠纷的原因识别及应对措施

目的:探讨急诊科护理纠纷的原因与应对措施。方法:针对急诊科护理工作中现存的和潜在的易引发纠纷因素的环节进行有效识别、及时评估和有序应对。结果:急诊科护理人员最大限度地控制了护患纠纷,急诊护理的工作质量得到切实提高。结论:提高急诊护理的护理工作水平,促进学科发展,为人民群众提供安全、优质、满意的护理服务。

基于上下文和位置交互协同注意力的文本情绪原因识别

文本情绪原因识别是情绪分析的重要研究任务,其目的是发现文本中个体情绪产生、变迁的原因。近年来,深度神经网络和注意力机制被广泛应用到情绪原因识别方法中,取得了较好的效果。但在这些工作中,文本中的语义信息以及上下文信息未能被充分学习,子句的相对位置信息也未被有效利用。因此,该文提出一种基于上下文和位置交互的协同注意力神经网络模型(Context and Position Interactive Co-Attention Neural Network, CPC-ANN)来识别情绪原因。该模型不仅通过Transformer网络的多头自注意力机制学习到不同的文本子句语义信息,还充分利用候选原因子句的邻近子句来获得更多的上下文信息。同时,该模型通过在子句的每个词向量中嵌入相对位置信息,为文本情绪原因识别提供线索。在EMNLP2016中文情绪原因发现数据集上的实验结果显示,CPC-ANN模型取得了比其他基线模型更好的效果。

基于MRF的配电网线损原因识别方法

为了实现对配电网中高线损位置的有效控制和快速修复,确保配电网能够持续供电,提升电力系统运行的稳定性,提出一种基于MRF的配电网线损原因识别方法.结合状态机模型建立配电网线损原因识别模型,确定与配电网线损位置有关的先验条件,利用MRF的模糊性和不确定性对配电网线损原因进行识别.结果表明,所提出方法与经典的支持向量机和神经网络分类算法相比,样本训练时间、运算时间较短,线损的原因识别正确率可达到82.6%,具有运算速度快、操作简单和识别正确率高等优点,实际应用性能良好.

急诊护理纠纷的原因识别及应对措施

急诊护理纠纷是医患纠纷的重要类型之一,其中主要的原因是护理人员的服务意识不强、法律意识淡薄、护患沟通存在不足、护理人员的专业水平较低、护理人员未严格遵守规章制度、保障制度不完善。针对上述问题,作者提出了相应的改进措施,即强化护理人员的服务意识,加强护理人员自我保护意识的提高,加强护患之间的沟通,增加护士培训的机会,健全院内各项规章制度,这样才能提高急诊护理的治疗,改善医院的急诊环境。

基于多源信息融合的配网故障外部原因识别

配网故障原因的准确识别对于缩短故障查找时间、提高供电恢复速度和供电可靠性有重要意义。根据责任归属可将配网故障原因分为内部原因和外部原因,内部原因指设备绝缘弱化、过电压等电气相关原因,而外部故障通常由于天气、动物或人类活动引起。由于外部原因导致的故障是多种因素共同作用的结果,为此提出融合线路参数、天气、时间等非电气量信息及动作电流、故障相数等电气量信息的故障外部原因识别方法,首先对5种典型外部故障原因的特点及相关影响因素进行分析,构建识别模型,然后使用无监督学习训练得到深度信念网络各层的最优参数,利用有监督学习对全局参数进行微调,得到基于深度信念网络的配网故障外部原因识别模型,最后利用西部某地区的实际故障数据对算法的准确性进行了验证,结果显示识别准确率可达94.82%,证明了方法的正确性。

贫困性质转变下多维贫困及原因的识别——以甘肃省皋兰县六合村为例

经30多年改革开放和持久的扶贫攻坚,我国农村贫困已由绝对的生存贫困向相对的发展性贫困转变,以单一收入指标为主的衡量标准已无法全面准确地反映目前我国的多维贫困现状。依据多维贫困理论及我国农村贫困实际状况,在构建多维贫困及原因识别体系的基础上,利用2015年对甘肃省一个贫困村的社会调查资料,对该村的多维贫困现状进行了测算和识别,并对导致贫困的原因进行了probit回归分析。结果显示:尽管该村仍然存在着收入上的贫困,但教育和健康方面的贫困更加严重,多维贫困发生率较高;回归结果表明农户务工收入比重、教育、健康、信贷等在不同程度上可以解释多维贫困的发生原因。在此基础上提出了针对该村多维贫困现状的精准扶贫措施。

基于AM-BiLSTM模型的情绪原因识别

文本情绪原因识别是情感分析中一个新的研究方向,旨在从文本中自动检测出导致某一情绪产生的原因。针对循环神经网络在长文中出现的长期依赖问题,本文提出了一种基于注意力机制和双向长短时记忆(attention model and bi-directional long short-term memory,AM-BiLSTM)神经网络模型的情绪原因识别方法。该方法采用字符向量表示文本语义信息,使用BiLSTM模型提取文本特征,该过程结合了人工提取的子句特征,在训练模型时,引入了注意力机制来优化模型性能,使用softmax对子句进行分类。实验结果表明本文方法对情绪原因的识别是有效的。

公路沥青路面日常养护中病害的识别及形成原因

沥青路面是现阶段公路工程施工中的常见选择,沥青材料的应用具有众多的优势,现已被广泛地应用于公路工程的路面施工当中。本文就对于公路沥青路面日常养护中病害进行了分析,探讨了相应的成因,并提出了相应的施工建议。

基于FAP和TOC的工艺问题分析方法研究

为了帮助企业工艺创新时快速准确地识别出问题的根原因,提高工艺创新的成功概率,提出了一种基于流程功能分析(FAP)和约束理论(TOC)的工艺问题分析方法。首先,构建面向工艺系统的功能结构,并在此基础上改进流程功能模型;其次,应用改进后的流程功能模型分析工艺流程的问题区域,利用当前现实树识别问题的根原因;最后,应用层次分析法确定工艺问题的核心原因。结果表明:1)相对于其他模型,研究所提模型不仅可以有效降低根原因识别的误差,而且识别的时间也节省了数倍,提高了工艺问题根原因识别的准确性和效率;2)实例验证中采用新方案后的齿轮弯曲疲劳强度为706.4 MPa,接触疲劳强度值为1658.56 MPa,达到了齿轮工艺创新项目的技术指标要求,验证了研究模型的有效性和实用性。研究成果建立了符合工艺流程特征的工艺问题分析方法,其可作为通用方法为企业在工艺创新问题分析阶段提供理论参考。

基于贝叶斯推理和多传感器信息融合的换流变缺陷分类算法研究

本文中作者提出一种基于WiFi无线传输的换流变压器在线监测统一监控改造方案,辅助现场监制。在某换流站应用上述系统和模型分析换流变监控数据,验证了模型的有效性。

基于贝叶斯网络的城市道路交通拥堵多原因自动实时识别

面对城市道路交通拥堵原因动态实时、复杂多变,识别方法主观性强、精度低、实时性差、不能自动等问题,提出了一种基于贝叶斯网络的城市道路交通拥堵多原因自动实时识别方法。将研究区域范围内城市道路交通状态的可观测变量作为输入,交通拥堵原因的0-1离散类型作为输出,将历史数据作为训练集,从而将问题转化为数据驱动的多分类问题。该方法首先对城市道路交通的动态可观测变量和多个拥堵原因之间的关系进行系统的机理分析和仿真验证,从而构建贝叶斯网络结构。再以获取的实测历史数据进行参数学习训练,得到完整的贝叶斯网络模型。最后,将该道路工作状态下交通可观测变量输入该贝叶斯网络模型,就能同时自动实时识别出交通拥堵的多个原因。该方法灵活性高、能更好地表达节点相关性、可解释性强、能充分利用专家经验知识,且能做到自动实时。对泉州市泉秀街2019年2月25日至3月3日晚高峰交通进行了案例研究。结果表明:基于贝叶斯网络的城市道路交通拥堵多原因识别模型在有行人影响、车流高峰、停车占道、信号配时不合理和过街车流影响的网络构建上较为合理;与反向传播神经网络法、多标签k近邻算法及多标签岭回归法对比,该方法的平均识别准确率总体表现较优。