基于双曲S变换算法的电能检测状态辨识及故障诊断研究

为了提高电能运行状态检测能力、增强电能检测过程中的数据辨识度、提高电能检测设备故障诊断精度,引入改进双曲S变换算法模型,建立电能状态分析系统,设计了电能检测状态辨识系统,根据电能运行过程电能变换频率进行分析,利用图模交互技术对辨识图像和模型进行融合,完成电能数据的图像显示。利用一体化组态网络统一图模交互数据与故障诊断数据,完成电能状态检测的一体化。利用改进双曲S变换算法总结电能数据规律,以双曲S函数的形式进行显示,提高了电能检测状态辨识及故障诊断能力。该系统通过Proteus软件仿真得到电能检测最佳辨识度为93.2%,诊断误差最高为1.4%,表明系统对电能运行状态的检测研究具有明显效果。

以不停电检测状态量为主的变压器故障诊断方法研究

目前被广泛研究和使用的是融合多种状态量的变压器综合诊断方法,该方法提高了诊断的准确性,但同时也带来了一些问题,主要问题在于这种方法需要的状态量多、诊断效率低、导致停电时间过长。因此,文中提出了一种以不停电检测状态量为主的分步诊断方法,其包括初步诊断和精细诊断两个阶段。初步诊断阶段仅以不停电检测状态量为诊断依据,在无需停电的状态下将变压器故障分为热故障、电故障、受潮或脏污、变形4大类;在精细诊断阶段,根据初步诊断结果,选择出多种必要的停电试验信息,并利用故障机理和粗糙集理论进行进一步的故障确认和细分,判断发生的位置。与其他方法相比,该诊断方法可以缩短停电时间、提高诊断效率。最后,诊断实例验证了该方法的有效性。

基于检测状态模型的飞机结构件在线检测路径规划

针对飞机结构件在线检测路径规划中零件工艺模型伴随加工过程动态变化、检测工艺复杂的难点,提出了基于检测状态模型的飞机结构件在线检测路径规划方法。检测状态模型以特征为载体,以干涉特征和虚路径表达干涉规避、路径优化等知识和经验,并随着加工过程动态扩充。基于检测状态模型,按照检测操作级、检测特征级、特征自身级三级实现了在线检测路径规划。根据以上研究,基于CATIA V5开发的在线检测数据自动生成系统已在某大型航空企业中得到成功应用。

锂离子电池储能电站的热失控状态检测与安全防控技术研究进展

锂离子电池具有能量密度大、使用寿命长、工作温度范围宽、自放电小等优点,是中国电化学储能电站的主流电池技术。然而,在加热、过充等恶劣工况下,锂离子电池易发生热失控引发火灾甚至爆炸,因此其安全问题已逐渐成为锂离子电池储能电站建设及大规模应用的首要问题。该文系统分析了锂离子储能电池热失控的诱因、电池内部反应过程及外部特征参量的变化规律,重点总结了当前主要的电池热失控状态检测技术、智能诊断算法及储能电站安全防控技术,最后对储能电站热失控状态检测及安全防控技术进行了总结和展望。

基于红外图像技术的运行设备热故障状态检测系统设计

变电站设备在发电过程中因老化与恶劣环境等因素的影响容易发生热故障,传统人工检测方法难度大且准确性低,提出基于红外图像的变电站设备热故障状态检测系统设计。硬件设计上,由红外图像采集模块与地面服务模块组成系统整体架构。软件设计上,采用串并联扫描方式采集变电站设备的红外图像,通过均值滤波法与直方图均衡化算法预处理原始采集的红外图像,基于红外图像的相对温差法完成热故障状态检测。最后通过对变电站常见设备进行热故障状态检测试验,验证了设计系统的可行性与可靠性。

基于大数据分析的电力设备状态检测技术研究

针对目前广泛使用的基于人工经验或阈值辨别设备状态的方法存在稳定性差、准确率低且未能充分挖掘出海量数据所蕴含信息的问题,文中在深度学习技术的基础上提出了一种改进状态参数识别算法。其利用归一化互相关算法(NCC)来确定检测区域,并从中提取出统计特征,进而提升了分类效率。再通过改进的多层分类感知(MLPNN)神经网络算法,实现对电力设备状态的自动检测与识别。测试结果表明,所提方法对设备平均状态的识别准确度可超过95%。且与传统神经网络算法相比,也具备较强的准确性、便捷性和可实施性,因此有利于提升效率、减轻人工运维工作负担并保障供电可靠性。

飞行学员视觉感知状态检测算法研究

为了解决飞行学员训练中传统状态检测方法的实时性和准确性限制,文中采用基于隐式半马尔可夫模型的视觉感知状态检测方式,从视觉感知角度出发,探索了不同飞行任务下学员视觉注视的变化,并挖掘了他们在不同情境下的注视规则扫描策略。提出的模型成功将隐含状态与时间相关性相结合,实时检测飞行学员的视觉感知状态。研究结果显示,在相同任务情景下,该方法的准确率达到93.55%,比隐马尔可夫模型提升13.55%,检测性能有明显提升。

基于现场总线通信的高压电气设备异常振动状态检测方法

常规方法在检测电气设备异常振动状态时,存在检测耗时较长、检测误差较大、准确率较低的问题。针对这一问题,本研究引入现场总线通信技术,设计了新的高压电气设备异常振动状态检测方法。首先,利用振动传感器实时采集电气设备的振动信号。然后,利用小波变换原理与超高频方法原理,建立高压电气设备超高频信号模型,对振动信号实施去噪处理。最后,基于现场总线通信技术监测高压电气设备局部放电过程中的超高频信号变化,检测电气设备异常振动状态。实验表明:该方法能够在较短的时间内,准确检测出高压电气设备潜在的异常振动隐患,检测准确率达到98%以上,检测效果显著。

基于物联网技术的电力设备状态检测分析

基于物联网技术开展电力设备状态检测,提升状态检测水平具有较高的研究价值。文章以电力设备状态检测作为切入点,分析了物联网状态检测系统的概念、组成结构。从一次设备状态检测、二次设备状态检测两方面分析状态检测具体策略,明确物联网技术的应用要点。旨在依托物联网技术,打造更高效、更可靠的电力设备状态检测体系,利用现代化检测技术,消除电力设备故障隐患。

基于热红外图像的船舶电气设备状态异常检测研究

可靠掌握电气设备的运行状态,是保证船舶安全航行的基础。因此,提出基于热红外图像的船舶电气设备状态异常检测方法。该方法依据红外成像技术获取船舶电气设备成像,获取其热红外图像结果,并计算电气设备温度概率密度函数,以此描述电气设备的温度分布特征。将该概率密度函数计算结果输入具备增量学习的宽度学习算法中,完成船舶电气设备不同异常状态检测。测试结果显示,将温度概率密度作为电气设备状态异常检测依据,能够更好地区分电气设备的正常放热以及故障升温;AUC的测试结果均在0.94以上,可确定电气设备运行过程中的不同程度异常状态。

基于表面灰度和纹理识别的TDS智能干选机刮板机异常状态检测方法

TDS智能干选机是选煤厂的主要生产设备,刮板机作为其关键组件,常因跳链、断链等故障阻碍机器的工作进度。针对刮板机故障的强偶发性与故障扩大化效应,以机器视觉为技术,以表面灰度和纹理识别为手段,提出TDS智能干选机刮板机异常状态检测方法。根据图像灰度值,利用基于改进生长准则的区域生长法,生成粗略的异常状态检测目标区域。采用形态学的腐蚀、膨胀、开运算和闭运算操作,处理区域生长后的图像和新产生的导线图像。引入canny算子识别检测区域中的目标纹理,生成目标轮廓线。结合轮廓线和直线斜率、灰度、纹理、虚拟边框与机链轮廓的位置关系等信息,实现异常状态检测。实验结果表明,该方法对跳链、断链、漂链、掉链、跑偏5种刮板机异常状态检测的真阳性指数分别高达0.98,0.98,0.98,0.97,0.94,且实际量与检测量的误差均不足1 mm。该方法具有较高的正确检测比例和检测精准度,可指导TDS智能干选机刮板机的安全运行。

自适应随机森林迁移学习的路面状态检测

为提升少量数据集条件下路面状态检测的准确度和效率,提出基于改进卷积神经网络模型VGG16和自适应随机森林迁移学习的路面图像分类方法 .对改进VGG16模型进行迁移学习,将大数据集训练得到的VGG16网络卷积层、池化层、全连接层进行迁移,采用随机森林分类算法代替VGG16网络的softmax层进行重新学习训练,解决softmax强调特征之间独立性的缺点.此外,改进量子狼群算法的量子旋转门更新策略,将其用于随机森林超参数优化,保证随机森林以最佳的参数进行迁移学习训练,进一步提升模型泛化能力.实验结果表明,在自建以及Kaggle网站提供的图像分类实验中,图像识别精度为98.08%,分类速度也得到显著提升.

基于注意力机制的安全帽佩戴状态检测模型

为缓解安全生产视频监控场景下物体尺寸小、背景复杂、遮挡容易导致的安全帽佩戴状态漏检、误检、定位不准等问题,提出1种基于注意力机制的2阶段高精度安全帽佩戴状态检测模型。提出双向多层连接融合的特征金字塔网络,并设计基于编解码的空间注意力机制去除冗余特征,提升小尺寸目标的召回率;采用多尺度卷积提取候选区域多层上下文特征,并利用注意力机制对不同层级、不同尺度的上下文特征进行显式加权,进而提高模型在复杂背景下的鲁棒性;解耦候选区域分类和定位网络,分别引入通道注意力和空间注意力提升模型分类和定位精度。研究结果表明:基于注意力机制的安全帽佩戴状态检测模型整体上优于当前相对主流的高精度检测框架,如YOLOv3、SSD、RetinaNet、Faster R-CNN、TridentNet模型。研究结果可有效缓解安全生产视频监控场景下安全帽佩戴状态的漏检、误检和定位不准等问题。

LCL-S补偿的IPT系统线圈耦合状态检测方法

为了使感应无线电能传输系统能够自主判断二次侧电能接收线圈与二次侧电能发送线圈之间的耦合距离是否满足正常工作的条件,从而避免可能的过电压或过电流故障,保障系统的安全可靠运行,设计了一种仅通过动态检测一次侧电压幅值来判断一次侧线圈和副边线圈耦合状态的方法,可以有效简化系统的设计,硬件实验结果表明所设计的方案是可行的。

10 kV智能变电站避雷器持续运行状态检测方法研究

针对避雷器运行状态检测设备精度限制、环境干扰等原因导致的检测不及时、检测效果不佳等问题,设计10kV智能变电站避雷器持续运行状态检测方法。结合奇异谱分析和滑动窗口方法,对10kV智能变电站避雷器泄漏电流作去噪处理。通过傅里叶级数分解去噪后的避雷器泄漏电流和运行电压,得到避雷器的泄漏电流分量。结合泄漏电流分量建立避雷器运行状态检测装置,实现运行状态检测。试验结果表明,所提方法对避雷器运行电流的去噪能力较好;在运行50min后,避雷器的运行电流稳定在26mA;在运行29min后,避雷器的运行电压稳定在60V;电流、电压的检测值与实测值误差较小。该方法的应用可以实现对变电站智能化、自动化的检测和管理,提高变电站运行安全性和稳定性。

基于多次校准的绝对电磁法河流穿越管段敷设状态检测技术应用研究

油气输送管道河流穿越管段常年受到水流冲刷、采沙等活动、外部物体撞击、水底土壤腐蚀等外部条件的作用,相比于陆地管道存在更高的安全风险。为保证油气管道运行的安全性,针对河流穿越管段最大埋深普遍在5m以上,最大甚至超过40m的特点,目前一般采用基于单次动态校准的绝对电磁法对穿越管段敷设状态进行定期检测。然而,在长期使用中发现,当管道最大深度超过20m后,检测准确度快速下降,逐渐达到不可接受状态,因此,在中,研究提出了一种基于多次校准的现场检测方法,根据现场试验结果,采用该方法可有效降低绝对电磁法检测穿越管段敷设状态的误差。

改进YOLOE算法在压板状态检测中的应用

针对当前变电站压板种类多、数量大、小目标易误检,及压板状态检测的速度慢和准确性不高等问题,本文设计实现了一种基于深度学习的压板状态检测系统。以YOLOE检测算法为基础,在其主干网络中融入ECA(Efficient Channel Attention)注意力机制,强化网络的特征提取能力,以提升模型检测的准确度。引入SIoU代替原损失函数,以解决检测精度低和小目标易漏检误检的问题,并且提高模型的训练速度。对比实验结果表明改进后的YOLOE算法在变电站压板检测中上取得了90.3%的平均检测精度、96.9%的召回率以及97.8%的精确率,能够满足变电站运行检测要求。

轨道几何状态检测异常数据实时智能识别

受外界干扰、数据传输、传感器信号偏移等因素影响,轨道几何状态检测数据会产生异常峰值超限,影响现场检测人员工作效率。考虑到异常数据样本较少的不利因素,本文基于轨道几何检测系统传感器正常数据,通过消除数据趋势项,提取时序数据多维特征组成训练集,训练并构建了基于单分类支持向量机的异常数据智能识别模型。运用该模型对某地铁轨道几何检测系统单边位移的时序数据进行预处理、特征提取和智能分类,试验验证了其识别效果。结果表明:该方法识别效果好,误报率低,异常数据识别准确率高,且具有轻量化、易部署的特点,可满足轨道几何检测系统实时检测要求。

基于IGA-BP神经网络的智能电能计量设备状态自动检测系统

针对不断扩大的电网规模和愈加复杂的外部环境对智能电能计量设备安全稳定运行带来的挑战,研究了基于IGA-BP神经网络的智能电能计量设备状态自动检测系统的设计;系统硬件包括数据采集模块、信号处理模块、数据传输模块和数据分析模块;在软件方面,系统采集智能电能计量设备的检测数据,选取基础电能计量误差、电压波动幅度、电流波动幅度、功率因数作为智能电能计量设备状态量;引入IGA-BP神经网络对状态量进行迭代运算,实现了智能电能计量设备状态的自动检测;实验结果表明,该系统对智能电能计量设备状态检测的最短时间为2 s,检测结果与实际结果一致,验证了系统具有较高的设备状态检测效率和精度。

基于特征子空间的SOM天基状态检测算法

在天基信息网中,资源监控系统采集到的性能指标数据量大、冗余特征较多,导致状态检测准确率低、检测时间长等问题。针对以上问题,提出了基于特征子空间的SOM状态检测算法。将特征提取算法嵌入到SOM神经网络模型中,使得网络在训练的同时提取每个类别对应的属性特征,构成状态对应的特征子空间。并利用状态的特征子空间计算特征对于类别的贡献度,优化SOM神经网络的目标函数,进而提高模型对卫星计算任务执行单元状态检测的速度与准确率。仿真了在不同状态检测模型下的检测准确率、检测灵敏度以及检测时间。结果表明,提出的状态检测模型在检测准确率、检测灵敏度以及检测时间等方面都具有较好的性能。