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。

精密机械状态异常智能检测算法

精密机械一旦发生故障,就会造成巨大的经济损失。为避免设备损坏,设计一种精密机械状态异常智能检测算法。对设备异常特征进行提取,获取故障调制函数,通过正交基建立信号模型,通过小波函数将振源信号转化为频谱信号。设计设备异常检测算法,通过多次迭代,筛选所有设备类型,并得到检测结果。实验数据显示,该模型可以在第400次迭代时达到目标精度。在滚动体故障、内圈故障以及外圈故障三种故障类型中,该算法的检测率均能够达到99%以上,误报警率均为1%以下,且标准差也均在0.20以内,可见该状态异常检测算法的精度较高,检测效果较好。

肝移植术后重症监护期病人精神状态异常的原因分析及护理

目的 :探讨肝移植病人术后出现精神状态异常的原因及最佳护理措施。方法 :收集 10例肝移植病人术后重症监护期间各项临床指标和实验检查结果 ,并用镇静 -激越评分系统(SAS)将病人分为激越组和对照组 ,比较两组各种数据。结果 :激越组与对照组病人在性别、年龄以及术后肝肾功能状态、普乐可复 (FK5 0 6)血浓度等方面的差异无统计学意义 ;而在心率、呼吸、血压、静脉使用FK5 0 6的时间、体内留置导管数等方面 ,两组差异具有统计学意义。结论 :肝移植病人手术后在重症监护期间出现精神状态异常是综合因素作用的结果。积极采取针对性的治疗、护理措施 ,可减轻精神状态异常的程度 。

3例厄他培南致高龄病人明显精神状态异常的护理

厄他培南是新型碳青霉烯类抗生素，具有抗菌谱广、耐药选择性低、对肾脱氢肽酶稳定、药动学参数优良、临床治疗效果好、耐受性好、不良反应少和半衰期长等特点[1]。厄他培南的临床研究中表明，该药在老年人（≥65岁）中的安全性与年龄较轻病人（〈65岁）相当。人们对厄他培南用于治疗老年病人细菌多重耐药引起的中重度感染关注度越来越高。本科收治80岁以上的老年人应用厄他培南出现3例明显精神状态异常。现报告如下。

肝移植术后监护期精神状态异常患者的护理体会

武警总医院自2002年5月～2008年5月成功地为984例患者实施了肝移植手术，216例手术期间给予大量激素冲击治疗及术后服用抗排斥药物，大部分患者有不同程度的精神症状，其中严重者会出现妄想，抑郁，狂燥等症状而不能配合治疗延误病情，甚至会危及生命。对此类患者给予相应护理措施，疗效满意，现报告如下。

食管癌病人精神状态异常与脑电图变化

食管癌病人手术前、后引起精神状态异常并不少见。由于食管癌的症状、预后以及手术可能带来的生命危险、器官损失、功能障碍和严重疼痛等不良后果,病人可出现一些精神应激反应,性格行为异常(characterbehaiver)和神经官能症(neurosis)。由于症状轻微,没有引起严重后果,往往不被重视。现将1990～1997年间食管癌伴有精神状态异常并有完整脑电图资料的21例报告如下。

面向电力集中监控业务的线路状态异常预测方法研究

近几年来,电力系统得到了突飞猛进的发展,因为电力设备的科技含量越来越高,电网运行的状态每时每刻都有记录,积累和收集了大量关键性的数据。这些珍贵而有价值的数据,为电力系统的电力设备下一步的智能化管理奠定的基础,提供了极大的可能性。而促成这一飞跃的,是计算机技术的广泛应用,为这一发展提供发极大的动力。所以,当前计算机技术在电力设备的运运中发挥着非常重要的作用。本文针对计算机技术在电力设备监控方面的现状,对于异常预测,尤其是关于电力设备方面的预测方面,做了一些粗浅的预测。

无线闭塞中心占用出清逻辑状态异常探究

无线闭塞中心判断闭塞分区占用出清逻辑状态异常,导致以CTCS-3等级运行的紧追踪动车组发生无线连接超时故障.通过对该问题进行探究,提出了多种解决方案并进行了相应的论证,可为铁路运营管理部门和设计单位提供借鉴.

区域自动气象站状态异常的原因及对策

介绍了某区域自动气象站状态异常故障的处理过程,针对产生故障的原因进行了分析,并提出了避免产生类似故障的对策。

电力营销实时费控系统运行状态异常预警方法

当前电力营销实时费控系统预警方法易将正常数据误标记为异常数据,造成计算量加大,预警时间过长,因此,提出电力营销实时费控系统运行状态异常预警方法。以电力营销实时费控系统历史运行数据为挖掘对象,使用贝叶斯算法处理挖掘到的系统异常运行状态数据集,采用滑动窗口方法连续标记异常运行状态数据,避免正常数据的干扰,在此基础上对系统运行状态异常进行判断。根据异常判断结果,以计算得到的置信度数值为预警限值,实现对费控系统运行状态异常预警。实验结果表明,研究方法的系统运行状态异常判断准确率高,平均预警时间为0.03秒左右,预警时间最短。

GME全固态发射机工作状态异常的分析

本文对GME全固态发射机的三个主要观测量、工作模式以及异常工作状态出现的原因进行了分析．并对相应的处理方法进行了说明。

基于料面视频图像分析的高炉异常状态智能感知与识别

智能感知、精准识别高炉(Blast furnace,BF)异常状态对高炉调控优化和稳定运行至关重要,但高炉内部的黑箱状态致使传统检测方法难以直接感知并准确识别多种高炉异常状态.新型工业内窥镜可获取大量料面视频图像,为直接观测炉内运行状态提供了全新的手段.基于此,提出一种基于料面视频图像分析的高炉异常状态智能感知与识别方法.首先,提出基于多尺度纹理模糊C均值(Multi-scale texture fuzzy C-means,MST-FCM)聚类的高温煤气流区域提取方法,准确获取煤气流图像,并提取煤气流图像多元特征;其次,提出基于特征编码的高维特征降维方法,结合自适应K-means++算法,实现煤气流异常状态的粗粒度感知;在此基础上,通过改进雅可比−傅立叶矩(Jacobi-Fourier moments,JFM)提取煤气流图像深层特征变化趋势,进而提出细粒度煤气流异常状态感知方法;最后,基于煤气流异常状态感知结果,结合料面视频图像,提出多级残差通道注意力模块(Multi-level residual channel attention module,MRCAM),建立高炉异常状态识别模型ResVGGNet,实现高炉煤气流异常、塌料和悬料的精准在线识别.实验结果表明,所提方法能准确识别不同的高炉异常状态且识别速度快,可为高炉平稳运行提供重要保障.

一种基于机器学习识别医疗设备异常运行状态方法的建立

由于传统识别医疗设备异常运行状态方法是通过手工预定义的关键字与设备响应数据的字段相匹配完成设备异常识别,易导致医疗设备识别结果不精确。基于此,本研究提出基于机器学习的医疗设备异常运行状态识别方法。基于机器学习的医疗设备异常运行状态识别方法通过传感器采集医疗设备的电压、电流、工作温度等异常特征数据,对多特征数据进行叠加融合,引入GRU网络构建机器学习识别模型,输入数据训练模型完成医疗设备异常运行状态识别。实验结果表明,基于机器学习的医疗设备异常运行状态识别方法可识别医疗设备不同类型的异常运行状态,误报率为4.43%,识别异常运行状态时间较短,准确度更高。

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。

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。