一种基于CNN与FFT‑ELM的输电线路故障识别与定位方法

及时、准确地检测输电线路故障类型与位置是提高电力系统可靠性最重要的问题之一,为此提出一种基于卷积神经网络(convolutional neural networks,CNN)与基于快速傅里叶变换(fast Fourier transform,FFT)的极限学习机(extreme learning machine,ELM)分类模型并行的输电线路故障识别及定位方法。首先,以故障电压时序图作为输入,构建CNN;然后,利用FFT将时域故障电压数据分解,提取各频段的电压峰值与相角作为故障特征样本;接着,以提取的故障特征样本集作为输入,构建ELM网络;最后,通过特征融合层将2个神经网络进行融合,输出故障类型和定位结果。实验结果表明,此方法对输电线路故障识别的准确率为99.95%、故障定位误差在500 m以内、平均误差为263.5 m,可靠性优于其他模型。

机车司机疲劳检测系统研究与应用

分析机车行驶中司机产生疲劳的原因,介绍疲劳检测的方法及检测原理的行为特征、基本原理,在此基础上对疲劳驾驶检测系统硬件及软件的设计和实现进行研究,有效检测司机的疲劳状态并实现报警,从而减少机车司机在工作中因疲劳产生的行车事故。

超级电容巴士自动充电系统的设计

采用Beckhoff嵌入式PC(CX5120)作为主控制单元,通过激光引导辅助射频、超声波技术,实现对车辆充电插座的识别和定位。充电连接过程中,EtherCAT总线驱动四轴伺服电机,将充电枪插入到车侧充电插座中,同时,采用无线通信技术解决了充电桩与车辆的信息交互问题,最终完成车桩的对接,实现了快速充电的目的。系统通过四轴的运动调整,解决了车辆的停靠误差、负重变化的充电定位问题,增加了自动化充电的安全可靠性。