基于天气状态模式识别的SSA-BP神经网络光伏电厂功率及碳减排量预测

文章提出了一种基于天气状态模式识别并结合SSA-BP(Sparrow Search Algorithm-Back Propagation)预测光伏出力的方法。首先,在分析辐照度、温度、风速等参数变化规律基础上,基于高斯混合模型,针对专业天气类型开展分类,获得类晴、类雨和类阴3种典型的广义天气;然后,将数据作为SSA-BP神经网络输入,对光伏电厂出力分类进行预测;最后,结合碳核算方法学对光伏发电项目碳减排量进行核算。结果表明:利用分类识别和改进的SSA-BP神经网络,在3种天气类型预测中平均相对误差分别为0.195,0.243,0.310;SSA-BP与其他模型相比,平均相对误差降低了17.8%~66.7%。此外,预测CO_(2)减排量与实际核算值相对误差为3.37%,亦表现出良好预测效果。

基于YOLOv5神经网络模型的变电所压板开关状态的识别方法

煤矿变电所是大型煤矿供电系统的重要组成部分,变电所压板开关状态的精确识别是监测煤矿供电状态的重要环节。然而,随着变电所电气控制柜上压板开关数量的大幅增加,传统人工巡检存在的巡检速度慢、巡检精度低的问题愈发显著。针对上述问题,提出了一种基于YOLOv5神经网络模型的变电所压板开关状态识别方法。使用Pytorch深度学习框架进行了模型训练;设计了针对压板开关图像的预处理方法;采用得到的最佳模型对预处理后的压板开关图像进行检测并评估检测结果。实验结果表明该方法可以实现压板开关状态的智能识别,且具有速度快、精度高的特点。

基于深度SSDAE网络的刀具磨损状态识别

针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码(stacking sparse denoising auto-encoder,简称SSDAE)网络的刀具磨损状态识别方法,实现隐藏在数据中深层次的数据特征自动挖掘。首先,将原始振动信号分解为一系列固有模态分量(intrinsic mode function,简称IMF),并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号;其次,采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别,识别精度达到98%;最后,对网络模型进行实验验证,并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明,所提出的方法能够很好地处理非平稳振动信号,对不同刀具磨损阶段状态的识别效果良好,并具有较好的泛化性能和可靠性。

基于ETC门架数据的高速公路运行状态识别

ETC门架交易数据为高速公路运行状态识别提供了一种新方法。本文为克服传统交通状态划分存在的模糊性与站点交通流对其的非线性影响,利用模糊C均值聚类方法对交通流参数进行自动化聚类,引入机器学习技术,分析门架流量及站点流量与主线交通状态的时空相关性,提出了一种基于ETC门架数据的高速公路路段实时运行状态识别方法。以高速公路ETC门架数据为例进行交通状态评估准确率达到90%以上。

基于深度置信网络和SVM的铣刀磨损状态识别

针对人工提取的磨损指标无法全面表达铣削磨损特征的问题,提出基于改进深度置信网络(IDBN)与支持向量机(SVM)的刀具磨损识别模型。首先对刀具切削力、振动和AE信号在时域、频域、时频域进行特征提取;其次采用IDBN对提取的特征降维;最后利用改进的海鸥算法优化支持向量机(ISOA-SVM)构建磨损识别模型。结果表明,经过100次随机分层抽样,IDBN-ISOA-SVM对刀具磨损的平均识别率达到99%以上。从降维手段、优化算法及分类模型三个方面与其他算法对比,该模型有较高的识别率和泛化性,能够准确识别铣刀磨损状态。

基于卷积神经网络的高速公路风险环境识别研究

本研究基于学习算法对高速公路团雾天气图像进行识别。首先,对高速公路图像进行二分类识别,识别团雾图像与无团雾图像,确定效果良好的算法;其次,进一步对高速公路团雾图像根据能见度进行四分类,对高速公路团雾图像进行等级划分识别。发现8层卷积神经网络具有良好的识别效果,可用于高速公路团雾预警诱导系统,提升高速公路管理水平和安全水平。

基于深度卷积自编码器和多尺度残差收缩网络的滚动轴承寿命状态识别

针对滚动轴承早期故障识别困难、退化性能难以准确评估的问题,提出了基于深度卷积自编码器(DCAE)和多尺度残差收缩网络(MSRSN)的滚动轴承寿命状态识别方法。首先,为获得清晰的故障特征频率及倍频,将原始数据样本转换为包络谱输入深度卷积自编码器中,实现轴承寿命状态特征的自动提取与表达,并基于多维尺度分析(MDS)算法约简寿命状态特征获得低维特征,然后计算低维特征空间内样本间的欧几里得距离(ED),即为轴承性能衰退评估指标;其次,为全面提取轴承性能衰退特征,提出了改进的多尺度残差收缩网络识别模型,并开发了ReLU与DropBlock正则化相结合的新激活策略增强模型的抗噪性;最后,将所提方法及对比方法应用于轴承全寿命实验数据。实验结果表明:笔者提出的性能衰退评估指标能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的改进的多尺度残差收缩网络识别模型在S SNR=-4~6 dB环境中平均识别正确率为91.75%,能够准确识别轴承寿命状态,验证了方法的实用性以及有效性。

基于三维卷积神经网络和信道状态信息的人体动作识别

针对传统人体动作识别中的硬件成本高和隐私泄露等问题,本文提出了一种基于三维卷积神经网络(3DCNN)和Wi-Fi信道状态信息(Channel State Information,CSI)的人体动作识别方法。首先,从采集到的信号中提取原始CSI数据的幅值和相位;其次,进行异常点去除和滤波去噪,通过应用CSI幅度与相位的结合以及滑动方差进行人体动作切割,得到处理后的CSI数据;然后,在此基础上使用3DCNN神经网络提取CSI数据的时间和空间特征,并通过引入注意力机制进一步提升人体动作识别的准确度;最后,在实验室采集的CSI数据集上进行了人体动作识别的实验验证,其准确率达到96.1%。

基于并行图卷积网络的无砟轨道监测测点异常识别

针对在服役过程中高速铁路无砟轨道结构健康监测可能出现由结构局部损伤或者传感器故障导致的测点异常问题,建立一种并行图卷积神经网络模型,来识别高速铁路无砟轨道监测测点的异常。采用结构早期初始状态的监测数据训练并行图卷积神经网络,获得结构初始状态下的测点数据之间的空间关联性;利用并行图卷积神经网络预测服役状态无砟轨道测点监测数据,实现轨道监测测点异常的识别;此外,对明显漂移的数据可基于有向图分析修正预测结果。将该方法应用于某高速铁路无砟轨道结构长期监测数据并识别了异常测点。

基于脑电信号特征的高铁调度员疲劳状态识别

为增强铁路行车的稳定性与安全性,有效识别调度员的疲劳状态对行车组织的影响,基于脑电(EEG)信号特征,提出一种调度员疲劳状态识别方法,根据作业时间段划分调度员的疲劳状态,设计高铁调度模拟试验获取脑电信号数据,通过小波级数展开和傅里叶变换提取高铁调度被试的3种脑电波频域幅值作为特征值,结合调度员作业特征和脑电信号特征,验证疲劳状态的划分结果,通过Python语言环境搭建ResNet18+SoftMax和MobileNet V2+SoftMax这2种模型,基于深度学习方法,将输入特征转换为三维立体矩形模型,并优化调整权重,获得最优模型,从而判断高铁调度员的疲劳状态。研究结果表明:ResNet18+SoftMax和MobileNet V2+SoftMax神经网络模型对高铁调度试验参与人员的疲劳状态识别准确率分别为92.78%和99.17%;相较于支持向量机(SVM)模型,这2种模型可提升清醒状态和疲劳状态的识别精度,并降低运算时间,其中,MobileNet V2+SoftMax模型的识别准确率和运行速度最优。以MobileNet V2+SoftMax模型原理为内核,可以更快速准确地识别高铁调度员在长时间作业条件下的潜在疲劳风险。

CNN-LSTM车辆运动状态识别的AUKF组合导航方法

针对固定的噪声协方差难以适应车辆不同运动行为下噪声统计特性差异大的问题,提出了一种基于卷积神经网络与长短期记忆网络(CNN-LSTM)的车辆运动状态识别自适应无迹卡尔曼滤波(AUKF)组合导航方法。首先,应用CNN-LSTM网络模型进行车辆运动状态识别,解决车辆自我运动不确定性的问题;其次,将特定运动状态约束下的噪声协方差应用于UKF的时间更新与量测更新;最后,将所提方法在采集的数据集上进行验证。实验结果表明,与经典的UKF算法相比,所提方法的位置均方根误差与速度均方根误差分别下降了22.67%与2.63%,验证了所提方法的有效性。

考虑多状态特征的非侵入式负荷识别方法

针对传统负荷识别存在无法准确区分含有多种运行状态的负荷识别问题,该文提出一种考虑负荷多状态特征的非侵入式负荷识别方法(non-intrusive load monitoring,NILM)。首先,利用VGG16卷积神经网络(visual geometry group 16neural network,VGG16)对负荷的U-I轨迹进行初步分类。然后,采用最大相关最小冗余特征选择(max-relevance and min-redundancy,mRMR)算法,从未成功分类的负荷的各个工作状态中筛选出最优特征组合作为输入,通过支持向量机(support vector machines,SVM)算法进行二阶段识别,达到快速精细化识别多状态易混淆电器的分类效果。最后,利用Plaid数据集,对分别考虑单个状态和多个状态特征的识别效果进行对比分析。结果表明,文中所提方法可以有效区分易混淆的多状态电器,提高了识别准确性。

基于Inception-BiLSTM的小样本刀具磨损状态识别研究

针对工业生产中故障数据不足难以准确进行故障诊断问题,以Inception模块为主体结构,结合双向长短时记忆网络(BiLSTM),提出了Inception-BiLSTM故障诊断方法,并用刀具磨损状态识别进行实验验证。首先,将振动信号通过连续小波变换(CWT)得到时频特征图,利用Inception网络对时频图进行特征提取;然后,使用全局平均池化(GAP)将特征向量降维;最后,使用BiLSTM提取数据信息,以识别刀具磨损状态。实验结果表明,在小样本条件下,该方法相较于对比方法对刀具磨损状态识别的准确率更高。

基于SOM神经网络的摩擦状态识别研究

为提取摩擦振动的特征和实现摩擦副摩擦状态的识别,在往复摩擦磨损试验机进行摩擦副混合摩擦和干摩擦状态的摩擦磨损试验。应用谱减法对试验采集的摩擦振动信号进行降噪,计算降噪后的摩擦振动15个特征参数。应用自组织映射(Self-organizing map, SOM)神经网络对摩擦副不同摩擦状态的摩擦振动特征参数进行分析,得到摩擦振动的SOM神经网络神经元分类。研究结果表明,谱减法能消除摩擦磨损试验机的背景噪声,SOM神经网络算法能够有效分析摩擦振动信号的特征,实现摩擦副摩擦状态的识别。

基于改进拉普拉斯中心性的高速路网状态识别方法

为提高高速公路网络运行效率,提出一种考虑不同路段对系统时空影响差异性的高速公路网络交通状态识别方法。定义路网各类型路段为节点及其状态计算方法,建立基于改进拉普拉斯中心性和时空影响因子的路网状态识别模型。其中,利用皮尔逊相关系数改进拉普拉斯中心性方法以评估节点自身影响,设计时空影响因子评估邻居节点影响;融合节点自身及邻居节点影响,建立节点权重系数模型;在以上基础上建立反映路网交通状态的综合判别模型。以京港澳高速徐水-清苑的高速公路网络为例予以验证,结果表明:在不同交通需求情景下,所提方法能有效识别交通状态;对比交通运行指数(traffic performance index,TPI)模型和车辆行驶时间(vehicle hour traveled,VHT)模型,所提方法状态识别精准度均为最优,尤其是在交通需求大的情况下,对于含匝道节点3和纯主线节点4,与稳定性较强的TPI模型相比,所提方法准确率提升了9.7%和7.1%,进一步证明了模型的适用性强,能够满足工程实际的需要。

高速公路充电网络充电设施运行状态时空预测建模

准确的充电网络充电设施运行状态时空预测建模是高速公路预约充电优化的基础。考虑电动汽车行驶速度与传统汽车相接近,基于传统汽车的实际行驶速度数据,提出了一种高速公路充电网络充电设施运行状态时空预测建模方法。一方面,采用灰色关联分析法、协整-自回归移动平均法和小波神经网络方法对电动汽车的行驶速度进行滚动预测;另一方面,基于预测值和观察值,利用蒙特卡洛方法、弗洛伊德方法和排队算法对高速公路充电网络充电设施运行状态进行时空预测。算例研究结果表明,采用所提方法得到的高速公路充电网络充电设施运行状态时空预测结果比较准确,可满足电动汽车预约充电优化需求。

采用一维卷积神经网络的铣削振动状态识别

由于铣削加工中发生颤振会极大地降低工件的加工质量,铣削振动状态的高效与精准辨识一直是颤振研究的热点问题之一。基于LetNet-5经典卷积网络提出一维卷积网络模型,直接对时域铣削力信号进行处理与识别,针对信号量较少与数据不均衡等问题,采用重叠-随机协同采样的方法对数据进行处理。应用T-分布随机邻域嵌入技术可视化模型在训练集上的学习进程并对端到端的学习目标进行验证。对比基于支持向量机与卷积神经网络识别策略,所提方案在测试集上取得了最高的96.17%准确率,识别结果表明:该方法相较于对比方法过程简单、识别快速且辨识准确率高。

4G无线探针在高速公路交通状态识别中的应用

利用4G无线探针在高速公路上检测得到的数据,通过开发的系统软件,能够展现车辆行驶轨迹,从路线状况、行程速度、路段实时车速3个方面对路段的交通状态进行识别,并在地图上实时显示路段的道路交通情况。文章结合ETC、卡口视频等数据进行融合分析研究,通过统计算法、机器学习算法等,实现了对高速公路交通状态的识别与实际分析应用。

基于PNN的山区高速公路路段安全状态评价

在对路段安全状态和山区高速公路进行定义的前提下,提出了山区高速公路路段的定义及其安全状态评价指标及评价标准.通过在需要进行评价的路段以及路段的上游安装交通流信息采集设备来获取速度参数.以山区高速公路交通事故历史数据和实时的速度参数作为评价指标,参考提出的评价标准,建立了基于概率神经网络(PNN)的路段安全状态评价模型.仿真结果表明,该模型能够对山区高速公路路段安全状态进行评价.

高速公路事故多发点鉴别及诱发因素识别

为了提高事故多发点鉴别的客观公正性及自动化识别水平,提出了在公路沿线上划分初始评估地点的动态聚类算法,建立了鉴别事故多发点的自组织神经网络模型,给出了基于离散多变量算法与概率分布相结合的事故多发点突出事故诱发因素识别过程.方法应用结果表明,基于动态聚类的初始评估点划分方法能够客观地描述出事故点在公路沿线上的集中与分散状况,而神经网络鉴别模型能够对初始评估地点的安全状况进行自动分类且结果较合理.在掌握了能够满足统计分析要求的事故样本点数量的基础上,能够应用突出事故诱发因素识别方法建立一套评估标准,并用来识别事故多发点的突出事故诱发因素.