基于优化模态分解和Xgblr的风机叶片故障诊断方法

针对风电机组叶片振动信号复杂且难以提取有效故障信息的问题,提出了将一种小波变换(Discrete Wavelet Transform,DWT)、经验模态分解(Empirical Mode Decomposition,EMD)与Xgblr相结合的故障诊断方法。首先,通过DWT,EMD将信号降噪分解为若干分量,并利用邻近频率干扰消除的方法优化结果;其次,提取各分量的频域特征,构造时域频域原始特征集;然后,将提取的特征集合输入Xgblr模型进行特征转换,生成新的融合特征集合,将Focal损失函数应用于Xgblr进行不平衡数据集的故障诊断;最后,利用国内西部某风电场实际运行数据进行验证。

基于多尺度特征提取网络的图像美学量化评分方法

提出了一种基于多尺度特征提取网络的图像美学客观量化评分方法,该模型主要由多个多尺度特征提取单元级联组成,每个单元包含由3个不同卷积核组成的特征提取层、融合层和映射层。特征提取层通过联合图像的全局视图和局部视图组成网络输入端,在输出端以EMD函数为损失函数,输出分布为1~10分的概率密度质量函数,并以分布均值作为图像美学量化值。实验证明,本文方法具有可行性和有效性,解决了传统方法只进行美感二进制等级分类的问题,给出了(模拟人类思维对)图像的客观量化评分;同时在AVA数据集上获得了优于几种主流算法的分类准确度。