基于分布式光纤传感与U-Net网络的复合材料分层损伤定量识别方法

结构健康监测(SHM)是确保飞行器复合材料结构安全性和完整性的重要手段。基于背向瑞利散射的分布式光纤传感器可以通过测量高密度的应变分布为复合材料损伤监测提供数据支持。然而,结构应变分布特征和损伤的映射关系较为复杂,无法直接根据应变分布准确判定损伤的定量信息。另外,分布式光纤传感器数据量大,通过人为分析应变数据识别损伤较为耗时且准确性偏低。为了应对这一挑战,提出了一种基于分布式光纤传感数据与U-Net神经网络的智能损伤识别方法,旨在自动精确识别复合材料中常见的分层损伤。首先,通过有限元仿真构建U-Net神经网络的训练集与验证集;随后进行含分层损伤复合材料板的悬臂加载试验,通过分布式光纤传感器采集结构应变分布数据作为测试集。损伤识别结果表明,U-Net神经网络可以对分层损伤的位置、尺寸与形状进行较为精确的定量识别。

基于U-Net卷积神经网络的织物压力传感阵列串扰解决方法

为解决压阻式柔性压力传感阵列中存在的异常传感单元与串扰现象导致采集到的压力数据不准确的问题,构建了具有32×32个传感单元的压阻式柔性织物压力传感阵列系统,对传感单元检测值出现异常的原因进行了分析,采用中值滤波算法对系统获取的压力分布云图中的异常值进行处理;针对串扰现象,构建了U-Net卷积神经网络模型,采用机器学习方法对织物压力传感阵列系统生成的压力云图进行修正,设计了模型输入、输出数据集的采集方法。结果表明,经中值滤波算法处理后的压力云图的峰值信噪比处于30~40 dB之间,反映出中值滤波算法对异常值处理的效果较为理想;U-Net卷积神经网络模型训练过程中的均方根误差最终达到7.1,表明模型获得了较好的训练效果,通过与无串扰效应的柔性压力传感阵列采集的压力云图进行对比,表明U-Net模型能够有效消除串扰现象对织物压力传感阵列压力云图显示结果的影响。

基于u-shapelets聚类的刀具剩余寿命预测方法

针对不同刀具的性能衰退规律呈现出多种趋势,单一固定的全局模型难以对不同性能衰退规律的刀具进行准确剩余寿命预测的问题,提出一种基于u-shapelets聚类与长短时记忆网络(LSTM)模型相结合的刀具剩余寿命预测方法。首先,对刀具加工过程监控信号提取u-shapelets集合,并计算各u-shapelet与时间序列的距离得到距离矩阵;其次,通过基于密度聚类方法对距离矩阵进行聚类,得到聚类结果;最后,根据聚类结果基于各类别数据分别训练长短时记忆网络模型进行刀具剩余寿命的预测。以轮槽铣刀加工过程监控数据进行验证,并与Kmeans聚类、谱聚类、层次聚类、DBSCAN聚类方法进行比较,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U-I轨迹曲线精细化识别的非侵入式居民负荷监测方法

识别用户的负荷用电特性与用电行为是智能电网的重要研究内容之一。该文提出一种基于U-I轨迹曲线精细化识别的非侵入式负荷监测方法,实现对用户负荷有效的非侵入式监测。首先,利用拟合优度检验捕捉用电器投切事件,提取负荷的有功、无功功率变化量以及U-I轨迹3类特征。然后,进行两阶段负荷识别:第一阶段利用考虑初始优化的k-means算法对有功、无功变化量进行聚类,并压缩聚类个数,将功率特征相近的用电器聚为同组,得到一阶段识别判据,实现负荷粗辨识;第二阶段针对一阶段存在的识别盲区,构建卷积神经网络模型,以二维U-I轨迹图作为输入,通过卷积神经网络自动提取轨线的有效特征,实现一阶段盲区负荷的精细化识别。最后,利用BLUED数据集进行方法有效性的验证。

网络考试系统中防止U盘作弊方法研究

目前越来越多的高校、教学培训机构和各种社会考试,采用了网络考试、网络在线考试等网络考试形式的无纸化考试。然而许多考试系统自身尚不具备防止考生使用U盘等移动存储设备作弊的功能。本文所涉及的系统能完善这样的功能,考生一旦插入了U盘或其他移动存储设备后,系统立即显示一个特殊的界面锁住屏幕,禁止一切可能的键盘操作。这种状态将一直保持到监考老师在该考生的考试机上解锁为止。

一种用电设备分析识别原理与应用

非侵入式负荷监测(NILM)与识别是智能电网建设的重要方面。针对非侵入式用电负荷监测技术提出了一种基于V-I轨迹与奇次谐波分量特征的混合特征矩阵和卷积神经网络相结合的方法。具体内容为:分析用电设备的基本特征,包括输入电流稳态特征和暂态特征。建立了六种单相交流电源供电的用电设备MATLAB/Simulink仿真电路,分别为电阻加热器、电吹风、LED灯串、电源适配器、变频空调和变频冰箱,作为待分析识别的用电设备,并提取了这六种负荷模型的网侧电流波形和频谱、V-I轨迹以及奇次谐波电流分量数据作为基本特征量;提出了一种采用V-I轨迹与奇次谐波特征的混合特征矩阵以及卷积神经网络(CNN)进行用电设备分析识别,经过PLAID数据集的训练和测试,能够有效识别稳态运行下的用电设备,给出了详细的解算过程,并提供了应用算例。此外,对比分析了已有三种检测方法,验证本文提出的基于混合特征矩阵以及卷积神经网络用电设备分析识别方法的优越性。

基于V-I轨迹颜色编码的非侵入式负荷识别方法

在非侵入式负荷识别中基于原始电压-电流(V-I)轨迹特征的识别方法,难以对相似轨迹特征的负荷做出有效辨识。因此,提出了一种基于V-I轨迹特征的颜色编码方法,并利用K-means聚类算法和AlexNet神经网络进行负荷特征的辨识。首先,运用K-means聚类算法对负荷的有功和无功功率特征进行初步分类。然后,对未分类成功的负荷进行V-I轨迹构建和颜色编码处理,生成带有颜色特征的V-I轨迹。最后,运用AlexNet神经网络对负荷进行训练和分类,达到快速精细化的分类效果。针对公共数据集PLAID和WHITED,运用原始V-I轨迹特征和进行颜色编码后V-I轨迹的识别效果做对比分析,可知所提方法在节省计算时间的同时也提高了识别的准确度,提升效果明显。

10 kV环网柜机械特性在线监测与绝缘状态诊断的研究

介绍了10 kV环网柜机械特性在线监测过程,分析了绝缘状态诊断方法。采用在线监测的方式,弥补了定期预防性检修所存在的不足,实现了运行状态检修,使检修的成本大大降低,确保了系统运行安全,达到了环网柜检修高质量、高效率和低成本的要求。

遥感影像变化图斑智能化提取平台研发与应用

遥感影像变化图斑智能化提取是自然资源动态监测工作的基础。本文简述了遥感影像变化检测技术演进历程及特点,提出同时使用ResNet、U-Net和孪生神经网络3种深度学习算法,设计了集“影像预处理、智能提取、协同筛查”于一体的遥感影像变化图斑智能化提取平台,并详细阐述了各功能模块设计思路。实践表明,融合3种深度学习算法有利于解决单一深度学习网络模型改造难度较大、适用范围有限等难题,有效提升了遥感影像变化检测的查全率,工作效率比目视解译提升超过3倍。研究成果已在湖南省自然资源“1+N”卫星监测工作中广泛应用。

基于混合特征图的非侵入式负荷监测算法

针对目前的非侵入式负荷监测算法所需运算成本高、难以实用推广的现状,提出一种低运算成本的基于混合特征图的非侵入式负荷监测算法。首先,提取设备的功率特征和稳态电压-电流轨迹图特征,将设备功率特征进行维数变换后与电压-电流轨迹特征图组合,得到设备混合特征图。该特征图以小尺寸灰度图为载体,减小了硬件存储与模型算力的成本。然后,基于LeNet卷积神经网络建立设备辨识模型,以混合特征图为输入,实现对设备种类的辨识。最后,使用PLAID数据集对所提算法的结果准确性与计算性能进行测试。结果表明:所提算法的设备辨识准确率可达92.7%,与辨识准确率相差小于1%的同类算法相比,在算法参数量和运算量方面减少了99%,能有效减少NILM的运算成本。

单片机控制热熔焊机的硬件设计

针对当前可燃气体由传统的金属管道输送向高强度工程塑料管道输送转变的趋势，本文提出了一种在工程塑料管联接过程中专用的单片机控制热熔焊机的硬件和软件设计方案．

深度学习网络支持下的农房侵占耕地自动化监测

近年来,违法占用耕地现象屡禁不止,如何利用人工智能等新一代信息技术,快速摸清农村乱占耕地建房底数,做到“早发现、早制止、严查处”,是当前整治农村乱占耕地建房工作的研究难点之一。本文通过对高分辨率自然资源影像数据进行预处理,构建基于深度学习网络的自动化监测模型,应用模型进行预测并对输出结果进行GIS优化和空间叠加。试验结果表明,该方法可以快速监测出疑似侵占耕地的违法房屋,为坚守“耕地红线不突破”的底线提供了智能化技术选择,可服务于整治农村乱占耕地建房工作。

基于颜色编码与谐波特征融合的非侵入式负荷识别方法

非侵入式负荷识别(NILM)作为分析用户用电行为的主要途径,对开展能耗监测、实现用电安全评估具有重要意义。针对原始电压-电流(V-I)轨迹特征辨识准确度不高的问题,本文提出一种基于V-I轨迹特征的颜色编码和负荷高次谐波特征相融合的识别方法。首先,将高频采样数据经过数据预处理,提取出负荷的V-I轨迹和高次谐波特征,并利用颜色编码技术将瞬时无功功率、功率因数与电流序列分布的数值特征分别映射到彩色图像RGB的三个通道像素矩阵中。然后,引入高次谐波特征与RGB三通道像素矩阵相融合,形成混合彩色图像。最后,运用AlexNet网络的迁移学习对负荷进行训练和分类,通过PLAID数据集与实测数据进行验证,所述负荷识别方法辨识准确率达到95%以上,模型具有良好的泛化能力,可用于家庭及类似场合的用电安全管理。

基于卷积神经网络模型乳腺癌靶区自动分割的研究

目的:分别基于生物图像分割体系结构U-net和V-net的卷积神经网络模型训练乳腺癌靶区,并评价其临床适用性和准确性。方法:选取医院收治的60例左侧乳腺癌保乳术后患者,按照随机数表法将其分为模型组和测试组,每组30例。所有患者的CT图像数据集均由同1位放射治疗医师参照肿瘤放射治疗协作组织(RTOG)标准勾画临床靶区(CTV),并由经验丰富的高级职称医师二次审查。模型组患者分别基于U-net和V-net的卷积神经网络两种模型训练CTV;测试组患者的CT影像用于测试两种模型CTV自动分割的准确性。采用配对t检验分析比较两种模型分割的形状Dice相似性系数(DSC)、豪斯多夫距离(HD)及平均最小距离(MDA)。结果:基于U-net模型自动分割的乳腺癌靶区的DSC值(0.918)大于基于V-net模型分割的DSC(0.899),且差异有统计学意义(t=5.883,P<0.001)。两种模型分割的乳腺癌靶区的HD分别为18.360 mm、20.408 mm,差异有统计学意义(t=-1.800,P<0.05)。两种模型勾画结果的MDA分别为1.393 mm、1.815 mm,差异有统计学意义(t=-5.354,P<0.001)。结论:两种自动分割模型的结果均能满足临床应用需要,可提高医师的工作效率以及靶区勾画的一致性。基于U-net训练的左侧乳腺癌保乳靶区勾画模型更加接近医师的勾画,更准确地实现了CTV的自动勾画。

基于CNN-BiLSTM与DTW的非侵入式住宅负荷监测方法

为减少居民生活用电浪费现象,非侵入式负荷监测技术显示出其重要性。基于事件检测的情况下,该文提出一种基于卷积神经网络耦合双向长短时记忆神经网络(convolutionalneuralnetworksandBi-directionallong short-term memory,CNN-BiLSTM)与动态时间规划(dynamic time warping,DTW)的非侵入式住宅负荷监测方法。首先通过概率质量函数计量负荷的运行状态信息,提取出稳态运行时的U-I特性曲线图;然后将图片归一化为统一格式的灰度图,利用卷积神经网络提取出特征向量作为负荷印记;将其输入至双向长短时记忆神经网络中进行辨识,并利用动态时间规划算法优化辨识结果,实现高精度的负荷辨识。最后,利用PLAID公开数据集对于所提算法进行仿真验证,实验证明所选负荷印记具有良好的辨识性能,辨识算法相比对比算法具有更高的信度与准确率。

基于片上网络的安全路由器研究与设计

为保证片上网络的服务质量,设计抵抗拒绝服务攻击的安全路由器。建立攻击树模型,分析和总结造成片上网络拒绝服务的攻击方式,分别是无效地址攻击、带宽占用攻击和路由表恶意修改攻击。在路由器内嵌入安全模块,使之能够过滤数据包源节点地址和目标节点地址,调节数据包注入网络的速率,监视路由器各输出端口的流量。仿真和综合结果表明,安全路由器可以有效阻止和检测拒绝服务攻击,安全模块综合后的面积仅占整个安全路由器面积的8.9%。

南郊水厂自动控制系统的设计及应用

介绍了南郊水厂自动控制系统的组成及特点,从滤池操作员站、反冲洗间控制单元及滤池控制单元3个方面重点介绍了V型滤池自控系统的组成及各部分的功能。运行结果表明,该自控系统安全可靠,达到了优质供水、节能降耗的目的。

固定监测站建设概述

固定监测站属于超短波监测网中组成的一部分,在无线电监测工作中起至关重要的作用。日常工作中的监测任务和专项无线电安全保障任务均需要通过固定监测站完成相应的测试工作。因此,超短波监测人员需熟悉固定监测站的设备性能及整体的架构。

基于非均匀分簇的虚拟MIMO在煤矿巷道“热区”的研究

针对煤矿巷道的特殊地理环境,分析LEACH协议和多跳虚拟MIMO为何会形成"热区"问题,提出一种多跳非均匀分簇(MU-V-MIMO)算法,介绍基于此算法的模型传输过程及能耗分析;通过MATLAB仿真,运用MU-V-MIMO算法的虚拟MIMO在网络总能耗和传感器网络生命周期等性能优于LEACH协议,更适合应用于煤矿巷道。