基于深度学习的电力负荷短期预测

为做好电网供需平衡,进一步改善电网的社会效益和经济效益,根据负荷数据的时序性特征,利用卷积神经网络的特征提取能力和长短期记忆神经网络捕捉时间序列关系的能力,采用卷积-长短期记忆混合神经网络进行电力负荷短期预测.首先根据历史数据对该模型进行训练,然后使用已训练好的模型进行预测,最后将其预测结果与长短期记忆神经网络预测结果进行比对.两组不同采样间隔的负荷预测仿真结果表明,卷积-长短期记忆混合神经网络相对于长短期记忆神经网络,可以更好地从负荷数据中提取出时序性特征,预测误差较小,精度较高,能够在电力短期负荷预测问题中提供可靠的预测结果.     

基于遗传算法的追踪列车节能优化

为了研究追踪列车的节能优化操纵策略,提出了四显示固定闭塞系统下的列车静态速度约束条件和追踪列车动态速度约束条件.在此基础上,建立了以列车操纵手柄级位和工况转换点为控制变最的追踪列车节能优化模型.采用染色体长度可变多目标遗传算法,结合外部惩罚函数对该模型进行了求解,并利用遗传算法中的染色体变长算子对列车操纵手柄变换策略进行了优化.在四显示固定闭塞平台上的仿真结果表明,该方法可在安全、准点的前提下,使追踪列车的能耗下降4.3％,运行时间误差减小1.7％.     

基于多尺度卷积类内迁移学习的列车轴承故障诊断

考虑变工况下列车轴承振动数据分布不一致情况下, 传统深度学习诊断模型的泛化能力下降, 提出了一种多尺度卷积类内自适应的深度迁移学习模型; 模型利用改进的ResNet-50网络分析振动数据的频谱, 得到了中间层次特征, 构造了多尺度特征提取器, 从不同尺度处理中间层次特征得到高层次特征; 将高层次特征作为分类器的输入, 同时计算了伪标签以缩短在不同工作条件下收集的振动信号的条件分布距离来进行类内匹配; 为了验证模型的通用性和优越性, 将提出的模型分别用于列车轮对轴承数据集和凯斯西储数据集的多个工况进行试验验证和分析。研究结果表明: 通过对齐不同域中同一类样本的高层次特征作为分类器的输入, 提出的模型获得了更为理想的故障诊断精度; 在列车轴承6个变工况诊断实例中, 平均诊断精度为90.75%, 与传统深度学习模型相比, 模型诊断精度平均提高了约10%, 召回率为0.927;在凯斯西储数据集的12个变工况诊断实例中, 模型平均诊断精度达99.97%, 比传统模型提高约10%。可见, 利用伪标签减小了不同域之间的条件分布差异, 很好地处理了源域和目标域数据分布不一致的问题; 多尺度特征提取器能从不同尺度对齐样本的高层次特征, 增强了模型的泛化性与鲁棒性, 是解决变工况列车轴承故障诊断问题的一种有效模型。      

城市轨道交通与市郊铁路直通运营下通过能力研究

直通运营下,异质列车间追踪间隔与同质列车不同,通过能力受影响.在分析 列车追踪间隔计算原理基础上,提出直通运营下直通区段通过能力计算方法.研究表明, 在给定的参数下,市郊铁路列车与城市轨道交通列车间追踪间隔为110 s,城市轨道交通 列车间追踪间隔为85 s.直通区段直通列车发车频率越高,通过能力影响越大,且直通列 车在直通区段运营速度越大,通过能力降低越显著.在实际可实现的追踪间隔为120 s 下, 若满足客流需求所需的最小平均发车间隔小于125 s,则不能开行直通列车;若满足客流 需求所需的最小平均发车间隔大于212 s 时,可按1:1开行直通列车.     

基于机器视觉的路桥裂缝病害自动检测技术

为解决路桥表面因荷载作用、疲劳与腐蚀效应、材料老化以及维修养护不及时等原因产生裂缝病害的问题,进一步提高日常养护工作效率,对机器视觉技术、图像处理技术在路桥裂缝病害检测工作中的应用进行了研究.采用对比分析和数据验证相结合的方法,重点针对利用机器视觉技术实现病害特征提取、特征识别和量化计算算法进行了比较研究.研究结果显示:①采用修正后的Faster R-CNN和深度可分离卷积网络能够有效减少参数数量,实现算法速度和精度的平衡;②采用小波变换滤波和KD树算法相结合的方式能够精确实现裂缝病害的连续特征提取;③基于裂缝的统计特征可快速实现病害分类.基于上述研究成果,提出并研发了一种路桥裂缝病害的自动检测方法,通过在广东省8条高速上的实例验证和模型优化,实现了路桥裂缝病害的自动化检测,精度达到95％,大幅度地提升了检测效率,有助于提高路桥的安全运行水平.     

基于时域卷积网络与注意力机制的车辆换道轨迹预测模型

精准的车辆轨迹预测模型可以为自动驾驶车辆提供其周围车辆的准确运动状态信息,进而判断本车与周围车辆短期内是否有发生冲突的可能性。本文提出一种基于时域卷积网络与注意力机制(Temporal Convolutional Networks with Attention mechanism,TCN-Attention)的车辆换道轨迹预测模型。该模型以时域卷积网络作为当前输入的特征提取器,利用时间与空间注意力机制使模型在不同时间和空间位置之间建立动态关联,更准确地捕捉车辆之间的动态时空相关性,实现准确预测车辆换道轨迹。与传统单一车辆轨迹特征输入不同,本文通过对输入特征进行多维扩充与融合,进一步提高了轨迹预测准确率。此外,本文提出一种换道执行起止时刻定义方法更准确地确定数据集中的换道起止时刻。实验表明,本文所提模型能以高准确率预测变换车道轨迹,在整体效果上优于其他深度学习模型,与ConvLSTM (Convolution Long Short-Term Memory)相比,TCN-Attention的平均绝对误差(Mean Absolute Error,E_MAE)降低了69.8...     

基于原子分解的辐射源信号二次特征提取

提出了基于原子分解的辐射源信号二次特征提取方法.在过完备多尺度Chirplet原子库基础上,首先用匹配追踪(MP)方法进行信号时频原子分解,并通过改进的量子遗传算法(IQGA)降低MP搜索过程的时间复杂性,得到表示雷达辐射源信号特征信息的最佳Chirplet原子.在此基础上,降低特征参数的维度,提取最具分类意义的原子特征向量.对5种典型雷达辐射源信号的特征提取实验表明,提取的原子特征类内聚集性强、类间分离度大,证实了本文方法的可行性和有效性.     

面波法在京秦路基结构承载力评价中的应用

利用多道瞬态面波法对路基承栽能力和隐含病害进行无损检测的技术,可在不损伤路面的同时细致分析路基不同深度承栽力变化情况,京秦高速公路路面状况指数较差路段检测分析结果表明该该方法准确、可行.     

基于深度学习的复合神经网络机场信号检测框架

针对信号调制识别对复杂通信环境缺乏适应性与精度不足的问题,提出一种基于深度学习的多特征复合神经网络框架. 该框架首先使用前端卷积神经网络检测信号载波特征,再对前端初筛选信号执行预处理将其转换为信号时频图,最后设计了后端轻量化卷积神经网络,检测信号时频特征. 基于TensorFlow平台的复合神经网络对机场真实信号检测精度达到99.23%,实验表明该方法可有效应用于实时机场信号检测.      

基于BP神经网络的武器装备电气系统故障诊断方法研究

武器装备电气系统具有非线性特性,利用BP神经网络处理非线性特性的能力可以提高故障诊断效率.建立了BP神经网络的故障诊断模型,分析了故障特征提取与样本预处理的方法,并将其应用于武器装备电气系统的故障诊断中.该方法对于提高武器装备电气系统故障诊断的准确率具有良好的实际应用价值.