基于深度神经网络的高铁站空调系统智能控制策略

高铁站是公共设施中高能源消耗的大型半封闭建筑.针对高铁站如何在满足乘客舒适度的同时,尽可能降低空调能耗这一问题,本文设计了一种基于深度神经网络算法的空调控制策略.首先,设计了基于Energy Plus平台的仿真模型;然后,结合多种传感器获取高铁站的室内外环境参数,并提取出室外温度、客流密度、室内温度、室内湿度、室内二氧化碳浓度、室内环境热舒适度、能耗七个影响空调系统控制状态的因素;最后,构建了深度神经网络分类模型以及深度神经网络回归模型两类空调控制模型,以获取包含空调的设置温度、空调和热回收机的开启台数等参数的控制策略.同时使用Weighted-F1、Accuracy、Mean Squared Error和R-Squared四个评价指标分别对两个模型控制性能进行评价.研究结果表明,本研究提出的控制策略预测准确率最高能达到0.99,能有效实现高铁站空调系统的智能控制.     

面向交通工具金属材料的缺损识别算法

金属作为现代交通工具重要设备的主要材料,其缺损情况对交通工具的安全性具有重要意义.为了实现对金属设备的缺损情况进行自动识别,提出一种基于深层卷积神经网络的视觉检测算法,该算法着重于工业缺陷识别.设计了一种沙漏型特征融合模块和金字塔特征细化模块,兼顾准确率和速度,有效提升基于金属图像的缺损部位定位和分类效率,借助计算机平台训练判别模型实现自动检测.算法在公开图像数据集上取得了先进的测试结果,并在移动端设备中实现高效运行.