基于深度学习的风力发电机组故障预警方法研究综述

风能作为重要的可再生能源,近几十年来,全球风能使用规模迅速增长,陆上和海上风力发电机组发电容量不断增加。由于风力发电机组故障维修成本巨大,因此必须开发有效且可靠的风力发电机组故障预警方法,在风电机组发生故障前进行提前预警,以便降低风电场的运营和维护成本。目前风电机组数据采集与监视控制系统(supervisory control and data acquisition, SCADA)已经在风电场有了广泛的应用,其中蕴含着大量的潜在数据信息,同时深度学习方法在海量数据挖掘方面有比较明显的优势,因此深度学习方法在风力发电机组故障预警领域的应用潜力巨大。综述了近年来相关深度学习方法在风力发电机组故障预警的研究进展,总结了风电机组故障预警的大体步骤,分析了各个步骤的具体处理方法,对每种技术方法的特点进行整理分析。最后阐述了深度学习在风电机组故障预警领域所面临的挑战,并对今后的研究重点进行了展望。     

莲蓬采摘点与采摘姿态计算算法

针对研发莲蓬采摘机器人遇到的采摘点识别问题,提出了一种莲蓬采摘点与采摘姿态计算方法。提出了一种基于YOLO(you only look once)与Deeplab v3+的二阶段分割网络,并通过Mobilenet v2特征提取网络对算法进行轻量化改进,最后对分割后的结果进行图像处理,进一步计算得到莲蓬采摘点及采摘姿态。将50幅原始图像进行验证试验的结果表明,算法计算成功率为88.89%,平均帧率为34.41 FPS。得到的算法能够为莲蓬自动化采摘机械提供有效信息,具有轻量化、效率高的特点,促进了计算机视觉与神经网络在现代农业的应用。     

基于均匀设计的船舶目标检测深度学习 模型训练方法研究

针对沿岸监控视频图像的舰船目标识别问题,传统检测方法检测速度和准确率有待进一步提升。深度学习方法已经能够实现船舶目标的检测,但模型网络结构复杂且存在交互影响的超参数,模型训练时耗长,检测精度往往受限于训练样本和超参数的选取。拟在YOLO算法的卷积神经网络模型训练过程中,采用均匀设计理念,对影响因素和水平协同优化,减少按照主观经验训练深度学习算法参数的盲目性。分析清晰度和人工标注影响,以场景、训练集与测试集样本比例、训练算法、训练轮次作为影响因素,设置差异化水平值,采用均匀设计方法训练深度学习模型,选用AP 值对比分析经验法和均匀设计法。以上海市黄浦江水域场景作为实例验证,研究表明：经验法设计的9组训练方案中最优AP值为0.84,均匀设计法产生的6组训练方案中,选用YOLOv5x算法,样本比例90%、训练100轮次时,深度学习模型AP值为0.91,表明均匀设计在深度学习模型超参数训练中有效。     

一种深度学习网络的树木点云骨架重建方法

基于激光雷达(Light Detection And Ranging, LiDAR)数据重建树体三维模型并精准获取林木空间枝干结构参数是精准林业发展的必然趋势。本研究面向激光点云提出了一种融合基于晶格投影的深度学习网络,以及面向提取的枝干点云的树木模型骨架重建的方法。该深度学习网络包括旋转不变性模块、晶格投影与重心插值模块,多尺度变换与卷积操作层,通过将旋转变换后的点云晶格投影到三个坐标平面上再分别重心插值获得变换系数,解决了三维点云因排列无序而造成空间卷积困难的问题。以海南多类树木为研究对象,首先,把带枝叶标签的林木点云基团带入构造的深度学习网络中训练网络参数,实现测试样本中的林木数据的枝叶分离。其次,对分类后的树木枝干点云垂直分层并空间聚类,获取每层的聚类中心点并按相邻层中心点距离最小原则实现骨架链表构造,同时采用自适应随机抽样一致（random sample consensus,RANSAC ）方法来计算的圆柱体拟合半径,以重建树木的各级枝干。最后,根据中心点连通的链表结构以及角度变化最小准则自动识别树木中的主枝干和各个一级分枝。通过与实测数据比对验证表明,深度学习枝叶分类准确率为91.31%,高于传统的机器学习分类方法7%左右。算法得到的橡胶树一级枝干直径与实测值比对为：决定系数（coefficient of determination, R2）=0.92, 均方根误差（root mean square error, RMSE）=0.64cm, 相对均方根误差（relative root mean square error, rRMSE）=6.39% ;相应的一级枝干与主枝干的分枝角与实测值比对为：R2=0.91, RMSE=3.32°, rRMSE=7.81%。本研究设计了深度学习网络与计算机图形学的算法快速精准从地基点云中重建树木的骨架模型,精度吻合实际测量值,具有一定推广价值。     

采用通道注意力机制的RIS辅助MIMO级联信道估计

可重构智慧表面（RIS）辅助多天线毫米波无线通信系统的级联信道有直传和反射两条链路,系统维数大且复杂,获取信道状态信息（CSI）困难. 针对RIS辅助下的大规模多输入多输出（MIMO）通信系统应用场景,提出了基于通道注意力机制的SE-ResNetV2网络来获取CSI,在残差网络（ResNet）中引入了通道注意力模块,通过挤压和激励策略来提高噪声特征的捕捉能力. 仿真结果表明,相比于最小二乘（LS）估计算法和常规的注意力机制深度ResNet,所提出的深度学习网络具有更好的去噪效果和估计精度.     

基于深度学习岩性分类的研究与应用

岩性预测,特别是致密储层的岩性预测,是石油勘探的一项重要基础任务,因为岩性数据对于地层对比、沉积模拟等地质工作的分析是必不可少的.因此,如何获取可靠的岩性信息逐渐成为地球科学研究的热点.面对大部分老油田由于仪器、井历史长等原因使得部分测井数据丢失,特别是岩性数据;新开发生产井,钻井取心需要投入巨大的成本、人力和物力;这...     

融合情感词典的改进BiLSTM-CNN+Attention情感分类算法

传统机器学习和深度学习模型在处理情感分类任务时会忽略情感特征词的强度,情感语义关系单薄,造成情感分类的精准度不高。本文提出一种融合情感词典的改进型BiLSTM-CNN+Attention情感分类算法。首先,该算法通过融合情感词典优化特征词的权重;其次,利用卷积神经网络(CNN)提取局部特征,利用双向长短时记忆网络(BiLSTM)高效提取上下文语义特征和长距离依赖关系;再结合注意力机制对情感特征加成;最后由Softmax分类器实现文本情感预测。实验结果表明,本文提出的情感分类算法在精确率、召回率和F值上均有较大提升。相较于TextCNN、BiLSTM、LSTM、CNN和随机森林模型,本文方法的F值分别提高2.35%、3.63%、4.36%、2.72%和6.35%。这表明该方法能够充分融合情感特征词的权重,利用上下文语义特征,提高情感分类性能。该方法具有一定的学术价值和应用前景。     

基于深度学习的手术场景运动感知

基于术中影像的运动感知是计算机辅助手术系统开发的重要研究内容,能够为运动补偿、软组织形变分析等应用提供有价值的信息,从而提高手术效率并增强手术安全。然而,手术影像中运动器械的遮挡降低了对局部区域估计的准确性。为解决这一难题,提出一种基于光流网络和解耦表示的运动感知方法,并结合自监督学习范式优化模型。制作了神经外科手术数据集,在PyTorch深度学习框架下对模型进行训练和验证。实验结果表明：该运动估计方法在复杂手术场景中具有稳定性强、准确度高的优点,在计算机辅助手术中具有较高的应用价值。     

破胶絮凝-预氧化-深度氧化处理压裂返排液

以四川德阳某气田作业现场的压裂返排液为研究对象,通过对其水质特征、治理现状进行分析,提出了破胶絮凝-预氧化-深度氧化的处理工艺。通过实验研究,确定了性能优良的破胶絮凝剂、预氧化剂及Fenton氧化体系;并得出最佳实验条件:CaO、Al2(SO4)3及FeSO4的投加量均为5 000 mg/L;在不调节出水pH、加入预氧化剂高锰酸钾500 mg/L、反应时间15 min的条件下,CODCr去除率达到58%;调节废水pH至3.0~4.0,再采用Fenton氧化处理,其投加量为H2O2(30%)6 mL/L、及FeSO4·7H2O 5 000 mg/L,反应时长2 h。采用上述处理工艺,处理后废液的主要污染指标CODCr降低了79%,从而为达标处理创造了条件。     

基于深度学习的钻孔图像岩体结构面识别

岩体结构面对岩体稳定性和渗透性有着重要影响,是决定深部地下工程稳定性的重要因素.针对井下电视技术获取的钻孔影像,提出了一种基于深度学习算法(You Only Look Once version 4,YOLO v4)的岩体结构面识别方法,并计算识别岩体结构面的几何参数.首先,采集图像数据并进行预处理.以某隧道工程为案例,使用智能钻孔光学成像仪采集4号和6号钻孔图像,筛选含有结构面的钻孔图像进行标注以建立Ground truth数据集.从中随机选择数据集的70%作为训练数据、10%作为验证数据、20%作为测试数据,并对训练数据集使用数据增强处理.接下来使用CSPDarkNet53网络作为特征提取网络,构建YOLO v4模型,并采用试错法获取最优参数进行模型训练.利用测试集生成P-R(Precision-Recall)曲线来测试最终的模型训练效果,结果显示P-R曲线的平均精度达0.87,这表明YOLO v4训练结果较好.最后,将定位的结构面采用Canny算法通过拟合上、中、下正弦曲线函数获取岩体结构面边缘,并依据正弦函数的系数计算结构面的4个几何参数(倾向、倾角、深度和张开度).