排序方式: 共有51条查询结果,搜索用时 0 毫秒
1.
通过一台在用蒸汽锅炉锅筒底部发生鼓包事故,阐述了卧式快装工业锅炉鼓包从检验、修理、原因分析以及使用单位管理等方面的预防措施。 相似文献
2.
枪支射击的检测与识别有助于实现枪支和子弹的精准管控,从而防止枪支滥用、提高公共安全。区别于传统利用加速度传感器的枪击识别需要进行特征提取的方法,本文针对不同类型的枪击加速度信号,首次采用深度学习的方法进行研究,提出了一种新的兼顾精度和轻量化的EfficientNetTime时间序列分类模型。该架构核心由MBConvTime,Fused-MBConvTime模块组成,能够自动提取枪击加速度信号特征,对不同输入时间尺度更具鲁棒性。在识别精确率方面达到97.42%超越传统枪击识别算法,并在公开枪击数据集上与SVM、决策树、随机森林三种传统机器学习模型和FCN、Resnet、Inceptiontime、Xceptiontime四种时间序列深度学习模型对比。实验结果表明EfficientNetTime模型更加高效,识别精确率也更高。 相似文献
3.
受最大功率点跟踪算法和时变环境条件的影响,光伏阵列的电气工作参数包含了复杂的暂态过程以及工频干扰噪声,严重影响了故障特征质量以及诊断算法性能。针对该问题,本文首先提出了一种基于最大功率点(MPP)的稳态时间序列预处理方法,以自动过滤数据中的暂态过程和干扰噪声,获取连续的稳态时间序列电气特征数据,作为故障诊断模型的输入参数;然后,提出了一种基于长短期记忆网络(LSTM)的深度网络模型,以实现对光伏阵列常见故障的检测及分类;最后,在一个小型光伏并网发电系统及其Simulink仿真模型上,进行故障模拟及仿真以验证所提出的故障诊断方法。实验结果表明所提出的故障诊断方法具有良好的精度和泛化性能,并且优于常规的反向传播神经网络(BPNN)和循环神经网络(RNN)。 相似文献
4.
5.
采用静电纺丝和热处理技术成功制备了新型锂离子电池负极材料钛酸铜锂(Li2CuTi3O8)纳米粒子.通过扫描电子显微镜(SEM)、透射电镜(TEM)、X射线衍射(XRD)、热分析(TG-DTA)、循环伏安法(CV)、恒流充放电和电化学交流阻抗(EIS)等测试手段对材料的形貌、结构、物相及电化学性能进行了表征和研究.结果表明所制备的Li2CuTi3O8纳米粒子具有良好的立方尖晶石结构,粒度分布均匀,粒径约为100~200nm.充放电测试显示,当电流密度为25mA g-1时,Li2CuTi3O8纳米材料的首次可逆容量为245.3mAh g-1;且该电极在50,100,200,500,1 000mA g-1的电流密度下循环10次后,放电比容量分别为189.2,186.1,176.9,152.2,127.5mAh g-1当电流密度再回到25mA g-1时,比容量仍然可达到228.6mAh g-1,该材料显示出良好的循环稳定性和倍率性能,有望成为锂离子电池新型负极材料. 相似文献
6.
【目的】建立金花茶杂交种质组培快繁技术体系,为优质杂交种质的保存和快繁提供技术支撑。【方法】以凹脉金花茶♀ב烈香'茶花♂(S1)、‘黄樽'薄叶金花茶♀×防城金花茶♂(S2)、防城金花茶♀×越南抱茎茶♂(S3)等3组杂交组合种子的无菌播种苗为材料,研究不同外植体诱导率的差异,杂交组合、基本培养基、生长调节剂种类浓度组合对芽苗增殖和生根的影响,蔗糖浓度对生根率的影响,及不同基质移栽成活率的差异等组培关键技术。【结果】S1、S2、S3等3组杂交组合无菌苗的顶芽平均诱导率为12%,茎段平均诱导率最高,达100%。杂交组合、基本培养基和6-BA对增殖倍数影响极显著,S1、S2、S3杂交组合在培养基B5+6-BA 2.5 mg/L+IBA 0.05 mg/L上培养40 d,增殖倍数最高,分别为7.4、6.6、7.5倍,芽苗长势好; 在MS培养基上芽苗长势不佳,叶片脱落。杂交组合、生根剂种类浓度组合及蔗糖浓度对生根率影响极显著,S1、S2、S3杂交组合在培养基1/2 B5+ABT 1.0 mg/L+5 g/L蔗糖上,生根率最高,分别为92%、85%、89%。3组杂交组合在V黄心土:V蛭石=3:1基质上的平均移栽成活率最高,达94%。【结论】无菌播种苗的茎段是金花茶杂交种质离体培养最理想的外植体,最佳增殖和生根培养基分别为B5+6-BA 2.5 mg/L+IBA 0.05 mg/L和1/2 B5+ABT 1.0 mg/L+蔗糖5 g/L,最佳移栽基质为V黄心土:V蛭石=3:1,营建组培快繁技术体系是金花茶杂交种质保存和植株高效再生的理想途径。 相似文献
7.
光伏阵列故障的精确检测是提高光伏电站运行可靠性和安全性的重要因素之一。本文提出了粒子群优化支持向量机(Particle Swarm Optimization-Support Vector Machine, PSO-SVM)的光伏阵列故障检测与分类的方法。分析了光伏阵列输出特性和故障类型,选择合适的特征向量及归一化方式。选用径向基核函数优化模型结构,并利用PSO算法对参数进行寻优,提高模型精确度。结合实验平台,获取光伏阵列正常工作和8种故障状态的实测数据,随机划分为训练集和测试集,并建立PSO-SVM故障检测与分类模型。实验表明应用本文模型进行故障检测准确率达99.89%,分类准确率达98.68%,优于BP (Back Propagation)神经网络以及决策树的检测和分类结果。 相似文献
8.
图像之间存在光照变化、旋转、仿射变换,使得局部特征匹配后,误匹配无法避免.在正确匹配过半的前提下,提出一种简化的误匹配去除算法FastRanDSac,用于在极短时间内解决图像匹配对之间误匹配点的问题.初步实验表明,在平移、旋转、尺度缩放、视角以及光照变化的图像中,FastRanDSac能保存近100%的正确匹配对,而运行速度与RANSAC相比有大幅度的提高. 相似文献
9.
开发一种光伏阵列状态监测和故障定位系统,该系统将连续采集、 间歇采集、 自动定时采集、 故障检测定位等功能集成到统一的Matlab平台. 提出一种“阈值法-Hampel辨识法”相结合的光伏阵列离群值检测算法,该算法通过比较不同光伏组串瞬时电流进行异常检测实现故障定位. 基于实验室光伏并网发电平台上的故障模拟,重点研究了线线故障和失配故障条件下的故障检测与定位. 实验结果表明:该系统能够自动定时采集光伏电气特性数据并快速、 准确地判断是否发生故障及实现故障组串定位,具有良好的应用前景. 相似文献
10.
针对光伏组件热斑若未及时发现处理,会严重影响光伏组件及阵列正常运行的问题,为了有效检测光伏阵列热斑,提出一种基于YOLOv5框架的深度学习热斑检测方法.首先,采用像素加权平均法融合红外和可见光图像作为检测对象,实现同时对光伏组件热斑和遮挡物的检测,并初步分析热斑成因.其次,改进模型框架,在轻量级网络MobileNetV3-large的基础上,融合坐标注意力机制,设计更轻量、更高效的MobileNetCA作为特征提取网络.然后,针对训练中正负样本数量极不平衡的情况,更换损失函数为变焦距损失函数,达到训练中突出正例的效果.同时,改进模型anchor box目标框生成算法,使生成的目标框与实际标注框更一致.实验结果表明,改进后的模型mAP为88.9%,较原YOLOv5s模型提升了3.8%,且模型参数量仅为原模型的48.6%. 相似文献