检索结果-南通市图书馆

在煤炭开采过程中,时常伴随矿井水害的发生,快速对矿井水源种类进行分析,提前做出开采决策和应对方案,可以降低水害发生的风险和减少经济的损失。基于此,本文设计了一套基于树莓派开发板和激光诱导荧光(Laser-induced fluorescence,LIF)技术的矿井水源快速识别系统。该系统利用树莓派作为处理核心,结合深度学习和LIF技术,搭建整体水源识别系统。本文首先介绍矿井水源的分类以及识别指标,之后介绍了LIF技术原理和水源识别系统搭建,利用光谱采集系统获取实验水样的荧光光谱数据,使用平滑滤波(Savitzky-Golay filter,SG)和正则化(Normalize)两种预处理算法降低原始光谱数据噪声干扰,提高光谱数据的信噪比,之后使用主成分分析(Principal Component Analysis,PCA)和线性判别分析((Linear Discriminant Analysis,LDA)将原始光谱数据和经过预处理的光谱数据降维至3维,选取聚类效果较好的三组数据,经划分数据集后用来训练长短期记忆(Long Short-Term Memory,LSTM)神经网络水源识别模型,利用遗传算法(Genetic Algorithm,GA)和蜉蝣算法(Mayfly Algorithm,MA)优化水源识别模型,共搭建9种水源识别模型,通过对比测试集预测情况和多种模型评价指标评判识别模型的优劣,各模型对比情况如下:(1)测试集预测情况:未经优化LSTM水源识别模型预测结果最差,经过MA优化后的识别模型预测结果均接近真实值,优化效果明显优于GA;Original-PCA、Normalize-PCA、SG-LDA比较原始LSTM识别模型的预测值,SG-LDA处理后的光谱数据预测结果更接近真实值,更适合用于训练水源识别模型。(2)多分类模型混淆矩阵:SG-LDA搭建的LSTM水源识别模型,分类识别情况最佳,准确率最高,Precision、Recall、F1-score三项指标均为1.00;Normalize-PCA搭建的LSTM水源识别模型未经MA优化时,分类效果最差,存在2个误判,Precision、Recall、F1-score三项指标均为0.97;PCA-Original搭建的水源识别模型在未经优化时,存在一个误判,Precision、Recall、F1-score三项指标均为0.99。(3)准确率变化趋势:经过MA优化后的LSTM水源识别模型在更短的迭代次数下,准确率达到1.00,GA对模型有一定的优化效果;SG-LDA处理后的光谱数据更适合用来搭建LSTM水源识别模型,在MA优化后,在最短的迭代次数下使得模型准确率达到最佳。(4)损失函数变化趋势:经过MA优化后的水源识别模型的损失函数更快收敛,模型趋于稳定,SG-LDA处理的光谱数据搭建的LSTM水源识别模型相较于PCA-Original、Normalize-PCA损失函数更快趋于稳定且收敛。选取性能最优的SG-LDA-LSTM-MA水源识别模型,通过模型迁移方法,构建Tensor Flow Lite迁移环境,将模型迁移至树莓派4B开发板中,在连接系统各模块后,使用上位机控制树莓派与光谱仪之间的通信,获取水样荧光光谱数据,通过嵌入的水源识别模型进行分析,最后在LCD上显示水样类型和光谱分析,实现硬件设备的整体搭建。经过待测水样实际检测识别结果可以得出,本文设计的矿井水源识别系统具有一定的可行性。图39;表2;参考文献78

关键词：矿井水源激光诱导荧光 LSTM 蜉蝣算法树莓派

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于LIF技术与优化BP神经网络的变压器故障诊断研究

基于LIF技术与优化BP神经网络的变压器故障诊断研究

引用

作者：尚松行安徽理工大学

学位级别：硕士

变压器在电力系统运行中扮演着至关重要的作用,其工作状态的好坏直接影响电力网络的安全与稳定,所以针对变压器故障类型的诊断研究可以科学合理的评估变压器的工作状态,并及时发现潜伏性隐患。传统方法检测如油中溶解气体分析法和三比... 详细信息

变压器在电力系统运行中扮演着至关重要的作用,其工作状态的好坏直接影响电力网络的安全与稳定,所以针对变压器故障类型的诊断研究可以科学合理的评估变压器的工作状态,并及时发现潜伏性隐患。传统方法检测如油中溶解气体分析法和三比值法等,不适宜构建在线式检测系统,并且检测参数较少,精确度低,针对此类问题,本论文提出使用激光诱导荧光技术(Laser Induced Fluorescence,LIF)结合神经网络应用于变压器的故障诊断,并以此对变压器故障类型做出准确评估。本文首先介绍了变压器故障的类型及常用检测手段,其次介绍了 LIF技术的应用基础及工作原理,然后构建了 LIF技术的实验装置并获取实验样本光谱数据。本次实验采用了多元散射矫正(Multiple Scattering Correction,MSC)、标准正态变量变换(Standard Normal Variate Transform,SNV)的预处理方法削弱原始荧光数据样本的基线漂移,提高数据信噪比,使用主成分分析法(Principal Component Analysis,PCA)降低计算量并提取样本的数据特征。建立BP、PSO-BP、IPSO-BP以及SSA-BP分类模型,获取模型针对变压器故障类型的分类结果,通过评估参数筛选出针对变压器故障油分类的最佳模型。各模型的输出结果以及评价参数总结如下:(1)在BP神经网络分类模型中,以变压器油的光谱故障特征数据作为网络的输入,故障油的种类编号作为网络的输出,故选择拓扑结构为3-13-1,模型分类效果最好的是MSC-BP分类模型,其具体的评价指标参数为R2=0.993,平均相对误差MRE=0.0424,均方根误差RMSE=0.0098。(2)在PSO-BP模型中根据个体极值和群体极值的速度和位置更新对权值和阈值进行优化处理。其中分类效果最好的是MSC-PSO-BP模型,评价指标为R2=1,MRE=0.0015,RMSE=3*10-5。(3)为了避免PSO-BP模型陷入局部最优的问题,利用改进的粒子群优化算法对原始模型添加变异因子,增加粒子的搜索范围。MSC-IPSO-BP的分类效果达到最佳,其评价指标R2=1,MRE=5*10-5,RMSE=1*10-9。(4)在SSA-BP模型中将粒子看作麻雀中的加入者和发现者,根据二者的位置更新确定最优值。模型中表现最好的是MSC-SSA-BP,其评价指标R2=1,MRE=7*10-7,RMSE=1*10-11。因此在对变压器故障油的分类模型中,精确度最高的是MSC-SSA-BP,其分类误差无限接近于0。该模型具有良好的收敛性能,能在最大程度上减少数据计算时间,相比于其他分类模型在求解最优点问题上其具有独特的优势,可以实现对变压器故障类型的准确分类。图[41]表[6]参[62]

关键词：变压器故障激光诱导荧光技术人工智能算法预处理 BP神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于激光诱导荧光技术的变压器故障诊断研究

基于激光诱导荧光技术的变压器故障诊断研究

引用

作者：张超银安徽理工大学

学位级别：硕士

在整个输配电网络中,变压器起到升、降电压、转递电能的作用,其安全运行关系着人民群众日常的生活以及工厂企业的正常运转。因此,需要定期对变压器进行故障诊断,保障电力设备的正常运行。传统检测方法如特征气体百分比法和三比值法等,... 详细信息

在整个输配电网络中,变压器起到升、降电压、转递电能的作用,其安全运行关系着人民群众日常的生活以及工厂企业的正常运转。因此,需要定期对变压器进行故障诊断,保障电力设备的正常运行。传统检测方法如特征气体百分比法和三比值法等,不仅存在操作比较复杂、不适合在线检测,而且在实际检测中会出现一些难以对应的编码组合,导致变压器故障诊断类型无法判断,针对此类问题,本论文提出一种激光诱导荧光技术(Laser Induced Fluorescence,LIF),结合改进的头脑风暴(DMBSO)优化ELM算法识别变压器故障诊断类型。本文首先介绍变压器检测、诊断的常用方法,其次介绍LIF技术的工作原理及实验,对获取到的实验数据采用规范化(Normalize)和多元散射校正(Multiple Scattering Correction,MSC)两种预处理方式,防止仪器的噪声、外界光线的介入等影响。由于光谱数据量大,使用偏最小二乘法(Partial Least Squares,PLS)降低数据的维度,增加数据处理的速度。对降维后的数据建立ELM、PSO-ELM、BSOELM和DMBSO-ELM预测模型,通过输出模型性能指标对比,把最优预测模型移植到单片机STM32F407ZG中。输出模型的性能指标总结如下:(1)对比ELM和PSO-ELM模型,可以发现经PSO优化的ELM神经网络预测模型明显好于单纯ELM模型。MSC-PLS-PSO-ELM预测模型效果最佳,拟合优度(R)达到0.99991,比Original-PLS-ELM模型高0.067。(2)为了与PSO-ELM模型作比较,引用BSO算法优化ELM神经网络,其最好的模型为MSC-PLS-BSO-ELM,拟合优度(R)等于1,平均绝对误差MAE为2.56E-11,均方误差MSE是2.24E-20。(3)原始BSO采用高斯变异系数,会随迭代次数增加始终保持由高到低的变化趋势,变异系数没有考虑种群自身状况,该算法就不能很好的捕捉搜索特征。因此,本文采用差分变异头脑风暴算法(DMBSO)更新个体,替换原有的高斯变异。与原始BSO算法作比较可以发现:同MSC预处理情况下,DMBSO-ELM模型运行时间比BSO-ELM模型小0.3s;MSC-PLS-DMBSO-ELM模型的均方误差最小,为3.2047E-31。(4)为了实现在线式测量,把训练好的神经网络最佳模型移植到单片机STM32F407ZG上,可以准确的预测故障类型,并能实现移动式检测。在对变压器故障油的预测模型中,MSC-PLS-DMBSO-ELM模型预测效果最佳,移植到单片机中,可以准确预测故障类型,对移动式检测变压器故障诊断类型具有一定的可靠性。图[47]表[4]参[71]

关键词：激光诱导荧光技术变压器油预处理优化算法 ELM神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：