LIF技术与ELM算法的电力变压器故障诊断研究

电力变压器油的检测分析是电力变压器故障诊断的有效方法,快速识别电力变压器油的油样对电力变压器故障诊断工作有重大意义。常规的电力变压器油的检测技术主要是气相色谱法,此方法操作比较复杂,且不适合在线检测,不能及时发现变压器的故障隐患。提出一种激光诱导荧光光谱（LIF）技术与极限学习机（ELM）算法的电力变压器故障诊断研究的方法。实验采集四种油样,分别为热性故障油、电性故障油、局部受潮油以及原油。使用激光发生器激发油样而发射荧光,获取不同油样光谱数据,采用MSC、SNV预处理算法对光谱数据进行处理,防止噪声等因素干扰。随后,利用KPCA和PCA降维,主成分个数皆取5,KPCA处理后显示MSC预处理的累计贡献率最高,为99%,经MSC预处理的PCA模型累计贡献率依然达到95%以上,Original-KPCA与Original-PCA模型的累计贡献率均达到65%以下,可以发现,采用预处理的模型,累计贡献率均有上升。最后,分别对两种降维后的数据利用ELM进行回归拟合。实验表明,KPCA、PCA两种降维方式,KPCA算法表现性能较好,处理数据时间更短,提高了模型的可靠性和效率。同KPCA降维方式下,MSC-ELM模型的拟合优度R2为0.999 41,均方误差MSE为0.074%;SNV-ELM拟合优度R2为0.999 08,均方误差MSE为0.129%;Original-ELM拟合优度R2为0.996 95,均方误差MSE为0.399%;对比可以发现MSC比SNV处理后的效果更好,MSC-KPCA-ELM模型表现效果最佳,预测值与真实值更为接近,均方根误差最小。结果证明,MSC-KPCA-ELM模型结合激光诱导荧光光谱技术更加适用于对电力变压器是否发生故障的快速诊断,精确判断为哪种故障类型,保障电力设备的运行安全。     

基于i PLS的矿井突水激光诱导荧光光谱特征波段筛选

矿井突水一直威胁着煤矿井下施工人员的生命安全,准确且快速识别矿井突水水源类型对于矿井的安全生产起到关键性作用。激光诱导荧光(LIF)光谱技术识别矿井突水水源,有效避免了常规的水化学法需要测定多种化学参数,水源识别时间过长的缺点。提出一种间隔偏最小二乘法(iPLS)与粒子群联合支持向量分类算法(PSO-SVC)相结合的方法,iPLS算法常应用于光谱波段优选和模型的回归分析,PSO-SVC则在机器学习领域有着重要的应用,激光诱导荧光技术具有快速的时间响应、测量精度高等特点,iPLS和PSO-SVC算法运用于光谱图和光谱数据的分析,进而可以对突水水源类型识别分类。首先,用淮南矿区采集到的7种(每种水样30组)共210组荧光光谱数据进行实验,对老空水、灰岩水、灰岩水和老空水不同体积比混合水样的激光诱导荧光光谱图的差异性进行分析。比较了留出法和Kennard-Stone样本划分方法所得到的PSO-SVC模型分类准确率,采用留出法得到的训练集水样(140组)和测试集水样(70组)作为实验样本。其次,用iPLS算法将全光谱波段依次按10～25波段区间进行等分,选取划分区间的RMSECV(交叉验证均方根误差)值小于全光谱波段RMSECV值(阈值)的波段作为特征波段,结合光谱图对比分析了划分10和14个子区间的建模结果,发现通过直接观察得到的特征波段与iPLS算法筛选出的特征波段存在误差。最后,在不进行去噪、降维等预处理条件下,根据iPLS划分不同区间数的评价指标统计数据,选取划分11个区间所筛选出具有561个波长点的410.078～478.424和545.078～674.104 nm特征波段范围数据作为PSO-SVC模型的输入,以iPLS结合PSO-SVC算法筛选出的特征波段与全光谱波段、直接观察得到波段建模准确率相比,训练集与测试集的分类准确率高达100%,PSO寻优到的最佳惩罚系数c为1.367 0,核函数参数g为0.576 2。从实验结果可以看出,利用iPLS进行荧光光谱的特征波段筛选是切实可行的,提取出的特征波段能充分反映出全光谱波段的有效信息,为激光诱导荧光光谱技术用于矿井突水水源精准在线识别的研究提供了理论依据。     

武器装备维修性验证试验方法研究

近年来,我军开始推行武器装备三级维修保障体系向两级维修保障体系转变的维修体制改革。武器装备的维修性是实施装备两级维修保障体制改革的关键,在生产定型阶段对其进行维修性验证试验很有必要。为了进一步完善维修性验证试验方法,以适应维修体制改革的需求,分别对开展武器装备维修性验证试验工作的时机、内容、方法与流程进行了概述;在分析了当前维修性验证试验方法特点的基础上,重点对维修性验证试验工作中的试验方法的选取、样本量确定及样本分配、故障模拟及注入三个关键技术及研究现状进行了总结与归纳;通过对试验关键技术的研究,分析了当前开展维修性验证试验工作存在的问题,对进一步开展维修性验证试验方法研究的内容及方向进行了展望。     

温度对矿井老空水激光诱导荧光光谱的影响

煤矿井下突水水源的快速判别对煤矿安全生产意义非常重大,激光荧光技术用于煤矿突水水源的识别打破了传统水化学方法耗时长的不足。矿井老空水是最常见也是危害最大的水源类型,而温度是影响物质特性的重要因素之一,研究激光诱导荧光检测老空水的温度特性有助于快速准确识别矿井突水水源,该研究具有重要的学术意义和实用价值。采用405 nm蓝紫光半导体激光器作为光源,设定激光器功率为120 mW,产生的激光经UV/Vis石英光纤由荧光探头照射待测水样,待测水样受激光激发产生荧光由荧光探头采集,通过石英光纤传输至光谱仪。以2017年3月在淮南市张集煤矿采集的老空水作为研究对象,首先过滤掉水样中的悬浮颗粒,随后将其放置在烧杯中,使用冰块使样品温度降低至5.0 ℃,随后放入恒温水浴锅中,使用铁架台固定荧光探头使其位于液面下1 cm处。在荧光光谱采集过程中,样品始终放置在恒温水浴锅中,通过水浴锅控制样品在10.0～60.0 ℃温度范围内获取荧光光谱,并讨论了温度变化对老空水激光诱导荧光光谱谱图、波峰位置及峰值、温度系数、谱图面积的影响。研究结果表明：随着温度升高,加速了分子运动,增加了分子间碰撞的概率,使得非辐射跃迁增加,老空水的荧光效率下降,荧光强度减弱,荧光光谱整体呈衰减变化主要集中在400～700 nm波段;老空水荧光光谱的两个波峰所对应的波长保持不变,并未随着温度变化发生漂移,两个波峰处(472和493 nm)荧光强度减弱最明显,同时荧光强度减弱与温度升高存在较好的线性关系,荧光强度和温度在472 nm处拟合相关系数r2为0.91,在493 nm处的拟合相关系数r2为0.963 36;472 nm处的温度系数在20.0 ℃时达到最小值0.34%,493 nm处的温度系数在20 ℃时达到最小值0.81%,两处的温度系数均在20.0 ℃时达到最低值即荧光光谱在20.0 ℃附近最稳定;温度升高,老空水在荧光光谱在400～700 nm波段与温度轴包围的面积逐渐减小,400～700 nm波段谱图所对应的面积与温度的拟合相关系数r2为0.975 39即面积的减小与温度的升高有良好的线性关系。通过研究矿井老空水的温度特性,矿井老空水的激光诱导荧光光谱在20 ℃最稳定,在该温度条件下采用激光诱导荧光技术进行矿井水源的识别效果最佳,同时利用老空水波峰以及面积与温度的线性关系进行温度补偿可以进一步提升利用LIF技术进行矿井突水水源识别的灵敏度和精度,该研究对实现矿井老空水的快速、准确判别具有重要意义。     

灰度夜视融合图像质量结构相似度评价方法

针对灰度夜视融合图像质量评价问题,提出利用构造的参考图像与融合图像进行结构相似度比较的客观评价方法.分别利用均值、标准差、熵、平均梯度及空间频率等全像素统计指标作为构建参考图像的构造因子,利用权重协调输入源图像在参考图像中的比例关系,获得了融合图像质量加权结构相似度评价模型.考虑到结构相似度评价模型中的结构函数对于严重模糊或失真的图像不能很好地反映图像的结构变化,进一步提出了梯度结构相似度评价模型和平均联合熵结构相似度评价模型.利用主观评价实验比较提出的三种基于结构相似度的融合图像质量评价模型发现,平均联合熵结构相似度评价模型有更好的稳定性且更接近人眼主观感受.     

KNN结合PCA在激光诱导荧光光谱识别矿井突水中的应用

矿井突水的迅速识别与分类对于井下水灾防治工作有着重要的意义。提出一种KNN结合PCA运用在激光诱导荧光光谱快速识别矿井突水水源中的新方法。利用激光器发射激光通过可浸入式探头射入水样,得到四种突水水样共80组荧光光谱数据,再分别对每组数据进行预处理,处理后的数据中每种水样取15组数据作为训练集,共60组,其余20组作为预测集。利用主成分分析(PCA)对数据进行处理,之后在主成分分析的基础上利用KNN算法进行分类识别。实验过程中,各预处理方法在主成分个数为2的情况下,进行KNN算法分类的正确率都达到100%。     

基于FCM的煤矿突水激光诱导荧光光谱分析

快速识别煤矿突水水源类型对于矿井水害防治意义非凡。鉴于传统水化学方法水源识别耗时较长等诸多不足,提出了将模糊C均值聚类(FCM)算法和多维标度分析(MDS)用于激光诱导荧光光谱识别煤矿突水水源这一新思路。由于FCM算法在光谱分析和模式识别等方面都有着成功的应用,况且激光光谱具有时间响应快、灵敏度高、干扰小等优点,通过实时采集水样的荧光光谱数据,利用FCM和MDS对光谱数据分析后就可以辨别水样类型。以华东地区某矿的老空水和奥灰水以及按比例混合得到水样共7种(每种水样各20个样本)为实验材料,利用405 nm激光打入被测水体,一共采集了140组荧光光谱数据,随后选择合适的波长区间进行分析。取每种水样各15组共105组光谱数据用作训练集,其余35组光谱数据用作测试集。使用MDS建立七种不同水样的模型,再利用FCM算法进行聚类分析得到七种水样的簇中心,最后使用得到的簇中心对测试集进行验证。实验结果表明,不同水样的光谱图有着较大差异,选取合适的波长区间下的光谱数据,在MDS下选择维度为2,利用FCM算法对水样进行分类,全部140组样本的准确率是100%。     

LIF结合LSTM神经网络的矿井水源识别

矿井水害对煤矿安全生产存在巨大威胁,所以快速识别矿井突水水源,对煤矿水灾预警及灾后救援工作开展都有重大意义。激光诱导荧光（LIF）技术具有快速、高效、灵敏度高等特点,克服了传统水化学方法识别时间长的缺点。循环神经网络（RNN）在解决长序列训练过程中产生的梯度消失、梯度爆炸等问题上存在明显不足,而特殊变体RNN即长短期记忆（LSTM）神经网络很好地弥补了RNN的短板及缺陷。提出了将LIF技术与LSTM算法相结合,应用在矿井突水水源快速识别中。实验样本采自淮南矿区,以砂岩水和老空水为原始样本,并将砂岩水和老空水按照不同比例混合配置成5种混合水样,共7种待测水样进行实验。首先采用最大最小值归一化（MinMaxScaler）、平滑滤波（SG）以及标准正态变量变换（SNV）三种预处理方法对原始光谱数据进行预处理,减少原始光谱数据存在的噪声和干扰信息。之后为防止数据量过大,维度过高,将包括原始光谱数据在内的四组数据再进行LDA降维至3维。最后分别搭建LSTM识别模型,从测试集预测准确率、训练集准确率变化趋势以及训练集损失函数变化趋势三个方面进行比较,选择最优模型。其中SG+LDA+LSTM和Original+LDA+LSTM在测试集预测准确率上都能达到100%,MinMaxScaler+LDA+LSTM测试集预测准确率在98.57%,SNV+LDA+LSTM准确率最低,只有87.14%;在训练集准确率变化趋势表现上,SG+LDA+LSTM能够保持良好的学习,很快达到100%,Original+LDA+LSTM和MinMaxScaler+LDA+LSTM也能达到100%的准确率,但在前几次训练过程中会有准确率下降的情况出现,SNV+LDA+LSTM训练集准确率在训练次数内并未达到100%;SG+LDA+LSTM损失函数变化趋势也具有很好的收敛性和稳定性,Original+LDA+LSTM,MinMaxScaler+LDA+LSTM以及SNV+LDA+LSTM在损失函数变化趋势上表现并不出色。结果表明,4组模型中,SG+LDA+LSTM模型是最适合应用于矿井突水识别,该方法补充了矿井突水水源识别工作的内容,为矿井突水识别提供了新的思路。     

PCA-BP模型在判别基于LIF技术煤矿突水水源的应用

防治煤矿突水时需迅速精准地判别突水水源,激光诱导荧光(LIF)光谱技术具有灵敏度高、快速准确监测特点,为检测突水水源提供了一种新的方法。该研究引入该技术以获取突水荧光光谱数据。采用卷积(SG)平滑和多元散射校正(MSC)方法对光谱图进行预处理,以消除光谱采集过程中噪声干扰。采用主成分分析(PCA)方法提取特征信息,针对SG预处理后的数据,当主成分个数为3时,累积贡献率可达到99.76%,已基本保留原数据的全信息。选择3层结构BP神经网络建立分类判别模型,通过不同方式构造训练集和测试集,SG预处理数据构建的分类模型可以达到精准判别,而对于MSC预处理和原始数据出现很少的误判。实验结果表明SG预处理结果要优于MSC预处理。研究结果表明,将PCA和BP神经网络结合建立分类模型,能有效判别煤矿突水水源,且具有较强的自组织、自学习能力。     

LIF技术与SIMCA算法在煤矿突水水源识别中的研究

煤矿突水水源类型的快速识别对于煤矿水害预警防治意义重大。针对传统水化学方法水源识别耗时较长的问题,提出一种基于激光诱导荧光光谱(LIF)技术与簇类的独立软模式(SIMCA)算法的煤矿突水水源快速识别方法。激光诱导荧光光谱技术具有分析速度快、灵敏度高等特点,在激光器的辅助下,荧光光谱仪实时采集荧光光谱,根据水样的荧光光谱即可进行水源类型识别,在数据库完备的情况下,只需几秒即可进行煤矿水源判断,对于煤矿的水害预警以及灾后救援来说意义重大。实验利用405 nm激光器发射激光,打入被测水体,得到五种常见突水水样的共100组荧光光谱,对各水样的荧光光谱进行光谱预处理。每种水样使用15组共75组荧光光谱作为预测集,剩余的25组水样的荧光光谱作为测试集。利用主成分分析(PCA)分别对五种水样进行建模,而后依据所建模型进行SIMCA分类。实验发现不同水样的荧光光谱差异明显,经过Gaussian-Filter预处理后的荧光光谱,在主成分数为2,显著性程度α＝5%的情况下,利用SIMCA算法进行水样分类,预测集和测试集的正确率皆为100%。