摘要：目前基于传统方法设计的瑕疵检测算法速度较慢、检测精度低,而基于深度学习的瑕疵检测技术,也因其庞大的计算量和模型体积,导致无法在有限的设备上进行部署使用。针对以上问题,引入Vision Transformer(ViT)结构至特征提取部分,并利用一种改变卷积结构的算法(GhostNet),实现瑕疵检测网络结构的轻量化,得到网络模型Yolov5s-Ghost-ViT(YoloGT)。与原模型相比,YoloGT模型体积、计算量和参数量分别减小了42.4%、47.9%、38.8%,mAP值在VOC和NEU数据集上分别提升1.65百分点和2.9百分点。相比原算法,更适用于工业场景中钢板表面瑕疵的嵌入式实时检测系统。

摘要：乙烯-醋酸乙烯酯共聚物(EVA)基电缆屏蔽料存在与铝质导线之间剥离强度不佳的问题,为改善剥离强度并兼具良好的导电性能,本文研究了不同配方对其性能的影响。醋酸乙烯酯(VA)质量分数(18%~40%)与MAH接枝PP(PP-MAH)质量分数(0%~5%)越高,EVA屏蔽料与铝之间的剥离强度越大。在导电性方面,加入25~40份导电炭黑使得EVA屏蔽料的导电性能增加,但拉伸强度先升高后下降;而加入2、3、4份碳纳米管(CNT)在提升导电性的同时,也使电缆屏蔽料的拉伸强度下降了约26%、32%、36%。热压温度和热压压力对剥离强度的影响也非常显著,热压温度和热压压力越高,剥离强度越大。通过实验优化,确定了复合材料的最佳配方为EVA分子内VA质量百分比为23%的EVA 100份、PP-MAH 3份、导电炭黑30份、CNT 2份。最佳的压制条件为热压温度120℃,热压压力10 MPa。基于该配方制备的EVA屏蔽料兼具良好的剥离性和导电性能,能够满足实际应用需求。该研究为电缆屏蔽材料的配方设计和工艺优化提供了参考,表明通过合理调控基料与助剂的质量比、优化加工参数,可显著提升材料的综合性能,满足剥离强度和导电性能等性能指标,具有重要的实际应用意义。

摘要：针对电缆故障在诊断过程中采集的故障信号量庞大,加大了故障信号的检索难度,为提高电缆故障信号的检索能力,提出了基于机器学习的电缆故障诊断知识库设计方法。根据电缆故障点的发生位置示意图,描述了电缆故障的产生,利用电缆故障行波的传播过程,确定了电缆故障的发生位置,通过计算电缆故障信号的噪声能量阈值,将电缆故障信号的突变点信息去除,通过采集电缆故障信号的小波熵,反映出故障信号的噪声变化关系,确定了电缆故障信号的噪声能量阈值,采用机器学习建立了电缆故障诊断知识库的模糊决策矩阵,通过设计电缆故障诊断的知识库结构,对电缆故障诊断知识库进行了设计。结果表明,基于机器学习的电缆故障诊断知识库对电缆故障信号的检索精度高达93.4%,在检索效率方面具有更高的性能。

摘要：为了提高风机叶片图像的分割质量,提出了一种改进DeepLabv3+网络的风机叶片分割算法。由于无人机采集风机叶片图像具有背景复杂和叶片占比差异较大的问题,提出的算法在DeepLabv3+网络的基础上改进了ASPP模块和Decoder模块。DASPP通过级联多个空洞卷积层,使用密集连接的方式将每个空洞卷积层的输出传递给后续的空洞卷积层,通过一系列的特征连接编码不同尺度的中间特征,获得了更大范围的感受野。在Decoder阶段添加多层特征融合,以恢复在降采样过程中丢失的细节信息和各级特征。通过对风机叶片数据集进行实验,MIoU值达到了0.9913,PA值达到了0.9968,实验表明该设计的算法对风机叶片的分割效果优于DeepLabv3+网络,具有更好的细节信息。

摘要：随着城市化持续推进和国民经济的不断增长,既有输电网络逐渐呈现出无法满足用户需求的现象。为此,在电网系统建设初期就应该考虑可行的扩建方案。为了探索蚁群算法在动态输电网扩建规划中的应用,基于改进的蚁群算法,选择在动态输电网规划期内总投资最小作为数学模型的目标函数,引入惩罚因子实现动态输电网投资成本最小化规划的过程,借助MATLAB编程,就改进蚁群算法在IEEE-6节点系统电网优化规划中的应用进行了研究,取得了较好的应用效果。

摘要：为了解决传统电缆故障检测诊断方法的精度,提高电力系统的运行稳定性,提出基于不充分知识下的电缆故障检测与诊断方法。分别从电缆类型、电缆结构、电缆参数和传播特性等方面,构建电缆分布结构模型。安装电缆故障检测装置,收集电缆实时运行数据。在电缆分布结构模型下,获得电缆故障等效电路,利用不充分知识理论提取电缆故障信号特征。并通过特征匹配,实现电缆故障检测与诊断。通过与传统检测诊断方法的对比,发现设计电缆故障检测诊断方法在故障距离、类型和电阻三个方面的测试结果更加接近设置值,即故障诊断精度更高。

摘要：在电缆故障检测与诊断中,常规的诊断方法随着电缆运行时间的增加,其内部时间窗的标准差越来越高,导致该方法的可靠性越来越差。为了解决这一问题,提出基于数据驱动及无监督分析的电缆故障检测与诊断方法。通过重采样采集电缆工作原始数据,去除其直流偏移量,针对数据中含有的不同类型噪声,采用阈值法将噪声去除,采用无监督分析技术检测电缆故障,完成检测后,利用数据驱动技术构建特征参数储备池,计算原数据的特征贡献率,诊断电缆故障类型。实验结果表明,设计的基于数据驱动及无监督分析的诊断方法检测率在95%以上,误检率在0.5以下,样本数据更完整,该诊断方法的可靠性得到了提高。