摘要:随着航空装备轻量化与智能化转型的加速推进，传统依赖定期检修的被动维护模式已难以满足高可靠性与实时安全评估的迫切需求。在长期服役过程中，机身、机翼等关键结构承受多轴交变载荷、疲劳累积、环境腐蚀及动态冲击等复杂耦合效应，极易引发隐性损伤的渐进式扩展，亟需依托在线载荷监测技术实现损伤演化机理的精准表征与空间定位。光纤光栅传感技术凭借其抗电磁干扰、高灵敏度及长期稳定性等核心优势，成为突破传统电学传感器性能瓶颈的关键传感手段，正逐步从实验室研究向工程化应用演进。然而，该技术在实际部署中仍面临一系列技术挑战，限制了其在飞机结构载荷监测中的广泛应用，亟待探讨解决方法。为此，以光纤光栅技术在飞机结构载荷监测中的研究和应用为主线，系统梳理了飞机结构载荷监测技术的需求背景与发展现状，综述了国内外在飞机结构载荷的典型应用案例，讨论了飞机结构光纤光栅载荷监测的关键技术问题和未来发展趋势。

摘要:室内定位在全球导航卫星系统无法到达的传感器网络中实现基于位置的服务方面起着至关重要的作用。在无线定位系统中，基于无线指纹的定位方法只需要将待定位的设备的信号与已知特征进行比较来确定位置，因其复杂度低而在室内场景中得到广泛应用。然而, 由于室内环境的复杂多变引起的衰落和多径效应问题会导致室内信号值波动, 从而降低定位精度, 目前大部分的指纹定位方法都忽略了采集指纹的时间和空间上的信息, 为了解决这些问题, 提出了一种结合深度残差网络(residual network, ResNet)和室内指纹定位的算法模型，首先，在ResNet的残差模块中引入了自注意力机制，改进了卷积神经网络只能局部提取信号特征的问题，然后再将粒子滤波和自注意力机制结合起来，针对室内信号随机波动的问题，采用粒子滤波能够更好地适应动态环境的变化，并且用自注意力机制算法来动态调整粒子权重，使得所提出的算法模型能够更好捕捉在室内的信号特征，从而提高定位精度以及鲁棒性。最后，进行了相应的实验验证，实验结果表明,SA-ResNet室内定位算法模型的平均定位误差在0.56~0.62 m波动，具有很好的稳定性。

摘要:路径规划是无人车辆实现自主导航的关键技术，决定着无人车辆能否安全高效地抵达目标点。但是，常见的路径规划算法在狭窄通道环境中存在收敛速度慢、规划耗时长以及路径质量差的问题。为此，提出一种基于双层引导采样的RRT-Connect（DLGS-RRT-Connect）算法。首先，在狭窄通道中预先构建引导路径，采用搜索式连接策略引导随机树在狭窄通道中沿引导路径拓展，从而减少无效采样，提升算法在狭窄通道内的探索效率。其次，算法引入目标偏置策略，降低采样过程中的随机性，为随机树的生长提供方向性引导，从而进一步提升路径规划的效率。最后，仿真结果表明，相较于常见的Goal_bias RRT、Informed-RRT*和RRT-Connect算法，DLGS-RRT-Connect算法在狭窄通道环境中的规划成功率分别提高了35%，60%，26%，平均规划时长分别降低了70.62%，97.65%，63.92%，路径平均长度也分别减少了14.53%，16.70%，18.84%，可以有效改善狭窄环境规划路径的平滑性和安全性。

摘要:为解决传统遗传算法面临局部最优解和迭代速度慢等问题，从多个方面对遗传算法进行了改进。首先，将传统的8方向搜索扩展为24邻域16方向，以增强全局搜索能力；引入PT(piecewise and tent)混沌映射融合策略，通过Piecewise混沌映射生成的序列作为Tent混沌映射参数，以提升种群多样性；其次，结合莱维（Levy）飞行策略避免局部停滞，并提出新的越界粒子处理策略，以防初始化种群越界；接着，设计了全新配对交换和差分扰动机制，防止优良个体丧失导致陷入局部最优；最后，提出了一种新的压力等级拆分选择机制和自适应交叉变异概率调整算子，通过调整系数解决选择压力过大问题，采用非线性指数函数调整交叉选择概率，以避免早期发散，并通过互补调整变异概率，扩大搜索空间，减少收敛震荡。实验结果表明，所提方法相比传统遗传算法及其他改进算法，显著提高了路径规划性能，路径长度分别减少5.13%和2.06%，验证了其在机器人路径规划中的优越性与实用性。

摘要:提出一种改进的快速随机树法（improved rapidly-exploring random tree，IRRT）与预测型的改进人工势场法（predicted-improved artificial potential field，P-IAPF）相融合的多机器人路径规划方法，以实现多机器人系统在复杂环境中的有效避障。首先，针对快速随机树（RRT）算法存在收敛速度慢与搜索范围具有随机性的缺点，采用目标偏向策略引导随机采样点的生成，同时将改进的人工势场法加入到双向的随机搜索树中，以快速找到全局路径。其次，针对传统的人工势场（APF）算法易陷入局部最小值且路径规划效率低问题，提出多虚拟关键点的预测型APF算法，采用道格拉斯-普克（Douglas Peucker，DP）算法寻找所规划出全局路径中的子关键点序列，通过切换关键点使多机器人来逃离局部最小值，以提高多机器人路径规划效率与平滑性。最后，通过对具有U型障碍物以及长矩形障碍物的复杂环境进行仿真实验，验证了提出的改进算法的安全性与有效性，同时具有路径规划效率高、避免多机器人碰撞等优点。

摘要:针对无线传感器网络非测距节点定位算法中，由于多跳距离和平均跳距估计方法存在仅进行简单计算而缺乏有效误差修正的缺陷，造成计算误差累积，进而导致定位精度较低的问题，提出了一种改进黑翅鸢算法-三维距离向量跳（IBKA-3DDV-Hop）定位算法。首先，为减少跳数量化误差，利用多通信半径细化节点间跳数，然后引入跳距修正因子对跳距进行误差补偿。其次，在改进黑翅鸢算法中利用最优拉丁超立方机制(OLHS)优化种群初始化，克服种群随机初始化的盲目性，并通过精英反向学习策略生成反向种群，进一步优化初始种群质量。最后在BKA的迁徙行为中融入Levy飞行策略增强算法寻优和全局搜索能力，避免算法陷入局部最优。仿真结果表明，相比传统3DDV-Hop算法、多通信半径算法、GOOSE-3DDDV-Hop算法以及WOA-3DDDV-Hop算法，所提出的IBKA-3DDV-Hop定位算法的归一化定位误差平均降低了22%、17%、11%与6%左右，有效提高了非测距节点定位算法的定位精度。

摘要:针对传统轨迹规划算法在狭长空间规划成功率低、自适应程度差等问题,提出一种基于虚拟障碍物决策的自适应两阶段轨迹规划方法。首先，通过动态规划和二次规划完成无人车辆的路径规划和速度规划；其次，提出了一种自适应聚集采样策略解决了狭长空间较难通过的问题；最后，构建了一种基于随机森林的虚拟障碍物决策模型提升了无人车辆在不同会车情况决策的合理性。在Carla（car learning to act）仿真平台的结果表明，相比于传统方法，该方法在狭窄区域的静态多障碍物避障时路径长度、路径曲率分别降低了2.4%、85.6%，规划成功率、安全性及其稳定性分别提高了约20%、20.6%和44.9%；在狭窄区域的动态多障碍物避障时路径长度、路径曲率分别降低了8.3%、76.4%，规划成功率、安全性及其稳定性分别提高了约36%、78.2%和45.3%。最后，将方法部署到实际无人车辆中，在狭长的走廊场景设置障碍物进行测试，验证了方法的有效性。

摘要:针对传统同步定位与地图构建（SLAM）算法建图过程复杂、调参难度大和泛化能力差等问题，提出了一种基于空间多尺度连续性特征提取的轮式机器人经验地图构建方法。首先，在ResNet18网络模型中添加金字塔切分注意力模块（PSA）和空洞空间卷积池化金字塔（ASPP）模块，PSA对中间层的特征进行分组处理，通过计算不同通道的注意力权重捕获多尺度信息，提高特征的表达能力，ASPP利用不同扩张率的空洞卷积和全局平均池化整合全局上下文信息，进一步强化空间多尺度连续性特征的表征；其次，利用改进的ResNet-PSA-ASPP网络，在donkey_sim仿真模拟器和机器人实际运行跑道上对采集的数据集进行深度学习训练，获取优化后的机器人转向角度预测模型；最后，利用donkey_sim仿真模拟器和机器人操作系统（ROS）分别在仿真环境和实际场景下进行模型性能测试实验。实验结果表明，提出的模型对转向角度预测的误差分别减少了38.47%、44.34%、35.51%，相比经典的ResNet18、ResNet50、VGGNet等网络模型在特征提取能力、计算效率和建图准确度上均获得显著提升。

摘要:草原风场具有风力等级较大、地表高低起伏、地面局部坑洼等特点，地面巡检机器人在不同风力等级状态下执行巡检任务时路径指标与安全性能无法兼顾，对路径规划方法提出了更高的要求。提出了一种基于地形因子的改进A*路径规划算法（terrain factors A*, TF-A*）。首先，基于草原风场的高低起伏地形与局部坑洼地形设计了坡度因子、阶跃因子，优化了代价函数与启发函数，构建了TF-A*路径规划算法。其次，考虑到草原风场环境风力等级较大，优化了不同风力等级状态时坡度因子参数与阶跃因子参数阈值，有效的提高了巡检机器人的安全性能。然后分别开展了TF-A*路径规划算法的短距离仿真测试、长距离仿真测试与实地实验测试。实验结果表明，TF-A*路径规划方法较传统A*算法在两种典型风力状态下路径长度指标分别提升了44.55%、34.82%，搜索时间指标分别提升了22.06%、23.16%，在风力等级较小时优先考虑距离指标，在风力等级较大时兼顾了距离指标与运行安全性。为草原风场非结构化不平坦地形场景的机器人巡检与路径规划提供了新的思路。

摘要:高质量的全局路径规划是无人船艇（unmanned surface vehicle, USV）自主航行的关键技术之一。针对USV复杂障碍环境下全局路径规划问题，提出一种基于多策略优化黏菌算法（multi-strategy enhanced slime mould algorithm, ME-SMA）的全局路径规划方法。ME-SMA针对黏菌算法（slime mould algorithm, SMA）存在初始种群分布不均、收敛速度慢及易陷入局部最优等问题，通过改进的Logistic混沌映射优化种群初始化，增强全局搜索能力；结合遗传算法（genetic algorithm, GA）的交叉、变异及选择策略，提升局部开发效率；引入黄金正弦策略动态调整搜索方向，避免早熟收敛。为验证ME-SMA的有效性，在9类基准测试函数上进行了测试。实验结果表明，相较于原始SMA及其他对比算法，ME-SMA展现出较好的收敛精度与稳定性。在相同复杂障碍环境下进行的仿真实验表明，ME-SMA在收敛速度、任务完成时间及航行距离等方面均有显著提升，与其余实验算法进行对比，路径长度均值平均减少1.8%，稳定性平均提升28.22%，凸显了其在USV全局路径规划应用中的高效性与工程实用价值。

摘要:针对复杂U型障碍物环境中跳点搜索算法（jump point search，JPS）路径长、拐点多和人工势场法(artificial potential field，APF)陷入U型陷阱引起的路径曲折、寻路效率低等问题,提出融合改进JPS算法和APF算法(JPS*-APF)的移动机器人路径规划算法。首先,在传统JPS算法中增加角度偏差函数并删除冗余节点,减小搜索距离和转折次数；其次,改进JPS算法的拐点作为子目标点,分段引导APF算法逃出U型陷阱,自适应生成拐角障碍物斥力或动态子目标点提高路径平滑度；然后,在目标点区域添加对称虚拟障碍物解决目标不可达、融合外部斥力和重规划策略逃出局部最优,提高寻路效率；最后,适时加入相对速度斥力保证动态避障的安全性。针对不同U/L型障碍物环境进行数值仿真,结果表明,JPS*-APF算法较IA*-APF算法平均减少了51.5%的寻路时间和7.3%的路径长度，而且JPS*-APF算法路径更平滑,能有效逃出U型陷阱并提升移动机器人的工作效率;同时通过真实环境实验测试验证了JPS*-APF算法规划的可行性。

摘要:针对双曲正余弦优化算法（SCHO）求解无人机路径协同规划问题时搜索精度差、收敛速度慢及易陷入局部最优的不足，提出基于分段引导与动态分区改进的双曲正余弦优化算法（SDSCHO）。建立了无人机飞行的三维地理模型及威胁条件，构建了综合路径长度、障碍物威胁、飞行高度和转角的路径协同规划代价模型。同时引入混沌Circle映射种群初始化、非线性震荡转换因子、分段引导与反向逃逸优化及动态边界分区辅助位置更新策略对SCHO算法进行综合改进，并利用改进算法SDSCHO求解无人机路径协同规划问题。在多项不同特征的基准函数上与7种同类算法进行寻优测试，结果证明SDSCHO算法在寻优精度和收敛性能上表现更优。最后，通过搭建不同障碍物的三维山地模型，将SDSCHO算法应用于求解无人机单路径、多路径协同规划场景，进一步证实算法处理实际优化问题上的优越性。

摘要:铁路接触网是向电力牵引车辆供电的核心设备，其状态直接影响列车运行安全。在6C系统检测接触网状态时，准确定位各类零部件的位置是首要任务。针对铁路接触网关键小零件（开口销、管套和定位器支座的螺母）因尺寸小、环境复杂导致难以精确定位的问题，提出了一种基于改进YOLOv5s的小目标检测方法。首先，将特征提取网络的C3模块与线性可变形卷积（LDConv）结合，设计出新的C3_LD模块。该模块通过可变形卷积核自适应调整感受野，有效捕捉小目标的几何形变特征，提高特征提取能力的同时降低了参数量；其次，替换原本快速空间金字塔池化（SPPF）结构设计了SPPFCSPC_group结构，通过分组卷积与多尺度空间金字塔结合，提高了网络多尺度特征表达能力；最后，将原损失函数替换为SIoU函数，通过预测框和真实框之间的空间约束来提高边界框的回归精度。消融实验和对比实验结果表明，改进后的算法在接触网小零件检测任务中实现了93.2%的平均精度均值（mAP）和93.1%的召回率，相较于原算法分别提高了1.9%和3.6%，有效缓解了接触网小零件的漏检和误检问题。

摘要:在三维人体姿态估计领域，尽管基于Transformer的方法已取得显著进展，但在处理大规模关节亲和力矩阵，尤其是动态视频序列分析时，依然面临显著的计算挑战。为此，提出一种双阶时空交叉卷积Transformer模型（dual-stage spatio-temporal convolutional transformer, DSTCFormer），旨在高效融合时空信息并提升三维姿态估计的精度与鲁棒性。通过并行时空路径设计、卷积强化注意力机制及结构驱动的位置编码技术，解决现有方法在处理长时序视频时计算效率低、时空特征建模不足的问题。在空间路径中，提出卷积位置嵌入模块，通过局部邻域卷积显式建模人体骨骼拓扑结构；在时间路径中，设计轴向特异性自注意力机制，捕捉跨帧关节运动轨迹。引入卷积多尺度注意力（convolutional multi-scale attention, CMSA）模块，结合深度可分离卷积与特征变换层，实现多尺度时空特征的交叉融合。此外，通过逐步细化关节间时空依赖关系，降低计算开销。实验表明，在Human3.6M数据集上，DSTCFormer以243帧输入取得P1协议下40.1 mm的平均关节位置误差，较PoseFormer、MixSTE和STCFormer分别降低4.1、0.8和0.4 mm；在MPI-INF-3DHP数据集上，PCK@150 mm和曲线下面积（AUC）分别达到99.1%和85.2%，较基准模型提升0.8 mm误差优势。提出的方法为三维人体姿态估计提供了高效的理论框架，并为虚拟现实、人机交互等应用奠定了技术基础。

摘要:基于数据驱动的软测量建模方法在流程工业中有着广泛的应用。流程工业中，辅助数据常常会受到异构、杂糅的噪声的污染，且工业数据中线性相关与非线性相关共存，而噪声问题和不合理的相关关系表达均会严重影响软测量模型的预测结果。在协同分摊噪声算法的基础上提出一种基于融合相关性的协同分摊噪声算法进行软测量建模。首先，采用融合了关注线性相关性的Pearson系数和关注非线性相关性的Spearman系数的融合相关性系数优化协同分摊噪声算法，使协同分摊噪声算法中数据可信度计算更合理，更符合工业数据中线性相关与非线性相关共存的情况。然后，结合卷积神经网络（convolutional neural networks，CNN）搭建软测量模型。在脱丁烷塔数据集上进行多降噪方法、多模型和多回归方法的交叉组合实验，结果表明，该优化后的降噪算法较基础的协同分摊噪声算法、小波变换降噪、降噪自编码器有着较强的降噪能力；所搭建的软测量模型有着较优的预测精度及较小的预测误差，其中决定系数（r-square，R2）指标和均方误差（mean squared error，MSE）分别为0.971 6和0.001 1。

摘要:针对现有基于 Retinex 理论的低照度图像增强方法存在的缺陷,如训练方式复杂、训练过程中光照分量和反射分量真值的获取难题,以及对于光照条件极差情况下的图像增强,往往还伴随着放大暗处噪声以及丢失图像结构细节等影响图像质量的问题。本文提出了端到端的两阶段图像增强网络,结合Retinex理论与扩散模型对低照度图像进行增强。第1阶段根据Retinex理论,重点关注提升低照度图像亮度,提出采用卷积神经网络估计三通道光照比图,与低照度图像点积得到初步的增强处理的结果;单纯的Retinex方法基本没有考虑到在点亮图像过程中藏匿于暗处的退化,将低照度图像初步提亮后,第2阶段侧重于利用扩散模型优秀的去噪能力对图像进行去噪修复,提出亮度感知扩散模型,将HSI颜色空间的亮度图作为条件,充分利用扩散模型的优势来修复初步增强过程中的退化,并由颜色校正模块来减轻扩散模型逆过程中可能出现的全局劣化,得到增强后的图像。实验结果表明,在低照度数据集上与近年来其他10种优秀的算法相比较,训练测试得到的结果在峰值信噪比与图像感知相似度指标分别为27.517和0.087,均优于进行实验的其他方法,结构相似性为0.874,取得次优值。提出的方法能很好地适应未知噪声和光照的分布,在提升图像亮度、去除图像噪声以及防止图像细节模糊等方面取得了较好的效果,能够得到更自然以及更高质量的图像增强效果。

摘要:在医疗健康领域, 冠状动脉疾病作为心脏病的一种, 对人民的生命健康造成严重威胁。但由于导致冠状动脉疾病发病的影响因素较为复杂, 且在发病初期存在隐匿性, 导致多数患者错过最佳治疗时段而无法痊愈甚至出现更悲剧的结果。为帮助人群在发病初期进行准确的诊断预测并提供相应的预防措施和治疗手段, 各类基于机器学习诊断算法被广泛应用于医疗健康领域。目前, 随着人工智能领域的快速发展, 深度学习也被逐渐应用于心脏病的诊断预测中。通过对克利夫兰心脏病数据集中的数据分布进行可视化, 通过特征选择, 揭示特定医学指标与冠状动脉疾病之间的紧密联系, 以探索关键因子对冠状动脉疾病发病的影响趋势。构建基于融合注意力与残差机制的BP神经网络的冠状动脉疾病诊断预测模型, 模型通过残差结构缓解梯度消失, 保持梯度流动的稳定性, 并通过多头注意力机制捕捉特征间的深层依赖关系, 实现特征权重的动态分配。该数据集在冠状动脉疾病诊断模型上进行训练获得97.1%的准确率。为了验证方法的有效性, 将其与现有机器学习算法进行比较评估并进行对比实验, 发现该算法在关键性能指标上均展现出更为优越的表现, 验证了其在医疗健康领域, 尤其是在心脏病诊断中的实际应用价值。

摘要:双电机驱动变桨系统是一个强耦合非线性时变系统，两台伺服电机的参数也会在运行过程中发生变化，导致系统的机理模型不准确，影响两台电机的同步控制精度。提出了一种基于改进麻雀搜索算法优化混合核极限学习机（CGSSA-HKELM）的数据驱动模型以及量子遗传算法（QGA）求解目标函数的双电机模型预测同步控制系统。首先，采用核极限学习机回归原理，建立两台电机的统一预测模型，提高预测模型的准确度、泛化能力以及学习的快速性。其次，针对核极限学习机对参数设置敏感的问题，利用改进的麻雀搜索算法优化其模型参数并进行离线训练，获得具有自适应能力的预测模型。在构建的模型预测同步控制系统中，引入量子遗传算法对目标函数进行优化求解，避免求解陷入局部最优，得到两个电机的最优控制量。最后，为了证明该方案的有效性，进行了仿真和实验验证，结果表明，设计的双电机同步控制策略与交叉耦合滑模控制策略相比，两台电机的转矩误差下降了45%，转矩脉动下降了40%，仿真和实验结果有效证明了所设计的双电机模型预测同步控制方案的合理性及有效性。

摘要:飞机蜂窝夹层复合材料板具有结构复杂、尺寸大、缺陷类型多的特点，常规超声无损检测技术存在效率低、精度差的问题。提出蜂窝夹层复材板的非线性超声兰姆波成像检测技术，将兰姆波大范围传播及缺陷的非线性响应敏感性强的优势相结合以提高蜂窝夹层复材板粘接缺陷的无损检测能力。首先，分析板中兰姆波传播特性，基于波传播的各向异性特征设计探头布置方法并定义缺陷因子；其次，设计和优化成像算法以提高蜂窝夹层复材板内部缺陷的非线性兰姆波成像效果；最后，参照空耦C扫描及金相观察分析非线性兰姆波检测图像对板中缺陷的显示能力。研究结果表明，非线性超声兰姆波检测图像与空气耦合超声C扫描图像相比具有较差的分辨率，无法显示蜂窝细节，但能够显示蜂窝夹层复材板的脱粘和弱粘接缺陷区域，并兼顾高效率的优势，其同侧收发探头布置方式提高了对检测环境的适应性，可用于在役蜂窝夹层复材板粘结缺陷的无损检测。

摘要:针对现场可编程门阵列(field-programmable gate array, FPGA)在加速卷积神经网络、图像处理算法等近似计算领域中模型不彻底、片上资源消耗较大、性能受限等问题，提出了5款近似乘法器设计方法。该方法基于查找表(LUT)的8 bit×8 bit无符号无进位链近似乘法器，通过编码LUT的INIT参数值来优化关键路径简化结构并利用压缩递归调用方法、子积重组计算方法，提出了两款适用于不同现实场景的基于LUT的8 bit×8 bit无符号近似乘法器。该方法在精度可接受的范围内与同类型乘法器相比最高可节省60%的面积、约60.76%的功耗、约25.4%的关键路径延迟(critical path delay, CPD)。同时，为了满足更加复杂的场景需要，在上述基础上将乘数位数倍增，提出了两款基于LUT的16 bit×16 bit无符号近似乘法器，与同类型乘法器相比最高可节省约41.2%的面积、约77%的功耗、约35.4%的CPD并能弥补精度下降带来的损失。此外，结合所提出的有符号数计算模块提出了一款基于LUT的16 bit×16 bit有符号近似乘法器来替代Xilinx(现ADM)的Multiplier IP核,部署至以手写数字识别为功能的卷积神经网络卷积层中并选用MNIST数据集中的手写数字图片进行测试，以精度下降3.4%的代价换取节省约32.48%的面积、约41.21%的功耗、约24.28%的CPD。实验结果表明，这些乘法器可以较好的满足FPGA加速卷积神经网络的需求并在精度与资源开销达成最优平衡。

摘要:为提高港口复杂堆场环境下多种类集装箱损伤检测的效率，提出一种基于改进Retinex的轻量化港口集装箱损伤检测方法。该方法主要包含图像预处理与轻量化目标检测两部分：在图像预处理阶段，引入并优化亮度通道分量，在对其应用多尺度Retinex处理方法时，使用双边滤波器代替传统的高斯滤波，保留原物体的边缘细节；改进值域转换函数，减少图像数据的丢失；通过色彩平衡策略计算得到色彩保护因子，与原始RGB图像每个通道的像素点相乘得到增强图像。在目标检测阶段，将改进注意力机制后的轻量级网络MobileNetv3引入到YOLOv5主干网络中，构建成目标检测网络，从而对港口集装箱图像进行验证。实验结果表明，该方法在低照度等复杂港口环境下，有助于目标检测网络提取到更丰富的特征信息，对多种集装箱损伤类型的平均检测精度提升了1.4%，达到了95.1%，模型体积仅为20.5 MB，与多种主流检测算法相比具有显著优势，能够满足港口集装箱的实际检测需求，证明了该方法的有效性。

摘要:齿轮箱是一种机械传动装置，针对齿轮箱复合故障信号非线性、不平稳导致状态识别效果不佳的问题，提出了一种基于多尺度韦伯色散熵图神经网络（WBMDEGNN）的齿轮箱复合故障诊断方法。首先，使用韦伯分布（Weibull distribution, WB）来线性化、平稳化振动信号，得到更加敏锐的齿轮箱状态信息，然后用多尺度色散熵（multi-scale dispersion entropy，MDE）提取给定序列的量化特征，并构建节点特征矩阵，其次使用K-近邻算法（k-nearest neighbor，KNN）提取节点特征的相关性，并构建边索引矩阵，将节点特征矩阵与边索引矩阵组合来构建特征图，最后将特征图输入到图神经网络（graph neural networks，GNN）模型，来进行分类识别。结果表明，通过压电式加速度传感器采集5种状态的齿轮箱数据，对采集的数据使用本文提出的WB-MDEGNN模型进行复合故障分类识别，相较于现有其他齿轮箱故障诊断方法正确率可提高6.07%~11.69%，同时通过向原始数据中添加不同信噪比的高斯白噪声和公开的数据集检验所提模型的准确度和泛化性，所提方法的复合故障诊断性能，准确度相差波动区间介于0.97%~3.38%，泛化性检验可达95%。因此，该方法在处理信号非线性、不平稳导致状态识别效果不佳的问题上具有较好的优越性，为齿轮箱的复合故障诊断提供了新的方法。

摘要:接地网作为保障电力系统安全的重要设备,其腐蚀状态检测的研究具有重大意义。电阻抗成像技术作为接地网腐蚀成像的重要方法之一,因其逆问题求解时的病态性导致重构效果偏差较大,为改善其成像质量及准确度提出了一种TV-CGAN(total variation-conditional generative adversarial Network)算法以检测其腐蚀状态。首先,建立了接地网正问题模型求解出边界电压,再用全变差正则化算法(total variation, TV)进行逆问题求解,得出初步接地网电导率分布图像。然后,利用了条件生成对抗网络算法,将TV法得出的图像进行二次成像，其生成器为引入卷积注意力模块的U-Net结构,判别器为PatchGAN卷积结构。将方法应用于接地网腐蚀状态检测中,重建后图像结构相似度结果为0.907 8,峰值信噪比值为16.935 6,其腐蚀位置判断准确率为96.35%,腐蚀程度判断误差为8.61%。结果表明该方法有效改善了逆问题求解时的病态性问题,提升了接地网腐蚀成像的质量,并提高了接地网腐蚀检测的准确度。

摘要:针对单个特征识别故障电弧时特征的阈值难以确定、且难以设置适用于不同负载的统一阈值等问题，为更准确高效地检测不同负载下的串联电弧故障，提出基于t-分布随机邻域嵌入（t-SNE）和模拟退火粒子群算法优化BP神经网络（SAPSO-BP）结合的多特征故障电弧识别方法。首先，针对故障电弧电流高频分量丰富的特点，通过提取电流频率的变异系数改进传统的变异系数特征，构造时频域特征检测故障电弧，结果表明改进后的变异系数（CV）对不同负载的平均识别准确率达到96%。其次，继续提取小波包细节分量以及能量熵等时频域特征与CV进行多特征融合，共同识别故障电弧。在融合过程中使用多种非线性降维算法对多维特征进行降维，并进行聚类可视化对比，发现使用t-SNE降维将多维特征降至三维空间对故障电弧的区分度最高。最后，将降维后的特征输入SAPSO-BP进行训练，并设计消融实验验证了提出方法的识别性能与鲁棒性。结果表明，融合算法tSNE-SAPSO-BP在不同负载上的识别性能较单个特征的识别准确率分别提升了3.2%、16.8%、27.66%、33.5%。t-SNE降维与聚类很好地处理了各特征间的非线性相关性，为融合机器学习方法识别故障电弧提供了关键特征信息。

摘要:针对光伏阵列尤其是大型光伏系统中电弧故障的检测和定位问题，从构建不同场景下的电弧故障等值电路模型出发，分析了不同位置、不同类型电弧故障下的电压电流特征差异，根据组串和母线内故障的典型故障特征，分别针对组串侧故障检测构建了融合使用组串电流均差值、特征频段能量比的综合判据，针对母线侧故障检测则使用电压均值和均差值构建检测判据，融合使用组串电流与母线电压多元信息，据此提出基于物联网思想的光伏系统直流电弧故障检测和定位策略。所提方法在实现故障检测的同时，可准确辨识故障类型并确定故障区段，且具备良好的抗干扰能力，能够有效区分阴影遮挡等非故障工况。实验结果表明，该方法相较于传统单一特征量检测方法具有明显的优越性，是利用物联网技术开展电弧故障检测的新思路。