变压器绝缘油以链烷烃(C n H 2 n+2)为主要化学成分,在变压器长期运行过程中因电弧、放电、过热、受潮等原因导致化学键逐步发生断裂,产生与故障有关的故障判别气体(CH_(4),C_(2)H 2,C_(2)H_(4),C_(2)H 6,CO和CO_(2)),因此变压器绝缘油...变压器绝缘油以链烷烃(C n H 2 n+2)为主要化学成分,在变压器长期运行过程中因电弧、放电、过热、受潮等原因导致化学键逐步发生断裂,产生与故障有关的故障判别气体(CH_(4),C_(2)H 2,C_(2)H_(4),C_(2)H 6,CO和CO_(2)),因此变压器绝缘油中会溶解多组分气体,故需要一种多组分气体的在线检测装置,以保证变压器的正常运行。针对电力行业装配需求,研制基于可调谐激光吸收光谱法(TDLAS)多组分气体的在线检测装置。针对6种故障特征气体的近红外吸收波段,分别选取1580,1654,1626和1530 nm四个近红外激光器,使用分时扫描的时分多路技术,实现对多组分气体的分时快速顺序检测并采用波长调制技术,消除背景气体的交叉干扰。主要检测气体为绝缘油化学键断裂所产生的烃类化合物(CH_(4),C_(2)H 2,C_(2)H_(4)和C_(2)H 6)和碳氧化合物(CO和CO_(2))。在线检测,与变压器油气象色谱测量方法进行对比实验,并对其进行工况稳定性测试。实验结果表明:乙炔浓度测量范围为0.5~1000μL·L^(-1),范围小于5μL·L^(-1)时最大测量误差小于0.8,5~1000μL·L^(-1)时最大误差在6μL·L^(-1)以下;甲烷、乙烷、乙烯的浓度测量范围为0.5~1000μL·L^(-1),最大测量误差小于6μL·L^(-1);碳氧化合物(CO和CO_(2))测量范围分别为25~5000,25~15000μL·L^(-1),最大测量误差分别在2与20μL·L^(-1)以下。所设计的近红外TDLAS多组分气体检测装置能够用于变压器油中溶解气体的在线检测,测量的气体浓度满足在线检测要求,能够稳定运行且适应恶劣工况条件,为检测变压器油中溶解气体在线测量提供了有效的实践经验。展开更多
高光谱图像以其高分辨率的空间和光谱信息在军事、航空航天及民用等遥感领域均有重要应用,具有重要的研究意义。深度学习具有学习能力强、覆盖范围广及可移植性强的优势,成为目前高精度高光谱图像分类技术研究的热点。其中卷积神经网络(...高光谱图像以其高分辨率的空间和光谱信息在军事、航空航天及民用等遥感领域均有重要应用,具有重要的研究意义。深度学习具有学习能力强、覆盖范围广及可移植性强的优势,成为目前高精度高光谱图像分类技术研究的热点。其中卷积神经网络(CNN)因强大的特征提取能力广泛应用于高光谱图像分类方法研究中,取得了有效的研究成果,但该类方法通常单独基于2D-CNN或3D-CNN进行,针对高光谱图像的单一特征,一是不能充分利用高光谱数据本身完整的特征信息;二是虽然相应提取网络局部特征优化性好,但是整体泛化能力不足,在深度挖掘HSI的空间和光谱信息方面存在局限性。鉴于此,提出了基于注意力机制的混合卷积神经网络模型(HybridSN_AM),使用主成分分析法对高光谱图像进行降维,采用卷积神经网络作为分类模型的主体,通过注意力机制筛选出更有区分度的特征,使模型能够提取到更精确、更核心的空间-光谱信息,实现高光谱图像的高精度分类。对Indian Pines(IP)、University of Pavia(UP)和Salinas(SA)三个数据集进行了应用实验,结果表明,基于该模型的目标图像总体分类精度、平均分类精度和Kappa系数均高于98.14%、97.17%、97.87%。与常规HybridSN模型对比表明,HybridSN_AM模型在三个数据集上的分类精度分别提升了0.89%、0.07%和0.73%。有效解决了高光谱图像空间-光谱特征提取与融合的难题,提高HSI分类的精度,具有较强的泛化能力,充分验证了注意力机制结合混合卷积神经网络在高光谱图像分类中的有效性和可行性,对高光谱图像分类技术的发展及应用具有重要的科学价值。展开更多
文摘变压器绝缘油以链烷烃(C n H 2 n+2)为主要化学成分,在变压器长期运行过程中因电弧、放电、过热、受潮等原因导致化学键逐步发生断裂,产生与故障有关的故障判别气体(CH_(4),C_(2)H 2,C_(2)H_(4),C_(2)H 6,CO和CO_(2)),因此变压器绝缘油中会溶解多组分气体,故需要一种多组分气体的在线检测装置,以保证变压器的正常运行。针对电力行业装配需求,研制基于可调谐激光吸收光谱法(TDLAS)多组分气体的在线检测装置。针对6种故障特征气体的近红外吸收波段,分别选取1580,1654,1626和1530 nm四个近红外激光器,使用分时扫描的时分多路技术,实现对多组分气体的分时快速顺序检测并采用波长调制技术,消除背景气体的交叉干扰。主要检测气体为绝缘油化学键断裂所产生的烃类化合物(CH_(4),C_(2)H 2,C_(2)H_(4)和C_(2)H 6)和碳氧化合物(CO和CO_(2))。在线检测,与变压器油气象色谱测量方法进行对比实验,并对其进行工况稳定性测试。实验结果表明:乙炔浓度测量范围为0.5~1000μL·L^(-1),范围小于5μL·L^(-1)时最大测量误差小于0.8,5~1000μL·L^(-1)时最大误差在6μL·L^(-1)以下;甲烷、乙烷、乙烯的浓度测量范围为0.5~1000μL·L^(-1),最大测量误差小于6μL·L^(-1);碳氧化合物(CO和CO_(2))测量范围分别为25~5000,25~15000μL·L^(-1),最大测量误差分别在2与20μL·L^(-1)以下。所设计的近红外TDLAS多组分气体检测装置能够用于变压器油中溶解气体的在线检测,测量的气体浓度满足在线检测要求,能够稳定运行且适应恶劣工况条件,为检测变压器油中溶解气体在线测量提供了有效的实践经验。
文摘高光谱图像以其高分辨率的空间和光谱信息在军事、航空航天及民用等遥感领域均有重要应用,具有重要的研究意义。深度学习具有学习能力强、覆盖范围广及可移植性强的优势,成为目前高精度高光谱图像分类技术研究的热点。其中卷积神经网络(CNN)因强大的特征提取能力广泛应用于高光谱图像分类方法研究中,取得了有效的研究成果,但该类方法通常单独基于2D-CNN或3D-CNN进行,针对高光谱图像的单一特征,一是不能充分利用高光谱数据本身完整的特征信息;二是虽然相应提取网络局部特征优化性好,但是整体泛化能力不足,在深度挖掘HSI的空间和光谱信息方面存在局限性。鉴于此,提出了基于注意力机制的混合卷积神经网络模型(HybridSN_AM),使用主成分分析法对高光谱图像进行降维,采用卷积神经网络作为分类模型的主体,通过注意力机制筛选出更有区分度的特征,使模型能够提取到更精确、更核心的空间-光谱信息,实现高光谱图像的高精度分类。对Indian Pines(IP)、University of Pavia(UP)和Salinas(SA)三个数据集进行了应用实验,结果表明,基于该模型的目标图像总体分类精度、平均分类精度和Kappa系数均高于98.14%、97.17%、97.87%。与常规HybridSN模型对比表明,HybridSN_AM模型在三个数据集上的分类精度分别提升了0.89%、0.07%和0.73%。有效解决了高光谱图像空间-光谱特征提取与融合的难题,提高HSI分类的精度,具有较强的泛化能力,充分验证了注意力机制结合混合卷积神经网络在高光谱图像分类中的有效性和可行性,对高光谱图像分类技术的发展及应用具有重要的科学价值。
