关键词： 风机叶片   损伤识别   健康状态评估   数据处理   深度学习  

摘要： 风机叶片作为整个风力发电机系统的关键组成部分，其体型巨大、运行环境恶劣，加上风机安装位置偏远，导致叶片易发生故障且维修困难，直接影响风机正常运行。为了实时了解风机叶片的运行状态以便能提早展开预防性维修并制定运维策略，叶片的损伤识别与健康评估技术就显得尤为重要。　　本文首先论述了风机叶片的基本结构，讨论了叶片的损伤理论，对叶片材料和叶片振动理论进行了分析;同时，建立了风机叶片结构的有限元模型，通过模态分析得到叶片的固有频率和模态振型。在此基础上对叶片损伤状态进行分析，探讨了叶片损伤类型及其损伤原因。　　然后，通过光纤监测法对风机叶片应变数据进行采集，并对数据进行预处理。对预处理后的应变数据进行傅里叶变换，分析叶片损伤后的频率特征。针对传统方法单一性、误判性高的问题，本文提出了光纤监测法和模态分析法相结合的叶片损伤识别方法。该方法通过对比频域分析得到的叶片振动频率与模态分析结果，有效判断叶片是否发生共振，并将叶片前四阶振动频率的下降作为叶片损伤的重要指标;针对叶片损伤严重程度难以准确判断的问题，本文构建了一种深度残差收缩网络模型，结合深度残差网络、软阈值函数和注意力模块，提取带噪声的一维应变时序数据特征，来识别风机叶片的损伤程度。研究表明，将光纤监测法和模态分析法结合使用，对叶片损伤进行综合分析是一种可靠且高效的方法，误判性低;在深度残差网络模型中使用软阈值函数和注意力模块能够有效去除应变信号中的噪声，充分利用叶片损伤的特征信息，实现对叶片损伤程度的自动识别和分类，预测准确率可达98.58%，且识别效率高。　　最后，针对风机叶片健康状态评估时人工选择参数困难问题，本文通过Pearson相关系数和最大信息系数分析各参数间的相关性及冗余性，准确地从SCADA系统中提取出与风机叶片相关性高的状态参数。进而，利用风机在正常工况下的数据构建基于高斯混合模型(GMM)的健康基准模型，并通过马氏距离设定健康衰退指标。研究结果显示，所构建的模型能够准确评估风机叶片的健康状态，有效实现了叶片早期损伤的预警。

摘要： 项目概况进入21世纪后,由于国内外市场对能源需求量的增加,人们对地震勘探提出了更高的要求。地震勘探开始进入以往被认为禁区的复杂地表区域,如山地、黄土源以及冻土带。在该类地区地震资料处理的最大问题是静校正问题,常规的方法难以解决。PSGSEIS地震勘探数据处理与成像系统可以大大提高地震数据成像的质量,从而提高解释精度和准确度,并显著提高井位部署成功率,这使其对常规二维/三维地震数据处理解释技术产生了不可逆转的替代性。

关键词： 无线传感器网络   多分辨分析   节点定位   图滤波器组   分布式算法   计算复杂度   可扩展性  

摘要： 无线传感器网络(Wireless Sensor Network,WSN)是二十一世纪重要的空间信息感知技术,广泛应用于军事侦察、环境监测、智能交通、农业控制、医疗健康和灾害预警等领域。在WSN中,传感器节点感知到的数据通常具有多个物理意义的分量。多分辨分析能够将数据按照不同分辨率分解,从而可以单独分析和处理各个分量,提取有价值的信息。同时,获取网络节点位置作为空间参考框架,有助于获取有意义的数据信息。因此,多分辨分析和节点定位是WSN数据处理中的两个关键问题。 目前,在图信号处理(Graph Signal Processing,GSP)的框架下,研究者们提出了各种数据处理算法,主要分为集中式和分布式算法。集中式算法的计算复杂度较高,无法应用于大规模WSN。分布式算法计算复杂度较低,并且具有良好的可扩展性。然而,现有的分布式算法大多采用局部运算、局部交互的方式来求解数据处理问题,因此数据处理性能不佳。为此,本文提出了两种新的分布式算法用于对WSN中的数据进行处理。具体研究内容如下: (1)针对大规模网络数据多分辨分析存在计算复杂度高的问题,本文提出了一种基于图滤波器组的分布式数据多分辨分析方法。在滤波器组的构造中,首先设计了两种不同形式的分析滤波器组,包括多项式和节点变(Node Variant,NV)形式。其次,将综合过程归结为一个凸优化问题。然后,提出了一种分布式共轭梯度(Distributed Conjugate Gradient,DCG)算法求解该优化问题。该算法将WSN的全局图分解为一系列以每个节点为中心的重叠子图,在子图内仅使用来自邻居节点的数据计算局部步长和局部共轭参数,接着通过数据融合策略形成全局步长和全局共轭参数,并执行共轭梯度迭代。实验结果表明,所设计的图滤波器组具有良好的频率选择特性和完全重构特性,且综合过程的实现复杂度较低,适用于对大规模WSN的数据进行多分辨分析。 (2)针对大规模网络节点定位存在计算复杂度高、可扩展性差的问题,本文提出了一种基于分布式谱共轭梯度法(Distributed Spectral Conjugate Gradient,DSCG)的网络节点定位方法。该方法首先根据网络节点分布特征,将WSN建模为一个稀疏无向图。其次,将网络节点定位问题归结为图上的非凸优化问题。然后,提出了一种DSCG算法求解该优化问题。该算法将WSN的全局图分解为一系列以锚节点为中心的重叠子图,在子图内仅使用来自邻居节点的数据计算局部梯度向量、局部Hessian矩阵和局部步长,接着采用最小值策略形成全局梯度向量和全局步长向量,并参与谱共轭梯度迭代。实验结果表明,所提出的DSCG算法计算复杂度较低,在保持较高定位精度的同时提高了可扩展性,适用于大规模WSN的节点定位。

关键词： 可控源电磁法   广域电磁法   聚类分析   噪声   数据处理  

摘要： 可控源电磁法(Controlled Source Electromagnetic Method,CSEM)是电磁法的一种,与大地电磁法(Magnetotelluric Method,MT)相比,可控源电磁法采用人工场源,克服了大地电磁法场源随机性的缺点,具有信号极化方向明确、信噪比高的优点。然而,可控源信号强度随着发收距的增大迅速衰减,远区数据信噪比与观测质量仍受噪声制约。在强干扰区,噪声会造成电磁响应数据的严重畸变,显著降低观测质量,影响勘探效果。 为提高可控源电磁法数据处理的质量与精度,本文提出并验证了基于聚类分析的可控源电磁法数据处理技术,探讨了该方法的可行性、有效性与适用条件。首先,分析了可控源电磁法信号和噪声之间的时频域关系;在此基础上,提出了基于MFCSW一维聚类分析的可控源电磁法数据处理算法,以及基于二维Kmeans与Kmedoids聚类分析的可控源电磁法数据处理算法,阐述了算法原理与数据处理流程。然后,通过仿真实验进行了算法的论证与测试,分析了基于聚类分析的可控源电磁法数据处理算法对样本数量、不同种类以及不同占比噪声的处理效果,并与常规算法进行了对比,分析了每种处理算法的适用条件。最后开展了应用案例研究,采用不同的聚类算法对实测含噪数据进行了处理,对比了不同算法的处理效果。 仿真实验和实测案例结果表明,基于滑动窗口的多频点聚类分析方法能有效压制周期噪声干扰,是一种可针对性处理特殊噪声的平滑优化算法。基于复平面的二维聚类分析算法充分利用了信号的振幅和相位信息,可突破常规Robust算法受含噪时长比例限制的瓶颈,具有更好的算法稳健性。此外,基于复平面的二维聚类分析算法具有自适应优化的特点,适用于误差比例较大的数据。通过优选处理算法,可以提高实测数据集的整体数据质量。 总体上,本文算法丰富了可控源电磁数据处理的手段,探索了强干扰噪声压制的一种可行途径,可为强干扰区电磁勘探提供技术支撑。

关键词： 内弹道测试   解耦合   弹体模态   横向效应   数据处理  

摘要： 内弹道测试对于评估火炮发射过程中弹丸在膛内的运动状态具有重要意义。但是在测试过程中,受到弹体模态、弹丸与身管碰撞、三轴加速度传感器横向效应影响,会影响测试结果准确性。为了提高内弹道测试准确性,对弹丸弹底压力、三轴加速度进行解耦合处理。研究工作及成果如下: (1)通过对弹丸发射过程中内弹道环境进行分析,得出测试系统需求。根据某型大口径火炮火药、弹丸、身管等参数,建立内弹道模型,使用四阶Runge-Kutta法得出弹底压力、速度和时间的关系;通过对弹丸弹底压力压力、速度计算结果分析,给出弹载测试仪设计指标。 (2)为了实现对内弹道高温、高压恶劣环境下的测试,根据弹载测试仪指标对弹载测试仪硬件进行设计,实现了对弹丸弹底压力、三轴加速度的同步采集;同时设计了与弹丸匹配的高强度壳体,包括电路内筒、电路外筒以及加速度传感器基座,并对强度进行校核。 (3)弹丸轴向加速度信号耦合因素主要是由弹体模态、三轴加速度传感器横向效应引起。首先通过对弹体模态的仿真分析,结合弹体在身管内运动状态,得出弹体轴向拉伸、压缩振型下模态阶数以及频率;随后使用EMD经验模态分析算法对实测轴向加速度进行处理,通过分解功率谱中的谐振频率与弹体模态进行对比,最后对数据进行重构实现对模态因素进行解耦。其次由于弹丸发射过程中与身管存在间隙,碰撞后在径向产生较大加速度,会通过传感器自身横向效应影响轴向信号;本文通过冲击台得到了加速度传感器在径向受高g值加速度时对轴向横向效应系数,通过实测X轴、Y轴加速度信号,对弹丸轴向加速度进行解耦。 通过对弹底压力信号修正,解算出理论加速度值,与解耦合后弹丸轴向加速度数据进行对比,误差从8.1%降低至3.2%,结果显著的提高了加速度信号准确性。

关键词： 会计核算创新   经济效益   数据处理  

摘要： 在当前快速发展的商业环境中，越来越多的企业认识到了财务管理的重要性，会计核算作为财务管理的核心组成部分，更是备受关注。随着科技的不断进步，会计核算领域也在不断创新。基于此，本文简述了会计核算的概念，分析了会计核算在企业中的重要性，介绍了会计核算创新的概念、背景、类型，探讨了会计核算创新在企业中的应用及其对企业经济效益的影响，以期为相关企业和人员提供有价值的参考和指导，从而帮助企业更好地适应竞争激烈的商业环境，不断提高经济效益，实现健康、可持续发展。

关键词： 毫米波雷达   目标检测   CFAR恒虚警检测算法   密度聚类算法   数据处理  

摘要： 根据十四五规划,交通运输部积极推动自动驾驶技术。其中,城市级“车路云一体化”成为研究热点,旨在解决自动驾驶在安全性和应急处理上的技术挑战。目标检测是自动驾驶中环境感知的关键技术。在环境感知的传感器中,毫米波雷达具备体积小、抗干扰强、成本低等优势,尤其在极端天气如大雾以及强光照下仍能稳定工作。与其他传感器相比,毫米波雷达表现突出。 毫米波雷达目标检测是将接收到的回波信号混频取得差频信号得到距离、速度和角度信息,利用恒虚警检测算法筛除背景杂波,得到点云信息,通过聚类算法对点云数据的处理,以实现目标检测的任务。因此,本文深入研究了恒虚警检测算法与密度聚类算法两个方面对毫米波雷达的目标检测。 针对经典的均值类恒虚警检测算法与有序类恒虚警检测算法在均匀背景与杂波背景下出现虚警和漏检问题,提出一种选择多单元最大值求取均值的恒虚警检测算法,该算法是在传统均值类恒虚警检测算法与有序类恒虚警检测算法的基础上进行改进。为防止出现背景振荡过大,改进的恒虚警检测算法将待测单元左右的参考单元进行每三个单元分为一组(不满三个的情况也视为一组)。同时,在门限值选取过大目标检测率降低的情况下,改进的恒虚警检测算法引入衰减因子来降低门限值,与传统恒虚警检测算法对比能够检测到信噪比更低的目标。仿真结果表明,采用改进的恒虚警检测算法能够有效的避免传统恒虚警算法中虚警与漏检问题,提高了目标检测概率。 在数据集本身密度不均匀的情况下,参数选取不当会导致两种情况,一是同一种簇内的数据被标记为不同的簇使一个目标被检测为多个不同的目标,另一种是不同的簇内数据集标记为同一个簇使得多个目标合并被检测为一个目标。针对这一问题,本文提出了一种基于多密度划分自适应参数确定的密度聚类算法。该算法在DBSCAN算法的基础上,引入了簇内密度的概念,用噪声阈值进行决定是否需要二次聚类,并根据簇内密度划分数据集,实现了最优参数的选取。通过对数据集仿真分析,改进的密度聚类算法减少了密度分布不均对聚类结果带来的影响,提高了数据本身密度差距过大时的聚类效果。通过求得F值对聚类算法的对比评价,改进的密度聚类算法能够准确的检测出目标的所在位置,证明了该算法的有效性。

关键词： 边缘计算   边缘云存储   云原生   数据处理  

摘要： 随着互联网技术的迅猛发展及物联网(Io T)、大数据和5G技术的广泛应用,边缘计算作为一种新兴的计算模式,因其在处理大量分散数据时展现的低延迟、高效率和强隐私保护等优势而受到广泛关注。边缘云存储系统,作为边缘计算架构的核心,直接关系到整个计算架构的性能和可靠性。 本文针对边缘计算环境下云存储系统面临的新挑战和需求,提出了一种创新的智能边缘云存储系统(IEPCS)解决方案,旨在提高数据处理速度和安全性,同时优化资源管理,以适应边缘计算环境下的特殊性能和安全要求。本文通过分层设计方法,精心设计了IEPCS的边缘代理层、数据处理层、数据存储层、网络通信层和应用服务层,每一层都针对边缘计算的特性进行了专门的优化设计。这不仅确保了数据处理的高效性和数据存储的一致性,还实现了IEPCS内部和外部的高效数据流管理。IEPCS引入了微服务架构和容器化技术,实现了IEPCS的高度模块化和弹性伸缩,提高了IEPCS的部署灵活性和运行效率。 在边缘代理层,本文为边缘代理组件设计了动态数据预处理模块,通过智能识别数据特征和实时调整处理策略,提升了数据处理的速度和质量。同时,为边缘代理组件引入本地缓存机制,通过优化设计智能数据预缓存和动态缓存两种策略,有效地提升了数据访问速度和系统响应能力。数据处理层的设计融合了微服务架构和流处理技术的优势,提出了一种灵活的数据流处理模型,支持复杂的数据处理逻辑和高并发数据流的实时处理。在数据存储层,本文采用了开源的Rook作为IEPCS的分布式文件系统,对Ceph存储解决方案进行高效管理,实现了数据存储的高可靠性和高性能。在网络通信层,通过引入高效的消息队列服务和优化设计边缘网关组件,优化了数据流的管理和传输效率,显著减少了数据传输的延迟,提高了系统的整体响应速度。在应用服务层,为用户提供了易于使用的接口,简化了用户和外部系统与IEPCS的交互过程,提高了系统的可用性和用户体验。 本文还对IEPCS进行了详细的实现和测试。系统实现部分采用了容器化技术和微服务架构,确保了系统的灵活部署和高效运行。系统测试部分通过对比分析,验证了IEPCS在数据处理速度、系统响应时间等方面相较于传统云存储系统的优势。测试结果表明,IEPCS能够有效地满足边缘计算环境下的数据存储和处理需求,具有较高的实用价值和较广的应用前景。

关键词： 桥梁健康监测   时间序列   ECharts   数据处理  

摘要： 随着城市交通运输的不断发展，桥梁作为城市重要的交通枢纽，其安全与稳定性显得尤为重要。然而，由于桥梁长期承受车流、自然环境等多种因素的影响，其结构健康状况容易受到损害。桥梁健康监测技术是一种重要的技术手段，对于确保桥梁的安全、可靠和耐久性具有重要意义。为了有效监测和管理桥梁的健康状况，首先本文针对桥梁监测的数据进行了预处理，并使用时间序列预测模型对监测数据进行了预测，实现了桥梁健康状况的预测研究。然后本文在此基础上设计并实现了一款基于***的桥梁健康监测管理系统，采用B/S三层体系结构，结合***模式和***实体框架，并利用Ajax异步动态刷新，实现了桥梁健康监测管理系统的构建。主要研究内容如下：　　第一，本文为了降低噪声干扰对桥梁预测引起的误差，在进行桥梁预测前需对数据进行降噪处理，采用S-G滤波，对数据集进行预处理，以保证数据预测结果的准确性。然后，分别提出基于BP、LSTM、PSO-LSTM和QPSO-LSTM的桥梁监测数据预测分析方法，并通过实验验证LSTM方法比BP方法具有更高的预测精度，接着针对LSTM模型的桥梁应变预测存在精度低，预测效果能力弱等问题，利用粒子群算法对LSTM模型的参数进行优化，提出PSO优化LSTM神经网络的桥梁应变预测模型，然后针对传统粒子群优化算法，由于粒子位置的变化缺少随机性，有可能会陷入局部最优，QPSO算法通过引入量子计算的概念，改善了粒子群优化算法的搜索策略，这有助于QPSO-LSTM在参数空间中更高效地搜索全局最优解，相较于PSO-LSTM，可能具有更快的收敛速度和更好的全局搜索能力。实验结果表明，QPSO-LSTM模型的MSE、MAE、RMSE和R平方的值更优，提升了预测的精准性和适用性，进而验证了本文模型在桥梁数据预测的可行性和有效性。　　第二，将BP、LSTM、PSO-LSTM和QPSO-LSTM时间序列预测方法与***技术相融合，并且采用ECharts可视化技术分别将BP、LSTM、PSO-LSTM和QPSO-LSTM时间序列预测值与真实值显示在网页界面上，提供了丰富的时间序列预测模型选择，增强了预测的准确性;***提供稳定后端支持，确保数据处理高效;ECharts可视化直观展现预测与真实值对比，便于用户理解和分析;同时，这种融合方案提升了系统的互动性和用户体验，使用户能实时获取预测结果，为决策制定提供有力支持。　　第三，通过系统需求分析和设计，最终完成了一个功能完善、易用高效的桥梁健康监测管理系统。本系统的主要功能包括用户登录注册模块、首页模块、ECharts大屏展示模块、项目概述模块、监控信息模块、采集系统模块和数据预测模块等。用户可以通过系统查看桥梁的健康状况，进行数据分析并生成相关报表，及时发现并处理异常情况，保障桥梁结构的安全与稳定。　　第四，针对系统功能，主要完成了系统功能测试和非功能测试。系统功能测试主要采用黑盒测试对各个模块功能进行测试，并且给出了测试结果，并且实际结果与预期结果一致。系统非功能测试主要实现了兼容性测试和性能测试，其中兼容性测试使用Chrome浏览器和IE浏览器进行各个功能模块测试，并且各个模块均能正常运行;性能测试采用浏览器开发者工具中的性能监测工具，分别对各个模块进行了加载时间、执行脚本时间、渲染时间、绘制时间、系统时间、空闲时间和总计时间等方面进行监测，并且测试结果通过。