简介:摘要:随着经济和各行各业的快速发展,同时传统能源的使用带来的气候变化也逐渐威胁到人类自身的生存与发展。风力发电机组控制系统是整个风力发电机组的大脑,是机组安全可靠运行和实现最佳运行的保证。风电机组维护是风电企业的重要组成工作,如何通过风机定检和反事故措施落实确保风机的安全运行是每个风电企业生产管理者需要重点思考的问题。在风力发电系统中旋转设备较多,针对旋转设备的速度反馈主要采用接近式传感器和增量式编码器,如变桨与偏航系统的电机转速反馈、转子轴的转速反馈、发电机轴端速度反馈、滑环处的转速反馈等。在对风电机组检修或故障维修时,需要采集旋转部件的转速来对风机设备机器控制系统进行测试,但根据《风力发电厂运行规程》、《风机检修维护管理规定》,“风电机组维护检修时,必须使风电机组处于停机状态”,因此在对风机停机检修时,所有设备均处于停止状态,无法直接读取旋转部件速度信号。
简介:摘要:改革开放四十年来,我国的经济保持着快速的增长,相应地建筑业也在快速发展,越来越多的高层、超高层建筑遍布于全国各地。机电安装工程作为建筑施工的一个重要部分,也是施工事故的多发部分,长期以来受到行业内的广泛关注。基于以上背景,在本文首先介绍了风险识别的概念、原则和特点。通过查阅文献和调研,确定将高层机电工程安装风险源分为五大类,即人员因素、环境因素、材料因素、机械设备因素和管理因素,并给出了相应每一大类中具体的风险源。在确定风险源后,采用LEC方法对各个风险源进行等级划分。为实现此目的,首先确定了各个风险源的 L、E 和 C 值,在此基础上最终确定了各个风险源的危险等级,针对风险源的危险等级提出相应的措施,从而为评价高层建筑机电安装工程风险提供借鉴。
简介:摘要:由于配电设备缺陷素材与外破画面素材较少,利用传统人工智能图像识别技术,容易因样本数据过少而导致容易出现过拟合的现象。为解决这个瓶颈,本文探索使用VGG迁移学习网络作为训练网络。深度学习的巨大成功可以认为是表征学习的巨大成功。计算机图像识别技术在应用过程中存在一些缺陷,在一定程度上阻碍了智能化技术的发展。而通常当任务数据集上的数据不足以支持学习到足够多样化又有用的表征时,可以利用其他更大的数据集学到的表征并且视其为通用表征,使用这些表征并且使用任务数据集的数据来微调,可以减少对目标数据集数据量的要求。计算机图像识别要求系统高效准确地进行图像识别,智能化处理方法的应用可以显著提升计算机图像识别的性能,提升其识别的准确性及效率。