简介:摘要气体绝缘电器(GasInsulatedSwitchgear,GIS)的局部放电(PartialDischarge,PD)模式识别问题中,传统方法多为专家依据经验设计特征,具有一定的盲目性。深度学习可以自动挖掘数据的特征表示,但是需要大规模训练数据。密集连接网络(DenselyConnectedConvolutionalNetworks,DenseNet)的特征复用可以充分利用网络低、中、高层的特征信息,同时有效减少冗余特征,更符合本文小规模数据应用。因此,针对超高频信号的模式识别问题,本文提出将超高频信号数据转化为局部放电灰度图,利用密集连接网络自适应抽取放电灰度图的特征进行局部放电模式识别的方法。实验结果表明,本文方法比传统方法和AlexNet具有更高的准确性。
简介:摘要近些年来,我国城市人员密集场所数量不断增多,其也发展成为城市地标性的建筑,为人们带来了许多便利,有效提高了人们的生活质量。然而,伴随此类建筑数量的不断增多,也使得其火灾事故频繁发生,这逐渐成为人们重点关注的问题。由于人员密集场所的结构比较复杂,其中的人员与物品相对比较密集,因此其中存在许多安全隐患,一旦发生火灾事故也会加大扑救难度,加大了人员疏散难度。所以,为了更好地确保人员密集场所的使用安全,那么就必须要充分做好消防安全管理工作。本文首先分析了当前在人员密集场所消防安全管理工作中存在的问题,并且提出有效的应对措施,希望可以全面提升人员密集场所的消防安全管理水平。