123,123

一種用于Boost PFC變換器的改進關(guān)斷時間控制策略[電源技術(shù)][智能電網(wǎng)]

針對Boost PFC變換器的關(guān)斷時間控制策略在工作模式切換時可能出現(xiàn)的交流輸入電流失真的問題，提出了一種改進的關(guān)斷時間控制策略，該策略在多種工作模式下，不需要任何模式識別和控制算法，即可實現(xiàn)單位功率因數(shù)校正，與傳統(tǒng)的關(guān)斷時間控制策略相比，能夠減小輸入電流失真，提高THD性能。

發(fā)表于：2019/1/3 13:05:00

新型單相不對稱五電平無變壓器型光伏逆變器[電源技術(shù)][智能電網(wǎng)]

傳統(tǒng)兩電平逆變器在高頻開關(guān)下工作帶來的電流諧波和功率損耗等問題亟待解決。多電平逆變器不需升壓轉(zhuǎn)換級，能夠輸出多個不同電壓等級，輸出電壓諧波含量少。提出了一種單相不對稱的五電平無變壓器型逆變器拓撲，由基本H橋和T型橋兩部分組成，其中T型橋位于H橋和直流分壓電容之間，是一對相反的功率管和二極管組成的并聯(lián)橋路。詳細分析了新型拓撲的幾種工作狀態(tài)，給出了對應(yīng)的PWM調(diào)制策略，仿真驗證了該拓撲和調(diào)制策略的有效性。

發(fā)表于：2019/1/3 11:00:00

基于雙積分滑?？刂频腂uck-Boost電壓平衡器的研究[電源技術(shù)][智能電網(wǎng)]

基于Buck-Boost電壓平衡器構(gòu)架的雙極性直流微電網(wǎng)獲得了廣泛研究。其中有效地控制電壓平衡器使系統(tǒng)正、負極電壓保持相等，從而保證系統(tǒng)的供電電能質(zhì)量。針對Buck-Boost電壓平衡器的控制，設(shè)計一種雙積分滑模控制器。該方法考慮了系統(tǒng)的非線性和工作動態(tài)，并采用雙積分滑模面以減小穩(wěn)態(tài)誤差。實驗結(jié)果表明，相比傳統(tǒng)的PI控制器，本文設(shè)計的控制器能有效縮短動態(tài)調(diào)節(jié)時間和減小正、負極電壓差值。

發(fā)表于：2019/1/2 13:14:00

基于IRVM的鋰電池荷電狀態(tài)評估方法與仿真驗證[電源技術(shù)][其他]

針對相關(guān)向量機算法多步預(yù)測精度低和在線預(yù)測適應(yīng)性差的問題，提出一種改進的增量相關(guān)向量機模型對鋰離子電池的荷電狀態(tài)進行在線預(yù)測。選擇鋰離子電池電壓、充放電電流和表面溫度作為模型的輸入，荷電狀態(tài)作為模型的輸出，構(gòu)造模型的訓(xùn)練集。選用快速序列稀疏貝葉斯學(xué)習算法進行訓(xùn)練，并結(jié)合增量學(xué)習法建立增量學(xué)習相關(guān)向量機模型進行鋰離子電池在線預(yù)測方法研究。研究發(fā)現(xiàn)通過自動調(diào)整核參數(shù)的方法，可以保證有較高的預(yù)測精度。算法驗證實驗表明，該算法預(yù)測精度高、計算速度快且通用性強，可為鋰離子電池荷電狀態(tài)的預(yù)測與應(yīng)用提供參考。

發(fā)表于：2019/1/2 13:03:00

基于FPGA臨空數(shù)據(jù)采集系統(tǒng)的設(shè)計[可編程邏輯][工業(yè)自動化]

設(shè)計了一個基于FPGA的數(shù)據(jù)采集系統(tǒng)，該系統(tǒng)運行在臨近空間下，為了使系統(tǒng)在復(fù)雜環(huán)境下穩(wěn)定運行，從硬件和軟件兩方面進行設(shè)計。在硬件方面，由于FPGA抗干擾性強，將其作為采集系統(tǒng)的控制器，對傳感器數(shù)據(jù)采集模塊和執(zhí)行機構(gòu)都進行冗余處理，將其分為主板和從板，以此保證系統(tǒng)的有效性。在軟件方面，基于信號分類的結(jié)果進行模塊化處理，分析代碼可能存在的問題，對復(fù)雜任務(wù)的模塊采用狀態(tài)機設(shè)計。經(jīng)過測試，數(shù)據(jù)采集系統(tǒng)能夠長時間穩(wěn)定運行，能夠?qū)崟r下發(fā)采樣數(shù)據(jù)，也能響應(yīng)地面指揮站的命令。

發(fā)表于：2018/12/28 14:19:00

基于深層卷積神經(jīng)網(wǎng)絡(luò)的剪枝優(yōu)化[嵌入式技術(shù)][其他]

隨著近幾年來深度學(xué)習的興起，其在目標檢測、圖像分類、語音識別、自然語言處理等機器學(xué)習領(lǐng)域都取得了重大的突破，其中以卷積神經(jīng)網(wǎng)絡(luò)在深度學(xué)習中的運用較多。自VGGNet出現(xiàn)以來，深度學(xué)習逐漸向深層的網(wǎng)絡(luò)發(fā)展，網(wǎng)絡(luò)越來越深，這不僅增大了對硬件平臺存儲、運行內(nèi)存的需求，還大大增加了計算量，對硬件平臺資源的要求越來越高。因此將深度學(xué)習應(yīng)用于嵌入式平臺尤為困難。對此，通過對模型進行剪枝的方法將訓(xùn)練好的網(wǎng)絡(luò)模型壓縮處理，在基本保證準確率的情況下去除不重要的參數(shù)，縮減模型，減小網(wǎng)絡(luò)的計算復(fù)雜度，將深度學(xué)習應(yīng)用于嵌入式平臺。

發(fā)表于：2018/12/28 14:09:00

跨平臺SCADA的歷史數(shù)據(jù)收集與存儲設(shè)計[嵌入式技術(shù)][工業(yè)自動化]

歷史數(shù)據(jù)是工業(yè)生產(chǎn)中設(shè)備運行產(chǎn)生的實時數(shù)據(jù)記錄。針對國產(chǎn)PLC上位機監(jiān)控系統(tǒng)的數(shù)據(jù)收集和存儲過程中數(shù)據(jù)量過大、效率低等問題，設(shè)計出一種跨平臺的、滿足工業(yè)生產(chǎn)要求、利于問題回溯的收集存儲方式。通過關(guān)鍵幀和變更集的方式進行數(shù)據(jù)壓縮和收集。劃分多個內(nèi)存緩沖區(qū)并利用時間戳的變化實現(xiàn)自動切換，提升數(shù)據(jù)的讀寫效率。同時采用Qt的信號和槽機制觸發(fā)線程進行數(shù)據(jù)存儲操作，實現(xiàn)數(shù)據(jù)收集和存儲同時進行。在Windows和Linux操作系統(tǒng)平臺上運行，其功能和性能皆達到設(shè)計要求。

發(fā)表于：2018/12/27 13:50:00

基于RFID技術(shù)的叉車式AGV動作指令算法研究[微波|射頻][汽車電子]

為了解決復(fù)雜路徑下叉車式AGV的導(dǎo)引問題，提出一種車輛動作指令算法。與傳統(tǒng)方式將單一動作指令寫進RFID電子標簽內(nèi)不同，該算法生成的指令存儲在車載控制系統(tǒng)并以標簽位置識別作為指令執(zhí)行條件。在建立調(diào)度地圖模型并對標簽編碼基礎(chǔ)上，進行路徑規(guī)劃，設(shè)計動作指令算法。采用C語言編程，選擇基于ARM架構(gòu)的車型和RC522射頻識別模塊對該算法驗證，試驗表明，車輛能夠識別標簽信息并執(zhí)行相應(yīng)的動作指令，執(zhí)行不同任務(wù)時在同一標簽處可以實現(xiàn)不同動作，提高了標簽利用率，可較靈活地完成調(diào)度任務(wù)。

發(fā)表于：2018/12/27 6:14:00

基于霧計算的高速公路服務(wù)區(qū)內(nèi)容訪問技術(shù)研究[通信與網(wǎng)絡(luò)][汽車電子]

車聯(lián)網(wǎng)（Vehicular Ad hoc Networks，VANETs）在高速公路上具有車輛高速行駛、密度低、通信基礎(chǔ)設(shè)施稀缺、車輛連通性低等特點，使得高速公路上的車輛難以實現(xiàn)對其他車輛或路邊單元（Road Side Unit，RSU）的內(nèi)容訪問。提出了一種在高速公路服務(wù)區(qū)利用霧計算以協(xié)助車輛獲取感興趣內(nèi)容的模型。該車輛霧計算（Vehicle Fog Computing，VFC）模型中，高速公路服務(wù)區(qū)收集來自各個地方的車輛提供的各種服務(wù)，將大量的停泊車輛和慢速行駛車輛作為霧設(shè)備。通過VFC本地化轉(zhuǎn)發(fā)，不僅減少了通信延遲，還實現(xiàn)了令人滿意的內(nèi)容訪問和實時數(shù)據(jù)流傳輸。此外，對通信能量消耗與系統(tǒng)延遲之間的關(guān)系進行公式化，并在霧計算中采用了外部近似（Outer Approximation，OA）算法來優(yōu)化其權(quán)衡。仿真結(jié)果表明，通過采用霧計算和云計算結(jié)合的通信模式和均衡優(yōu)化算法，隨著能量消耗的增長，系統(tǒng)的通信延遲會明顯地降低。

發(fā)表于：2018/12/26 13:23:00

一種基于敏感性分析的改進參數(shù)篩選方法[嵌入式技術(shù)][其他]

地球系統(tǒng)模式是預(yù)測未來氣候變化的重要工具。物理參數(shù)化方案是其關(guān)鍵部件，其包含的大量不確定參數(shù)會嚴重影響模型模擬性能。而參數(shù)不確定性分析面臨參數(shù)個數(shù)過多的挑戰(zhàn)。傳統(tǒng)敏感性分析方法被廣泛用于識別重要參數(shù)，然而它并沒有考慮參數(shù)交互作用的動態(tài)變化對篩選過程的影響。對此，利用一個典型非線性數(shù)學(xué)函數(shù)分析該變化導(dǎo)致的篩選結(jié)果偏差，進而提出了動態(tài)敏感性分析方法(Dynamic Sensitivity Analysis Method，DSAM)。在一個數(shù)值函數(shù)和單柱大氣模式的實驗中，DSAM和傳統(tǒng)方法的定量篩選結(jié)果偏差高達29％。將篩選結(jié)果應(yīng)用于參數(shù)優(yōu)化，模式的優(yōu)化性能提升67%。

發(fā)表于：2018/12/26 5:37:00