4.1 电力系统故障分析的目的与内容 4.2 三相对称短路的基本分析 4.6 三相短路电流周期分量的实用计算 4. 7 分析不对称故障的基本理论 4. 8 电力系统元件的不对称参数 4. 9 简单不对称短路故障时电流与电压的计算

针对实际振动信号中多分量分离问题,在生成微分方程解调技术的基础上,提出一种新的迭代分解方法.首先采用生成微分方程(generating differential equation,GDE),估计初始振动信号的瞬时频率和幅值包络,然后对瞬时频率通过低通滤波分离出第一个频率,基于此频率对原始信号通过高通滤波器后提取的成分作为第一个分量,最后用初始信号减去第一个分量的余值作为下一次迭代的初始值,迭代同样的步骤分析分解直到获取所有信号分量,以低于能量比阈值作为迭代终止条件.本方法不需要先验信息.通过仿真信号验证并与传统方法进行对比分析,证明了方法的有效性.通过实测轴承试验信号的故障分析,证明了方法的实用性

一、分析员面临的问题 1、分析人员面临不同的环境 2、分析人员与用户沟通 3、需求不断变化 4、分析设计工作量庞大

计算超静定刚架或连续梁,无论采用力法 或位移法,均需建立和求解线性代数方程组。 当未知量较多时,计算工作非常繁重。有时几 乎不可能完成。为此,提出了渐进法,以避免 解算联立方程组。 本章主要介绍了渐进法中的力矩分配法。 其他渐进法如迭代法、无剪力分配法,剪力分 配法等同学可参阅教材或其他参考相关资料

借助Thermo-calc软件对FeCrAl不锈钢所属的Fe-（18~21） Cr-（3~5） Al-（0~0.03） C-（0~0.2） Si-（0~0.2） Mn多元体系在凝固过程中的相变及析出行为进行了研究.采用Thermo-calc中TCFE7数据库对该体系的垂直截面图进行计算，分析了不同组元对凝固和冷却过程中相变的影响，并得到FeCrAl不锈钢的平衡凝固相变路径图.结果表明FeCrAl不锈钢由1600℃平衡冷却至300℃的过程中完整的平衡相变路径为：L→AlN+αδFe→AlN+αδFe+Cr7C3→AlN+αδFe+Cr7C3+Cr23C6→AlN+αδFe+Cr23C6→AlN+αδFe+Cr23C6+σ→AlN+αδFe+Cr23C6+σ+α'→AlN+αδFe+Cr23C6+α'.凝固过程中Cr7C3与σ相是否析出分别取决于体系中C、Si含量；Al含量的提高可扩大αδFe+Cr7C3的稳定区，降低α'相的析出温度，抑制σ相的析出；Cr含量的提高可以减小αδFe+Cr7C3的稳定区，扩大σ相和α'相的稳定区

为消除陡脉冲带来的干扰，分析了陡脉冲干扰的特点，建立了陡脉冲噪声数学模型，提出了基于变分模态分解（Variational mode decomposition, VMD）的心电信号滤波算法，提取叠加在心电信号中陡脉冲干扰分量、识别陡脉冲干扰分量并剔除陡脉冲干扰分量；为减少VMD分解层数、提高实时性并减少内存消耗，提出了心电信号预处理算法；针对医疗环境中的随机噪声伴随陡脉冲出现的情况，分析了VMD后子信号中随机噪声的特点，提出了基于VMD子信号能量估计的阈值去噪算法；利用变分模态分解的带通滤波器组特性，提出了基于变分模态分解子信号重组的QRS波群检测算法，配合滤波算法以提高心电信号特征检测精度。以添加了高斯白噪声和模拟陡脉冲干扰的MIT?BIH数据库心电信号和医疗环境中采集的心电信号为实验对象，分别实现对滤波算法和QRS波群检测算法的定量对比分析

针对如何识别无人机的问题，提出了一种基于卷积神经网络的声音识别无人机的方法。首先，对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值，将其特征参数作为卷积神经网络学习和识别的数据集；然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明，运用支持向量机识别无人机的准确率为91.9%，卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力，在部分UrbanSound8K数据集上进行测试，准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性，且识别性能优于支持向量机

第一节 并行分解 第二节 串行分解 第三节 并行与串行建模比较 第四节 信号与变量赋值 第五节 多值驱动的决断 第六节 产生共享模块

为提高开关电流电路故障诊断的精度,提出了一种基于小波包优选和优化BP神经网路的开关电流电路特征抽取与识别方法.首先对开关电流电路原始响应信号进行多层次的小波包分解,接着计算N层分解后的归一化能量值,以特征偏离度作为评价选择最优小波包基,构建最优故障特征向量,最后将提取的最优故障特征通过遗传算法优化的BP神经网络进行分类.该方法以实例电路进行验证,结果表明所有的软故障均得到了有效的分类,说明了该方法在开关电流电路故障诊断中的优越性

前面我们根据区间[ab]上给出的节点做 插值多项式Ln(x)近似表示f(x)。一般总 以为Ln(x)的次数越高,逼近f(x)的精度 越好,但实际并非如此,次数越高,计 算量越大,也不一定收敛。因此高次插 值一般要慎用,实际上较多采用分段低 次插值