针对现有研究未充分关注控制棒驱动机构(control rod drive mechanism,CRDM)的早期故障诊断问题、很难将故障特征定位至具体部件以及人工引入的故障样本与装备实际故障特征存在差异等不足,提出了一种基于振动信号的CRDM滚轮早期故障诊...针对现有研究未充分关注控制棒驱动机构(control rod drive mechanism,CRDM)的早期故障诊断问题、很难将故障特征定位至具体部件以及人工引入的故障样本与装备实际故障特征存在差异等不足,提出了一种基于振动信号的CRDM滚轮早期故障诊断方法:首先,利用寿命考核试验时机采集了某密封磁阻马达式CRDM的滚轮全寿命振动信号,基于经验模态分解(empirical mode decomposition,EMD)和Hilbert变换方法进行解调分析,获得与滚轮退化状态相关的模态成分;然后,采用时、频域分析方法获得了11个能够直接表征CRDM滚轮磨损状态的特征量,并根据退化趋势提取出与实际故障特征高度吻合的早期故障样本;最后,分别基于BP神经网络和支持向量机两种方法实现了CRDM滚轮早期故障的多特征智能诊断。结果表明:提取的滚轮早期磨损故障样本与实际运行过程保持了较好的一致性,证明所提CRDM滚轮早期故障诊断方法具有较强的工程应用价值。展开更多
深度强化学习(DRL)广泛应用于具有高度不确定性的城市交通信号控制问题中,但现有的DRL交通信号控制方法中,仅仅使用传统的深度神经网络,复杂交通场景下其感知能力有限。此外,状态作为强化学习的三要素之一,现有方法中的交通状态也需要...深度强化学习(DRL)广泛应用于具有高度不确定性的城市交通信号控制问题中,但现有的DRL交通信号控制方法中,仅仅使用传统的深度神经网络,复杂交通场景下其感知能力有限。此外,状态作为强化学习的三要素之一,现有方法中的交通状态也需要人工精心的设计。因此,提出了一种基于注意力机制(attention mecha-nism)的DRL交通信号控制算法。通过引入注意力机制,使得神经网络自动地关注重要的状态分量以增强网络的感知能力,提升了信号控制效果,并减少了状态向量设计的难度。在SUMO(simulation of urban mobility)仿真平台上的实验结果表明,在单交叉口、多交叉口中,在低、高交通流量条件下,仅仅使用简单的交通状态,与三种基准信号控制算法相比,所提算法在平均等待时间、行驶时间等指标上都具有最好的性能。展开更多
文摘深度强化学习(DRL)广泛应用于具有高度不确定性的城市交通信号控制问题中,但现有的DRL交通信号控制方法中,仅仅使用传统的深度神经网络,复杂交通场景下其感知能力有限。此外,状态作为强化学习的三要素之一,现有方法中的交通状态也需要人工精心的设计。因此,提出了一种基于注意力机制(attention mecha-nism)的DRL交通信号控制算法。通过引入注意力机制,使得神经网络自动地关注重要的状态分量以增强网络的感知能力,提升了信号控制效果,并减少了状态向量设计的难度。在SUMO(simulation of urban mobility)仿真平台上的实验结果表明,在单交叉口、多交叉口中,在低、高交通流量条件下,仅仅使用简单的交通状态,与三种基准信号控制算法相比,所提算法在平均等待时间、行驶时间等指标上都具有最好的性能。
