XiaoMi-AI文件搜索系统
World File Search System功率提取
军用飞机的电力提取 - Chalmers Research
军用飞机需要越来越多的动力。气动和液压系统正在被电气设备取代，飞机上引入了新的耗电设备。增加的功率提取给飞机喷气发动机带来了新的挑战，无论是在可操作性方面还是在发动机性能方面。本论文描述了传统低涵道比混流涡扇发动机的发动机性能如何受到高压轴、低压轴或两者组合的功率提取的影响。查尔姆斯公司内部工具开发了一种双转子低涵道比混流涡扇发动机，用于评估飞行包线不同部分的发动机性能。为了评估飞机/发动机相互作用对飞行性能的影响，还开发了一种飞机性能工具。当从 HP 或 LP 轴提取功率时，需要增加涡轮进气温度。如果从高压轴提取功率，则温度升高幅度更大，从而增加了比推力和比油耗。当发动机接近或处于最大涡轮入口温度极限时，无论是从高压轴还是低压轴提取功率，功率提取都会对发动机性能产生不利影响，但如果从高压轴提取功率，推力降低将更为显著。当发动机接近或处于最大总压比极限时，如果从发动机可操作性角度来看所需的温度升高是可以接受的，则高压轴功率提取导致的推力降低比低压轴功率提取的情况更为温和。关键词：战斗机性能、发动机性能、低涵道比、混流、涡扇发动机、功率提取
大功率提取低涵道比混流涡扇发动机的设计考虑
摘要：从飞机的角度来看，从涡扇发动机中提取大量电能的可能性越来越大。未来战斗机的功耗预计将比今天的战斗机高得多。该领域的先前工作集中在高涵道比发动机的功率提取研究上。这促使我们彻底研究低涵道比混流涡扇发动机的性能潜力和局限性。建立了低涵道比混流涡扇发动机模型，并模拟了战斗机任务的关键部分。调查显示了高压涡轮的功率提取如何影响军用发动机在飞行范围内不同任务部分的性能。分析得出的一个重要结论是，如果满足特定的操作条件，可以在高功率设置下从涡扇发动机中提取大量功率，而不会对推力和单位燃料消耗造成太大的损失。如果发动机 (i) 以最大总压力比或接近最大总压力比运行，但 (ii) 远离最大涡轮入口温度极限，则功率提取对发动机推力和推力比燃料消耗的不利影响将受到限制。另一方面，如果发动机已经以最大涡轮入口温度运行，则高压轴的功率提取将导致推力大幅下降。所提出的结果将支持对未来战斗机发动机的战斗机任务优化和循环设计的分析和解释，这些发动机旨在实现大功率提取。这些结果对于飞机设计也很重要，更具体地说，对于确定飞机功率消耗者的最佳能源也很重要。
智能电网的发展
随着智能电网的发展，它需要增加分布式智能、优化和控制。模型预测控制 (MPC) 促进了智能电网应用的这些功能，即：微电网、智能建筑、辅助服务、工业驱动、电动汽车充电和分布式发电。其中，本文重点全面回顾了 MPC 在电网整合分布式能源 (DER) 电力电子接口中的应用。特别是，详细介绍了风能转换系统、太阳能光伏、燃料电池和储能系统的电力转换器的预测控制。还回顾了电网连接转换器的预测控制方法、基于人工智能的预测控制、未解决的问题和未来趋势。该研究强调了 MPC 在促进各种可持续电网连接 DER 的高性能、最佳功率提取和控制方面的潜力。此外，该研究为人工智能技术提供了详细的结构，这些技术有利于提高性能、简化部署并减少电力转换器预测控制的计算负担。
基于多目标优化的非支配排序遗传算法对风能潜力的评估 III
摘要：风能是一种丰富的可再生能源，近年来在世界范围内得到广泛应用。本研究提出了一种新的基于多目标优化 (MOO) 的风能系统遗传算法 (GA) 模型。所提出的算法包括非支配排序，其重点是最大化风力涡轮机的功率提取，最小化发电成本和电池寿命。此外，还分析了风力涡轮机和电池储能系统 (BESS) 的性能特征，特别是扭矩、电流、电压、充电状态 (SOC) 和内阻。完整的分析是在 MATLAB/Simulink 平台上进行的。将模拟结果与现有的优化技术（如单目标、多目标和非支配排序 GA II（遗传算法 II））进行了比较。从观察结果来看，非支配排序遗传算法 (NSGA III) 优化算法提供了卓越的性能，特别是更高的涡轮机功率输出、更高的扭矩率、更低的速度变化、更低的能源成本和更低的电池退化率。该结果证明，与传统的优化工具相比，所提出的优化工具可以从自激感应发电机（SEIG）中提取更高的功率。
一个基于高级深度学习的三流式混合模型，用于动态手势识别
挑战，我们提出了一种新型的三潮混合模型，该模型与RGB像素和基于骨架的特征相结合以识别手势。在过程中，我们对数据集进行了预处理，包括增强功能，以进行旋转，翻译和缩放独立系统。我们采用了三个流混合模型，使用深度学习模块的功率提取多功能融合。在第一个流中，我们使用预训练的成像网模式提取了初始特征，然后使用GRU和LSTM模块的多层来增强此功能。在第二个流中，我们使用预先训练的Resenet模块提取了初始特征，并通过GRU和LSTM模块的各种组合对其进行了增强。在第三次流中，我们使用介质管提取了手姿势的关键点，然后使用堆叠的LSTM来增强它们，以构建分层功能。之后，我们加入了三个功能以产生最终。最后，我们采用了一个分类模拟来产生概率图以生成预测的输出。我们主要通过利用基于像素的深度学习功能和基于POS估计的堆叠深度学习功能来产生强大的功能向量，其中包括具有带有划痕深度学习模型的预训练的模型，以实现无与伦比的手势检测功能。所提出的系统的设计旨在在挑战工业情况下有用并创建高效，无接触式的接口。我们对新创建的手持数据集进行了广泛的实验，并提出的模型达到了良好的性能准确性。