在高压并联电抗器声纹信号监测系统中,长时海量无标签声纹的高维非平稳性导致特征提取困难、无监督聚类适应性差。由此提出了一种基于深度自适应K-means++算法(deep adaptive K-means++clustering algorithm,DAKCA)的750 kV电抗器声纹聚类方法。首先通过采用两阶段无监督策略微调的改进堆叠稀疏自编码器(stacked sparse autoencoder,SSAE),对快速傅里叶变换后的归一化频域数据提取电抗器原始声纹32维深度特征。进一步提出了依据最近邻聚类有效性指标(clustering validation index based on nearest neighbors,CVNN)的自适应K-means++聚类算法,构建了能自适应确定最优聚类个数的电抗器声纹聚类模型。最后通过西北地区某750 kV电抗器实测声纹数据集进行了验证。结果表明,DAKCA算法对无标签声纹数据在不同样本均衡程度下能够稳定提取32维深度特征,并实现最优聚类,为直接高效利用电抗器无标签声纹数据提供了参考。
大量研究表明,粗粒材料的强度和变形特性受初始颗粒级配(grain size distribution,简称GSD)影响显著。然而,当前关于考虑颗粒初始GSD影响的粗粒材料本构模型的研究尚不多见。通过引入能够反映颗粒破碎难易程度的初始级配指标?,将材料初始GSD和终极GSD相联系,系统地探究并阐明了?对粗粒材料峰值抗剪强度qp和峰值应变εap以及e-p平面临界状态线(critical state line,简称CSL)位置的影响机制。针对?对qp和εap影响的研究表明,随着?增加,qp降低;而εap则随着?的增加而增加。结合上述结论,以沈珠江提出的驼峰型二次曲线模型为基础,建立了考虑初始级配和围压影响的切线杨氏模量;针对?对CSL位置影响的研究显示,随着?减小,CSL向下移动的同时还会沿逆时针方向旋转。基于此结论,以临界状态土力学为框架,通过引入状态参数,建立了考虑初始级配和围压影响与状态相关的切线泊松比。对一种粗粒材料而言,该模型只用一套模型参数,且模型预测结果与试验结果较为吻合。
暂无评论