亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于深度小世界神經(jīng)網(wǎng)絡的風電機組異常檢測

        2021-07-03 09:24:24李亞光李蒙
        發(fā)電技術 2021年3期
        關鍵詞:神經(jīng)元閾值神經(jīng)網(wǎng)絡

        李亞光,李蒙

        (1.華電煤業(yè)集團有限公司,北京市 西城區(qū) 100035;2.北京交通大學機械與電子控制工程學院,北京市 海淀區(qū) 100044)

        0 引言

        惡劣多變的環(huán)境是風力發(fā)電機故障頻發(fā)的主要原因[1-6]。一般情況下,風機的各個系統(tǒng)中都安裝有各類狀態(tài)監(jiān)測傳感器,并由數(shù)據(jù)采集與監(jiān)視控制(supervisory control and data acquisition,SCADA)系統(tǒng)對監(jiān)測參數(shù)進行記錄和保存[7]。一旦有異常發(fā)生,設備的故障信息將反饋到多維傳感器參數(shù)中[8]。因此,利用SCADA數(shù)據(jù)進行早期異常檢測,將有利于實現(xiàn)風電機組的狀態(tài)評估和故障預警。

        通常情況下,故障檢測與隔離(fault detection and isolation,F(xiàn)DI)的方法有2個關鍵過程:1)從復雜數(shù)據(jù)中提取有效特征;2)利用先驗知識或機器學習技術實現(xiàn)故障分類。值得注意的是,這2個步驟都需要明顯的標簽信息(正?;虍惓撕?作為訓練智能分類算法的基本要素[9-10]。但在實際的風機SCADA系統(tǒng)中,幾乎不可能獲得足夠的標簽數(shù)據(jù)。這是因為正常運行時間比故障發(fā)生時間長很多,導致數(shù)據(jù)稀疏是不可避免的。另外,SCADA的監(jiān)控數(shù)據(jù)和故障信息大多是分開記錄的,它們之間的相關性只能在故障發(fā)生后由人工來完成。這種非智能化的記錄和分類工作是巨大的,也是不現(xiàn)實的。因此,利用不完善的無標簽數(shù)據(jù)來完成風電機組的FDI任務充滿了挑戰(zhàn)。

        深度學習方法[11]以其良好的非線性逼近性能已經(jīng)在數(shù)據(jù)挖掘和智能故障診斷中得到了廣泛應用[12]。與淺層神經(jīng)網(wǎng)絡相比,一些深度學習算法[13],如多層感知器、深度神經(jīng)網(wǎng)絡(deep neural network,DNN)、長短期記憶網(wǎng)絡(long-short-term memory,LSTM)和卷積神經(jīng)網(wǎng)絡(convolutional neural network,CNN)等,均可以模擬人類真實的學習過程,并從數(shù)據(jù)中挖掘有價值的信息。Jiang等人[14]提出了一種多尺度卷積神經(jīng)網(wǎng)絡,用以有效地學習高層故障特征。Yang等人[15]利用LSTM遞歸神經(jīng)網(wǎng)絡挖掘SCADA信號中隱藏的時空關系,實現(xiàn)了風機齒輪故障的分類。面對SCADA系統(tǒng)采集的大量文本數(shù)據(jù),近年來的研究工作創(chuàng)新性地將其轉化為圖像或地圖形式,然后利用圖像識別算法進行異常檢測和識別。例如,文獻[16-17]將振動信號轉換成時域譜,應用CNN提取故障特征。然而,上述網(wǎng)絡的實現(xiàn)需要基于有監(jiān)督的和足夠標簽的學習環(huán)境下進行,這在實際應用中卻很難實現(xiàn)。

        使用無監(jiān)督學習構造的深度神經(jīng)網(wǎng)絡也相對成熟[18],相應的算法主要包括受限玻爾茲曼機(restricted Boltzmann machine,RBM)或自動編碼器(auto-encoder,AE)。深度置信網(wǎng)絡(deep belief network,DBN)[19]、去噪自編碼器(denoise auto-encoder,DAE)[20]和堆疊自編碼器(stacked auto-encoder,SAE)[21]是最具代表性的無監(jiān)督深度神經(jīng)網(wǎng)絡。Qin等[22]用DBN診斷風力發(fā)電機行星齒輪箱故障,提出了改進的Logistic-sigmoid單元和脈沖特征法,解決了DBN在反向傳播中容易出現(xiàn)梯度消失的問題。Qin等[23]在多層BP神經(jīng)網(wǎng)絡的基礎上建立了一個深度SAE網(wǎng)絡,利用來自SCADA系統(tǒng)的方位數(shù)據(jù),通過無監(jiān)督貪婪學習對SAE網(wǎng)絡神經(jīng)元進行逐層訓練,再將訓練后的權值作為深度BP神經(jīng)網(wǎng)絡的初始權值。此外,Zhao等[24]還提出了一種基于多層Boltzmann機的深度自編碼網(wǎng)絡,以實現(xiàn)風力發(fā)電機組部件的早期異常檢測和故障檢測。

        目前,隨著應用領域的不斷變化,對神經(jīng)網(wǎng)絡的結構進行改進主要有加深網(wǎng)絡層次、丟包與丟包連接、批量規(guī)范化等方法。其中,增加非相鄰隱含層之間的連接邊(添加邊)方法是目前神經(jīng)網(wǎng)絡緩解梯度消失的研究熱點。從網(wǎng)絡結構上看,通過加邊改進使得傳統(tǒng)的神經(jīng)網(wǎng)絡成為一個小世界神經(jīng)網(wǎng)絡,已可應用于風力發(fā)電的功率預測[25]和風機變槳系統(tǒng)的故障診斷[26]。因此,本文結合風電機組的SCADA數(shù)據(jù)特點,基于深度自動編碼網(wǎng)絡的原型結構,提出一種深度小世界神經(jīng)網(wǎng)絡(deep small-world neural network,DSWNN),以期進一步解決風電機組的早期故障檢測與預警問題。未標記的風電機組SCADA數(shù)據(jù)被用于預先訓練DSWNN原型以提取隱含特征。通過隨機加邊法將規(guī)則神經(jīng)網(wǎng)絡轉化為一個小世界網(wǎng)絡,并在有監(jiān)督的情況下利用標記數(shù)據(jù)訓練重構的DSWNN模型,對網(wǎng)絡的全局參數(shù)進行微調。

        由于實際運行中風速的隨機變化和干擾,固定的故障判斷閾值往往不合理,容易造成誤報警。本文提出一種基于極值理論的自適應閾值作為異常檢測判斷的準則。通過上述方法構造的DSWNN模型具有良好的深度挖掘數(shù)據(jù)特性。最后,以風力機變槳系統(tǒng)為例,驗證了該方法的有效性和準確性。

        1 深度小世界神經(jīng)網(wǎng)絡模型構建

        1.1 深度小世界神經(jīng)網(wǎng)絡結構

        深度自編碼網(wǎng)絡是一種在輸入層和輸出層之間具有多個隱含層的深度神經(jīng)網(wǎng)絡。該網(wǎng)絡的參數(shù)通過對輸入數(shù)據(jù)逐層進行無監(jiān)督學習來初始化,然后利用有監(jiān)督學習進行微調,在較高的輸出層產(chǎn)生更復雜的特征,并且學習到的復雜特征將隨著輸入數(shù)據(jù)的變化而保持不變?;谏疃茸跃幋a網(wǎng)絡結構,本文在非相鄰隱含層之間增加了額外的神經(jīng)元連接,進而構建了由多個RBM堆棧組成的具有4個隱含層的深度小世界神經(jīng)網(wǎng)絡,如圖1所示。它的訓練過程包括預訓練、小世界轉換和微調3個階段,用于獲取DSWNN模型的參數(shù)。

        圖1 深度小世界神經(jīng)網(wǎng)絡結構Fig. 1 Structure of DSWNN model

        1.2 DSWNN原型的預訓練

        DSWNN模型的原型是一個具有多個基于特定能量的隨機RBM的深度自動編碼網(wǎng)絡。圖2所示RBM結構具有一個可見層和一個隱含層,其中可見神經(jīng)元與隱含神經(jīng)元完全相連。

        圖2 RBM結構Fig. 2 Structure of RBM

        多層RBM的訓練是在無監(jiān)督環(huán)境下逐層實現(xiàn)的,可作為DSWNN原型的預訓練過程。經(jīng)過逐層預訓練后得到整個網(wǎng)絡的權值,將被記錄并用作后續(xù)監(jiān)督訓練(微調)的優(yōu)先值。

        1.3 DSWNN網(wǎng)絡的小世界轉換

        小世界網(wǎng)絡是介于完全隨機和完全規(guī)則之間的中間網(wǎng)絡[27]。應用小世界網(wǎng)絡的特性對人工神經(jīng)網(wǎng)絡結構進行改進[28],主要有2種方式:重連變換和加邊變換,如圖3所示。

        圖3 小世界網(wǎng)絡轉換的方式Fig. 3 Transformation way of small-world network

        以每層4個神經(jīng)元的4層BP神經(jīng)網(wǎng)絡為例,重連變換首先隨機斷開相鄰層神經(jīng)元之間的連接,然后與非相鄰層神經(jīng)元之間隨機地建立新的連接。而加邊變換沒有斷開過程,它只在不改變任何原始邊的情況下在非相鄰層神經(jīng)元之間添加新的連接。新增連接的位置都是隨機分布在所有網(wǎng)絡神經(jīng)元之間的,網(wǎng)絡的隨機程度用概率p來描述。

        式中nad和nor分別為新添加的連接數(shù)和原始連接數(shù)。

        圖4給出了從常規(guī)網(wǎng)絡到隨機網(wǎng)絡的隨機加邊變換過程。當p=0或p=1時,網(wǎng)絡是完全規(guī)則或完全隨機的。當p介于0和1之間時,網(wǎng)絡具有小世界屬性。因此,利用特征路徑長度L(p)和聚類系數(shù)C(p)對小世界結構性質進行量化,并探討中間區(qū)域(0<p<1)的特性。

        圖4 從規(guī)則BP神經(jīng)網(wǎng)絡到隨機網(wǎng)絡的隨機加邊過程Fig. 4 Random add-edge procedure from a regular BP neural network to a random one

        特征路徑長度L(p)是衡量網(wǎng)絡中所有連接邊平均長度的全局性質,聚類系數(shù)C(p)是描述網(wǎng)絡中連接邊密度的局部性質。圖5顯示了圖1中描述的4個隱含層DSWNN的L(p)和C(p)隨p變化的規(guī)范化值??梢杂^察到,隨著p的增加,L(p)急劇下降,而C(p)下降相對緩慢。當p接近0.1時,得到了一個大C(p)和一個小L(p),這表明DSWNN的拓撲結構具有最好的小世界性質。因此,新添加的邊連接數(shù)是原始連接數(shù)的10%。

        圖5 圖1中描述的4個隱含層DSWNN的L(p)和C(p)Fig. 5 L(p) and C(p) for the four-hidden-layer DSWNN described in figure 1

        本文選擇了加邊變換方法來重建DSWNN模型。假設DSWNN模型有H(H=1,2,3,…,i,…)個隱含層,第i個隱含層有N個神經(jīng)元,第i+1個隱含層有M個神經(jīng)元。當p=0時,DSWNN模型是一個規(guī)則網(wǎng)絡,第i層和i+1層之間的權重矩陣Wi被描述為

        因此,整個隱含層的連接矩陣W可以表示為

        當p=0.1時,DSWNN不斷開原始網(wǎng)絡中的連接,只在非相鄰隱含層中的神經(jīng)元之間生成連接。矩陣W中的對角線權重不會改變,因為連接不會斷開。整個隱含層的全局Wa可以表示為

        1.4 DSWNN網(wǎng)絡的參數(shù)微調

        經(jīng)過逐層預訓練和小世界轉換后,利用反向傳播有監(jiān)督學習BP算法對DSWNN進行微調,并在微調過程中優(yōu)化隱含層的參數(shù),最終得到了DSWNN模型的全局優(yōu)化參數(shù)。在此過程中,DSWNN模型的初始參數(shù)由訓練前參數(shù)(權值和偏差)和小世界轉換得到的連接權值組成。由于微調只完成基于這些初始參數(shù)的局部搜索,因此在優(yōu)化過程中大大縮短了收斂時間。

        本文將tanh函數(shù)作為隱含層的激活函數(shù),將Softmax函數(shù)作為頂層分類器的激活函數(shù)。選擇公式(6)中所示的交叉熵[29]作為測量誤差的代價函數(shù)C。

        式中:k為輸出層中的神經(jīng)元數(shù)量;tk為輸出層期望的輸出標簽值;ak為輸出層實際預測值。

        RBM訓練過程可以看作DSWNN模型權值參數(shù)的初始化,克服了權值參數(shù)隨機初始化容易陷入局部最優(yōu)和訓練時間長的缺點。對于故障的檢測,可以使用大量未標記的SCADA數(shù)據(jù)進行預訓練,使用少量標記的數(shù)據(jù)進行微調。這樣,訓練后的DSWNN比深度自編碼網(wǎng)絡或BP網(wǎng)絡更為優(yōu)化。

        2 基于自適應閾值估計方法的異常檢測

        在異常檢測中,利用訓練好的DSWNN模型預測SCADA信號的未來值,并利用預測值與實際值之間的預測誤差EP來判斷異常。定義為

        式中:X為SCADA數(shù)據(jù)的當前值;X^為DSWNN模型的預測輸出。

        一般來說,設定閾值并將其與EP進行比較是評估風電機組是否發(fā)生故障的最常用和最有效的方法。風機正常運行時,SCADA信號均在閾值范圍內。一旦出現(xiàn)異常,這些監(jiān)測信號之間的隱式關系將被打破,一個或多個信號值將突然超過閾值發(fā)出報警。確定異常情況的規(guī)則定義為

        式中Rth是閾值。

        然而,閾值的設置范圍往往很廣,且經(jīng)常在初次設置后保持不變。一方面,閾值內的故障將無法診斷;另一方面,隨機風速引起的一些偶然波動將被誤診為故障。因此,本文提出了一種基于極值理論的自適應閾值估計方法,用于監(jiān)測EP的變化趨勢,檢測EP的異常變化。

        假設X1,X2,…,Xn是分布函數(shù)為F(x)的獨立隨機變量的n個樣本向量。每個樣本向量Xi在一段時間內包含一定數(shù)量的值。Mn=max(X1,X2,…,Xn)表示n個樣本向量的最大值。對于一組Mn,概率分布函數(shù)可以描述為

        式中:an和bn分別是比例參數(shù)和位置參數(shù);β是形狀參數(shù)。

        大量正常的SCADA數(shù)據(jù)被用來訓練DSWNN模型,也被用來計算EP值。由于數(shù)據(jù)大多為正態(tài)分布,EP的均值是穩(wěn)定的,但其方差數(shù)據(jù)應該是非平穩(wěn)的。因此,比例參數(shù)an和位置參數(shù)bn分別表示為:

        式中:δ0和δt均為常值系數(shù);g(t)是描述受不斷變化的SCADA數(shù)據(jù)影響的可變運行條件的函數(shù)。然后,用于確定警告的最終自適應閾值可以通過以下方法計算:

        式中:ρ為置信度,由累積分布函數(shù)法計算而得;參數(shù)an、bn和β可通過最大似然估計方法來獲得。

        3 實例驗證

        3.1 風機變槳系統(tǒng)監(jiān)測參數(shù)

        為了測試所提出DSWNN模型的性能,在故障識別、預測和分類方面做實例分析。實驗數(shù)據(jù)來源于某風電場30臺2 MW風電機組一年的SCADA系統(tǒng)數(shù)據(jù)。另外,為了增加對比度,采用了經(jīng)典DBN和DNN模型作為對比測試方法。俯仰故障主要分為俯仰傳感器故障和執(zhí)行器故障。變槳傳感器故障是由編碼器盤上的灰塵、葉片變槳軸承調整不正確、溫度和濕度超出可接受范圍或校準不當引起的。葉片變槳距傳感器和執(zhí)行器的這些故障經(jīng)常出現(xiàn),導致轉子不平衡引起汽輪機結構負荷,影響浮動平臺的穩(wěn)定性。這些故障主要與俯仰角、俯仰力矩、俯仰電機等信號有關。用于訓練DSWNN、DBN和DNN模型的特定監(jiān)控SCADA參數(shù)如表1所示。

        表1 風機變槳系統(tǒng)監(jiān)測參數(shù)Tab. 1 Monitoring parameters of wind turbine pitch system

        3.2 變槳異常預測分析

        風力機的3個葉片具有3組獨立同步的變槳驅動裝置。當風速突然變化,葉片需要頻繁改變槳距角時,3個槳距驅動器的同步動作失效往往導致多個故障同時發(fā)生。表2記錄了2017年1月1日發(fā)生的多次報警記錄。經(jīng)證實,主要原因是3個葉片的俯仰動作經(jīng)后期維護后不同步。這種故障是由典型的機械磨損引起的,其故障特征將隱藏在SCADA數(shù)據(jù)中。因此,所監(jiān)測的相關信號可以表示為

        表2 風機變槳系統(tǒng)故障報警記錄Tab. 2 Fault alarm record of wind turbine pitch system

        使用數(shù)據(jù)集XA訓練DSWNN、DBN和DNN模型,然后使用記錄的故障SCADA數(shù)據(jù)計算預測的均方誤差,結果見圖6。

        從圖6(c)可以看出,在時間t3之前,DSWNN獲得的預測誤差在自適應閾值范圍內波動。但t3后,誤差接近其上限,然后逐漸超過其上限。根據(jù)表2報警記錄,第一個名為“俯仰角1不同步”的故障發(fā)生在07:58:12。這意味著DSWNN可以在實際停機時間前大約3 h檢測到異常,從而為俯仰系統(tǒng)的維護提供了足夠的時間。對比圖6(a)和圖6(b)可知,DNN和DBN模型分別可以提前1.1 h和2.3 h預測出故障,均比本文所提出的DSWNN模型預測時間短。此外,DSWNN模型的計算誤差在3種模型中也最小,說明DSWNN模型可以從正常的SCADA數(shù)據(jù)中提取更充分的動態(tài)特征。因此,一方面,用DSWNN模型來描述俯仰系統(tǒng)的動態(tài)特性更為準確,且可更早地檢測出早期故障。另一方面,自適應閾值可以有效地跟蹤預測誤差,以提高預測模型的適應性,為系統(tǒng)減少誤報和漏報提供了更準確的判斷依據(jù)。

        圖6 故障預測誤差Fig. 6 Fault prediction error

        3.3 變槳故障分類性能比較

        為了驗證所提出的多故障分類方法的準確性,根據(jù)SCADA系統(tǒng)的實際報警信息,選取了9個典型或頻繁的基本故障作為分類目標。表3列出了具體的故障,其中F1~F9表示9個故障報警,F(xiàn)10表示無故障狀態(tài)。同樣,采用DBN和DNN作為比較模型,3個模型采用相同的網(wǎng)絡結構:1)輸入神經(jīng)元數(shù)量為12個,對應于表1中描述的12維參數(shù);2)輸出神經(jīng)元數(shù)量為10個,分別對應于表3中的10個分類;3)3種模型均選擇5個隱含層,每層30個神經(jīng)元。具體而言,DSWNN模型在預訓練過程中有5個RBM,小世界轉換過程中的概率設為p=0.1。與DSWNN相比,DBN模型沒有小世界轉換的過程,它只包括2個過程:預訓練和微調。DNN模型是一種標準的多層前向神經(jīng)網(wǎng)絡,其訓練過程遵循誤差反向傳播原理。

        表3 故障列表Tab. 3 Fault list

        在數(shù)據(jù)準備方面,將實驗數(shù)據(jù)分為20 000段訓練數(shù)據(jù)和6 000段驗證數(shù)據(jù)。此外,每個故障類別都包含一定數(shù)量的故障數(shù)據(jù),數(shù)據(jù)分布如表4所示。值得注意的是,提供的所有數(shù)據(jù)片段都是根據(jù)相應的故障類型進行標記的。在模型訓練過程中,DSWNN和DBN首先由去掉標簽的數(shù)據(jù)片段進行預訓練,然后用這些標簽的數(shù)據(jù)片段進行微調。簡單地說,神經(jīng)網(wǎng)絡模型使用所有標記數(shù)據(jù)進行訓練和驗證,這些訓練和驗證是在有監(jiān)督的環(huán)境下進行的。

        表4 實驗數(shù)據(jù)的分配Tab. 4 Confusion information of the experimental data

        圖7給出了3個模型的分類精度。通過與混淆矩陣中所示的錯誤分類條件比較,神經(jīng)網(wǎng)絡模型可以很容易地判斷F3、F5、F6和F8的錯誤,因為這些真實的否定會導致嚴重的后果。F3、F5為電氣故障,其發(fā)生具有較強的隨機性和偶然性。F6和F8與槳距角有關,而槳距角應該由風速、風力、槳距角編碼器和葉根扭矩等監(jiān)測,這些故障的原因是隨機風速對葉片的影響很大。診斷上述故障的基本要求是,所使用的分類算法應具有從多個運行數(shù)據(jù)中挖掘隱含特征的能力。

        圖7 3種神經(jīng)網(wǎng)絡對10種故障分類精度的比較Fig. 7 Comparison of three neural networks in classification accuracy of 10 types of faults

        然而,這正是神經(jīng)網(wǎng)絡模型所缺乏的,因為它的網(wǎng)絡參數(shù)是由隨機初始化產(chǎn)生的,沒有任何理論基礎。眾所周知,參數(shù)直接影響分類結果。DSWNN和DBN模型使用了預訓練來獲得更好的網(wǎng)絡參數(shù),并且它們對所有故障的分類精度都比DNN模型顯示出更好的性能(見圖7(b)和7(c))。但故障F4和F5的診斷準確率也有所下降,這可能是由訓練數(shù)據(jù)中缺乏故障數(shù)據(jù)所致。

        此外,還同時記錄了3個模型在訓練過程中的全局變化誤差,如圖8所示。從圖中可以看出,DSWNN、DBN和DNN的收斂時間分別為255、210、168 s。DSWNN的計算時間最長,這是因為它在預訓練和微調之間有一個小世界轉換過程。在0~110 s間隔內,DSWNN和DBN的訓練誤差幾乎達到階段穩(wěn)定,這是因為網(wǎng)絡處于訓練前階段,其多個RBM達到了能量守恒。在110~130 s范圍內,DSWNN和DBN由無監(jiān)督訓練變?yōu)橛斜O(jiān)督訓練,訓練誤差突然減小,出現(xiàn)新的低收斂值。在124 s時,DSWNN的訓練誤差在短時間內增加,這是由小世界轉換后網(wǎng)絡結構中增加的邊的附加權值引起的。DSWNN重新跟蹤隨機的新添加邊,導致短期誤差增加。

        圖8 DSWNN、DBN和DNN的訓練誤差Fig. 8 Training error of DSWNN, DBN, and DNN

        4 結論

        提出了一種基于無監(jiān)督學習的風電機組早期異常檢測DSWNN模型。DSWNN模型是深度自編碼網(wǎng)絡和小世界神經(jīng)網(wǎng)絡的有效結合,可以更準確地模擬風力發(fā)電機的動態(tài)行為?;趯嶋H案例的仿真分析得出如下結論:

        1)自適應閾值能夠有效地跟蹤預測誤差,減少誤報。因此,所提出的基于極值理論的自適應閾值方法可以應用于風電機組的實時監(jiān)測,減少風速波動和外界干擾對風電機組異常檢測的影響。

        2)與DBN和DNN算法相比,DSWNN模型具有更小、更準確的預測誤差,證明了DSWNN模型具有深度網(wǎng)絡特征和更好的學習能力。

        3)結合DSWNN模型和自適應閾值,能夠提前3 h預測變槳距系統(tǒng)故障,可用于后續(xù)的風電機組異常檢測和故障診斷。

        猜你喜歡
        神經(jīng)元閾值神經(jīng)網(wǎng)絡
        《從光子到神經(jīng)元》書評
        自然雜志(2021年6期)2021-12-23 08:24:46
        神經(jīng)網(wǎng)絡抑制無線通信干擾探究
        電子制作(2019年19期)2019-11-23 08:42:00
        小波閾值去噪在深小孔鉆削聲發(fā)射信號處理中的應用
        基于自適應閾值和連通域的隧道裂縫提取
        躍動的神經(jīng)元——波蘭Brain Embassy聯(lián)合辦公
        比值遙感蝕變信息提取及閾值確定(插圖)
        河北遙感(2017年2期)2017-08-07 14:49:00
        室內表面平均氡析出率閾值探討
        基于神經(jīng)網(wǎng)絡的拉矯機控制模型建立
        重型機械(2016年1期)2016-03-01 03:42:04
        復數(shù)神經(jīng)網(wǎng)絡在基于WiFi的室內LBS應用
        基于二次型單神經(jīng)元PID的MPPT控制
        電源技術(2015年5期)2015-08-22 11:18:38
        亚洲日韩av无码中文字幕美国| 中国男女黄色完整视频| 国产美女高潮流白浆免费视频| 女人被狂躁高潮啊的视频在线看 | 国产精品亚洲av无人区二区| 美腿丝袜在线一区二区| 国偷自产一区二区免费视频| 欧美性福利| 中文字幕一区二区三区喷水| 一个少妇的淫片免费看 | 最新国产精品精品视频| 亚洲国产系列一区二区| 亚洲精品无码久久久久去q| 色爱区综合激情五月综合小说| 亚洲一二三四五区中文字幕 | 久久午夜无码鲁丝片直播午夜精品| 亚洲一区二区三区久久不卡| 街拍丝袜美腿美女一区| 成人中文乱幕日产无线码 | 亚洲AV无码久久久一区二不卡| 国产一区二区三区乱码在线| 曰批免费视频播放免费| 国产成人亚洲精品无码mp4| 女同性恋精品一区二区三区| 成人大片在线观看视频| 午夜免费视频| 亚洲精品成人网久久久久久| 亚洲国产精品夜男人天堂| 亚洲中文字幕精品乱码2021| 女人被爽到呻吟gif动态图视看| 久热香蕉av在线爽青青| 久久久精品国产av麻豆樱花| 欧美丰满熟妇bbbbbb| 在线看亚洲十八禁网站| 一本久久a久久精品综合| 日韩亚洲精品中文字幕在线观看| 乱人伦中文无码视频| 9丨精品国产高清自在线看| 日本久久精品福利视频| 亚洲 另类 日韩 制服 无码| 国产亚洲精品福利在线|