-
摘要: 研究陶瓷晶粒尺寸分布对估计陶瓷样品的物理属性具有重要意义, 当前主要依赖人工方法测量晶粒尺寸, 由于晶粒形状不规则且大小不一, 因此人工方法测量效率低、误差大. 针对该问题, 提出一种数据与模型联合驱动的陶瓷材料晶粒分割算法. 该算法首先通过图像预处理解决材料表面反光导致的灰度不均匀问题; 其次利用本文提出的鲁棒分水岭变换实现图像中晶粒的预分割, 解决传统分水岭算法存在的过分割以及分割区域个数与轮廓精度难以平衡的问题; 最后提出轻量级富卷积特征网络输出晶粒轮廓, 并利用该轮廓对预分割结果进行优化. 与主流图像分割算法相比, 该算法一方面利用鲁棒分水岭变换实现了更为准确的晶粒区域定位, 另一方面利用图像的低层与高层特征融合获取了更为精准的晶粒轮廓. 实验结果表明, 该算法不仅能够实现陶瓷材料晶粒尺寸的精准计算, 而且具有较高的计算效率, 为分析陶瓷材料物理属性提供了客观准确的数据.Abstract: The research of the distribution of ceramic grain sizes is significant for estimating physical properties of ceramic materials. At present, researchers mainly use manual methods to measure ceramic grains, which leads to low efficiency and large error due to the irregular shape and different sizes of grains in ceramic images. To solve this issue, a new algorithm used for grain segmentation of ceramic materials is proposed in this paper. This algorithm first performs image pre-processing to solve the problem of intensity inhomogeneity caused by surface reflection of materials in the imaging process. Secondly, a robust watershed transform (RWT) is presented and used for pre-segmentation of grains in scanning electron microscope images, which solves two problems existing in traditional watershed transform, one is over-segmentation and the other is the difficulty of balancing the number of segmentation regions and the accuracy of boundaries. Finally, we present a lightweight and richer convolutional features network (LRCF) used for grain contour prediction, and use the results generated by LRCF to optimize the pre-segmentation result. Compared with popular image segmentation algorithms, the proposed algorithm shows two advantages. On one hand, it achieves more accurate grain region segmentation due to the employment of RWT; on the other hand, it provides more accurate grain boundaries due to the optimization of LRCF. Experimental results show that the proposed algorithm not only provides accurate grain sizes of ceramic materials, but also shows high calculation efficiency, which is significant for property analysis of ceramic materials.
-
近年来, 随着互联网、云计算等信息科技的蓬勃发展, 2006年美国国家科学基金会提出了信息技术的发展方向 — 信息物理系统(Cyber-physical system, CPS)[1], CPS是计算资源和物理资源的紧密耦合与协同, 使得系统的适应性、自治力、可靠性、安全性和可用性远超当前的系统[2]. 能源是人类赖以生存和发展的基础, 能源的可持续和清洁化始终是人类孜孜以求的目标[3]. 近年来, 随着风、光等新能源利用技术的高速发展, 以风、光等永续清洁能源为主要供能形式, 建设清洁低碳安全高效的信息能源系统, 实现绿色可再生能源高效利用, 破解当前化石能源困局成为业界重要共识[4]. 尽管信息物理系统的稳定性已经得到了广泛的研究, 但大部分的学者皆关注于通信网络延时或攻击下的信息物理系统的稳定性问题[5-6], 无网络通信的信息物理系统的信−物融合稳定性分析策略亟待提出. 其中, 内嵌数字控制系统的并网逆变器系统可以被认为是最简单和最典型的信息能源系统之一. 基于此, 本文聚焦于无通信网络的内嵌数字控制的并网逆变器系统, 提出信息能源系统的信−物融合稳定性分析技术.
信息能源/信息电力系统稳定性已经被广泛研究, 其可以被区分为网络攻击下的系统稳定性问题和无网络攻击下的系统稳定性问题[7-11]. 从攻击角度出发, 当前研究已经从网络攻击[7]、攻击级联反应[8]、主动预防[9]等多角度构建了相对完整的研究体系. 从无攻击角度出发, 当前研究多集中于分布式/集中式通信网络的延时. Xu等[10]和张一媚等[11]分别对信息电力系统和信息能源系统信−物融合导致的通信延时设计了延时阈值条件. 两者都是针对二级控制中存在的通信延时展开研究, 给出了二级控制中致使控制器失效的极限延时时间. 无通信网络的底层信息能源网络稳定性评估尚属空白, 而隶属于无通信网络的底层信息能源网络的内嵌数字控制系统的并网逆变器系统可以被认为最简单而典型的信息物理系统之一, 其包含数字控制系统和电力变换器件而无通信网络. 从效率的角度出发, 逆变器的开关/采样频率总是选择尽可能低的频率, 其势必产生系统固有延迟时间[12], 此固有延时时间由信息/物理层的采样延迟时间、信息层的计算延迟时间和物理层的脉宽调制(Pulse-width modulation, PWM)延迟时间三部分组成, 其有效反映了信息−物理相互融合作用的影响. 因此, 确保系统稳定情况下的信息−物理相互融合而导致的等效延时的阈值亟待提出, 该阈值可以进一步指导实际微电网开关/采样频率的选取, 避免系统出现信息−物理融合影响而导致的失稳现象. 同时, 在2020年, 功率−信号混合传递策略在Nature Communications上被提出, 本文方法不需要传统的通信网络, 而是通过物理层的脉宽调制的开关频率和相位偏差两个自由度传递信息, 该方法将信息−物理耦合成了一个整体[13]. 然而该方法需要一系列正交的开关频率传递信息, 随着开关频率的降低也会导致信息−物理融合的低频/次同步振荡问题.
由采样−计算−脉宽调制造成的固有延时隶属于纳秒级延时, 同时隶属于系统最底层且基础的电磁时间尺度的稳定性问题和电力系统中的静态小扰动稳定性问题[14]. 目前, 电磁时间尺度稳定性分析技术已经取得了诸多研究成果[15-23]. 相关成果可以被分为基于状态方程的稳定性分析技术[14-17]、基于闭环传递函数的稳定性分析技术[18-19]和基于阻抗方法的稳定性分析技术[20-26] 3个大类. 其中基于状态方程的稳定性分析技术首先从电能变换器件及其连接线路的角度出发构建整个系统的状态方程, 其主要热点及难点问题在于构建整个状态方程时考虑延时、锁相环耦合等问题. 文献[14]提出通过柏德近似等方法对上述问题进行化简. 此外, 当电力变换器的数量增多时, 整体的状态方程将变得十分复杂, 目前有效的解决方法是对整体的状态方程进行降阶, 如奇异值摄动法[15]、Schur变换法[16]和Kron降阶法[17]等. 基于闭环传递函数的稳定性分析方法是建立整个系统模型并利用波特图和根轨迹等方法判别系统的稳定性[18]. 然而基于闭环传递函数的波特图和根轨迹法也存在复杂的计算量, 因此, 该稳定性分析方法也需要降阶处理, 其常见的降阶方法有奇异值摄动法等[19]. 然而, 状态方程法和闭环传递函数法随着变换器数量增加而导致模型维数灾问题, 并且随着可再生能源的渗透率不断地提高, 整个网络的状态方程或传递函数难以构建[20].
因此, 基于阻抗方法的电磁时间尺度稳定性分析技术越来越得到学者的关注. 阻抗方法通过构建整个系统的阻抗模型并利用广义奈奎斯特曲线[21]以判别系统稳定性. 鉴于双向能流的交/直流混合微电网的急速发展, 文献[21]首先提出了Z
$+ $ Z型阻抗评估判据. 鉴于现存广义奈奎斯特判据高复杂性, 相关学者提出了简化稳定判据, 如范数阻抗判据和禁止区域阻抗判据[22-24]. 其中, 根据不同范数类别和判据区间范围, 将基于范数的阻抗判据分为G范数判据、Infinity范数判据和Infinity-one范数判据[22] 3类. 另外一系列的稳定判据则基于禁止区域, 如Middlebrook判据、增益和相位裕度判据、对立的观点判据等[23-24]. 然而上述阻抗稳定性分析方法多关注于稳定运行点的辨识和所构建的回比矩阵的稳定裕度, 而无法提供确保系统稳定运行时, 等效延时的变化区域或系统采样/开关频率阈值. 为了提供在信息−物理融合影响的情况下确保系统稳定的采样/开关频率阈值, 本文提出了一种基于自适应步长搜索算法的采样/开关频率阈值辨识技术. 本文的主要特点和优点如下:1)本文构建了内嵌等效时延的广义阻抗回比矩阵, 该等效延迟时间由信息/物理层的采样延迟时间、信息层的计算延迟时间和物理层的脉宽调制延迟时间3部分组成. 其有效反映了信息−物理相互融合作用的影响和为后续系统采样/开关频率阈值辨识提供模型基础.
2)本文利用柏德逼近技术将延时的指数型函数转化为频率分数函数, 进而将系统采样/开关频率阈值的求解问题转化为等效回比矩阵为Hurwitz的辨识问题. 其消除了传统阻抗技术中所涉及的广义奈奎斯特判据复杂度高的问题, 进而可以获得工程可用的稳定性判据.
3)本文提出了基于自适应步长搜索算法的采样/开关频率阈值辨识技术, 其能够获得信息能源系统采样/开关频率阈值, 有效指导微电网开关/采样频率的选取, 避免系统出现信息−物理融合影响而导致失稳现象.
1. 广义阻抗回比矩阵
常见的内嵌数字控制系统的并网逆变器系统如图1所示[23-27], 图1中, DG代表分布式电源. 在弱电网当中, 相较于传统的P&Q控制型并网逆变器, 下垂控制型并网逆变器具备更好的系统稳定性. 基于此, 下垂控制型并网逆变器已经被广泛应用于当前的交流微电网当中[22], 具体控制策略见文献[23]. 在此类分散式控制系统当中, 信息物理网络间存在固有延时时间, 包括信息/物理层的采样延迟时间、信息层的计算延迟时间和物理层的脉宽调制延迟时间三部分组成, 其有效反映了信息−物理相互融合作用的影响[24]. 在本文中, 由于此信息−物理相互融合作用而产生的等效延时定义为
$ G\left( \tau \right) $ . 从稳定性分析判据出发, 本文所研究的微电网系统可以等效为如图2所示的同步旋转坐标系下(dq轴)的戴维南等效电路[2]. 值得注意的是, 本文将多个分布式电源和逆变器系统等效为图2的单电源系统, 该等效是阻抗辨识技术相较于其他方法的最大优势, 通过网络拓扑等效可以降低计算负担, 本方法保留了精细划分不同电源/逆变器分别对系统稳定性的影响/贡献量, 可以利用参与因子法对某个或某几个电源/逆变器的影响进行精细化区分.相关电源/负载阻抗可以通过如下过程获得: 在dq轴下, 下垂控制器的电压/电流动态特性如下所示[27]:
$$ {V_{invd}} = {I_{invd}}({R_{inv}} + s{L_{inv}}) - \omega {L_{inv}}{I_{invq}} + {V_{cd}} $$ (1) $$ {V_{invq}} = {I_{invq}}({R_{inv}} + s{L_{inv}}) + \omega {L_{inv}}{I_{invd}} + {V_{cq}} $$ (2) $$ {I_{invd}} = {C_{inv}}{V_{cd}}s - \omega {C_{inv}}{V_{cq}} + {I_{cd}} $$ (3) $$ {I_{invq}} = {C_{inv}}{V_{cq}}s + \omega {C_{inv}}{V_{cd}} + {I_{cq}} $$ (4) 式中,
$ {V_{invd}} $ 、$ {V_{invq}} $ 、$ {I_{invd}} $ 和$ {I_{invq}} $ 分别表示在dq轴下并网逆变器的输出电压和电流;$ {V_{cd}} $ 、$ {V_{cq}} $ 、$ {I_{cd}} $ 和$ {I_{cq}} $ 分别表示在dq轴下并网逆变器的电压和电流;$ {R_{inv}} $ 、$ {L_{inv}} $ 和$ {C_{inv}} $ 分别表示电阻−电感−电容(Resistance-inductance-capacitance, RLC)电路中的电阻、电感和电容. 进一步, 电压−电流双闭环控制器如下所示[27]:$$ I_{invd}^\# = G_v^{inv}(V_{cd}^\# - {V_{cd}}) - \omega {C_{inv}}{V_{cq}} + K{I_{cd}} $$ (5) $$ I_{invq}^\# = G_v^{inv}(V_{cq}^\# - {V_{cq}}) + \omega {C_{inv}}{V_{cd}} + K{I_{cq}} $$ (6) $$ V_{invd}^\# = G_i^{inv}(I_{cd}^\# - {I_{cd}}) - \omega {L_{inv}}{I_{cq}} + {V_{cd}} $$ (7) $$ V_{invq}^\# = G_i^{inv}(I_{cq}^\# - {I_{cq}}) + \omega {L_{inv}}{I_{cd}} + {V_{cq}} $$ (8) 式中,
$ I_{cd}^\# $ 、$ I_{cq}^\# $ 、$ V_{cd}^\# $ 和$ V_{cq}^\# $ 分别表示在dq轴下并网逆变器电流和电压信号,$ G_v^{inv} $ 和$ G_i^{inv} $ 表示电压/电流双闭环比例积分(Proportional integral, PI)控制器$(G_v^{inv} = k_{vp}^{inv} + k_{vi}^{inv}/s$ 和$G_i^{inv} = k_{ip}^{inv} + k_{ii}^{inv}/s),$ $ K $ 表示反馈系数. 此外, 瞬时有功功率$ {p_{inv}} $ 和无功功率$ {q_{inv}} $ 通过式(9) 、式 (10)提供, 低通滤波器被应用至逆变器当中以获取平抑波动的有功功率$ {P_{inv}} $ 和无功功率$ {Q_{inv}} $ , 基于此, 逆变器的输出有功功率和无功功率如下所示:$$ {p_{{{inv}}}} = {\text{1}}{\text{.5}}\left( {{V_{cd}}{I_{cd}} + {V_{cq}}{I_{cq}}} \right) $$ (9) $$ {q_{{{inv}}}} = {\text{1}}{\text{.5}}\left( {{V_{cd}}{I_{cq}} - {V_{cq}}{I_{cd}}} \right) $$ (10) $$ {P_{inv}} = \frac{{{\omega _f}}}{{s + {\omega _f}}}{p_{inv}} $$ (11) $$ {Q_{inv}} = \frac{{{\omega _f}}}{{s + {\omega _f}}}{q_{inv}} $$ (12) 式中,
$ {\omega _f} $ 表示低通滤波器的截止频率. 如图3所示, 在内嵌数字控制系统的并网逆变器系统, 系统等效延时由3部分组成, 即, 信息/物理层的采样延迟时间和信息层的计算延迟时间可以表征为$ G\left( {{\tau _1}} \right) $ , 其中$ {\tau _1} = {T_s} $ ,$ {T_s} $ 表示采样周期, 即采样频率的倒数,$ {T_s} = 1/{f_s} $ , 物理层的脉宽调制延迟时间可以表征为$ G\left( {{\tau _2}} \right) $ , 其中$ {\tau _2} = 0.5{T_w} $ ,$ {T_w} $ 表示脉宽调制周期, 即开关频率的倒数,$ {T_w} = 1/{f_w} $ . 传统上, 采样周期和脉宽调制周期往往取值相同[24]. 基于此, 系统等效延时可以表示为$G\left( \tau \right) = {{\rm{e}}^{ - \tau s}} = {{\rm{e}}^{ - 1.5{T_s}s}} = {{\rm{e}}^{ - 1.5{T_w}s}} = {{\rm{e}}^{ - 1.5Ts}}$ , 其中,$ T $ 表示系统采样或开关周期. 因此, 式(11) 、式 (12)可以表示为:$$ {P_{inv}} = \frac{{{\omega _f}}}{{s + {\omega _f}}}{{\rm{e}}^{ - 1.5Ts}}{p_{inv}} $$ (13) $$ {Q_{inv}} = \frac{{{\omega _f}}}{{s + {\omega _f}}}{{\rm{e}}^{ - 1.5Ts}}{q_{inv}} $$ (14) 式中,
$ s $ 表示拉普拉斯因子, 根据文献[13]可知,${{\rm{e}}^{ - 1.5Ts}} = 4f - 3s/4f + 3s$ , 其中$ f $ 表示系统采样或开关频率. 下垂控制器可以表示为$$ \omega = {\omega ^\# } - m{P_{inv}} $$ (15) $$ V_{cd}^\# = {V^\# } - n{Q_{inv}} $$ (16) 式中,
$ {\omega ^\# } $ 和$ {V^\# } $ 分别表示额定角频率和电压, 依据动态矢量技术[27], 式(1) 、 式(2)和式(7) 、式 (8)进行偏差分析, 其中主要利用的原理:$x = y = {x^\# } + \Delta x = {y^\# } + \Delta y \to \Delta x = \Delta y$ , 因此,$ \Delta I_{inv}^\# $ 的小信号模型为:$$ \left[ {\begin{array}{*{20}{l}} {\Delta I_{invd}^\# } \\ {\Delta I_{invq}^\# } \end{array}} \right] = {\left[ {B1} \right]_{2 \times 2}}\left[ {\begin{array}{*{20}{l}} {\Delta I_{invd}^{}} \\ {\Delta I_{invq}^{}} \end{array}} \right] + {\left[ {B2} \right]_{2 \times 2}}\left[ {\begin{array}{*{20}{c}} {\Delta \omega } \\ {\Delta V_{cd}^\# } \end{array}} \right] $$ (17) 其中
$$\begin{split} &{\left[ {B1} \right]_{2 \times 2}} = {\rm{diag}}\left\{ \frac{{{R_{inv}} + s{L_{inv}} + G_i^{inv}\left( s \right)}}{{G_i^{inv}\left( s \right)}},\right. \\ & \qquad\qquad\quad\left.\frac{{{R_{inv}} + s{L_{inv}} + G_i^{inv}\left( s \right)}}{{G_i^{inv}\left( s \right)}} \right\} \\ &{\left[ {B2} \right]_{2 \times 2}} = \left[ {\begin{aligned} &{ - \frac{{I_{invq}^\# {L_{inv}}}}{{G_i^{inv}\left( s \right)}}}&0 \\ & {\frac{{I_{invd}^\# {L_{inv}}}}{{G_i^{inv}\left( s \right)}}}&0 \end{aligned}} \right]\end{split} $$ 建立式(3) ~ 式(6)的小信号模型:
$$ \begin{split} \left[ {\begin{array}{*{20}{l}} {\Delta I_{invd}^{}} \\ {\Delta I_{invq}^{}} \end{array}} \right] =\;& \left[ {\begin{array}{*{20}{l}} {\Delta I_{cd}^{}} \\ {\Delta I_{cq}^{}} \end{array}} \right] + {\left[ {B3} \right]_{2 \times 2}}\left[ {\begin{array}{*{20}{l}} {\Delta V_{cd}^{}} \\ {\Delta V_{cq}^{}} \end{array}} \right] + \\ & {\left[ {B4} \right]_{2\times 2}}\left[ {\begin{array}{*{20}{c}} {\Delta \omega } \\ {\Delta V_{cd}^\# } \end{array}} \right] \\[-20pt] \end{split} $$ (18) $$ \begin{split} \left[ {\begin{array}{*{20}{l}} {\Delta I_{invd}^\# } \\ {\Delta I_{invq}^\# } \end{array}} \right] = \;&{\left[ {B5} \right]_{2 \times 2}}\left[ {\begin{array}{*{20}{l}} {\Delta V_{cd}^{}} \\ {\Delta V_{cq}^{}} \end{array}} \right] + \\ & {\left[ {B6} \right]_{2 \times 2}}\left[ {\begin{array}{*{20}{l}} {\Delta I_{cd}^{}} \\ {\Delta I_{cq}^{}} \end{array}} \right] + {\left[ {B7} \right]_{2 \times 2}}\left[ {\begin{array}{*{20}{c}} {\Delta \omega } \\ {\Delta V_{cd}^\# } \end{array}} \right] \end{split} $$ (19) 其中
$$ \begin{split} &{\left[ {B3} \right]_{2 \times 2}}=\left[ {\begin{array}{*{20}{c}} {s{C_{inv}}}&{ - {\omega ^\# }{C_{inv}}} \\ {{\omega ^\# }{C_{inv}}}&{s{C_{inv}}} \end{array}} \right] \\ &{\left[ {B4} \right]_{2 \times 2}} = \left[ {\begin{array}{*{20}{c}} 0&0 \\ {V_{cd}^\# {C_{inv}}}&0 \end{array}} \right] \\ &{\left[ {B5} \right]_{2\times 2}} = \left[ {\begin{array}{*{20}{c}} { - G_v^{inv}\left( s \right)}&{ - {\omega ^\# }{C_{inv}}} \\ {{\omega ^\# }{C_{inv}}}&{ - G_v^{inv}\left( s \right)} \end{array}} \right] \\ &{\left[ {B6} \right]_{2 \times 2}} = \left[ {\begin{array}{*{20}{c}} K&0 \\ 0&K \end{array}} \right]\\ &{\left[ {B7} \right]_{2 \times 2}} = \left[ {\begin{array}{*{20}{c}} 0&{G_v^{inv}\left( s \right)} \\ 0&0 \end{array}} \right]\end{split}$$ 式(11) ~ 式 (16)的小信号模型为:
$$\begin{split} \Delta {p_{inv}} = \;&1.5( {V_{cd}}\Delta {I_{cd}} + \Delta {V_{cd}}{I_{cd}} +\\ &{V_{cq}}\Delta {I_{cq}} + \Delta {V_{cq}}{I_{cq}}) \end{split}$$ (20) $$ \begin{split} \Delta {q_{inv}} =\;& 1.5( {V_{cd}}\Delta {I_{cq}} + \Delta {V_{cd}}{I_{cq}}-\\ & {V_{cq}}\Delta {I_{cd}} - \Delta {V_{cq}}{I_{cd}})\end{split} $$ (21) $$ \Delta \omega = - \frac{{m{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}\Delta {p_{inv}} $$ (22) $$ \Delta V_{cd}^\# = - \frac{{n{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}\Delta {q_{inv}} $$ (23) 相似地, 以矩阵形式表征式(20) ~ 式(23):
$$ \left[ {\begin{array}{*{20}{c}} {\Delta \omega } \\ {\Delta V_{cd}^\# } \end{array}} \right] = {[B8]_{2\times2}}\left[ {\begin{array}{*{20}{c}} {\Delta {V_{cd}}} \\ {\Delta {V_{cq}}} \end{array}} \right] + {[B9]_{2\times2}}\left[ {\begin{array}{*{20}{c}} {\Delta {I_{cd}}} \\ {\Delta {I_{cq}}} \end{array}} \right] $$ (24) 其中
$$ {[B8]_{2\times2}} = \left[ {\begin{array}{*{20}{c}} {B811}&{B812} \\ {B821}&{B822} \end{array}} \right] $$ $$ \begin{split} &B811 = \frac{{1.5m{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}I_{cd}^\# \\ & B812 = - \frac{{1.5m{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}I_{cq}^\# \\ &B821 = - \frac{{1.5n{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}I_{cq}^\# \\ & B822 = - \frac{{1.5n{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}I_{cd}^\# \\ &{[B9]_{2\times2}} = {\rm{diag}}\left\{ - \frac{{1.5m{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}V_{cd}^\# ,\right. \\ &\qquad\qquad\quad\left. - \frac{{1.5n{\omega _f}}}{{s + {\omega _f}}}\frac{{4f - 3s}}{{4f + 3s}}V_{cd}^\# \right\} \end{split} $$ 由于下垂逆变器的输出阻抗矩阵
${{\boldsymbol{Z}}_{{{inv}}}} = \left[ {\begin{aligned} {{Z_{dd}}}\;\;{{Z_{dq}}} \\ {{Z_{qd}}}\;\;{{Z_{qq}}} \end{aligned}} \right]$ , 满足如下的等式关系$\left[ {\begin{aligned} {\Delta {V_{cd}}} \\ {\Delta {V_{cq}}} \end{aligned}} \right] = \left[ {\begin{aligned} {{Z_{dd}}}\;{{Z_{dq}}} \\ {{Z_{qd}}}\;{{Z_{qq}}} \end{aligned}} \right]\times \left[ {\begin{aligned} {\Delta {I_{cd}}} \\ {\Delta {I_{cq}}} \end{aligned}} \right]$ . 因此, 将式(18)、式(19)和式(24)代入式(17),可以得到逆变器的输出阻抗矩阵:$$ \begin{split} {{\boldsymbol{Z}}_{{{inv}}}} =\;& \left[ {\begin{array}{*{20}{c}} {{Z_{dd}}}&{{Z_{dq}}} \\ {{Z_{qd}}}&{{Z_{qq}}} \end{array}} \right] =\\ & \{ {\left[ {B5} \right] + \left[ {B7} \right]\left[ {B8} \right] - \left[ {B1} \right]\left[ {B3} \right]}- \\ & { \left[ {B1} \right]\left[ {B4} \right]\left[ {B8} \right] - \left[ {B2} \right]\left[ {B8} \right]} \}^{ - 1} \cdot \\ &\{ {\left[ {B1} \right]\left[ {B4} \right]\left[ {B9} \right] + \left[ {B1} \right] + } \\ &{\left[ {B2} \right]\left[ {B9} \right] - \left[ {B6} \right] - \left[ {B7} \right]\left[ {B9} \right]} \} \end{split} $$ (25) 最后, 弱电网的输入导纳矩阵如下[26]:
$$ {{\boldsymbol{Y}}_{{g}}} = {{\boldsymbol{Z}}_{{g}}^{ - 1}} = {\left[ {\begin{array}{*{20}{c}} {{Z_{dd}}}&{{Z_{dq}}} \\ {{Z_{qd}}}&{{Z_{qq}}} \end{array}} \right]^{ - 1}} $$ (26) $$ \begin{split} &{Z_{dd}} = {Z_{qq}} = \frac{{\left[ {C1} \right]{s^2} + \left[ {C2} \right]s + \left[ {C3} \right]}}{{\left[ {C4} \right]{s^2} + \left[ {C5} \right]s + \left[ {C6} \right]}}\\ &{Z_{dq}} = - {Z_{qd}} = \frac{{\left[ {C7} \right]}}{{\left[ {C4} \right]{s^2} + \left[ {C5} \right]s + \left[ {C6} \right]}}\\ &{\left[ {C1} \right]} = \left( {{L_g}{C_g} + {R_g}{C_g}} \right){L_g} \\ & {\left[ {C2} \right]} = {L_g}{R_g}{C_g} + R_s^2{C_g} + {L_g} \\ & {\left[ {C3} \right]} = \left( {{L_g}{C_g} + {R_g}{C_g}} \right){L_g}\omega _{}^{\# 2} + {R_g} \\ &{\left[ {C4} \right]} = {\left( {{L_g}{C_g} + {R_g}{C_g}} \right)^2} \\ & {\left[ {C5} \right]} = 2\left( {{L_g}{C_g} + {R_g}{C_g}} \right) \\ & {\left[ {C6} \right]} = {\left( {{L_g}{C_g} + {R_g}{C_g}} \right)^2}\omega _{}^{\# 2} + 1\\ & {\left[ {C7} \right]} = \left( {{L_g}{C_g} + {R_g}{C_g}} \right){R_g}{\omega ^\# } - {L_g}{\omega ^\# }\end{split} $$ 式中,
$ {R_g} $ 、$ {L_g} $ 和$ {C_g} $ 分别表示等效交流母线的电阻、电感和电容;$ {\omega ^\# } $ 表示系统额定频率. 因此, 内嵌等效延时的微电网系统的等效回比矩阵如下:$$ {{\boldsymbol{R}}_{{0}}} = {{\boldsymbol{Z}}_{{{inv}}}}{{\boldsymbol{Y}}_{{g}}} $$ (27) 同时, 微电网系统的等效回比矩阵是等效延时时间的函数, 即,
${{\boldsymbol{R}}_{{0}}} = h(T)$ . 根据阻抗稳定判据[23], 当等效回比矩阵的广义奈奎斯特曲线不包含(−1, 0)点时, 系统稳定性可以得到保证.2. 自适应步长搜索算法
由于复杂的奈奎斯特曲线簇绘制过程不利于参数的设计, 相关学者相继提出了如图4所示的稳定禁止区域判据, Middlebrook判据、对立的观点判据、GMPM判据和NSFR判据[28], 其中
${\rm{Re}}(\cdot)$ 代表实部,${\rm{Im}}(\cdot)$ 代表虚部. 相较于前三种禁止区域判据, NSFR判据具备更低的保守性. 当$ {\varepsilon _{GM}} $ 趋向于1且$ {\theta _{PM}} $ 趋向于0时, NSFR判据可以转化为近似充要条件. 因此本文选用NSFR判据以分析延时依赖的等效回比矩阵的稳定性.引理1[23]. 如果微电网系统等效回比矩阵的相反数
$(- {{\boldsymbol{R}}_{{0}}})$ 不包围(1, 0)点, 则微电网系统的电磁时间尺度稳定性可以得到保证.因此, 互联系统电磁时间尺度稳定运行区域可以通过
$- {{\boldsymbol{R}}_{{0}}}$ 得到(如图5中深色区域所示). 进而, 稳定运行区域可以由三个子区域的并集得到(如图6中深色区域所示), 即$ A = {A_1} \cup {A_2} \cup {A_3} $ . 其中$ {A_1} $ 可以通过平移映射将原矩阵转化为Hurwitz矩阵${{\boldsymbol{R}}_{{1}}}$ 所构成的空间平面,$ {A_2} $ 和$ {A_3} $ 可以分别通过转映射将原矩阵转化为Hurwitz矩阵${{\boldsymbol{R}}_{{2}}}$ 和${{\boldsymbol{R}}_{{3}}}$ , 进而可以将${{\boldsymbol{R}}_{{1}}}$ 、${{\boldsymbol{R}}_{{2}}}$ 和${{\boldsymbol{R}}_{{3}}}$ 定义为等效回比矩阵:$$ {A}_{1}: {\boldsymbol{R}}_{{1}}=-{\boldsymbol{R}}_{{0}}-{\varepsilon }_{GM}{\boldsymbol{E}} $$ (28) $$ {A}_{2}: {\boldsymbol{R}}_{{2}}=-{\boldsymbol{R}}_{{0}}\times {{\rm{e}}}^{{\rm{j}}{\theta }_{PM}} $$ (29) $$ {A_3}: {{\boldsymbol{R}}_{{3}}} = - {{\boldsymbol{R}}_{{0}}} \times {{\rm{e}}^{ - {\rm{j}}{\theta _{PM}}}} $$ (30) 式中,
${{\boldsymbol{R}}_{{1}}}$ 、${{\boldsymbol{R}}_{{2}}}$ 和${{\boldsymbol{R}}_{{3}}}$ 是Hurwitz矩阵. E表示单位矩阵.注1. 文献[25]所采用的方法是奈奎斯特稳定判据, 该方法更适用于已知系统的稳定性判别, 而难以给出稳定运行区间的范围. 奈奎斯特法求取稳定区间的极限需要成千上万次绘制奈奎斯特曲线或波特图, 随着可再生能源数量的递增, 该方法将极大地耗费人力资源, 因此, 文献[29]明确指出“奈奎斯特判据复杂, 难以适用于交流网络的系统设计”. 基于此, 本文将采样/开关频率阈值辨识问题转化为矩阵Hurwitz辨识问题, 从而消除了奈奎斯特曲线或波特图, 降低了计算负担. 同时相较于文献[29]提出的范数判据方法, 本文方法的保守性更低.
接着, 将提供逆变器的极限开关/采样频率阈值. 通过上述分析可知, 当
${{\boldsymbol{R}}_{{1}}}$ 、${{\boldsymbol{R}}_{{2}}}$ 和${{\boldsymbol{R}}_{{3}}}$ 是Hurwitz矩阵时, 系统的稳定性可以得到保证, 基于此, 等效回比矩阵是采样/开关频率依赖的非线性时不变矩阵. 因此, 本文提出基于等效回比矩阵的自适应步长搜索算法以获取微电网稳定下的采样/开关频率极限阈值. 为了增强算法的适应性, 本文采用最小均方(Least mean square, LMS)作为生长因子:$$ r\left(m+1\right)=r\left(m\right)+{\rm{sign}}({L}_{\mathrm{min}})\times \Delta r\left(0\right)\times {\left|{L}_{\mathrm{min}}\right|}^{\lambda \left(m\right)}\text{ } $$ (31) $$ \lambda \left(m\right)=\alpha \times \left(1+{{\rm{e}}}^{-\beta {\left|s\left(m\right)\right|}^{2}}\right)\text{ } $$ (32) $$ s\left(m\right)=\gamma s\left(m-1\right)+\left(1-\gamma \right){L}_{\mathrm{min}}\text{ } $$ (33) 式中,
${\rm{sign}}(\cdot)$ 表示符号函数,$ {L_{\min }} $ 表示等效回比矩阵的最小特征根的实部,$ {\left| {{L_{\min }}} \right|^{\lambda \left( m \right)}} $ 和$ \lambda \left( m \right) $ 表示可变步长因子和步长增长因子,$ \alpha $ 和$ \beta $ 表示调整因子,$ \gamma $ 表示遗忘因子, 详细的计算步骤如下所示:算法1. 自适应步长搜索算法
初始化. 全局变量
$ r(0) = 0 $ ,$ m = 0 $ 和$ \Delta r(0) = 0 $ .迭代.
1)初始化局部变量, 如
${L_{{\rm{max}}1}} = \emptyset$ ,${L_{{\rm{max}}2}} = \emptyset$ ,${L_{{\rm{max}}3}} = \emptyset$ 和$ i = 1 $ ;2)计算微电网的等效回比矩阵
${\boldsymbol{R}} (s)$ , 其中$s = - {\rm{j}}2\cdot \pi {f_i}$ . 在此频率下, 分别计算等效回比矩阵${{\boldsymbol{R}}_{{1}}}$ 、${{\boldsymbol{R}}_{{2}}}$ 和${{\boldsymbol{R}}_{{3}}}$ ;3)计算三个等效回比矩阵的最大实部, 即
${L_1} = {\rm{max}}({\rm{real}}({\rm{eig}}({{\boldsymbol{R}}_{{1}}})))$ 、${L_2} = {\rm{max}}({\rm{real}}({\rm{eig}}({{\boldsymbol{R}}_{{2}}})))$ 和${L_3} = {\rm{max}}({\rm{real}}({\rm{eig}}({{\boldsymbol{R}}_{{3}}})))$ ;4)扩展矩阵,
${L_{{\rm{max}}1}} = [{L_{{\rm{max}}1}},{L_1}]$ 、${L_{{\rm{max}}2}} = [{L_{{\rm{max}}2}}, {L_2}]$ 和${L_{{\rm{max}}3}} = [{L_{{\rm{max}}3}},{L_3}]$ . 如果$i < 20\,000$ ,$ i = i + 1 $ , 然后返回第2)步, 否则进行第5)步;5)选取
${L_{{\rm{max}}1}}$ 、${L_{{\rm{max}}2}}$ 和${L_{{\rm{max}}3}}$ 中的最大值, 即${L_{{\rm{max}} - 1}} = {\rm{max}}({L_{{\rm{max}}1}})$ 、${L_{{\rm{max}} - 2}} = {\rm{max}}({L_{{\rm{max}}2}})$ 和${L_{{\rm{max}} - 3}} = {\rm{max}}({L_{{\rm{max}}3}})$ . 定义${L_{{\rm{min}}}}$ 是${L_{{\rm{max}} - 1}}$ 、${L_{{\rm{max}} - 2}}$ 和${L_{{\rm{max}} - 3}}$ 中的最小值, 即${L_{{\rm{min}}}} = {\rm{min}} ({L_{{\rm{max}} - 1}},{L_{{\rm{max}} - 2}},{L_{{\rm{max}} - 3}})$ ;6)判断
$ r(m) $ 下${L_{{\rm{min}}}}$ 是否等于0. 若判别结果为是, 则存储开区间$ (0,r(m)) $ 的记录, 然后进入第7)步. 反之$r(m + 1)=r\left(m\right)+{\rm{sign}}({L}_{\mathrm{min}})\times \Delta r\left(0\right)\times {\left|{L}_{\mathrm{min}}\right|}^{\lambda \left(m\right)},$ 然后返回第1)步;7)计算第6)步中的所有开集合的集合, 记录的结果为等效延时的最大值
$ {T_{\max }} $ .注2. 算法中i的上限取值为20000, 即验证频率从[0, 20000] Hz情况下系统的极限开关频率. 选取20000的原因在于, 本文研究的动机是探究随着开关频率降低所导致的低频和次/超同步振荡等宽频振荡现象的诱发条件. 而宽频振荡的范围是[0, 3000] Hz左右, 为保证极端条件下 本文方法的有效性而提高了频率的验证范围. 如果工程师希望快速计算结果, 可以将其上限降低至3000. 上述自适应步长搜索算法可以获得在等效回比矩阵Hurwitz情况下的最大等效延时时间. 因此, 采样/开关频率阈值为
$ {f_{\min }} = 1/{T_{\max }} $ . 同时上述所提出的自适应步长搜索算法属于二分法的一类变型, 同时$ {L_{\min }} $ 和$ r\left( m \right) $ 的关系如图7所示, 其存在单调递增特性[14]. 因此, 系统的收敛性可以得到很好保证, 并且不受初始值选取的影响.
图 7$ {L_{\min }} $ 和$ {T_{\max }} $ 的关系曲线Fig. 7 Relationship curve between$ {L_{\min }} $ and$ {T_{\max }} $ 注3. 本文所指的适应性主要针对算法的收敛速度, 确保本方法适用于对计算时间要求较高的系统. 由于传统的固定步长的搜索方法的收敛较慢, 因此, 本文利用指数函数的特性, 在收敛点处(0值处)变化率低和远离收敛点处变化率高的特点. 换而言之, 确保在收敛点附近, 按照小步长搜索, 在远离收敛点处, 按照大步长搜索. 其中通过设定最小均方作为指数项, 利用指数函数的性质可以提高本算法的收敛速度, 从而提高本算法的适用性, 应对高计算速度要求的系统.
3. 仿真验证
为了验证本文所提出的信息能源系统信−物融合的稳定性分析方法的有效性, 本文选取文献[30]所表征的系统和控制器参数. 相关的控制参数如表1所示, 并网逆变器数量选取为3个, 弱电网的电路阻抗为
${R_g} = 0.25\;\Omega ,{L_g} = 10\;{\rm{mH}},\;{C_g} = 100$ μF. 本文基于等效回比矩阵的自适应步长搜索算法而获取微电网稳定下的采样/开关频率极限阈值为3.662 kHz. 本文将分别验证系统不同开关/采样频率下系统的稳定性, 基于实际的Matlab/Simulink仿真软件所搭建仿真测试平台, 利用弱电网和并网逆变器之间的交流母线电压的波形情况, 来验证本文基于等效回比矩阵的自适应步长搜索算法的有效性. 具体的4组仿真验证案例如下所示:表 1 仿真系统参数表Table 1 Simulation system parameters参数 数值 电压控制器 $G_v^{inv} = 1 + 8/{ {s} }$ 电流控制器 $G_c^{inv} = 4 + 150/{ {s} }$ 母线电压 700 V 额定电压 220 V 额定频率 50 Hz 截止频率 5 Hz 滤波器电容 600 μF 滤波器电感 6 mH 1)首先, 微电网系统的开关/采样频率选取为4 kHz, 很明显, 此开关/采样频率大于提出的自适应步长搜索算法所求解得到的阈值频率, 因此, 系统可以保持稳定. 但基于文献[29], 如图8所示, 系统的回比矩阵的无穷范数在[126 Hz, 212 Hz]的范围内大于1, 因此系统可能发生失稳现象. 系统实际的电压波形图如图9所示, 通过观察图9所示的波形图可知, 弱电网和并网逆变器之间的交流母线电压恒定保持在220 V/50 Hz, 由此可见系统保持了良好的稳定性. 相较于现存范数方法, 本文所提方法的保守性较低.
图 9 绝缘栅双极型晶体管开关频率4 kHz下电压波形Fig. 9 Voltage waveform under 4 kHz of insulated gate bipolar transistor2)微电网系统的开关/采样频率选取3.5 kHz, 很明显, 此开关/采样频率略小于提出的辨识策略求解得到的阈值频率, 因此, 系统难以保持系统的绝对稳定. 系统实际的电压波形图如图10所示, 系统发生轻度的低频振荡.
图 10 绝缘栅双极型晶体管开关频率3.5 kHz下电压波形Fig. 10 Voltage waveform under 3.5 kHz of insulated gate bipolar transistor3)微电网系统的开关/采样频率选取3 kHz, 很明显, 此开关/采样频率明显小于提出的辨识策略求解得到的阈值频率, 因此, 系统极易发生失稳现象. 系统实际的电压波形图如图11所示, 系统发生大幅的低频振荡.
图 11 绝缘栅双极型晶体管开关频率3 kHz下电压波形Fig. 11 Voltage waveform under 3 kHz of insulated gate bipolar transistor4)微电网系统的开关/采样频率选取2 kHz, 很明显, 此开关/采样频率远远小于提出的辨识策略求解得到的阈值频率, 因此, 系统必然发生失稳现象. 系统实际的电压波形图如图12所示, 系统大幅度的发散振荡, 如果不采用有效抑制措施, 系统将会诱发过流/过压保护而发生解列等极端现象.
图 12 绝缘栅双极型晶体管开关频率2 kHz下电压波形Fig. 12 Voltage waveform under 2 kHz of insulated gate bipolar transistor综上所述, 本文提出的基于等效回比矩阵的自适应步长搜索算法的有效性得到了很好验证, 其可以有效指导实际微电网开关/采样频率的选取, 避免系统出现信息−物理融合影响而导致的失稳现象.
4. 硬件在环实验验证
为更好地验证本文提出的基于等效回比矩阵的自适应步长搜索算法的有效性, 本文在如图13所示的微电网系统的实验平台进行验证, 相关控制和物理拓扑参数与仿真验证平台相同, 同时3台逆变器由TMS320F28335DSP控制, 硬件拓扑内嵌于OPAL-RT OP5600.
在此情境下, 基于所提出的基于等效回比矩阵的自适应步长搜索算法而获取微电网稳定下的采样/开关频率极限阈值依旧是3.662 kHz. 相似于第3部分的仿真验证模块, 分别选取微电网系统的开关/采样频率为4 kHz、3.5 kHz和3 kHz. 当微电网的开关/采样频率为4 kHz时, 此场景中系统的开关/采样频率大于提出的辨识策略求解得到的阈值频率, 因此, 系统可以保持稳定. 系统实际的电压波形如图14所示, 系统保持了良好的稳定性.
图 14 绝缘栅双极型晶体管开关频率4 kHz下实验电压波形Fig. 14 Experimental voltage waveform under4 kHz of insulated gate bipolar transistor当微电网的开关/采样频率为3.5 kHz 时, 此场景中系统的开关/采样频率小于提出的辨识策略求解得到的阈值频率, 因此, 系统难以保持绝对稳定. 系统实际的电压波形图如图15所示, 系统发生轻微低频振荡.
图 15 绝缘栅双极型晶体管开关频率3.5 kHz下实验电压波形Fig. 15 Experimental voltage waveform under3.5 kHz of insulated gate bipolar transistor当微电网的开关/采样频率为3 kHz 时, 此场景中系统的开关/采样频率小于提出的辨识策略求解得到的阈值频率, 因此, 系统的稳定性将得不到保证. 系统实际的电压波形图如图16所示, 系统发生失稳现象. 综上所述, 本文提出的基于等效回比矩阵的自适应步长搜索算法的有效性得到验证.
图 16 绝缘栅双极型晶体管开关频率3 kHz下实验电压波形Fig. 16 Experimental voltage waveform under3 kHz of insulated gate bipolar transistor5. 结束语
内嵌数字控制系统的并网逆变器系统是一种最简单和典型的信息能源系统, 同时从效率的角度出发, 逆变器的开关/采样频率总是选择尽可能低的频率, 势必产生系统固有延迟时间. 基于此, 本文提出了一种基于稳定性的开关/采样频率阈值辨识方法. 本文具有3个主要的创新点/贡献点: 1)构建了内嵌等效时延的广义阻抗回比矩阵, 该等效延迟时间由信息/物理层的采样延迟时间、信息层的计算延迟时间和物理层的脉宽调制延迟时间3部分组成. 其有效反映了信息−物理相互融合作用的影响和为后续系统采样/开关频率阈值辨识提供模型基础. 2)利用柏德逼近技术将延时转化为频率分数函数, 进而将系统采样/开关频率阈值的求解问题转化为等效回比矩阵为Hurwitz的辨识问题. 其消除了传统阻抗技术中所涉及的广义奈奎斯特判据复杂度高的问题, 进而可以获得工程可用的稳定性判据. 3)提出了基于自适应步长搜索算法的采样/开关频率阈值辨识技术, 其能够获得信息能源系统采样/开关频率阈值, 指导实际微电网开关/采样频率的选取, 避免系统出现信息−物理融合影响而导致的失稳现象, 最后, 仿真和实验结果验证了该方法的有效性. 未来并网逆变器类系统三级控制体系的整体信息−物理稳定性分析技术势必成为研究的重点领域. 同时, 随着高比例的可再生能源和高占比的电力变化设备接入能源系统, 稳定机理分析及其抑制技术也将成为待研究的重点内容.
-
图 3 不同参数的MGR-WT对图像的分割结果对比
Fig. 3 Segmentation results comparison using MRG-WT with different values of r
图 4 RWT与MGR-WT对陶瓷材料晶粒的分割结果对比
Fig. 4 Comparison of the segmentation results of ceramic grains between RWT and MGR-WT
图 9 基于LRCF与分水岭变换的图像分割
Fig. 9 Image segmentation using the combination of LRCF and watershed transform
图 11 第一组分割结果对比(未镀金图像)
Fig. 11 Comparison of the first group of segmentation results (unplated image)
图 12 第二组分割结果对比(镀金图像)
Fig. 12 Comparison of the first group of segmentation results (gilded image)
表 1 不同方法对陶瓷晶粒分割的性能指标对比(第1组实验, 未镀金的图像)
Table 1 Performance comparison of different approaches for ceramic grain segmentation (the first group of experiments for unplated image)
Methods CV↑ VI↓ GCE↓ BDE↓ Liu＇s-MGR[38] 0.2889 3.4270 0.4742 7.3230 Random Walker[39] 0.3556 2.9003 0.1407 13.2147 SLIC[14] 0.3547 3.0524 0.4396 10.1678 LSC[15] 0.3455 2.8820 0.3563 7.5911 Banerjee＇s[30] 0.5959 2.1992 0.2031 3.9182 SE-MGR-WT[32] 0.4680 2.3887 0.1364 5.0346 SE-AMR-WT[40] 0.8287 1.1280 0.1122 1.6261 RCF-MGR-WT[23] 0.6636 1.4952 0.0955 3.5651 LRCF-RWT 0.8697 0.8710 0.0763 1.6262 
下载: 导出CSV
表 2 不同方法对陶瓷晶粒分割的性能指标对比(第2组实验, 镀金的图像)
Table 2 Performance comparison of different approaches for ceramic grain segmentation (the second group of experiments for gilded image)
Methods CV↑ VI↓ GCE↓ BDE↓ Liu＇s-MGR[38] 0.2622 3.8053 0.3565 6.9440 Random Walker[39] 0.3823 2.9517 0.2202 16.4378 SLIC[14] 0.3279 3.0962 0.4070 11.3350 LSC[15] 0.3347 2.8418 0.3265 8.0651 Banerjee＇s[30] 0.7035 1.7175 0.1052 2.7484 SE-MGR-WT[32] 0.7979 1.2031 0.1033 2.0565 SE-AMR-WT[40] 0.8757 0.9909 0.1110 1.2623 RCF-MGR-WT[23] 0.5771 1.7691 0.0895 4.8813 LRCF-RWT 0.9217 0.6699 0.0628 1.0201
下载: 导出CSV
表 3 人工测量晶粒尺寸结果(像素)
Table 3 Grain sizes using manual method (pixels)
测量者 1 测量者 2 测量者 3 测量者 4 测量者 5 1 94.55 89.17 93.39 94.22 88.51 2 90.92 100.33 105.38 91.48 99.91 3 107.50 100.91 102.09 96.49 89.91 4 101.61 89.91 92.08 94.42 93.38 5 108.31 103.88 95.16 102.45 93.52 6 112.51 108.21 112.34 109.70 107.84 7 101.85 104.13 102.80 94.40 89.73
下载: 导出CSV
表 4 不同方法对陶瓷晶粒尺寸的计算结果对比(像素)
Table 4 Comparison of ceramic grain sizes using different approaches (pixels)
人工测量 Ground Truth Liu＇s-MGR[38] RW[39] SLI[14] LSC[15] [30] SE-MGR-WT[32] SE-AMR-WT[40] RCF-MGR-WT[23] LRCF-RWT 1 92.26 97.80 88.00 195.16 74.33 63.95 92.58 48.88 83.73 63.07 98.56 2 97.24 98.00 85.60 161.54 74.48 63.66 86.59 55.09 94.34 75.08 99.15 3 99.83 92.33 82.81 175.15 76.66 62.39 105.29 50.92 90.52 63.08 92.47 4 93.29 93.34 65.97 206.96 75.72 62.73 86.45 53.17 87.70 65.21 92.48 5 100.50 96.09 74.38 192.80 75.99 68.04 102.02 67.25 93.87 59.95 96.76 6 110.08 98.93 69.83 177.56 76.48 70.01 104.08 76.38 96.00 59.31 100.65 7 99.68 96.61 78.18 183.03 75.50 71.71 114.28 85.29 93.98 53.59 97.67
下载: 导出CSV
表 5 不同方法计算陶瓷晶粒尺寸结果的误差(像素)
Table 5 Error comparison of different approaches on ceramic grain size computation (pixels)
Liu＇s-MGR[38] RW[39] SLIC[14] LSC[15] [30] SE-MGR-WT[32] SE-AMR-WT[40] RCF-MGR-WT[23] LRCF-RWT 1 −9.80 +97.36 −23.47 −33.85 −5.22 −48.92 −14.07 −34.73 −0.76 2 −12.40 +63.54 −23.52 −34.34 −11.41 −42.91 −3.66 −22.92 +1.15 3 −9.52 +82.82 −15.67 −29.94 −12.96 −41.41 −1.81 −29.25 −0.14 4 −27.37 +113.62 −17.62 −30.61 −6.89 −40.17 −5.64 −28.13 −0.86 5 −21.71 +96.71 −20.1 −28.05 +6.07 −28.84 −2.22 −36.14 −0.67 6 −29.10 +18.63 −22.45 −28.92 +5.15 −19.55 −2.93 −39.62 +1.72 7 −18.43 +86.42 −21.11 −24.90 +17.67 −11.32 −2.63 −43.02 −1.06
下载: 导出CSV
-
[1] Viola G, Chong K B, Eriksson M, Shen Z, Zeng J, Yin Q, et al. Effect of grain size on domain structures, dielectric and thermal depoling of Nd-substituted bismuth titanate ceramics. Applied Physics Letters, 2013, 103(18): 182903. [2] Yuan Q, Yao F, Wang Y, Ma R, Wang H. Relaxor ferroelectric 0.9 BaTiO3–0.1 Bi (Zn0.5Zr0.5) O3 ceramic capacitors with high energy density and temperature stable energy storage properties. Journal of Materials Chemistry C, 2017, 5(37): 9552-9558. [3] Yang Z, Gao F, Du H, Jin L, Yan L, Hu Q, et al. Grain size engineered lead-free ceramics with both large energy storage density and ultrahigh mechanical properties. Nano Energy, 2019, 58: 768-777. [4] 邹耀斌, 雷帮军, 臧兆祥, 王俊英, 胡泽海, 董方敏. 归一化互信息量最大化导向的自动阈值选择方法. 自动化学报, 2019, 45(7): 1373-1385.Zou Yao-Bin, Lei Bang-Jun, Zang Zhao-Xiang, Wang Jun-Ying, Hu Ze-Hai, Dong Fang-Min. Automatic threshold selection guided by maximizing normalized mutual information. Acta Electronica Sinica, 2019, 45(7): 1373-1385. [5] Yang M, Liu S, Chen K, Zhang H, Zhao E, Zhao T. A hierarchical clustering approach to fuzzy semantic representation of rare words in neural machine translation. IEEE Transactions on Fuzzy Systems, 2020, 28(5): 992-1002. [6] Lei T, Jia X, Zhang Y, He L, Meng H, Nandi A K. Significantly fast and robust fuzzy c-means clustering algorithms based on morphological reconstruction and membership filtering. IEEE Transactions on Fuzzy Systems, 2018, 26(5): 3027-3041. [7] 陶新民, 王若彤, 常瑞, 李晨曦, 刘艳超. 基于低密度分割密度敏感距离的谱聚类算法. 自动化学报, 2020, 46(7): 1479-1495.Tao Xin-Min, Wang Ruo-Tong, Chang Rui, Li Chen-Xi, Liu Yan-Chao. Low density separation density sensitive distance-based spectral clustering algorithm. Acta Electronica Sinica, 2020, 46(7): 1479-1495. [8] 雷涛, 张肖, 加小红, 刘侍刚, 张艳宁. 基于模糊聚类的图像分割研究进展. 电子学报, 2019, 47(08): 1776-1791. doi: 10.3969/j.issn.0372-2112.2019.08.023Lei Tao, Zhang Xiao, Jia Xiao-Hong, Liu Shi-Gang, Zhang Yan-Ning. Research progress on image segmentation based on fuzzy clustering. Acta Electronica Sinica, 2019, 47(8): 1776-1791. doi: 10.3969/j.issn.0372-2112.2019.08.023 [9] 马超, 刘亚淑, 骆功宁, 王宽全. 基于级联随机森林与活动轮廓的3D MR图像分割. 自动化学报, 2019, 45(5): 1004-1014.Ma Chao, Liu Ya-Shu, Luo Gong-Ning, Wang Kuan-Quan. Combining concatenated random forests and active contour for the 3D MR images segmentation. Acta Electronica Sinica, 2019, 45(5): 1004-1014. [10] Zhang L, Wu K T, Li P. An improved adaptive level set method for image segmentation. International Journal of Pattern Recognition & Artificial Intelligence, 2017, 32(5): 1854013. [11] Liu X, Guo S, Yang B, Ma S, Fu Y. Automatic organ segmentation for CT scans based on super-pixel and convolutional neural networks. Journal of Digital Imaging, 2018, 31(6): 748-760. [12] Zhang Z, Pan X, Cheng L, Zhan S, Zhou H, Chen R, et al. SAR image segmentation using hierarchical region merging with orientated edge strength weighted Kuiper’s distance. IEEE Access, 2019, 7: 84479-84496. doi: 10.1109/ACCESS.2019.2910735 [13] Ghosh P, Mali K, Das S K. Use of spectral clustering combined with normalized cuts (N-Cuts) in an iterative k-means clustering framework (NKSC) for superpixel segmentation with contour adherence. Pattern Recognition and Image Analysis, 2018, 28(3): 400-409. [14] Achanta R, Shaji A, Smith K, Lucchi A, Fua P, Süsstrunk, S. SLIC superpixels compared to state-of-the-art superpixel methods. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274-2282. [15] Li Z, Chen J. Superpixel segmentation using linear spectral clustering. IEEE Transactions on Image Processing, 2017, 26(7): 3317-3330. doi: 10.1109/TIP.2017.2651389 [16] Liu M Y, Tuzel O, Ramalingam S, Chellappa R. Entropy rate superpixel segmentation. In: Proceedings of IEEE Computer Vision and Pattern Recognition, CO, USA: IEEE, 2011. 2097-2104 [17] Zhao Z Q, Zheng P, Xu S, Wu X. Object detection with deep learning: A review. IEEE transactions on neural networks and learning systems, 2019, 30(11): 3212-3232. doi: 10.1109/TNNLS.2018.2876865 [18] Wang K, Liew J H, Zou Y, Zhou D, Feng J. Panet: Few-shot image semantic segmentation with prototype alignment. In: Proceedings of International Conference on Computer Vision. Seoul, Korea: IEEE, 2019. 9197−9206 [19] Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 39(4): 640-651. [20] He K, Zhang X, Ren S, Sun J. Spatial pyramid pooling in deep convolutional networks for visual recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9): 1904-1916. doi: 10.1109/TPAMI.2015.2389824 [21] Zhao H, Shi J, Qi X, Wang X, Jia J. Pyramid scene parsing network. In: Proceedings of IEEE Computer Vision and Pattern Recognition, Honolulu, USA: IEEE, 2017. 6230−6239 [22] Chen L C, Papandreou G, Kokkinos I, Murphy K, Yuille A L. DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4): 834-848.. doi: 10.1109/TPAMI.2017.2699184 [23] Liu Y, Cheng M M, Hu X, Wang K, Bai X. Richer convolutional features for edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019, 41(8): 1939-1946. doi: 10.1109/TPAMI.2018.2878849 [24] Gao S, Cheng M M, Zhao K, Zhang X Y, Yang M H, Philip H S T. Res2net: A new multi-scale backbone architecture. IEEE transactions on pattern analysis and machine intelligence, 2019. doi: 10.1109/TPAMI.2019.2938758. [25] Li H, Xiong P, Fan H, Sun J. DFANet: Deep feature aggregation for real-time semantic segmentation. In: Proceedings of IEEE Computer Vision and Pattern Recognition, LA, USA: IEEE, 2019. 9522−9531 [26] Ding H, Jiang X, Shuai B, Liu A Q, Wang G. Semantic segmentation with context encoding and multi-path decoding. IEEE Transactions on Image Processing, 2020, 29: 3520-3533. doi: 10.1109/TIP.2019.2962685 [27] Andrew M. A quantified study of segmentation techniques on synthetic geological XRM and FIB-SEM images. Computational Geosciences, 2018, 22(6): 1503-1512. doi: 10.1007/s10596-018-9768-y [28] 薛维华, 王浩, 刘国权, 冯敏楠, 齐琳, 陈展鹏. 基于图像序列间相似性的晶粒组织图像分割方法. 中国体视学与图像分析, 2015, 20(04): 400-407.Xue Wei-Hua, Wang Hao, Liu Guo-Quan, Feng Min-Nan, Qi Lin, Chen Zhan-Peng. Segmentation method of grain microstructure based on similarity among image sequence. Chinese Journal of Stereology and Image Analysis, 2015, 20(04): 400-407. [29] Jiang F, Gu Q, Hao H, Li N, Wang B, Hu X. A method for automatic grain segmentation of multi-angle cross-polarized microscopic images of sandstone. Computers & Geosciences, 2018, 115: 143-153. [30] Banerjee S, Chakraborti P C, Saha S K. An automated methodology for grain segmentation and grain size measurement from optical micrographs. Measurement, 2019, 140: 142-150. doi: 10.1016/j.measurement.2019.03.046 [31] Vincent L, Soille P. Watersheds in digital spaces: An efficient algorithm based on immersion simulations. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1991, 13(6): 583-598. doi: 10.1109/34.87344 [32] Dollár P, Zitnick C L. Fast edge detection using structured forests. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(8): 1558-1570. doi: 10.1109/TPAMI.2014.2377715 [33] Jobson D J, Rahman Z, Woodell G A. Properties and performance of a center/surround retinex. IEEE transactions on image processing, 1997, 6(3): 451-462. doi: 10.1109/83.557356 [34] Jobson D J, Rahman Z, Woodell G A. A multiscale retinex for bridging the gap between color images and the human observation of scenes. IEEE Transactions on Image Processing, 1997, 6(7): 965-976. doi: 10.1109/83.597272 [35] Jackway P T. Gradient watersheds in morphological scale-space. IEEE Transactions on Image Processing, 1996, 5(6): 913-921. doi: 10.1109/83.503908 [36] Yu Z, Feng C, Liu M Y, Ramalingam S. Casenet: Deep category-aware semantic edge detection. In: Proceedings of IEEE Computer Vision and Pattern Recognition, Honolulu, USA: IEEE, 2017. 5964−5973 [37] Liu Y, Lew M S. Learning relaxed deep supervision for better edge detection. In: Proceedings of IEEE Computer Vision and Pattern Recognition, NV, USA: IEEE, 2016. 231−240 [38] Liu G, Zhang Y, Wang A. Incorporating adaptive local onformation onto fuzzy clustering for image segmentation. IEEE Transactions on Image Processing, 2015, 24(11): 3990-4000. doi: 10.1109/TIP.2015.2456505 [39] Grady L. Random walks for image segmentation. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2006, 28(11): 1768-1783. [40] Lei T, Jia X, Liu T, Liu S, Meng H, Nandi A K. Adaptive morphological reconstruction for seeded image segmentation. IEEE Transactions on Image Processing, 2019, 28(11): 5510-5523. doi: 10.1109/TIP.2019.2920514 [41] Arbelaez P, Maire M, Fowlkes C, Malik J. Contour detection and hierarchical image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(5): 898-916. doi: 10.1109/TPAMI.2010.161 [42] Meila M. Comparing clusterings: An axiomatic view. In: Proceedings of the International Conference on Machine Learning, Bonn, Germany: IMLS, 2005. 577−584 [43] Martin D, Fowlkes C, Tal D, Malik J. A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics. In: Proceedings of International Conference on Computer Vision. BC, Canada: IEEE, 2001. 416−423 [44] Freixenet J, Muñoz X, Raba D, Martí J, Cufí X. Yet another survey on image segmentation: Region and boundary information integration. In: Proceedings of the European Conference on Computer Vision, Copenhagen, Denmark: IEEE, 2002. 408−422 期刊类型引用(14)
1. 刘祥，李辉，程远志，孔祥振，陈双敏. 图像与点云多重信息感知关联的三维多目标跟踪. 中国图象图形学报. 2024(01): 163-178 . 
百度学术2. 刘龙哲，刘刚，徐红鹏，权冰洁，田慧. 面向单阶段目标检测的损失函数优化设计. 电光与控制. 2024(03): 86-93 . 百度学术3. 乔珠峰，赵秋菊，郭建鑫，陈会娜，平阳，赵继春. 基于改进YOLOv5的草莓病害智能识别终端设计. 中国农机化学报. 2024(03): 205-211 . 百度学术4. 张佳钰，蔡泽烽，冯杰. 基于改进的CenterNet变电站设备红外温度检测方法. 计算机测量与控制. 2024(07): 50-56 . 百度学术5. 刘晶，祁文哲，吕德芳，李杉杉. 改进YOLOv5的轨面伤损检测方法. 智能计算机与应用. 2024(06): 71-78 . 百度学术6. 李银银，刘磊，孙大杰，赵静. 基于改进的卷积神经网络水果分类算法设计. 哈尔滨商业大学学报(自然科学版). 2024(04): 413-422 . 百度学术7. 路晓亚，李海芳. 低可见度环境下基于改进YOLOv3的井下人员定位方法. 工矿自动化. 2024(09): 130-137 . 百度学术8. 纪桐，王子涵. 基于YOLOv7的石墨化配电室员工违规行为检测. 智能计算机与应用. 2024(12): 118-123 . 百度学术9. 张银胜，杨宇龙，吉茹，蓝天鹤，单慧琳. 改进YOLOv5s的风力涡轮机表面缺陷检测. 电子测量与仪器学报. 2023(01): 40-49 . 百度学术10. 王彦生，曹雪虹，焦良葆，孙宏伟，高阳. 基于改进YOLOv5的电厂人员吸烟检测. 计算机测量与控制. 2023(05): 48-55 . 百度学术11. 钟源建，刘添荣，李卓亮. 基于改进AI-YOLO v4算法的施工现场安全预警技术研究. 粘接. 2023(10): 185-188 . 百度学术12. 李甜，林贵敏，施文灶，庄镇榕，杨玮琪，孙雯婷，温鹏宇，王磊. 改进YOLOv5s无人机航拍图像目标检测. 闽江学院学报. 2023(05): 51-62 . 百度学术13. 孙梦宇，王鹏，徐均琪，李晓艳，郜辉，邸若海. 自适应信息选择的变尺度相关滤波红外目标跟踪算法. 光子学报. 2023(12): 226-238 . 百度学术14. 范海红. 基于RepGT损失的改进Faster R-CNN的包裹检测算法. 物流技术. 2022(05): 78-81 . 百度学术其他类型引用(15)
-
下载:
计量
- 文章访问数: 1996
- HTML全文浏览量: 749
- PDF下载量: 334
- 被引次数: 29
