关键词： 电力变压器   故障诊断   油色谱分析   人工智能   状态监测  

摘要： 变压器作为电力系统的核心设备,其运行状态直接关乎电网的稳定性和供电安全。由于长期运行、环境因素及负荷变化的影响,变压器故障难以避免,而精准、实时的故障诊断对于保障电力系统的可靠性至关重要。传统的诊断方法,如油色谱分析、电气试验和局部放电检测,在准确性和适应性方面存在一定的局限性。随着人工智能、大数据、数字孪生等技术的不断发展,智能诊断方法正逐渐应用于变压器状态监测中。本文深入分析了变压器故障机理以及传统诊断方法的不足之处,探讨了当前诊断所面临的现实挑战,并提出了基于深度学习、多模态数据融合、迁移学习和边缘计算的智能优化路径。研究结果表明,多维度智能诊断技术能够显著提升故障检测的精准度和实时性,为电力系统的安全稳定运行提供更加高效的解决方案。

关键词： 人工智能   碳排放效率   绿色创新   准自然试验   因果效应  

摘要： 人工智能在推动碳达峰、碳中和目标实现及应对气候变化方面发挥着重要作用。基于2012～2022年中国城市面板数据，将国家新一代人工智能创新发展试验区视为人工智能的“准自然试验”。首先，采用倾向得分匹配双重差分模型、平行趋势检验及交互权重估计方法，识别人工智能对碳排放效率的因果效应。其次，分析人工智能影响碳排放效率的作用机制，并探讨其异质性影响。结果表明，人工智能显著提高了碳排放效率，该结论在一系列稳健性检验后依旧成立。人工智能通过提升能源利用效率和推动绿色创新，进而提高碳排放效率。人工智能对碳排放效率的影响因资源禀赋和区位的不同而不同，在非资源型城市及东部和西部地区的正向影响更为显著。研究结论为中国实现“双碳”目标及可持续发展提供了政策启示。

关键词： 正向反应预测   多层级特征融合   SMILES编码   人工智能   机器学习   Transformer  

摘要： 有机化学的正向反应预测作为人工智能的一个重要应用，一直受到研究者的关注。简化分子线性输入规范(SMILES)提供了一种使化学分子线性化编码的方法。因此，可以将正向反应预测任务转换为机器翻译中序列到序列的生成任务。传统的Transformer模型只关注化学式中原子间的注意力权重，而忽略分子内的全局信息，此外，传统的Transformer模型面对同一个分子的不同表示的时候，存在着预测性能下降、泛化能力不强的问题。为了解决上述的问题，提出了一种基于双编码器的多层级有机化学的反应预测方法。首先，通过使用两个编码器分别处理分子层级和原子层级的信息，使得模型专注于各自层面的特征提取。其次，提出分子特征表示算法，对原子嵌入取平均获得分子间的相互作用。最后，利用自动调节的门控单元对原子编码器和分子编码器的输出结果进行多层级特征融合，融合结果输入到解码器。实验结果表明，提出的方法在三个USPTO数据集上获得比基线更好的结果，并且提高了模型的泛化能力和长序列的处理能力。

关键词： 人工智能   配电网   故障诊断   机器学习   智能决策  

摘要： 随着智能电网技术的发展,配电网自动化故障诊断与处理成为提高供电可靠性和效率的重要方向。本文基于人工智能技术,研究了配网自动化故障诊断与处理方法。首先,构建了配电网故障诊断模型,并结合机器学习算法(如支持向量机、神经网络等)对故障特征进行分析与识别。接着,提出了一种智能决策算法,能够根据故障类型和位置自动制定处理策略,实现快速恢复供电。研究结果表明,该方法能够有效提升故障诊断的准确性和处理速度,为配网自动化技术的应用与发展提供了重要的技术支持。

关键词： 视觉检测   点云配准   空间定位   机器学习   跨源配准   无监督学习  

摘要： 近年来，基于机器视觉的检测方法被广泛应用于飞机蒙皮损伤检测中。无人机巡检过程中，一个关键步骤是将多角度飞机蒙皮高清细节图像数据进行飞机三维点云模型上的空间定位。这依赖于图像中心坐标点与点云的刚性配准。针对现有配准算法在处理疏密差异大且低重叠度的部分到整体的异源点云时存在的精度低、鲁棒性差的问题，本文提出了一种新型的跨源点云配准网络。该网络融合点云多尺度信息，通过注意力机制判别代表性重叠点。首先，网络通过点云多尺度几何特征和位置信息实现初始对应。然后，通过重叠特征引导模块预测点云重叠分数。利用注意力机制信息交互，结合点重叠分数和融合特征匹配筛选出代表性的重叠点，实现点云精确对应。网络使用加权SVD估计两组变换矩阵，得到了点云的相对位姿参数。实验采用无监督方式引导学习，在ModelNet40数据集和Aero Object Dataset飞机测量数据集的实验结果表明，与其他现有的传统的和基于学习的方法相比，该方法在配准精度和鲁棒性方面具有先进的性能。

关键词： 社会认知   人工智能   人工智能素养   高等教育   教学策略  

摘要： 本研究旨在探究中外合办大学情景下性别与社会支持对大学生使用人工智能的影响。基于社会认知理论，本研究采用量化研究方法，以西交利物浦大学2 062位大一新生的问卷数据为样本展开实证分析。研究发现，1）大学生年龄对人工智能认知的影响不显著；2）女性学生比男性更认可人工智能与日常生活的相关性；3）自信使用AI的学生更可能认为学习AI能带来更好的就业机会；4）家人和朋友的支持显著影响学生对AI助力完成任务的认可度；5）学生对AI的认知和理解越多，越关注道德和法律标准问题。与现有研究相比，本研究发现了性别与社会支持在人工智能时代高等教育中的非对称规律，扩展了社会认知理论的应用边界，为差异化教学策略提供了依据。

关键词： 人工智能   贝叶斯深度学习   变分推理   概率建模   机动策略识别   梯度平衡因子  

摘要： 增强对敌方作战飞机机动策略识别能力是提升我方空战决策能力的关键因素之一．针对传统深度学习模型在复杂多变的作战环境中常表现出过度自信，且难以进行不确定性评估，提出一种基于贝叶斯深度学习的作战飞机机动策略识别方法，该方法使用贝叶斯变分推理和多元高斯分布构建基于多层感知机的贝叶斯深度学习（multi-layer perceptron-based Bayesian deep learning, BDL-MLP）概率化模型，并引入梯度平衡因子以减少复杂性代价梯度和似然代价梯度不平衡的影响，再通过贝叶斯反向传播算法进行模型训练和参数优化．基于团队在Unity3D软件研发的虚拟空战仿真平台AirFlightSim，采用BDL-MLP、多层感知机（multilayer perceptron, MLP）、AlexNet和LeNet模型对不同模糊程度的作战飞机运动场景数据集进行分类评估．结果表明，BDL-MLP模型在由不同模糊半径构建的5个数据集上进行机动策略识别的准确率较MLP、AlexNet和LeNet模型平均提升了0.43%、0.99%、1.19%、1.98%和2.36%，且在鲁棒性及复杂数据的特征提取能力方面均表现最优，能够量化不确定性．基于贝叶斯深度学习的作战飞机机动策略识别方法可为军事智能辅助作战系统的研发提供有价值的参考．

关键词： 空调系统   负荷预测   节能技术   机器学习   能效优化  

摘要： 空调负荷预测技术能够精准预测空调系统在多种环境条件下的负荷变化,为降低能耗提供有力支撑。该技术通过应用机器学习、深度学习等前沿技术,基于历史数据进行建模分析,并结合实时气象数据、建筑特点、使用习惯等多重指标进行负荷预测。进而提升空调系统的运作效率和节能水平。此技术能够有效预判负荷需求走向,实现系统负载的灵活调整,节约能源资源。采用该技术可显著减少能源消耗,提升空调系统运作效能,减少对环境的破坏,保障智能建筑和绿色节能设计的实施。

关键词： 机器学习   智能设备   故障诊断  

摘要： 随着工业自动化和智能制造的快速发展,智能电气设备在工业生产中的重要性日益凸显。设备故障的发生不仅会严重影响生产效率,还会增加维护成本。基于机器学习的智能电气设备故障诊断技术在提高设备可靠性、降低维护成本方面展现出广阔的应用价值。本文阐述了智能电气设备故障诊断的基本原理、主要故障诊断技术及特点,重点分析了基于机器学习的智能电气设备故障诊断关键技术体系及典型应用场景,提出当前机器学习在智能电气设备故障诊断中的技术挑战,以供参考。

关键词： 数字化学习   认知负荷   智能化评估   机器学习   深度学习  

摘要： 随着智能技术的飞速发展，数字化学习的逐渐普及为学习者们提供了多样化的资源和途径，然而这一学习方式在丰富学习体验的同时也对学习者的认知负荷带来了复杂的挑战。传统的认知负荷测量方法存在过程性不足、动态监测缺失以及即时反馈缺乏等精准度方面的问题，因此，认知负荷智能化评估逐渐成为研究的热点。智能化评估通过结合生理指标，利用机器学习与深度学习等非侵入性技术手段，实现对学习者认知负荷的精准评估。本文系统梳理了支持向量机、随机森林、线性判别分析等传统机器学习算法，以及前馈神经网络、卷积神经网络、长短期记忆网络和混合模型等深度学习算法在认知负荷智能化评估中的应用，探讨数字化学习中认知负荷智能化评估的启示和发展方向，并前瞻性地探索了大语言模型在认知负荷智能化评估中的潜力，旨在为高效的数字化学习提供帮助。