基于慢特征分析的风机多模型叶片结冰检测

风机在恶劣运行环境下常见叶片结冰故障,导致叶片变形,降低风力涡轮机效率,并影响电网的稳定性。由于风机的工作状态在不同的风速下非平稳动态变化,难以建立叶片结冰检测的全局模型,针对这种大范围非平稳变工况特性,我们提出了一种细粒度的状态分区算法。该方法将时间轴转变为风速轴,通过慢特征分析(Slow Feature Analysis,SFA)将整个样本划分为不同运行状态,然后为每个状态建立不同的子模型。建立子模型后,考虑到风电的动态特性,我们提出动态和静态指标相结合的监测方法。在线应用时,该方法可以通过风速快速地将每个新样本分配到不同的子状态模型进行精细监测。这种多模型划分与监测方法在风力机叶片结冰方面的实际应用中被证明快速有效。

基于领域自适应的多源工业数据的变分填补模型

工业现场数据普遍存在缺失值问题,严重影响后续数据挖掘算法的应用,因此有必要在预处理时进行数据填补。现有的填补算法都假设训练与测试数据服从相同分布,无法适应新的工况。随着工业互联网的不断发展,云边协同框架将不同工厂、不同工况的数据汇聚在云端,提供了变工况场景下新的建模思路。基于此,提出了一种处理云边协同框架下多源数据的填补模型,保留细粒度个性化特征,利用领域自适应范式学习跨工厂、跨工况的粗粒度知识,应对边缘端变工况场景。使用某集团大数据云平台的多台磨煤机数据验证了所提算法的有效性,其在不同数据缺失率下与主流算法相比具有优异的性能。

基于红外图像时空特征的电力设备故障诊断

红外热成像技术是电厂中电力设备故障检测的主要技术。针对现有方法不能有效地挖掘海量红外热图像中包含的设备运行状态信息,以及忽视了设备运行性能退化机制使得诊断效果较为粗糙这两个问题,提出了一种基于图像序列时空特征提取和沙普利加法特征归因聚类算法的精细化诊断策略,结合电力设备的时空特性并融合过程知识,建立了包括正常阶段、注意阶段、预警阶段和异常阶段的多阶段精细退化模型,为电力设备的预测性维修提供了依据。引入具有增量学习能力的宽度学习系统,有效解决了随着电厂设备类型和故障数量的增加而导致的模型适配问题,实现了模型的快速更新。

面向工业软测量应用的定制化生成对抗数据填补模型

在工业领域,数据缺失十分普遍,对解决下游任务(如软测量、异常检测)造成阻碍,这些任务大多依赖完整而高质量的数据集构造模型.现有缺失数据填补方法很少考虑数据填补后的具体下游任务(软测量).如何根据下游任务针对性地进行数据填补是当前研究中的挑战之一.为此,提出一种加入临时软测量模块的对抗生成数据填补模型(SSIGAN).与生成对抗数据填补模型(GAIN)相比,SSIGAN模型显式地考虑了软测量损失对数据填补模型的影响,通过临时软测量模块指导对质量相关变量的修复,实现数据填补的“定制化”,用于更精准的工业软测量建模.通过某工业炼钢过程中的终点成分软测量实验,验证了所提出方法对软测量质量相关变量缺失数据填补效果以及最终软测量效果的提升.