基于YOLOv3的风机叶片故障检测模型

针对风机工作中由于高海拔地理位置、恶劣天气等因素的影响,致使风机叶片出现裂纹、沙眼等缺陷故障,提出基于YOLOv3算法的风机叶片故障检测模型。将风机叶片缺陷区域具有YOLO格式的数据集划分为训练集与测试集,输入YOLOv3模型进行实验,结果表明:YOLOv3模型与YOLOv2模型相比,精度提升3.7%,达到了90.6%;召回率提升3.2%,达到了90.5%;精度平均值提升4.8%,达到了76.2%。

基于深度学习模型的风机叶片结冰故障诊断

风力发电机叶片出现结冰现象时若照常工作,不仅会影响经济效益,严重时还会直接损坏叶片等设备引发安全事故。为此提出一种使用KmeansSMOTE的数据平衡方法与应用结冰相关的机理构建新特征和RFECV-DT特征筛选算法相结合的特征工程互补的数据处理方式,之后采用卷积神经网络模型进行训练与预测。实验结果表明,在卷积神经网络模型中采用KmeansSMOTE算法比SMOTE算法准确率提升2.78%。模型采用特征工程时比不采用特征工程相比准确率高出4.77%。与KNN、SVM、LR这些传统模型相比,所有衡量指标均有提升且不存在过拟合现象。所提出的方法,可解决应用SMOTE插值机制所带来的不足并且对特征工程进行精细化设计,也为风机叶片结冰故障诊断问题提供一种新的解决思路。

基于ICEEMDAN-ICSSA-CKELM-TCCA的短期风电功率预测研究

为了提高风电功率预测的准确性,基于信号分解、优化算法和误差修正,提出一种ICEEMDAN-ICSSA-CKELMTCCA的风电功率预测组合模型。首先采用改进的带自适应噪声的完全集成经验模式分解(ICEEMDAN)和样本熵原理,对原始功率序列进行分解和重构,得到更适合提取特征的新序列。然后,建立包含Poly核函数、RBF核函数的组合核极限学习机(CKELM)对新的序列进行初步预测,并利用融合了Tent混沌映射、动态惯性权重和自适应t变异策略的改进混沌麻雀搜索算法(ICSSA)对其参数进行优化,提升CKELM预测性能。最后将时间卷积网络(TCN)与高效通道注意力机制(ECA)组合搭建为TCCA模型,对初步预测结果进行修正。以中国云南省某风电场的数据为例进行多组实验,结果表明该模型针对风电功率具有较高的预测精度。

基于动力学与混合核函数LS-SVM的厌氧发酵产气量预测模型研究

利用农业生产中产生的牲畜粪便牛粪和秸秆进行厌氧发酵试验,以产气量为参考指标,研究牛粪和秸秆厌氧发酵的产气量预测模型。试验过程中测量发酵物的氧化还原电位(ORP)、p H值、挥发性脂肪酸(VFA)、氨氮含量、化学需氧量(COD)、电导率及产气量,并用灰色关联分析法筛选出与产气量关联较强的参数,将筛选出的参数作为多项式核函数和高斯径向基核函数构建的混合核函数LS-SVM模型的输入量,训练出预测能力较强的混合核函数LS-SVM模型,然后在混合核函数LS-SVM模型中融入微生物动力学构建产气量预测模型,并用验证集验证模型性能。仿真结果表明,筛选得到关联较强的参数为ORP、p H值、VFA、氨氮含量;融入动力学的混合核函数LS-SVM模型与混合核函数LS-SVM模型相比,产气量的预测更准确,误差更小,最小误差减少了近一个数量级,试验证明该模型有效。

基于虚拟仪器的智能仪表的设计与实现

随着虚拟仪器技术在测控系统的广泛使用,测控技术走向软件化、图形化的趋势明显,虚拟仪器"以软代硬"的思想,在大大降低工程中硬件所占比重的同时,也大大降低了工程技术人员使用门槛,但在学习labVIEW语言时存在的问题是供学习使用的硬件不多,价格高的硬件是摆在每一位学虚拟仪器数据采集的学习者很难解决的矛盾,对于希望学习labview的广大工程技术人员而言,开发一种易学易用的成本低廉的智能仪表帮助学习虚拟仪器设计,是很有意义的。基于这种思想,在实验室设计了以单片机为下位机,以labview软件作为上位机的虚拟仪器学习实验平台,该平台价格低,工程技术人员或学生可以通过该平台的学习,很快上手开发实际工程,因而本实验装置具有很强的实用价值。

基于虚拟仪器的炉温PID控制系统的实现

采用NI公司的LabVIEW 7.1软件和6024E数据采集卡为开发工具,对干燥箱进行了炉温测控实验平台的设计与实现,硬件上还采用了可控硅调节器和双向可控硅电路控制电炉丝电流量进而控制温度的方法,软件上使用了NI公司的PID控制算法软件包并在此基础上进行了控制系统的前面板及程序框图的设计,并在实验室搭建了硬件实验平台,软件运行无误并与硬件联调后,结果显示系统运行可靠稳定,可较好地实现炉温的准确控制,实际投运后用工程试凑法整定出了理想的PID参数,长时间运行结果良好,实验证明该系统控制准确,精度较高,有很高的实用价值和广阔的应用前景.

基于LabVIEW的多通道实时温度数据采集系统实现

LabVIEW软件是NI公司开发用于测控领域的图形化开发环境,它在数据采集、仪器控制、测量分析和数据显示方面有着明显的优势而得到广泛应用.利用NI的LabVIEW软件、6024E数据采集卡及上润智能仪表实现了多通道温度实时数据采集、存储、分析处理.该方案用较少的投入实现了多通道温度数据采集并在实验室投运达到了预期的效果.此方案也可推广应用到工业过程中.

风机叶片故障诊断技术的研究综述

风机叶片是风力发电机的关键设备之一,快速、准确并有效地对叶片进行故障诊断,对于提高机组的安全性与经济性大有神益。因此,科技人员探索了各种方法来对叶片故障进行诊断,目前这些方法各有优缺点,离大规模实用尚存在距离。本文首先对风机叶片常见的故障类型进行介绍和归纳总结,其次从计算机视觉、振动信号分析、红外热成像、超声波及传感器等六个方面介绍了现有的风机叶片故障诊断技术,并分别对其特点进行分析,系统阐述了现有检测技术的优点以及局限性,最后从提高机组安全性与经济性的角度上探讨了风机叶片故障诊断技术未来发展的主要方向。

基于深度学习的风机叶片结冰诊断方法

风机叶片结冰的现象严重影响风电发电效率,若在结冰状态下风机仍照常工作,不仅会影响经济效益,严重时还会直接损坏叶片等设备引发安全事故。传统手段通过人工观察、安装设备等方法效率低下。为此提出一种使用SVMSMOTE过采样与RFECV算法结合的特征工程,并采用全连接深度神经网络模型提前准确预测叶片结冰情况,以便及时采取相应措施,保证设备与人员的安全,提高发电效益。实验结果表明,深度学习模型经过训练后测试集准确率达到99.13%,比无特征工程条件下相同模型准确度提高了1.56%;此外,当该模型泛化应用到另一风机数据集时,故障诊断的准确度也达到92.3%,证明了该方法的有效性,该模型与KNN、SVM等传统机器学习模型相比,准确度、召回率等重要指标表现更好,为风机叶片结冰的诊断问题提供了一种新的解决思路。

基于特征融合的风机叶片表面缺陷检测模型

针对风机叶片表面缺陷检测识别率低、且易受光照影响的特点。提出一种基于卷积神经网络特征融合局部二值模式特征及核极限学习机的风机叶片表面缺陷检测方法。利用引入注意力机制的卷积神经网络提取图像深层次信息,然后提取描述图像浅层纹理信息的局部二值模式特征,采用主成分分析方法降低局部二值模式特征维度;将两种从不同层面描述图像的互补特征串行融合。用改进的麻雀搜索算法优化核极限学习机参数,利用融合的特征训练模型,得到最优模型进行缺陷识别。通过实验,在自建数据集训练后的分类准确率达到了97.5%,kappa系数达到95.1。相比利用单一特征检测,分类准确率有明显的提高。经风电场实际验证,本模型的平均分类准确率为96.3%,Kappa系数为94.5,漏报率明显降低。

基于多尺度模糊熵和STOA-SVM的风机轴承故障诊断

针对风机轴承振动信号故障特征提取困难的问题,提出了一种基于多尺度模糊熵(MFE)特征提取,并结合乌燕鸥优化算法(STOA)优化支持向量机(SVM)的风机轴承故障诊断方法。首先采集原始振动信号并计算其多层次模糊熵,其次构造故障特征向量集合作为SVM的输入,最后采用STOA优化SVM对轴承故障进行分类诊断。通过凯斯西储大学轴承振动数据进行仿真,结果显示轴承故障诊断准确率达到了99.3%,证明了所提方法具有较高的准确度和有效性。

改进FA优化SVM的风机叶片裂纹检测模型

风力发电机往往工作在气候条件恶劣的环境中。风机叶片受到风沙、雨水的侵蚀会出现裂纹,裂纹在产生后会逐渐扩大,尽早发现叶片裂纹能给工作人员更多的维修时间。针对叶片微小裂纹难以发现的问题,文章提出了一种利用无人机拍摄的叶片图像结合机器学习进行裂纹检测的方法。对原始图像预处理后,进行特征向量的提取。提出一种用改进的萤火虫算法优化支持向量机(SVM)的裂纹检测模型。为增加萤火虫算法的全局搜索能力,引进了混沌映射生成种群初始位置,同时采用自适应步长以更好地趋近最优解。以云南某风电场的数据离线训练和测试,结果表明,所提的模型在检测精度和稳定性上均优于用粒子群算法(PSO)、遗传算法(GA)优化的SVM。

基于LabVIEW的炉温PID控制改进算法

虚拟仪器在数据采集方面优势明显,而在控制方面较弱,PID控制包作为NI公司开发的工具包给工程技术人员提供了很大的便利。但实际应用中对炉温控制效果不理想,本文用labVIEW图形化编程对炉温PID控制进行了控制系统算法的改进,经投运效果改善明显。

基于LOGO!的太阳能双轴交错联合跟踪系统

为提高光伏转化率,设计光电传感器跟踪与太阳运行轨迹跟踪相结合的双轴交错联合跟踪控制系统。以LOGO!240 RC控制器为核心搭建太阳能电池板跟踪控制系统,并对太阳跟踪控制算法进行优化。投运结果表明:系统功耗和电机启停频率均有所减少,电机寿命延长,同时光伏转化率有明显提高。

基于WinCC的智能照明控制系统的设计和实现

为了节约能源,创造美好环境,实现绿色照明,针对某大型工厂的现场要求,设计了一种新型智能照明控制系统。该系统使用西门子S7-1200作为主控制器,通过OPC服务器和Win CC6.2建立人机交互界面,实现远程控制照明灯。添加了照度传感器和移动传感器,可以根据现场工作环境是否有操作员和环境光照是否充足来自动控制照明的开关和亮度,营造舒适的工作环境,进一步提高生产效率,节约电能。融入了智能节能稳压配电柜,保证了照明灯工作电压的稳定性,有效防止了安全事故的发生,延长了照明灯具的寿命。使用智能控制算法可以对照明灯自由分组,经过实际投运后,系统运行稳定,能够智能控制现场照明,节能效果明显,具有一定的推广应用价值。

基于SSA-VMD-SE-KELM结合蒙特卡洛法的风电功率区间预测

为降低风电功率序列波动性并提高风电功率预测精度,提出一种基于SSA-VMD-SE-KELM和蒙特卡洛法的组合风电功率区间预测模型。采用麻雀搜索算法(SSA)优化后的变分模态分解(VMD)算法将功率序列分解为理想数量子序列,通过计算样本熵(SE)对其重构,得到新子序列分别建立核极限学习机(KELM)点预测模型,叠加各点预测结果得到最终点预测结果及功率误差序列,使用蒙特卡洛法随机抽样得到对应置信度下的预测区间。以实际采集到的历史数据为例进行预测,实验结果表明:与传统模型相比,此模型所得功率预测区间紧密跟随风电功率变化趋势,其区间覆盖率更高、平均宽度更窄。

基于HHT算法的机械故障分析系统

针对常见的机械故障进行分析研究,以转子动平衡为例,给出可通用的机械故障分析系统方法.在LabVIEW平台上应用希尔伯特-黄变换方法,对机械故障中的转子动平衡振动试验数据进行时频联合域分析,得出具体分析图.利用LabVIEW平台的虚拟示波器产生谐波对系统进行验证.通过本系统对"BENTILEY"实验台的转子动平衡振动数据进行分析处理,为研究转子动平衡故障提供参考图形数据.结果表明:该系统是可行的.

一种橱窗照明智能控制系统的设计与实现

该文针对现有橱窗照明控制系统普遍存在的接线复杂、使用元器件数量多、维修工作量大、成本高等问题,借助LOGO!Soft Comfort V7.0软件和西门子LOGO!230RC硬件构建了无人值守的橱窗照明控制系统。使用逻辑控制模块编写控制程序并进行在线仿真,通过软件和硬件联合调试,最终实现系统稳定可靠运行。整个系统具有结构紧凑、操作方便、易维护、编程简单、价格合理等特点,与现有成本高、效率低的控制器相比具有明显的优势,在商店橱窗照明控制系统中具有一定的推广应用价值。

基于Backstepping的非线性船舶航迹跟踪控制器设计

针对船舶动态存在大惯性、时滞、非线性等特点,和船舶航行中易受海风、海浪、洋流等环境因素的影响的问题,考虑三自由度非线性船舶运动数学模型。基于Backstepping设计思想,设计了具有全局渐近稳定的船舶航迹跟踪控制器。Simu-link仿真结果表明,船舶实际航迹能够跟踪期望航迹,达到了满意的控制效果,验证了所设计控制器的有效性。

基于ISOA−KELM的风机叶片腐蚀速率预测

目的针对风机运行安全问题,建立风机叶片表面腐蚀速率预测模型,实现对风机叶片安全的预警。方法对风机叶片腐蚀的原理进行分析,探讨复合材料的腐蚀机理,根据现场实测的数据对叶片表面腐蚀速率进行预测。针对海鸥算法(SOA)易陷入局部最优的问题提出了相应的改进方案,采用logistics混沌映射取代了随机选取海鸥初始位置的方式,提高海鸥初始位置的质量;在海鸥位置更新方式中引入了Levy飞行策略,使得海鸥算法有更强的全局搜索能力;采用Metropolis准则,使处于较差位置的海鸥个体也有一定概率被接受,以提高种群多样性。将改进的海鸥算法用于对核极限学习机(KELM)参数的寻优,建立ISOA−KELM风机叶片表面腐蚀速率预测模型。对该模型进行实验,并与SOA−KELM、PSO−KELM、GA−KELM进行预测误差对比。结果使用ISOA优化KELM提升了KELM的预测精度,获得的平均绝对误差(MAE)为0.457、均方误差(MSE)为0.280、确定系数(R−square)为0.959,均优于SOA−KELM、PSO−KELM、GA−KELM对比模型。结论用ISOA−KLEM模型建立的风机叶片表面腐蚀速率模型具有更高的预测精度,基于相关环境数据预测的腐蚀速率对风电场的维修计划具有良好的指导作用。