风电机组齿轮箱故障预警算法研究及应用

齿轮箱健康状态直接影响风电机组的发电量,为了在工程实际中尽早实现齿轮箱故障状态的预警,提出一种基于改进狮群优化的K-means聚类算法。将监督机制及考虑非线性权重的正余弦优化算法引入狮群算法实现算法改进,通过改进狮群优化算法对狮王位置的迭代,选择最优解作为K-means算法聚类中心,以解决传统聚类算法对初始聚类中心依赖性强的问题。选择UCI数据对算法进行对比验证,结果表明,基于改进狮群优化的K-means聚类算法的分类准确度和稳定性有较好的提升。将该算法应用于某风电场内4台同一型号机组齿轮箱振动加速度有效值的对比测试,发现该算法的分类中心分布与齿轮箱实际运行状态相吻合,且与标准规定的齿轮箱不同状态所对应的振动能量分布相一致,证明该算法可实现风电机组齿轮箱早期故障预警。

基于狮群优化二维Otsu算法的输送带撕裂检测方法

基于传统二维Otsu分割算法的输送带撕裂检测方法采用穷尽搜索式的阈值选取方式,图像分割时间长、实时性差,不能同时满足撕裂检测精度与速度要求。针对上述问题,提出了一种基于狮群优化二维Otsu算法的输送带撕裂检测方法。首先通过输送带撕裂检测装置采集输送带图像,采用中值滤波和直方图均衡化对采集到的图像进行去噪和增强处理,突出撕裂部位;然后采用狮群优化二维Otsu算法对预处理过的图像求取接近实际的分割阈值,用该阈值对输送带图像进行分割处理;最后通过计算分割后图像中黑色像素点的数量进行撕裂诊断。仿真结果表明,该方法比基于传统二维Otsu算法的检测方法寻优能力更强,输送带分割效果更好,可以准确地从输送带图像中分割出裂痕,撕裂识别的正确率为98.2%,提高效率的同时缩短了运行时间,可以满足输送带撕裂检测的准确性和实时性要求。

基于深度数据挖掘的电子数据分析模型研究

在当前的电子证据数据挖掘任务中,数据挖掘算法的性能不够理想,使得电子取证的精度和效率受到影响。为此,研究提出一种优化的Apriori算法。首先,利用Simhash算法提取数据特征并匹配数据;针对K-means算法的缺陷,利用狮群优化算法(Lion Swarm Optimization algorithm,LSO)对其进行优化;针对Apriori算法的缺陷,提出相应的改进策略。结合上述内容,构建SLK-Apriori算法,并将其应用到电子证据数据挖掘中。结果显示,SLK-Apriori算法的损失值为0.11,F1值为95.04%,准确率为98.97%,AUC值达到0.984。综上所述,研究提出的SLK-Apriori算法能够有效地对电子证据数据进行数据挖掘,并且有着十分优异的性能,能够提升数据挖掘效果和效率,对我国公安系统的信息化建设有正面意义。