基于蜂群算法和半监督极限学习机的光伏系统故障诊断

户外环境中运行的光伏系统容易受到各种因素特别是灰尘的影响，其非正常运行会导致大量的电力损失，严重的短路故障则会导致安全问题和火灾隐患。因此，监测光伏系统的运行状态，及时排除潜在故障，制定有效的处理方案是当前研究的重点。本文分析了光伏电池串在各种故障状态下的I-V特性，特别是在污秽条件下的I-V特性。针对具有特定故障的光伏系统，特别是大规模光伏系统的标记数据难以记录的问题，提出了一种结合人工蜂群算法和半监督极值学习机（ABC-SSELM）的新算法。该算法能够利用少量的模拟标记数据和历史未标记数据对光伏故障进行诊断，大大降低了人工成本和时间消耗。此外，灰尘堆积监测可以提醒电厂业主及时清洗光伏组件，提高发电效益。最后，使用3.51kWp和3.9kWp的光伏系统验证所提出的诊断方法，数值仿真和实验结果证明了所提光伏诊断技术的准确性和可靠性。     

风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比(envelope harmonic-to-noise ratio,简称EHNR)和无迹粒子滤波(unscented particle filter,简称UPF)相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型(support vector regression,简称SVR)、反向传播神经网络(back propagation neural network,简称BPNN)的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

基于DEA的钒钛磁铁矿开发效率评价—以攀西地区为例

矿产资源是社会重要的自然资源。矿产资源开发效率评价对助推矿业升级改造、提高资源利用水平具有重要的意义。本文从投入产出的角度,对钒钛磁铁矿资源开发效率影响因素进行了分析,构建了以注册资金、技术人员比、使用土地面积为投入指标,以工业总产值、年利税总额、治理土地面积为产出指标的指标体系,以矿山为评价单元,采用数据包络分析(DEA)来确定各级效率前沿面,对各个钒钛磁铁矿矿山开发效率进行划分。最后以攀西地区为例,验证了指标体系与评价方法的有效性,得出矿山的有效状态和优化方向,为有针对性的矿产开发提供一定的参考性建议。     

非高斯随机过程的短期极值估计: 复合Hermite模型

Hermite模型自20世纪80年代后期开始被广泛应用于非高斯随机过程的短期极值估计。当随机过程的非高斯性很强时,尤其是偏度很大时,常用的3阶Hermite模型不足以表征出极值分布的尾端特征。工程中,样本统计矩的不确定性使得更高阶的Hermite模型不宜使用。基于此,该文提出了同时基于中心矩与线性矩的复合Hermite模型,有效地将Hermite模型由3阶拓展到4阶。该文以对数正态模型作为非线性系统的研究对象,对比分析了在解析条件下和在使用蒙特卡洛模拟获得样本数据条件下,各类Hermite模型与传统的Gumbel法以及平均条件穿越率(ACER)法用于极值分析的表现。结果表明,对于大偏度强非高斯随机过程的极值预测,复合Hermite模型具有更好的精确度和鲁棒性。     

时频非平稳地震动模型及结构随机振动应用

地震动具有显著的时域和频域非平稳性,传统的均匀调制地震动模型不能充分表征时频两域的非平稳性,并影响结构随机振动分析的精准度。为了克服上述不足,建立由多峰平滑包络和非平稳噪声信号点乘而成的非均匀调制地震动模型,该模型能够在时域上充分反映地震动的波动和衰减特性,同时其频谱特征也与真实信号相接近。在此基础上,建立同时以时间和频率为变量的非平稳地震动演变谱随机模型。分析结果表明,以上两种模型在时域和频域的合成精度上均优于均匀调制模型。针对以上地震动随机模型的形式和特点,对传统结构随机振动响应求解方法进行改进。通过算例证明,按照均匀调制模型计算结构随机响应不能充分获得结构时频域的非平稳特性且结果偏于不安全,而利用两种改进模型可以获得更精确的结构响应概率特征和更细致的非平稳性演变过程。     

钢结构二维桁架建模比较

桁架设计为水泥厂工程设计普遍项目,通过PKPM对两个案例多种情况的建模分析,可发现桁架在不同情况下应采用不同的模型以匹配现实状态.     

基于K-奇异值分解和层次化分块正交匹配算法的滚动轴承故障诊断

利用层次化分块正交匹配算法（HBW-OOMP）的高稀疏性和运算速度快等优点，提出了一种基于K-奇异值分解（K-SVD）字典和HBW-OOMP算法的故障轴承诊断方法。首先利用K-SVD自学习训练方法得到包含冲击成分的冗余字典，克服了固定结构字典适应性不强的缺点。然后采用基于分块思想的HBW-OOMP算法进行原子的选取和稀疏系数的求解，以重构信号包络谱峭度最大为终止条件，自适应确定分解次数。最后应用所提方法对仿真信号和故障轴承实验信号进行故障特征提取，结果表明该方法能够有效提取强背景噪声下故障特征成分，具有一定的应用前景。