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。     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。     

基于ABAQUS饱和渗流作用下岩质边坡稳定性分析

对尾矿库487勘探线边坡饱和渗流与物化耦合作用下的稳定性进行分析,通过现场监测和试验得到边坡的力学参数。利用块体极限平衡法对四棱锥体从应力场、渗流场和物化耦合作用下边坡稳定性进行分析得到其安全稳定系数。利用ABAQUS软件模拟对比分析,得出坡体的滑移面、饱和度及在饱和渗流作用下的塑性区。通过边坡失稳评价准则得到边坡整体安全稳定系数与块体极限平衡法理论计算对比分析确定边坡可靠度。得出边坡在多场耦合作用下岩质边坡的稳定性降低,证实模拟的准确性。     

弃土堆边坡稳定性分析方法对比研究

以某铁路弃土场为背景,利用有限元软件Abaqus与岩土工程软件Geo-slope对弃土堆稳定性进行了计算分析。结果表明:利用强度折减法和极限平衡法计算所得安全系数均大于1.35,边坡处于稳定状态,两种计算方法所得结果基本一致。     

扭矩分析在大修打捞作业中的应用

大修打捞作业对于开发到中后期的油井来说是比较常规的工作,但大修打捞本身难度较大,成功率较常规作业低,油井报废的风险大。涠洲11-1-A7井是2016年打捞作业中比较典型的案例,虽然本次打捞以失败告终,但是从打捞作业本身分析作业失败的原因来看,整个作业过程中,扭矩分析的失误对作业的影响非常严重,因此有必要对本次作业的扭矩分析做详细的对比分析,从中总结出一定的规律,以利对以后的打捞作业提供借鉴。     

ELMs和SVMs在多分类问题上的泛化性能比较

多分类问题是机器学习、数据挖掘领域的重要研究内容。在文本分类、语音识别、图像识别、基因检测等方面有广泛的应用。通过在UCI数据集对极限学习机算法ELMs(ELM,KELM)和支持向量机算法SVMs(SVM,LSSVM)在多分类问题上的表现进行详细比较,得出以下结论:ELMs相较于SVM在多分类问题上有更高的分类准确率,而且随着分类数目的增加,ELMs的泛化能力相较于SVM提高越多,但是ELMs对于LSSVM并没有得到上述结论;ELMs相较于SVMs对数据的类别数目不敏感,分类准确率随类别数目增加下降不明显;ELMs相较于SVMs在多分类问题上所需计算代价更小,且拥有更快的学习和训练速度,适用于多分类问题。     

基于主成分分析法和极限学习机的尿沉渣图像识别算法研究

针对尿沉渣中的有形成分进行检测和分析,提出结合主成分分析(PCA)和极限学习机(ELM)的识别和统计方法。该方法通过PCA对样本进行特征提取和降维后输入到ELM进行训练,根据训练得出的模型与未经PCA处理的样本训练的模型进行检测效果对比。实验结果表明,使用PCA处理后的样本训练得出的模型具有更高的识别准确度和稳定性,同时训练时间大幅减少。