基于OOB-GWO-SVR的风电机组齿轮箱故障预警

针对风电机组齿轮箱超温出现的故障问题,提出了基于改进参数优化机器学习算法的风电机组齿轮箱故障预警模型。 首先,通过随机森林袋外估计确定特征变量,并采用滑动平滑滤波对输入变量进行滤波处理。 其次,构建灰狼算法优化支持向 量回归模型,根据最优模型输出的偏差值确定状态识别指标。 最后,通过时移滑动窗口设置阈值范围,当状态识别指标超出阈 值范围之外时立即报警。 实验结果表明,该模型能提前 87 min 对风电机组齿轮箱温度异常发出故障预警,并且预警效果优于 距离相关系数-GWO-SVR 模型、Pearson-GWO-SVR 模型和 OOB-SVR 模型。     

基于IBA-KELM模型的TCT光伏阵列故障诊断研究

针对光伏阵列的开路故障、短路故障、老化故障和局部阴影故障,提出了一种基于核极限学习机KELM（kernel extreme learning machine）的光伏阵列故障诊断方法,并采用改进的蝙蝠算法IBA（improved bat algorithm）对核极限学习机模型的参数进行优化来提高模型的诊断准确率。为避免蝙蝠算法陷入局部最优并加快在参数寻优过程中的收敛速度,引入Levy飞行策略并在速度更新公式中引入指数递减的惯性权重。通过全连接TCT（total-cross-tied）结构光伏阵列的故障数据验证表明,与BA-KELM,PSO-KELM、PSO-ELM模型相比,IBA-KELM模型在参数优化过程中收敛速度更快,优化后模型诊断精度也更高。     

基于稳健状态估计的设备状态预警研究

针对发电机组设备的状态监测问题,采用改进的自联想回归（AAKR）算法建立设备的状态预警模型。将稳健距离算子代替马氏距离算子,提高自回归模型的稳健性和抗污染能力。将聚类思想应用于距离划分,提出一种基于聚类的变间隔状态矩阵提取方法,并给出具体的实施步骤。采用四重交叉验证学习机制,在训练过程中对模型参数进行优化,获得最优的状态监测模型。以某600 MW机组一次风机为例建立状态参数估计模型,DCS实际运行数据和仿真计算结果表明,改进后的稳健状态估计方法在维持较高准确性的前提下,能够大幅提高模型的稳健性,具有较强的抗污染能力。这样在设备故障早期就能给出相关预警信号,为设备的状态检修提供理论依据。     

非线性递减权值PSO优化下的LQR轨迹跟踪研究

针对二次线性调节器(LQR)权重矩阵选取困难导致的自动驾驶车辆控制精度低、系统适应度欠佳等问题,设计了一种非线性递减权值粒子群算法（NLDW-PSO）。基于二自由度车辆动力学模型,构建了横向跟踪误差模型,设计了前馈控制消除了LQR稳态误差;并设计以横向偏差、航向偏差和前轮转向角为评价函数,将系统输出误差状态量反馈至NLDW-PSO算法,所设计的非线性递减惯性权重因子通过提升粒子群体寻优性能,从而自适应调整LQR权重系数更新策略,形成闭环优化控制,最终求解得到系统目标函数极值。将所设计控制器的跟踪效果进行了对比,Carsim/Smulink联合仿真结果表明所提出NLDW-PSO优化LQR算法的跟踪控制效果最优,横向距离偏差最大值为0.076 m,横向距离偏差均值相较于固定权重系数LQR降低了69.74％,显著提高了车辆跟踪控制精度和自适应能力,且对速度变化具有较强鲁棒性。     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

基于油中溶解气体分析的ISSA优化LSSVM变压器故障诊断研究

为了提升变压器故障诊断的准确率，提出一种基于等规度映射(Isomap)与改进樽海鞘群算法(ISSA)优化最小二乘支持向量机(LSSVM)的变压器故障诊断方法。首先，基于油中溶解气体分析技术，构建14种能够反映变压器运行状态的故障特征，并结合Isomap对样本数据进行维数约减，消除变量信息之间的冗余数据；然后结合半数均匀初始化、混合反向学习策略和非线性递减权重因子策略对樽海鞘群算法(SSA)进行改进，并通过5个基准测试函数与原始SSA、粒子群算法(PSO)、正弦余弦算法(SCA)进行对比，证明其寻优能力和分类精度均有较大提高；最后用ISSA算法动态寻优LSSVM的惩罚参数γ和核函数参数σ,获取基于Isomap与ISSA-LSSVM相结合的故障诊断模型，并与PSO-LSSVM、SSA-LSSVM、SCA-LSSVM做对比实验，诊断精度分别为90.83%、81.67%、83.33%、80%。结果证明，所提方法能够有效地增强变压器故障诊断的性能。     

基于SVM和Kriging模型的变压器故障诊断方法

为了保证变压器供电的可靠性,结合油中溶解气体分析法(DGA),提出了基于支持向量机(SVM)和Kriging模型的双级分类算法,实现变压器的潜伏性故障的预测。首先,以SVM作为初级分类器,将待测DGA数据分类为正常、放电故障或过热故障三种状态;其次,以Kriging模型作为次级分类器,对待测数据进行二次分类,完成精确诊断。为提高算法精度,应用改进的粒子群优化算法分别对SVM的核函数参数、惩罚系数以及Kriging模型的相关参数进行优化。所提方法集成了粒子群优化算法的快速寻优能力,SVM的分类能力与Kriging模型高精度拟合等优点,因此有效地提高了诊断精度。最后通过变压器故障诊断实例验证了文中方法的有效性。     

基于蚁群算法的配电网故障恢复重构

研究了故障后输电线路的重构优化问题,提出了一种求解目标最优的故障恢复重构算法。该算法基于蚁群算法,以电压稳定为前提,建立了以降低网损和操作开关数目最少为目标的数学模型。该算法不依赖初始参数的设置,具有全局搜索的能力,可通过改变权重系数将网损、开关操作数目等多目标优化问题转化为单目标优化,提高算法效率。实例证明该算法可以准确得到配电网故障后电网重构的最佳方案。     

基于XGBoost建模和Change-Point残差处理的风电机组齿轮箱温度预警

风电机组具有单机容量小,台数多,状态信息复杂的特点;基于SCADA数据的风电机组齿轮箱预警普遍存在预测精度和计算效率低,资源占用高的问题,选取有效方法以克服上述问题成为齿轮箱预警的关键。极限梯度提升(eXtreme Gradient Boosting,XGBoost)算法本身结合多线程、数据压缩、分片的形式,其在处理大数据量样本时仍具有较高的通用性。采用XGBoost算法建立齿轮箱正常工作状态的温度模型,使用XGBoost模型与其它4类回归预测模型分别进行齿轮箱温度预测模型实验,结果表明XGBoost模型在齿轮箱温度预测中综合性能要优于其它4类模型。当齿轮箱发生故障时,模型的样本特性会发生异常变化,导致模型的预测残差发生明显改变。为提高齿轮箱故障预警的可靠性,构建了新的Change-Point算法,利用Change-Point技术进行XGBoost模型预测残差序列分析,可定位齿轮箱状态劣化时间点,回溯状态劣化原因。     

基于多策略改进蜣螂算法优化的变压器故障诊断

为了保证油浸式变压器故障诊断的可靠性,提出了一种基于多策略改进蜣螂算法(multi-strategy improved dung beetle optimizer, MIDBO)优化双向长短时记忆网络(bi-directional long short-term memory, BiLSTM)的变压器故障诊断方法。由于蜣螂算法存在全局搜索能力较差、容易陷入局部最优解的缺点,首先通过Bernoulli混沌映射、引入自适应因子和Levy飞行策略融合动态权重系数进行改进,并对其性能进行评估。然后针对BiLSTM的诸多超参数利用MIDBO进行优化,形成MIDBO-BiLSTM故障诊断模型。通过核主成分分析(kernel principal component analysis, KPCA)提取特征值,进而深入分析特征值与故障类型之间的关联性,提高模型的收敛速度。最终实验结果表明所提出的MIDBO-BiLSTM变压器故障诊断方法准确率高、泛化能力强。其准确率高达94.67%,适用于变压器的故障诊断。     

基于证据支持矩阵的特征权重融合的风电机组故障诊断

针对风电机组齿轮箱故障特征的不确定性、复杂性和多元性的特点,提出基于证据支持矩阵特征权重的融合新方法,建立故障诊断模型。分析了影响证据冲突的冲突因子和证据距离,利用这两个因子构造证据支持度矩阵;求解了该证据支持度矩阵最大特征值对应的特征向量,并将此作为证据的权重,利用证据组合公式进行融合;最后将其用于风电机组齿轮箱故障诊断。实验结果表明,该方法可较好提高风电机组齿轮箱故障诊断的效率和准确率。     

量子遗传算法优化的最小二乘支持向量机的风机故障诊断

针对最小二乘支持向量机（LSSVM）在故障诊断过程中的模型参数选择问题,提出了利用全局寻优能力强、收敛速度快的量子遗传算法（QGA）对模型参数进行参数寻优,把LSSVM参数选择问题转化为优化问题。该算法克服了遗传算法优化过程中陷入局部极值的问题,提高了优化性能。利用UCI数据库的数据进行分类验证,相比遗传优化的LSSVM和交叉验证的LSSVM,基于QGA优化的LSSVM模型提高了分类精度。最后,把该模型应用于风力发电机齿轮箱故障诊断中,取得了良好的效果。     

基于改进威布尔分布的风电机组关键部件可靠性评估

针对风电机组工作环境恶劣,其发电机、齿轮箱等关键部件可靠性难以准确评估的问题,文中以某型号风机齿轮箱为例,提出了一种基于改进威布尔分布模型的可靠性评估方法.该方法对传统的平均秩次法进行了优化,克服了传统平均秩次法只考虑每个非停机故障发生的位置,而未考虑停机故障区间长度对结果的影响,造成参数估计误差的问题.在考虑风电机组...     

基于RF特征优选和WOA-ELM的风电齿轮箱故障诊断

针对风电机组齿轮箱故障特征提取不足，故障诊断率低问题，提出了一种基于RF特征优选，结合WOA-ELM特征识别的风电齿轮箱故障诊断方法。首先，提取风电齿轮箱时域、频域、时频域特征，构建多域高维特征集；其次，利用RF进行特征重要度排序并提取10维优选特征；最后，利用WOA优化调整ELM模型的输入权值和隐含层阈值，实现风电齿轮箱故障分类识别。将本文方法应用于风电齿轮箱故障诊断，实验结果表明，本文方法平均诊断率能达到99.81%，诊断准确率均高于对比方法且诊断用时最少，能够有效地进行风电齿轮箱故障诊断。     

风力发电机齿轮箱优化逐层故障诊断方法

风力发电机齿轮箱的故障诊断在风力发电机组正常运行中起着重要作用,除了识别故障类型外,故障的严重程度对风机的维护也具有指导意义,因此,一种优化堆叠诊断结构(OSDS)被提出以识别故障类型和严重性。首先对原始振动信号进行压缩采样,然后将压缩样本分别输入第1层和第2层深度信任网络(DBN),对故障类型和严重性进行识别,同时采用混沌量子粒子群优化算法(CQPSO)对每个DBN进行优化。通过两组实验得到的结果表明,故障类型诊断准确率分别达到99.24%和97.21%,故障严重程度诊断准确率达到99.06%,同时诊断时间仅为1.493和2.176 s。     

基于MISG算法的风力发电机液压变桨系统故障诊断

针对受状态延时影响的风机变桨系统故障诊断,提出了一种基于多新息随机梯度(MISG)的故障诊断方法。该方法将复杂系统转化为状态空间模型,并建立系统辨识模型。将新息标量扩展成新息向量改善算法精度,利用系统发生故障引起参数改变的特征,算法对风机状态延时变桨系统完成参数估计,将系统故障诊断问题转换为系统辨识问题。仿真所得结果验证该方法可以达到诊断风机状态延时变桨系统故障的目的。     

小故障样本条件下的风电机组分层贝叶斯可靠性模型

建立风电机组部件的可靠性模型,并准确估计模型参数,有利于提高风电机组全寿命周期的健康管理水平。新投运机组的故障样本较少,大样本条件下的传统可靠性建模及其参数估计方法不再适用。将贝叶斯可靠性理论应用于小故障样本条件下的风电机组部件可靠性建模及模型参数估计中。以其他风电场的故障数据为模型参数的先验信息,建立了分层贝叶斯可靠性模型,通过Gibbs算法求解模型并获得模型参数的后验分布,以标准均方根误差及可靠度函数的95%置信区间的平均宽度作为衡量指标,对比了传统可靠性模型、一般贝叶斯可靠性及分层贝叶斯可靠性模型的建模精度。最后以风电机组发电机碳刷为例,验证了小样本故障条件下分层贝叶斯可靠性模型的优越性。     

基于深度自编码网络模型的风电机组齿轮箱故障检测

为了实现风机齿轮箱的故障检测分析,提出一种基于风电机组齿轮箱的数据采集与监视控制(SCADA)数据和振动信号的深度自编码网络模型。该模型作为一种典型的深度学习方法,通过逐层智能学习初始样本特征,可以获取数据蕴含的规则与分布特征形成更加抽象的高层表示。首先,利用限制性玻尔兹曼机对网络参数进行预训练和反向传播算法对参数进行调优,建立深度自编码网络模型。然后,通过对齿轮箱的状态变量进行编码和解码,计算重构误差并将其作为齿轮箱的状态检测量。为了有效检测重构误差的趋势变化,选用自适应阈值作为风机齿轮箱故障检测的决策准则。最后,利用对齿轮箱故障前、后记录的数据进行仿真分析,结果验证了深度自编码网络学习方法对齿轮箱故障检测的有效性。     

极端条件下基于改进深度森林的行星齿轮箱故障诊断方法

齿轮箱是风电机组重要且易出现故障的设备,早期故障威胁系统运行安全。在极端条件中高效、准确的齿轮箱故障诊断对风电机组的安全稳定运行至关重要,因此提出了基于改进深度森林的行星齿轮箱故障诊断方法。为了实现不平衡小样本与强噪声的极端条件下行星齿轮箱故障的高效诊断,首先针对旋转机械振动数据样本较少与不平衡的情况,在Wasserstein生成对抗网络中引入梯度惩罚,生成样本补充原始数据集。然后利用多粒度扫描处理振动信号数据点之间的联系,增强数据中的故障特征。最后在级联森林内部引入新的基学习器并运用量子粒子群算法优化参数,获得具有高诊断精度的模型结构进行故障分类,输出诊断结果。经与其他智能诊断方法在多场景下进行的对比实验,证实了所提方法在极端条件下的分类效果较好,能有效提高齿轮箱故障诊断的准确性。