基于SCADA参量关联互信息自编码的风电机组故障检测方法

针对风力发电机组数据采集与监视控制系统(supervisory control and data acquisition,SCADA)监测参量间的耦合关联性,提出基于多参数耦合关联互信息编码的风电机组故障检测方法.该方法构建了SCADA数据的耦合关联矩阵,采用互信息变分自编码器对关联矩阵进行编码重构;将SCADA参量关联矩阵的重构误差作为机组健康评估指标,结合指数加权移动平均模型的迭代更新,对机组实时故障阈值进行自适应设置.两个风场的风电机组SCADA数据分析结果表明,所提方法充分利用了SCADA数据的耦合关联结构信息,能有效提高风电机组故障检测的准确性及对环境工况的鲁棒性.     

基于深度自编码器的单样本人脸识别*

由于每个目标仅有一幅已知样本,无法描述目标的类内变化,诸多人脸识别算法在解决单样本人脸识别问题时识别性能较低.因此文中提出基于深度自编码器的单样本人脸识别算法.算法首先采用所有已知样本训练深度自编码器,得到广义深度自编码器,然后使用每个单样本目标的单个样本微调广义深度自编码器,得到特定类别的深度自编码器.识别时,将识别图像输入每个特定类别的深度自编码器,得到包含与测试图像相同类内变化的该类别的重构图像,使用重构图像训练Softmax回归模型,分类测试图像.在公共测试库上进行测试,并与其它算法在相同环境下进行对比,结果表明文中算法在获得更优识别率的同时,识别一幅图像所需平均时间更少.     

融合振动数据和SCADA数据的风电机组齿轮箱故障预警方法

风电机组齿轮箱将机械能高速传输到发电机中，同时承受重载、制动器的瞬态脉冲和灰尘腐蚀，是风电机组中最易发生故障的部件之一。开发高效、准确的风电机组齿轮箱状态监测和故障识别方法可避免严重的齿轮箱故障，减少其造成的停机损失。提出了一种融合振动数据和SCADA系统数据的风电机组齿轮箱故障预警方法，该方法基于深度自编码器模型和统计过程控制图，首先将有限的振动数据通过小波变换和卷积神经网络转化为向量，和SCADA数据进行拼接，利用所有数据完成自编码器的预训练；随后改变预警模型输入，只接收SCADA数据，完成模型的后调优；然后根据自编码器模型的重建差，利用统计过程控制图预警可能发生的齿轮箱故障。基于真实的风电机组数据，该方法有效甄别潜在齿轮箱故障，并且性能优于对比方法，具有工业应用价值。     

基于降噪自编码器与改进卷积神经网络的采煤机健康状态识别

针对采煤机监测参数间关联性强、冗余信息多且受强噪声干扰导致其健康状态识别困难及传统的采煤机状态识别方法在健康状态指标构建中人工参与过多导致识别准确率不高的问题,提出一种基于降噪自编码器（denoising autoencoder,DAE）与改进卷积神经网络（improved convolutional neural network,ICNN）的采煤机健康状态识别方法。首先,对原始监测数据作滑动平均降噪处理并进行归一化;其次,通过无监督训练降噪自编码器实现数据降维、特征提取,进而构建健康状态指标;然后,根据降噪后的监测数据与健康状态指标训练改进卷积神经网络模型,实现采煤机健康状态的自动识别;最后,利用采煤机仿真数据完成模型验证并与其他多种健康状态识别方法进行对比。结果表明：该方法识别准确率达98.38%,明显高于其他方法,可为后期的预知维护提供理论支持。     

基于深度生成模型的煤矿运输皮带异物检测

为了能够精准地对煤矿皮带运输机上的异物进行检出,提出了一种基于深度生成模型的皮带异物检测方法.首先,利用常规的变分自编码器(variational autoencoder,VAE)对图像进行重构,根据原始图像与重构图像之间的重构误差对图像中是否存在异物进行检出.然后,为了解决变分自编码器所生成的重构图像通常较为模糊的问...     

风电机组监测数据的动态可视化

以风力发电机为研究对象,在分析风电机组的结构、故障特点以及监测方式的基础上,实现了风电机组监测数据的动态可视化。本仿真系统是在Windows XP操作系统下以Visual C++6.0为开发工具进行研发,通过网络传输获取机组实时数据,利用OpenGL进行机组实体建模,采用显示列表与双缓存技术实现了机组模型的动态显示。系统具有良好的实时性、交互性,为进一步研究风力发电机的三维可视化状态监测奠定了基础。     

结合栈式监督AE与可变加权ELM的回归预测模型

在现代工业生产过程中,许多关键变量与产品质量或生产效率密切相关,关键变量的实时监测是实现利润最大化及节能降耗的有效途径。针对回归预测任务中目标特征提取不全面、预测精度较低等问题,提出一种基于栈式监督自编码器与可变加权极限学习机的回归预测模型。通过堆叠多层自编码器并在每层自编码器中添加回归网络,同时以有监督方式对栈式自编码器（SAE）进行逐层预训练,得到与输出变量相关的特征表示。利用反向传播算法对网络参数进行微调,优化自编码器模型参数。在分析提取特征与输出变量的相关性基础上,对极限学习机（ELM）的输入权值和偏置进行加权得到预测结果。实验结果表明,与基于ELM和SAE-ELM的回归预测模型相比,该模型在多晶硅铸锭的G6产品数据集上的均方根误差降低0.056 7和0.011 2、决定系数提高0.489 3和0.290 3,具有更高的回归预测准确性及更强的鲁棒性与泛化性能。     

基于LSTM-VAE的电梯异常检测

为保障电梯的正常运行,传统的定期维保方式浪费了大量的人力物力,目前业界对于电梯的按需维保有迫切的需求。按需维保的核心技术是异常状态检测,为了有效解决电梯状态的时序数据异常检测问题,提出了LSTM (Long Short-Term Memory Networks,长短期记忆网络)与VAE(Variational Auto-Encoder,变分自编码器)结合的模型LSTM-VAE。基于电梯门机开合与垂梯升降的加速度时序数据,使用长短期记忆网络对加速度数据进行编码并提取加速度数据的时序特征,再通过变分自编码器重构模型,用重构的加速度数据与输入数据计算重构误差,找出异常数据的阈值。通过采集的真实垂梯和门机的加速度数据,实验发现LSTM-VAE在检测率上要优于LSTM和VAE方法。     

融合自编码器和one-class SVM的异常事件检测

目的 在自动化和智能化的现代生产制造过程中,视频异常事件检测技术扮演着越来越重要的角色,但由于实际生产制造中异常事件的复杂性及无关生产背景的干扰,使其成为一项非常具有挑战性的任务。很多传统方法采用手工设计的低级特征对视频的局部区域进行特征提取,然而此特征很难同时表示运动与外观特征。此外,一些基于深度学习的视频异常事件检测方法直接通过自编码器的重构误差大小来判定测试样本是否为正常或异常事件,然而实际情况往往会出现一些原本为异常的测试样本经过自编码得到的重构误差也小于设定阈值,从而将其错误地判定为正常事件,出现异常事件漏检的情形。针对此不足,本文提出一种融合自编码器和one-class支持向量机（support vector machine,SVM）的异常事件检测模型。方法 通过高斯混合模型（Gaussian mixture model,GMM）提取固定大小的时空兴趣块（region of interest,ROI）;通过预训练的3维卷积神经网络（3D convolutional neural network,C3D）对ROI进行高层次的特征提取;利用提取的高维特征训练一个堆叠的降噪自编码器,通过比较重构误差与设定阈值的大小,将测试样本判定为正常、异常和可疑3种情况之一;对自编码器降维后的特征训练一个one-class SVM模型,用于对可疑测试样本进行二次检测,进一步排除异常事件。结果 本文对实际生产制造环境下的机器人工作场景进行实验,采用AUC （area under ROC）和等错误率（equal error rate,EER）两个常用指标进行评估。在设定合适的误差阈值时,结果显示受试者工作特征（receiver operating characteristic,ROC）曲线下AUC达到91.7%,EER为13.8%。同时,在公共数据特征集USCD （University of California,San Diego） Ped1和USCD Ped2上进行了模型评估,并与一些常用方法进行了比较,在USCD Ped1数据集中,相比于性能第2的方法,AUC在帧级别和像素级别分别提高了2.6%和22.3%;在USCD Ped2数据集中,相比于性能第2的方法,AUC在帧级别提高了6.7%,从而验证了所提检测方法的有效性与准确性。结论 本文提出的视频异常事件检测模型,结合了传统模型与深度学习模型,使视频异常事件检测结果更加准确。     

基于融合变分图注意自编码器的深度聚类模型

聚类作为数据挖掘和机器学习中最基本的任务之一,在各种现实世界任务中已得到广泛应用.随着深度学习的发展,深度聚类成为一个研究热点.现有的深度聚类算法主要从节点表征学习或者结构表征学习两个方面入手,较少考虑同时将这两种信息进行融合以完成表征学习.提出一种融合变分图注意自编码器的深度聚类模型FVGTAEDC(Deep Clustering Model Based on Fusion Varitional Graph Attention Self-encoder),此模型通过联合自编码器和变分图注意自编码器进行聚类,模型中自编码器将变分图注意自编码器从网络中学习(低阶和高阶)结构表示进行集成,随后从原始数据中学习特征表示.在两个模块训练的同时,为了适应聚类任务,将自编码器模块融合节点和结构信息的表示特征进行自监督聚类训练.通过综合聚类损失、自编码器重构数据损失、变分图注意自编码器重构邻接矩阵损失、后验概率分布与先验概率分布相对熵损失,该模型可以有效聚合节点的属性和网络的结构,同时优化聚类标签分配和学习适合于聚类的表示特征.综合实验证明,该方法在5个现实数据集上的聚类效果均优于当前先进的深度聚类方法.     

Stability analysis of the drive‐train of a wind turbine with quadratic torque control

This paper investigates the stability of a variable‐speed wind turbine operating under low to medium wind speed. The turbine is controlled to capture as much wind energy as possible. We concentrate on the mechanical level of the turbine system, more precisely on the drive‐train with the standard quadratic generator torque controller. We consider both the one‐mass and the two‐mass models for the drive‐train, with the inputs being the deviation of the active torque from an arbitrary positive nominal value and the tracking error of the generator torque. We show that the turbine system is input‐to‐state stable for the one‐mass model and integral input‐to‐state stable for the two‐mass model. Copyright © 2008 John Wiley & Sons, Ltd.     

Dynamic analysis of a vertical axis wind turbine using a new windload estimation technique

A new aerodynamic model for obtaining the performance characteristics of a vertical axis wind turbine (VAWT) developed by the authors has been used to obtain estimates of aerodynamic loading, which are subsequently used for the dynamic analysis of a VAWT. The model incorporates gyroscopic effects, structural damping and also power generation through an induction or synchronoustype generator. A computer code written in MS-DOS FORTRAN has been developed for the dynamic analysis of a vertical axis wind turbine, and has been implemented on an IBM compatible 386 AT, for studying the dynamic characteristics of a VAWT. The results obtained from this analysis compare fairly well with other published theoretical and experimental data, and demonstrate that the incorporation of the new wind loading estimation model leads to a definite qualitative improvement in the theoretical predictions of the dynamic characteristics of vertical axis wind turbines.     

基于半监督学习的学生消费数据异常检测

随着校园卡的应用场景越来越广泛,校园卡的资金安全问题日益突出,校园卡欺诈不但给师生和校内商家带来经济损失,还会危害校园的正常秩序。针对传统异常检测方法无法有效提取学生消费数据时序特征的问题,提出一种基于半监督学习的学生消费数据异常检测方法。首先,利用门控循环单元改进自编码器,使得模型可以更准确地进行消费数据的重构;然后,采用马氏距离计算重构误差,计算F_β-分数确定误差阈值,进行异常数据的检测;最后,利用所提方法对某高校的学生消费数据进行异常检测实验。实验结果表明,所提方法具有更优越的检测性能。     

新型双馈风力发电机有功功率平滑控制策略研究

针对由于风能的不确定性、风力发电机的大惯性以及风力发电系统的响应延迟性等造成的风力发电机输出有功功率在一定范围内有波动的问题,提出了一种新型双馈风力发电机有功功率平滑控制策略。该控制策略在全风速范围内采用变浆与变速协调控制策略,并在其基础上增加了一个有功功率误差控制环节,将转子电压辅助控制指令值作为反馈量加入原来的转子电压控制指令值,通过控制SPWM脉冲发生器来实现风力发电机定子输出有功功率的平滑控制。Matlab/Simulink仿真结果表明,与传统有功功率控制策略相比,该新型有功功率平滑控制策略有效抑制了双馈风力发电机输出有功功率的波动。     

风力发电机组便携式电能质量监测系统

目前实际运行的风机只提供了显示和记录电能质量稳态数据的功能,而风机的运行特性和对电网的影响分析必须通过对其电能质量的一段时期的动态监测来获得.本文采用自主研制的双CPU架构的便携式电能质量分析仪,构建了通用的风力发电机组的动态监测系统,并用该系统对风电机组的电能质量进行了长期监测.利用监测结果进行分析和评判,可以为改进风电机组的控制策略、制定风电电能质量治理措施和确定治理装置的相关技术参数提供必要的依据.     

风力发电系统的Hamilton建模及其无速度传感器控制

本文研究了基于端口受控Hamilton(port-controlled Hamiltonian, PCH)模型的永磁同步风力发电系统的无速度传感器控制问题. 首先根据风力发电系统本身的物理结构特性, 建立其端口受控Hamilton结构模型, 然后基于此模型设计了系统的全维状态观测器, 得到系统的速度估计, 从而实现了系统无速度传感器控制. 在控制器设计中还考虑了系统存在参数不确定情况下的自适应控制问题, 以及在控制器设计中用状态量的估值直接替代不可测状态量时存在的误差问题. 最后仿真实验证明了控制器的有效性.     

变分自编码器在机械故障预警中的应用

由于往复压缩机、航空发动机等复杂机械振动信号呈现非平稳性,目前应用较多的单特征门限报警方法存在报警准确率低的问题。针对该问题,依据机械响应点的响应信号特点,提出一种基于变分自编码器的故障预警方法。该方法基于机械振动信号的高维特征参数,利用变分自编码器自学习出高维特征的统计分布模型,将正常工况模型作为基准模型,通过计算实时工况模型与基准模型间的差异度,并将其与自适应预警阈值相比较,实现故障预警。通过与单特征门限报警方法、基于状态子空间的预警方法进行比较,验证了该方法的优越性。实验结果表明,该方法能够提高机械故障预警的准确率并大幅提前故障的报警时间点,具有较高的时效性和较强的适应性。     

基于时空自编码网络的风电齿轮箱状态监测

在风电机组状态监测问题中,常规自编码网络通常仅使用截面SCADA(supervisory control and data acquisition)数据,使得网络对数据时间特征的学习不足。因此,提出一种基于时空自编码网络的风电齿轮箱状态监测方法：使用1维卷积网络(1DCNN)级联双向长短时记忆网络(Bi-LSTM)作为编码层,序贯提取面板数据的空间及时间特征,以输入的重构误差作为预警指标实现在线状态监测。使用河北省某风电场实际数据验证,结果表明：相比故障记录时刻,时空自编码网络能提前20 d发出报警信号,且故障检出率和误报警次数均优于常规方法;通过分析重构误差各分量的贡献率,可知该齿轮箱故障中主要异常参数为油路压力和油池温度。     

基于Stacking集成学习的风机主轴止推轴承故障预警研究

主轴止推轴承是风机的关键部件,一旦发生故障,将导致机组遭受严重损失。为实现风电机组主轴止推轴承早期故障预警,及早采取维护措施从而避免故障的进一步扩大。本文以风机主轴止推轴承温度为研究对象,提出一种基于风电机组正常运行状态下数据采集与监视控制(SCADA)的Stacking故障提前预警模型。首先,本文利用四个单一模型的拟合优度与均方误差比对特征进行综合排序,得到4组不同数量梯度特征组合的数据集。其次,通过对单一模型的预测性能以及相关性进行分析,最终确定以XGBoost、LightGBM以及随机森林作为基学习器,XGBoost作为元学习器建立Stacking集成学习预测模型。实验结果表明,基于Stacking模型对主轴止推轴承温度进行预测效果最好,预测误差相较于基模型有明显提升。最后,计算模型温度预测的均方根误差（RMSE）,并基于指数加权移动平均法(Exponential Weighted Moving Average,EWMA)设定主轴止推轴承正常状态下误差阈值。实验结果显示,本文建立的Stacking模型对风机主轴止推轴承故障至少可以提前6小时发出故障预警。