一种多模型融合的风电系统永磁同步发电机数字孪生建模方法

针对当前风电系统永磁同步发电机(PMSG)建模技术存在设备内部参数理想化和系统耦合单一化的不足,无法满足数字孪生技术对设备虚拟模型要求的问题,提出一种面向数字孪生的风电系统永磁同步发电机建模方法。首先,依据实体样机参数,构建2 MW PMSG本体及电磁模型。之后为实现系统对PMSG的控制,基于联合仿真技术利用数字孪生建模平台搭建风电系统PMSG控制电路,实现多系统耦合仿真建模;在此基础上,充分考虑电机传热散热特性等影响,对PMSG热模型进行了构建与计算,并针对温度场计算流程复杂,不具备实时性等问题,引入一种改进的粒子群优化支持向量机(PSO-SVM)代理模型方法对热模型进行降阶处理并集成;最终完成了基于多模型融合的PMSG数字孪生虚拟模型建模,并采用实体风机运行数据进行验证与测试,结果表明该模型可以有效地反映PMSG真实运行特性。     

基于粒子群优化MICA的间歇过程故障监测

多向独立成分分析(MICA)能够获取信号的高阶统计量信息,在间歇过程故障监测中得到长足发展。针对Fast ICA算法提取非高斯独立成分时,易受初始点的影响,梯度下降无法收敛到极小点以及算法运行前独立主元个数未知的不足,提出基于粒子群优化的MICA算法。并引入支持向量数据描述(SVDD)算法确定过程监控统计量的置信限,避免了核密度估计带来的"维数灾难"等问题。实验设计由青霉素发酵仿真平台完成,结果显示了本文方法优越于传统MICA方法,能够保证获取非高斯性最大的独立成分,使得对故障的监测更加及时有效。     

PDPSO优化多阶段AR-PCA间歇过程监测方法

针对间歇过程固有的多阶段特性和动态性,提出基于种群多样性的自适应惯性权重粒子群算法(PDPSO)优化的多阶段自回归主元分析(AR-PCA)间歇过程监测方法。该方法引入了PDPSO算法指导AP聚类偏向参数的选取,避免了传统方法依据聚类评价指标选取参考度时的盲目性。对PDPSO优化AP聚类的多阶段发酵过程的数据样本建立AR-PCA模型能够消除各阶段的动态性及变量之间的自相关和互相关影响。最后,对自回归(AR)模型的残差矩阵建立主成分分析(PCA)模型用于发酵过程监测。将该方法应用到青霉素发酵过程,并与传统方法进行对比,结果表明,该方法能够有效进行间歇过程阶段划分并降低故障的漏报和误报。     

基于仿射传播聚类子集主元分析的间歇过程监测方法

针对间歇过程固有的多阶段特性,也为了克服传统阶段划分方法严格按照物理时刻顺序将采样点硬性分割而不能使其寻找数据特征最为相近的聚类中心的严重缺陷,提出基于仿射传播聚类(AP)的子集多向主元分析(subset-MPCA)监测新方法:采用全新的乱序聚类思想,将时间片矩阵打乱用AP进行无约束乱序聚类,使样本突破时间顺序的约束自由找寻与其特征最为相近的聚类中心,获得聚类子集,建立精确的子集MPCA监控模型。在线监控时,引入信息度传递实现实时采样点的阶段归属判断,解决阶段不等长批次的最佳模型选择问题。对青霉素仿真数据的实验表明,该方法较传统方法可有效降低故障的漏报和误报,有着更加可靠的监控性能。     

一种W型结构元素的自适应数学形态学及其在风电机组轴承故障诊断中应用

为了提高风电机组滚动轴承故障诊断的有效性和可靠性,提出一种W型自适应数学形态学特征提取方法,并与谱相关分析相结合形成风电机组滚动轴承故障诊断策略。该方法首先针对传统三角型结构元素在故障特征提取中易出现对脉冲信号的漏查,提出一种W型结构元素,旨在捕捉更多特征信息;之后依据各故障信号的实际波形得到结构元素的高和最优开闭运算加权因子,构建自适应形态学模型;最后对测试信号与训练信号进行频域内谱相关性分析,依据相关系数识别故障。将该方法通过数值例、西储大学实验台轴承数据和实际风场采集数据进行算法验证,并与传统的三角型结构元素进行比较,实验结果表明W型结构元素能更有效地提取信号中的脉冲成分、降低噪声干扰,故障诊断算法可准确识别出故障类别,提高结果的可靠性。     

基于多阶段MPLS法的发酵过程质量预测

由于发酵过程中,系统的非线性特性与发酵阶段密切相关,而应用常规MPLS时的静态单一模型、模型失配、不能充分有效压缩和抽取非线性信息、估计未来测量变量引入模型误差等问题,提出1种多阶段MPLS法.先采用ISODATA动态分类算法聚类分析过程数据,划分子阶段,针对各批次子阶段不等长的特点,再用DTW算法同步阶段轨迹,然后在...     

基于MICA-OCSVM的间歇过程故障监测

针对多向独立成分分析 (multi-way independent component analysis, MICA) 需要假设过程变量服从非高斯分布的要求, 以及MICA基于马氏距离构造的监控统计量会导致故障检测率降低的问题, 研究了一种将多向独立成分分析与单类支持向量机 (one-class support vector machines, OCSVM) 相结合的MICA-OCSVM监测方法.首先采用MICA提取间歇过程所有批次的独立成分;然后分别对每个时刻的所有批次的独立成分进行OCSVM建模, 利用确定的决策超平面构造非线性的监控统计量;最后计算所有建模数据的监控统计量, 并利用核密度估计确定相应的控制限.将该方法应用到青霉素发酵过程仿真平台, 实验结果表明:该方法相比于传统的MICA故障监测方法, 无需考虑过程变量服从何种分布, 能够有效利用独立成分的结构信息, 故障的误报率、漏报率明显降低.     

基于MICA-PCA的间歇过程故障监测

针对具有数据非高斯分布或混合分布的间歇过程, 研究一种新的改进MICA-PCA监控方法.首先利用MICA方法提取非高斯分布过程信息, 通过设定负熵阈值实现独立成分个数的自动选择, 以此克服传统ICA方法中需提前确定独立成分个数的缺点, 再使用核密度估计方法确定相应统计量的置信限, 然后对服从多元高斯分布的残差过程信息, 进一步进行PCA分析和处理.将该方法应用于北京某生化制药厂重组大肠杆菌制备白介素-2发酵过程监控.结果表明:该法在过程变量不服从高斯分布的情况下能有效降低传统方法的漏报和误报率, 准确地对过程进行监控.     

改进MKPCA方法及其在发酵过程监控中的应用

针对间歇发酵过程缓慢时变和非线性等特点,提出一种基于滑动窗技术的多向核主元分析(MWMKPCA)方法.该方法结合了核主元分析(KPCA)和滑动窗口技术的优点,其中KPCA能有效解决过程数据的非线性问题,保证数据信息抽取的完整性;而滑动窗口技术能有效避免MKPCA在线应用时预报未来测量值所引入的误差,提高监控性能.对于已判断正常的新批次过程数据,将其加入模型参考数据库进行更新,从而提高间歇过程性能检测的准确性.将该方法应用到工业青霉素发酵过程的监控中,并与MPCA、MKPCA方法的监测性能进行了比较.结果表明:该方法能有效提取过程变量间的非线性关系,降低运行过程的误报率,对缓慢时变的间歇过程具有更可靠的检测性能.     

基于MSPCA-KECA的冷水机组故障监测及诊断

针对冷水机组同类型不同等级故障的变量变化存在差异会造成误诊断的问题,提出一种基于多尺度主元分析-核熵成分分析（MSPCA-KECA）的故障诊断策略。MSPCA提取故障特征,其输出作为KECA分类器的输入,实现故障的实时监测与自动诊断。首先,改进的MSPCA算法通过将小波多尺度分析与主元分析相结合,筛选故障信息可能存在的尺度直接重构并采用PCA提取故障特征,获取不同类型故障之间差异的同时也保留了同类型但不同等级故障之间的相似性,提高故障诊断的可靠性。之后建立KECA非线性分类器并引入一种新的监测统计量--散度测度统计量,使降维后不同特征信息之间呈现显著的角度差异,易于分类。最后,采用支持向量数据描述（SVDD）算法确定新统计量的控制限,以克服无法获知统计量分布的问题。通过对冷水机组数据的仿真研究,验证了MSPCA-KECA方法的可行性及有效性。