改进FA优化SVM的风机叶片裂纹检测模型北大核心CSCD

风力发电机往往工作在气候条件恶劣的环境中。风机叶片受到风沙、雨水的侵蚀会出现裂纹,裂纹在产生后会逐渐扩大,尽早发现叶片裂纹能给工作人员更多的维修时间。针对叶片微小裂纹难以发现的问题,文章提出了一种利用无人机拍摄的叶片图像结合机器学习进行裂纹检测的方法。对原始图像预处理后,进行特征向量的提取。提出一种用改进的萤火虫算法优化支持向量机(SVM)的裂纹检测模型。为增加萤火虫算法的全局搜索能力,引进了混沌映射生成种群初始位置,同时采用自适应步长以更好地趋近最优解。以云南某风电场的数据离线训练和测试,结果表明,所提的模型在检测精度和稳定性上均优于用粒子群算法(PSO)、遗传算法(GA)优化的SVM。     

基于特征融合的风机叶片表面缺陷检测模型

针对风机叶片表面缺陷检测识别率低、且易受光照影响的特点。提出一种基于卷积神经网络特征融合局部二值模式特征及核极限学习机的风机叶片表面缺陷检测方法。利用引入注意力机制的卷积神经网络提取图像深层次信息,然后提取描述图像浅层纹理信息的局部二值模式特征,采用主成分分析方法降低局部二值模式特征维度;将两种从不同层面描述图像的互补特征串行融合。用改进的麻雀搜索算法优化核极限学习机参数,利用融合的特征训练模型,得到最优模型进行缺陷识别。通过实验,在自建数据集训练后的分类准确率达到了97.5%,kappa系数达到95.1。相比利用单一特征检测,分类准确率有明显的提高。经风电场实际验证,本模型的平均分类准确率为96.3%,Kappa系数为94.5,漏报率明显降低。     

基于ISOA−KELM的风机叶片腐蚀速率预测

目的 针对风机运行安全问题,建立风机叶片表面腐蚀速率预测模型,实现对风机叶片安全的预警。方法 对风机叶片腐蚀的原理进行分析,探讨复合材料的腐蚀机理,根据现场实测的数据对叶片表面腐蚀速率进行预测。针对海鸥算法(SOA)易陷入局部最优的问题提出了相应的改进方案,采用logistics混沌映射取代了随机选取海鸥初始位置的方式,提高海鸥初始位置的质量;在海鸥位置更新方式中引入了Levy飞行策略,使得海鸥算法有更强的全局搜索能力;采用Metropolis准则,使处于较差位置的海鸥个体也有一定概率被接受,以提高种群多样性。将改进的海鸥算法用于对核极限学习机(KELM)参数的寻优,建立ISOA?KELM风机叶片表面腐蚀速率预测模型。对该模型进行实验,并与SOA?KELM、PSO?KELM、GA?KELM进行预测误差对比。结果 使用ISOA优化KELM提升了KELM的预测精度,获得的平均绝对误差(MAE)为0.457、均方误差(MSE)为0.280、确定系数(R?square)为0.959,均优于SOA?KELM、PSO?KELM、GA?KELM对比模型。结论 用ISOA?KLEM模型建立的风机叶片表面腐蚀速率模型具有更高的预测精度,基于相关环境数据预测的腐蚀速率对风电场的维修计划具有良好的指导作用。     

改进FA优化SVM的风机叶片裂纹检测模型北大核心CSCD

风力发电机往往工作在气候条件恶劣的环境中。风机叶片受到风沙、雨水的侵蚀会出现裂纹,裂纹在产生后会逐渐扩大,尽早发现叶片裂纹能给工作人员更多的维修时间。针对叶片微小裂纹难以发现的问题,文章提出了一种利用无人机拍摄的叶片图像结合机器学习进行裂纹检测的方法。对原始图像预处理后,进行特征向量的提取。提出一种用改进的萤火虫算法优化支持向量机(SVM)的裂纹检测模型。为增加萤火虫算法的全局搜索能力,引进了混沌映射生成种群初始位置,同时采用自适应步长以更好地趋近最优解。以云南某风电场的数据离线训练和测试,结果表明,所提的模型在检测精度和稳定性上均优于用粒子群算法(PSO)、遗传算法(GA)优化的SVM。