基于RBM和SVM的风电机组叶片开裂故障预测

针对风电机组SCADA监测数据的非线性、高冗余等特点,提出一种基于受限玻尔兹曼机(Restricted BoltzmannMachine,RBM)和支持向量机(SupportVectorMachine,SVM)的风电机组叶片开裂故障预测方法。利用RBM优异的特征学习能力,将其作为特征提取器来获得风电机组SCADA数据中表达能力更强的数据特征。将RBM的输出作为SVM的输入,构建RBM+SVM组合预测模型。利用训练集、验证集进行预测模型构建和参数微调。为验证提出模型的有效性,将其预测结果与RBM+Logistic回归、SVM和Logistic回归的预测结果进行对比。实验表明,RBM+SVM的预测准确率为93.08%,与三组对比模型相比具有明显的优势。研究结果可为实际风电机组叶片开裂故障预测提供重要参考。     

基于非线性放大环镜的全光开关特性研究

采用掺铒光纤放大器(EDFA)和高非线性色散位移光纤(HNL—DSF)组成非线性放大环镜(NALM)，利用掺铒光纤放大器的高增益系数和高非线性色散位移光纤的光学克尔效应构造全光开关，实现脉冲整形和消除干扰噪声。采用分布傅里叶法分析了高非线性色散位移光纤的群速度色散(GVD)对非线性放大环镜开关特性的影响，讨论了掺铒光纤放大器的增益系数、增益饱和特性以及耦合器的耦合比等因素的影响，研究了入射光为高斯脉冲的情况下，非线性放大环镜与入射光信号强度相关的放大滤波特性。通过优化非线性放大环镜的各项参数，可以在实现高开关效率的同时，降低对开关功率的要求，对峰值功率低于1mW的超短脉冲进行Tbit／s量级的开关操作，从而适用于超高速大容量光通信系统中。