基于改进GRU的海上风电机组齿轮箱故障诊断

为提高风电机组中齿轮箱故障诊断的准确性,提出一种在门控循环单元（GRU）神经网络中引入注意力机制进行风电机组齿轮箱油温预测的方法,充分挖掘数据参量中的关联关系,以提高模型预测的准确性。针对模型预测的残差,采用一种基于粒子群算法的自适应阈值方案进一步实现对风电机组齿轮箱油温异常的诊断,引入自适应阈值能提高模型诊断的灵敏度。针对江苏某海上风电场实际运行的SCADA数据进行仿真分析和验证,结果证明采用该方法能较早地判断出风电机组齿轮箱的异常状态。     

海上风电机组齿轮箱散热异常状态预测方法

齿轮箱是海上风电机组的关键部件,其散热状态直接影响着风电机组的运行状态。为减少因齿轮箱散热异常影响机组运行状态进而造成不必要的发电量损失,提出一种随机森林算法的齿轮箱散热异常状态预测模型。该模型首先基于风电机组运行机理对数据进行预处理以及的样本的标定,然后基于随机森林算法进行模型训练,最终实现风电齿轮箱散热异常状态的预测,通过2个风场现场SCADA数据的试验验证,该预测方法的精度达到97.1%,证明了所提方法能够有效及准确地对海上风电机组齿轮箱的散热状态进行预测。     

基于随机森林的海上风电机组发电机轴承异常状态监测方法

发电机轴承是海上风电机组中重要的零部件,其状态直接影响了海上风电机组的运行状态和发电量。文章通过结合机理分析和数据驱动提出了基于随机森林的海上风电机组发电机轴承异常状态监测方法,该方法先通过机理分析选取变量、清洗数据和标定样本状态,然后通过数据驱动的方法对海上风电机组发电机轴承的状态进行预测。通过现场实际的海上风电机组SCADA数据对该模型进行验证,所述方法能够有效预测海上风电机组发电机轴承的状态,并且能有效避免对异常状态的误报和漏报。     

基于重构特征和宽度学习的海上风电机组齿轮箱高速轴故障预警

预测性维护是降低海上风电机组的运维管理成本,提高风机运行的可靠性,增加风电场整体经济效益的有效手段。文章针对齿轮箱高速轴轴承超温故障,提出了一种基于重构特征和宽度学习的海上风电机组齿轮箱高速轴故障预警算法。以齿轮箱高速轴前端轴承为例,通过对海上某风场的机组进行试验测试,验证算法能有效预测风机的在正常情况下的齿轮箱高速轴前端温度的变化轨迹。通过对重构温度的残差分析,试验的正确率和故障准确率达到了92.59%和80%。研究表明：该算法的测试准确性较好,可发现齿轮箱高速轴的早期阶段的损伤,满足实际的预警需求。     

海上风电机组齿轮箱轴承预警研究与应用

为实现海上风电机组齿轮箱轴承温度预警,文章研究了齿轮箱轴温在不同工况下的变化情况,使用齿轮箱在不同工况下正常运行状态的数据来构建健康运行的状态空间,将实际运行数据与健康状态空间进行比较,差异较大的机组给出报警。目前该方法已在多个风电场实现推广应用,经现场验证,该方法可为提升风电场运维人员的检修效率、管理水平及经济效益提供助力。     

基于CNN-LSTM的风力发电机组轴承异常检测

为保障风力发电机组的可靠运行,基于数据的机组异常状态检测尤为重要。文章提出一种基于级联深度学习模型的风力发电机组主轴承异常状态检测方法,首先利用风力发电机组机理知识和数据间的相关性选择与主轴承密切相关的参数,然后建立基于卷积神经网络（CNN）和长短记忆网络（LSTM）的观测参数与目标参数的逻辑关系,并且通过均方根误差评估模型预测温度与实际采集温度的差异。最后通过海上某风电场SCADA数据进行算例验证。结果表明：CNN-LSTM模型不仅能够更早得发现主轴承异常状态,还能够发现LSTM发现不了的主轴承异常特征。     

基于改进PSO-BP神经网络的船舶交通流预测分析

为了进一步提高船舶交通流的预报精确度,文章建立了一种自适应变异的粒子群优化算法SAPSO,将BP神经网络模型与SAPSO算法相结合,进行船舶海上交通流分析预测。此外,文章采用灰色关联分析法GCA确定交通流预测模型的输入维数。SAPSO-BP预测模型运用自适应变异的PSO算法优化传统BP神经网络的模型参数,克服了传统BP神经网络的对模型的初始权值阈值敏感和易陷入局部最优的缺点,进而提高模型的预报精度。选用天津港口区域的船舶AIS实验数据,验证了预测模型的有效性。     

基于场级协同的风电机组安全控制技术

文章提出了一种基于场级协同的风电机组安全控制技术,该技术主要基于风电场场级控制平台,该平台支持通过多种通信接口对风电机组主控和传感器数据进行采集,实现各设备之间信息互联互通,并凭借其强大的数据分析和科学计算能力,实现各种智能控制算法的实时运行。风电场部署场级控制平台后,可通过智能算法识别机组是否存在风险,对风险机组进行机舱航向校准,并计算该机组所处位置的绝对风向及前后排位置分布情况,风电场前排机组遭遇极端外部条件时,后排机组提前动作,降低极端外部条件给机组带来的风险,提升风电机组运行稳定性,降低风电场整体载荷水平,从而控制风电机组故障率。海上风电运维环境恶劣、条件复杂,带来了极高的运维成本,通过该技术降低故障率可减少海上风电运维成本。     

船舶齿轮箱故障诊断及失效预报方法研究

针对船舶齿轮箱故障诊断正确率低的难题,提出蚁群优化神经网络的船舶齿轮箱故障诊断方法。首先采集船舶齿轮箱故障诊断的数据,并采用小波分析提取船舶齿轮箱故障诊断特征,然后采用神经网络建立船舶齿轮箱故障诊断模型,并采用蚁群算法克服神经网络存在的缺陷,最后构建了船舶齿轮箱失效预测方法,实验表明,本文方法提高了船舶齿轮箱故障诊断效果,并获得了高精度的船舶齿轮箱失效预测结果。     

大雾天气海上船舶交通异常挖掘识别方法

传统船舶交通异常识别方法在大雾天气环境下,存在挖掘算法对船舶轨迹异常状态辨识度降低的问题。通过分析发现,原因在于传统方法中没有引入大雾天气对船舶轨迹检测信号的扰动变量,导致轨迹检测数据与挖掘算法之间出现数据断链,降低了数据挖掘的识别效果。因此,提出大雾天气海上船舶交通异常挖掘识别方法分析。首先通过LSTM算法,将大雾天气扰动特征代入挖掘神经网络,获得带有大雾扰动特征神经网络;接着,根据大雾扰动特征建立混合高斯船舶轨迹模型,为交通异常识别提供基础数据;然后,通过Spark分布式挖掘算法,完成对船舶交通异常数据的挖掘识别。通过仿真实验,对传统挖掘识别方法与提出方法效果进行多组数据对比,证明提出挖掘识别方法的有效性。     

基于自适应变异 PSO-BP算法的船舶横摇运动预测

为了准确高效预测船舶在海上的航行状态,以保证人员、货物和船舶的安全,提出一种自适应变异的粒子群优化算法（self-adapting particle swarm optimization algorithm,SAPSO）,将该算法与误差反传（back propaga-tion,BP）神经网络结合。SAPSO-BP预测模型使用SAPSO算法优化BP网络的网络参数。克服传统BP神经网络对初始权值阈值敏感,容易陷入局部极小值的缺点,同时也克服了传统PSO算法早熟收敛、搜索准确度低及迭代效率低等缺点。运用该模型对科研教学船“育鲲”轮在海上航行的横摇情况进行实时预测实验,验证该方法的可行性与有效性具有较高的预测精度。     

基于自适应变异PSO-BP算法的船舶横摇运动预测

为了准确高效预测船舶在海上的航行状态,以保证人员、货物和船舶的安全,提出一种自适应变异的粒子群优化算法(self-adapting particle swarm optimization algorithm,SAPSO),将该算法与误差反传(back propagation,BP)神经网络结合。SAPSO-BP预测模型使用SAPSO算法优化BP网络的网络参数。克服传统BP神经网络对初始权值阈值敏感,容易陷入局部极小值的缺点,同时也克服了传统PSO算法早熟收敛、搜索准确度低及迭代效率低等缺点。运用该模型对科研教学船"育鲲"轮在海上航行的横摇情况进行实时预测实验,验证该方法的可行性与有效性具有较高的预测精度。     

基于PSO-BP神经网络的燃气轮机结垢性能预测

针对传统BP神经网络存在的学习速度慢,容易陷入局部极小的问题,为了提高诊断效率和非线性拟合能力,提出利用粒子群算法、遗传算法和布谷鸟算法优化BP神经网络对燃气轮机积垢性能预测,将各算法所得误差和拟合度进行对比。结果表明:粒子群算法优化BP神经网络的非线性拟合度为0.934 4,优于其他算法,相较于其他算法具有更低的绝对误差平均值,有效避免了局部最优情况。     

数据挖掘在舰船电力负荷预测中的应用研究

首先描述基于数据挖掘的舰船电力负荷预测系统架构,然后按照此架构进行系统实现,并结合舰船电力负载预测的特点,利用遗传算法获取较好的搜索空间,这样可以避免BP神经网络算法陷入局部最优的情况。通过对比实验结果可知,本文所采用的遗传算法和BP神经网络相结合的优化算法预测能力强,拟合度高。     

海上风电机组转速振荡状态识别技术

文章介绍了风电机组转速振荡状态,持续在转速振荡状态下运行,可能会导致机组触发故障停机,严重的甚至导致机组零部件损伤,威胁到风电机组的运行安全性;为提高尤其是海上风电机组的安全可靠性,提出一种在风电机组PLC可实现的转速振荡状态识别技术。先通过对应方法寻找局部极值点,分别线性插值出转速包络线,求取转速包络差值平均值,该过程稳定可靠、易实现;通过二次包络求取风场机组发电机转速的实际包络差值,再根据一定时间段内包络差值超过包络差值条件的次数,从而来判定当前状态是否处于转速振荡状态,并通过在风场机组测试的方式,验证了风电机组转速振荡状态识别技术功能的有效性,并开始应用于海上风电。     

带有偏差单元的递归神经网络诊断方法在齿轮箱故障诊断中的应用

提出了带有偏差单元的递归神经网络方法,并将其应用到齿轮箱的故障诊断中．通过对齿轮箱的基本零件齿轮故障的设置,研究TBP神经网络的改进算法与带有偏单元的递归神经网络用于齿轮箱故障诊断的有效性。研究表明,带有偏单元的递归神经网络方法比BP网络训练速度快,精度要高,节省时间,能够精确实现故障定位。     

基于CAWOA-BP的船舶凝给水系统故障诊断

为克服传统专家经验在故障诊断方面的不足,实现船舶凝给水系统的智能诊断,在标准BP神经网络基础上提出一种优化后的CAWOA-BP故障诊断模型。采用混沌映射以及自适应权重调整策略优化WOA鲸鱼算法,利用优化后的WOA鲸鱼算法改进BP神经网络的权值及阈值矩阵。由于船舶凝给水系统的状态监测数据是复杂多维度数据,利用UMAP降维算法对原始数据进行降维。最后,利用降维处理后的数据训练CAWOA-BP神经网络模型,实现故障诊断。通过对正常及故障数据的学习,发现优化后的CAWOA-BP模型相比于标准BP,WOA-BP,PSO-BP故障诊断模型具有更高的准确率、精确率、召回率及预测误差。研究表明,基于优化后的CAWOA-BP神经网络故障诊断方法能够更加精确实现船舶凝给水系统的故障诊断。     

基于ABC优化BP神经网络的船舶交通流量预测

为提高船舶交通流量预测的准确性,针对BP神经网络随机确定初始权值和阈值的缺点,提出一种基于人工蜂群算法(Artificial Bee Colony,ABC)改进BP神经网络的ABC-BP船舶交通流量预测模型.利用人工蜂群算法全局搜索能力和不易陷入局部最优的特点,对BP神经网络的初始权值和阈值进行优化,并以青岛港船舶交通...     

基于改进BP神经网络的GPS信号反演蒸发波导研究

海上蒸发波导的存在,对舰载通信、雷达等电子装备产生严重影响,蒸发波导的准确预测是保证舰载电子装备对波导有效利用的前提。研究基于神经网络利用GPS信号接收功率反演蒸发波导的算法流程,提出采用贝叶斯正则化训练方法改进的BP神经网络的方法原理和计算步骤,实现了对蒸发波导的仿真反演。仿真结果表明,贝叶斯正则化BP神经网络能够实时高效反演蒸发波导高度和大气修正折射指数剖面,且在存在干扰的条件下反演结果更为真实可信。     

海上风电机组风速仪异常智能诊断算法及应用

风速仪作为海上风电机组唯一测风装置，是机组启、停控制重要输入，因此风速仪的工作状态对海上机组整体控制尤为重要。部分海上机组安装机械式风速仪，该风速仪为旋转传感器，机组测量叶轮转速一般用光电传感器，一般而言光电传感器运行可靠性要比旋转类传感器可靠性高，文章通过挖掘叶轮转速和风速之间的函数关系，建立通过叶轮转速识别风速仪是否异常的预警算法。