海上风电机组齿轮箱进口油温异常预测

由于海上风电机组齿轮箱要长期承受无规律的变向变载荷的风力作用以及强阵风的冲击,为保证风电机组可靠运行,对齿轮箱进口油温进行异常预测。结合风电机组SCADA运行数据提出了一种基于SVM-RFECV算法和BP神经网络的风电机组齿轮箱进口油温异常预测方法。首先完成数据的预处理,然后利用SVM-RFECV算法计算不同变量的重要度,并选择平均交叉验证均方误差的最小变量组成最优特征,最后利用选取的最优特征数据建立的BP神经网络的预测模型,实现对风电机组齿轮箱进口油温异常预警。通过海上某风电场现场实际SCADA数据对模型进行验证,结果表明提出的方法能有效实现对风电机组齿轮箱进口油温异常预测。     

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。     

基于改进多阈值方法的舰船发电用柴油机增压器润滑失效预测

针对舰船发电用柴油机增压器的润滑失效问题,提出一种改进多阈值方法来实现对多工况异常情况的实时预测.该方法包含两部分,首先参考滑动平均滤波法对比分析各机组的运行数据,实现对异常数据的提取;其次采用一种基于外部特性法的箱型图法对分析后提取的异常数据进行多阈值表达式的设定.为了验证方法的有效性,基于某发电用柴油机在发电机工作...     

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。     

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。     

基于深度信念网络在船用齿轮箱故障诊断中的应用研究

文章针对船用齿轮箱故障信号微弱和传统特征提取方法干扰较大的问题,充分结合深度信念网络(DBN)的特征自动提取优势,将深度信念网络应用于船用齿轮箱的故障诊断。首先,借助于u Tkel船用齿轮箱故障模拟试验台获取齿轮箱在不同故障模式下的振动信号;然后将信号作傅里叶变换并划分为训练数据集和测试数据集;最后构建和训练DBN模型,并对模型的预测准确性和鲁棒性进行评估。试验结果表明,DBN模型能够较好地自动提取齿轮箱故障特征,对齿轮箱的故障模式做出准确识别。     

关键环境因素对风电机组输出功率的影响

为研究湍流强度、空气密度和风切变等3种关键环境因素对风电机组输出功率的影响,建立了分仓理论模型。以2.5MW风电机组为研究对象,对3种环境因素进行解耦分仓。采用仿真的方法研究分仓映射下机组的功率特性,并以分仓数据库为基准,得到机组的功率数据库,通过程序插值的方式得到预测功率值,结果表明：当湍流强度小于10%时,对机组的输出功率影响较小;湍流强度越大,在切入风速附近时机组的输出功率增幅更明显,但在额定风速附近时输出功率会减小;风切变变化时会直接影响风动能通量和机组的风能利用率;机组输出功率随空气密度的增大而变大,可将实际空气密度以标准空气密度为基准折合到风速中计算功率值;功率数据库具有较好的普适性,能较精确的预测实际功率值,结合风电机组的实测运行功率数据,有助于及时判断风电机组是否正常运行。     

水下机器人推进系统自适应故障诊断

针对水下机器人推进系统的在线监测,提出一种具有在线学习能力的推进系统故障诊断方法。通过分析相关性的变化趋势,在线估计推进系统的时延。利用作业过程中采集的数据,对控制量与转速之间的关系进行在线建模。为提高建模精度,采用粒子群算法,对模型阶次和建模数据量进行在线优化。为适应作业过程中环境和系统自身状态的变化,设计了模型在线更新机制。基于该在线更新机制,提出一种不依赖传统阈值的自适应故障检测方法。通过海上试验数据和水池测试,验证了所提出算法的有效性。     

悬链式船舶链条机械磨损寿命预测准确度评估

为了提高悬链式船舶链条机械磨损寿命预测准确性能,设计了一种基于改进神经网络的悬链式船舶链条机械磨损寿命预测模型。首先对悬链式船舶链条机械磨损寿命预测研究现状进行分析,找到引起悬链式船舶链条机械磨损寿命预测精度的因素,然后收集悬链式船舶链条机械磨损寿命的历史数据,并采用BP神经网络建立悬链式船舶链条机械磨损寿命预测模型,并引入自适应遗传算法对BP神经网络的不足进行改进,最后采用仿真实验对悬链式船舶链条机械磨损寿命预测模型的准确度进行评估,结果表明,改进神经网络提高了悬链式船舶链条机械磨损寿命预测精度,预测结果比其他模型更加可靠。     

改进的YOLOv3水面障碍物检测方法

为了提高无人艇在自主航行过程中对水面常见障碍物检测的精度，解决模型参数量较大、模型复杂难以应用于嵌入式设备的问题，提出一种改进的YOLOv3水面常见障碍物检测方法。使用K-means++算法对自建数据集进行聚类得到新的锚框参数，通过添加雨雾噪声的数据增强方法优化模型在复杂天气状况下的障碍物检测能力。针对模型参数量较大问题，使用深度可分离卷积和注意力机制模块重构特征提取网络中的残差结构。为了优化预测框的回归效果，引入SIo U损失函数，将预测框与真实框的方向角度作为损失之一，加快训练速度，提高推理的准确性。通过试验验证了改进后模型参数量缩减了44%，检测精度提高了5.19%，漏检率也有所降低，能有效进行水面障碍物的检测。     

基于改进t-SNE和RBFNN的柴油机故障诊断

针对柴油机故障诊断问题，提出一种基于改进t分布的随机邻域嵌入（t-SNE）和径向基函数神经网络（RBFNN）的柴油机故障诊断方法。针对t-SNE算法对振动信号的实际降维效果不够理想的问题，进行自适应加权优化；引入遗传算法（GA）解决果蝇优化算法（FOA）陷入局部最优的问题，将GA-FOA应用于RBFNN参数选取中；采用改进后的RBFNN模型对经自适应加权t-SNE降维的数据进行故障识别。研究结果表明，改进后的算法能明显改善聚类效果，提高故障识别的正确率，具有良好的应用前景。     

基于弱电网的全场无功控制策略研究及应用

由于部分风场所处的电网质量较差,电网母线电压波动造成小局部区域电网不稳定情况时有发生。在此因素影响下执行电网无功调度过程中,风电机组机端电压超出正常范围而引起风电机组脱网也时有发生,海上风电影响尤为明显。为进一步挖掘机组可发无功功率潜力,提升风电机组海陆电网适应性,针对这类无功问题,需研究新形势下能量管理平台无功功率调节方式,结合电网特性得出最优分配策略,以提高机组自适应电网可靠性。     

基于联邦LSTM的突遇新频率船舶升沉运动预测策略

由于浮式起重船在海上进行风电设备安装和运维作业期间,离岸距离远且作业时间长,波浪变化多样且不确定,极易产生新频率的船舶运动,使得无法进行精确预测,从而导致海上作业无法安全进行甚至造成设备损坏,因此文章提出基于联邦学习的多变量多步长短期记忆网络（LSTM）预测方法。针对无线数据采集时间间隔不一致,将其和船舶升沉运动数据共同作为双层LSTM预测模型的输入变量并进行多步预测。同时针对突遇新频率船舶运动的情况,采用联邦学习方法联合多家海上风电安装运维企业的船舶升沉运动数据,共同训练适用于复杂海况下的船舶升沉运动LSTM预测模型。使用Stewart六自由度波浪补偿平台模拟浮式起重船的升沉运动,试验结果表明,在遇到新频率船舶运动时,该方法能有效提高船舶升沉运动的预测效果,模型预测精度（RMSE值）至少可达到0.095。     

基于TSDB的船舶风险管理系统的数据预处理

针对传统数据库自身存在结构复杂、写入存储速率慢,导致无法大量写入实时数据及其数据预处理机制无法满足实时数据准确显现的缺陷,将时间序列数据库(TSDB)引入船舶风险管理系统中,同时提出基于三次指数平滑法(Holt-Winters算法)的数据预处理方法。首先通过数据解析与筛选,将异常数据剔除,然后通过Holt-Winters算法对缺失数据进行平滑处理。结果表明,引入TSDB数据库,同时使用基于Holt-Winters算法的数据预处理方法,能有效地提高数据的稳定性与准确性。     

基于三通道2D-CNN的逆变器功率管开路故障诊断方法

针对逆变器功率管开路故障的诊断精度较低问题,对三相电压源型逆变器采用卷积神经网络的方法由现有故障数据训练得到故障识别模型,将不同类别故障对应的逆变器输出侧三相电流信号作为数据集,应用二维卷积神经网络并采用3个通道分别训练三相电流信号,采用Adam优化算法并引入dropout深度学习技巧及自适应学习速率防止模型过拟合,与SVM、KNN、DNN等方法的结果对比表明,该方法可明显提高逆变器功率管开路故障的诊断精度。     

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。     

舰用齿轮箱及推力轴承抗冲击三维数值模拟

采用动态设计分析方法对舰用齿轮箱和推力轴承进行抗冲击性能分析,同时创新性地引入质量控制领域中的[3σ]准则思想,基于齿轮箱和推力轴承冲击作用响应确定齿轮箱和推力轴承的抗冲击危险区域,针对大齿轮传动轴轴承、轴承座、大齿轮传动轴辐板部位、下箱体箱壁交叉处等抗冲击的薄弱环节和危险区域进行结构优化设计,并与原结构进行对比分析。结果显示,适当增加危险区域的板厚,在设备质量仅微量增加的前提下可显著提高舰用齿轮箱的抗冲击能力,所采用的评估体系和流程适用于舰船所有设备的抗冲击性能预测与评估。     

基于迭代局部搜索和自适应粒子群优化的SVM短期负荷预测

为了能够进一步的提高船舶电力负荷的预测精度,针对SVM模型在负荷预测中存在的参数选取问题,该研究提出了一种新的参数优化算法:基于迭代局部搜索和自适应粒子群优化的组合算法。自适应粒子群算法提高了传统粒子群算法的收敛速度,引入的迭代局部搜索思想,配合新的极值评价标准能够很好的解决粒子群算法容易陷入局部最优的问题。仿真结果表明,利用新的参数优化算法使得SVM预测模型的精度得到了很大的提高。