【摘 要】
：
为提升风电机组自身的感知能力,更多的数字化、智能化新技术开始被用于风电机组.基于音频数据对风电机组的异常状态做监测,就是其中一个较为前沿和实用的技术探索方向.文章利用叶片损伤后其气动音频信号会发生变化这一特点,设计了一套基于音频数据的风电机组叶片异常状态监测系统,其通过在风力发电机组上安装拾音器、分析挖掘所收集的风电机组音频数据,并基于多分类的机器学习模型,探索出一套音频数据的特征分析和模式识别的方法.仿真和实际应用结果显示,用该方法可以识别叶片是否损伤、冷却风扇是否工作等工况,以排除冷却风扇运行对叶片异
【机 构】
：
中车株洲电力机车研究所有限公司,湖南株洲 412001
论文部分内容阅读
为提升风电机组自身的感知能力,更多的数字化、智能化新技术开始被用于风电机组.基于音频数据对风电机组的异常状态做监测,就是其中一个较为前沿和实用的技术探索方向.文章利用叶片损伤后其气动音频信号会发生变化这一特点,设计了一套基于音频数据的风电机组叶片异常状态监测系统,其通过在风力发电机组上安装拾音器、分析挖掘所收集的风电机组音频数据,并基于多分类的机器学习模型,探索出一套音频数据的特征分析和模式识别的方法.仿真和实际应用结果显示,用该方法可以识别叶片是否损伤、冷却风扇是否工作等工况,以排除冷却风扇运行对叶片异常检测的干扰,实现叶片啸叫的异常检测,从而形成了一套可行的基于风电机组音频数据的叶片异常检测方法.
其他文献
隧道病害的及时发现与维护对行车安全非常重要,但隧道环境复杂多变、表面图像对比度低,传统模式识别方法无法有效检测病害。对此,文章提出一种基于YOLOv4的隧道表面病害检测方法,其首先采用CSPDarknet-53作为主干网络来有效提取特征,并通过空间金字塔池化(SPP)融合不同尺度特征,然后经过YOLO层分类与回归病害区域,最后应用CIoU损失函数计算回归损失,有效提高了检测精度。试验结果表明,采用
子模块电容用量是影响模块化多电平换流器(modular multilevel converter,MMC)体积和成本的关键因素.提出了以单位容量额定储能值作为MMC电容用量的统一的衡量与直接设计指标,建立了直接描述MMC所需额定储能值与电容电压波动率之间关系的标幺化计算模型,使不同额定参数MMC的电容用量的衡量、计算和分析可以得到统一和简化.与以子模块电容值作为分析和设计指标的传统方法相比,MMC额定储能值标幺化计算模型去除了多种参数对计算过程的影响,揭示了基准调制比和输出功率范围是影响MMC额定储能值的
为避免因牵引变流器电容器的性能退化而导致输入功率载荷加重,影响机车牵引系统的安全与可靠运行,本文提出一种电容器故障预测方法,其通过检测电容器输出电压纹波对电容参数进行辨识,并基于最小二乘支持向量机(LS-SVM)算法进行电容参数拟合来识别电容器退化特征,从而实现电容器故障预测.文章采用该方法与BP神经网络预测方法,以ESR为电容特征值为例,对牵引变流器中间直流回路的谐振电容器和支撑电容器进行故障预测.结果显示,LS-SVM模型误差小、精度高,更能反映实际变化;采用该LS-S V M模型对近2年现场电容器运
变流器是电力机车牵引系统的关键部件之一,其故障易导致列车运行瘫痪,是机车故障中危害性较大的一类.针对基于专家经验的牵引变流器故障诊断仿真模型和特征选取泛化性较差问题,文章提出一种基于深度卷积神经网络的故障诊断方法,其通过修改Xception模型卷积和池化层结构参数以匹配牵引变流器故障数据并进行训练.实验结果显示,本文所提方法Top-1准确率为0.8422,Top-3准确率为0.9201,表明将深度卷积神经网络用于牵引变流器故障诊断具有较好的鲁棒性和准确性,且通过通道增强后可以提高模型的泛化能力并实现故障分
为提前识别动车组运行过程中的故障隐患,文章基于故障预测及健康管理理论,通过整合动车组不同场景的多源异构数据,构建“车-地”一体化大数据平台;并将设备故障机理与人工智能算法相结合,构建一种动车组关键部件故障预警预测模型,以部件关键物理特性来反映其工作状态并提前识别潜在故障.通过大数据平台及牵引电机的故障预警及温度预测模型的应用,C R400A F型复兴号动车组牵引电机故障率显著下降,由平均每百万公里0.5件降至约平均每百万公里0.1件.