准确有效的状态监测是提高风电机组可靠性和安全性的关键。近年来,基于深度神经网络(deepneural network,DNN)的智能化异常检测方法越来越受到人们的重视。针对实际工业中难以获得准确的有标签数据的问题,提出了一种基于无监督学习的深度小世界神经网络(deep small-world neural network,DSWNN)来检测风电机组的早期故障。在深度置信网络(deepbeliefnetwork,DBN)构建过程中,首先采用多个受限玻尔兹曼机(restricted Boltzmann machines,RBM)堆叠常规自动编码网络,并利用风机的无标签数据采集与监视控制(supervisory control and data acquisition,SCADA)数据进行预训练。然后,利用随机加边法将训练后的网络进行小世界特性转换,再利用最少的有标签数据对网络参数进行微调训练。此外,为了应付风速扰动并减少虚警,又提出了一种基于极值理论的自适应阈值作为异常判断准则。最后,通过2个风机异常检测的应用实例,并与DBN和DNN算法进行了对比,验证了该方法具有良好的有效性和准确性。
在铁路建设及运营阶段,侵入限界的异物对既有线的安全行车构成极大威胁。将复杂的空间侵限检测转换为简单的平面内异物检测,研究利用二维激光测距传感器构建三维幕墙的侵限检测方法。在异物检测过程中,正常通过的列车不能认作异物,必须设计合理的算法检测并予以剔除。由于列车主要体现在轨道平面的检测结果中,重点研究通过分析扫描点云的分布特征对轨道平面内侵限物体进行分类的算法,提出了利用测量序列极值点作为核心对象的快速DBSCAN(density-based spatial clustering of applications with noise)聚类方法,并利用点簇的运动及分布特征判断是否为正常通过列车。现场试验表明,该方法能够有效区分侵限异物和正常通过的列车。
