典型文献
改进FA优化SVM的风机叶片裂纹检测模型
文献摘要：
风力发电机往往工作在气候条件恶劣的环境中.风机叶片受到风沙、雨水的侵蚀会出现裂纹,裂纹在产生后会逐渐扩大,尽早发现叶片裂纹能给工作人员更多的维修时间.针对叶片微小裂纹难以发现的问题,文章提出了一种利用无人机拍摄的叶片图像结合机器学习进行裂纹检测的方法.对原始图像预处理后,进行特征向量的提取.提出一种用改进的萤火虫算法优化支持向量机(SVM)的裂纹检测模型.为增加萤火虫算法的全局搜索能力,引进了混沌映射生成种群初始位置,同时采用自适应步长以更好地趋近最优解.以云南某风电场的数据离线训练和测试,结果表明,所提的模型在检测精度和稳定性上均优于用粒子群算法(PSO)、遗传算法(GA)优化的SVM.
文献关键词：
裂纹识别;图像处理;支持向量机;萤火虫算法
中图分类号：
作者姓名：
汤占军;孙栋钦;李英娜;陆鹏
作者机构：
昆明理工大学 信息工程与自动化学院,云南 昆明 650500;云南龙源风力发电有限公司,云南 曲靖655000
文献出处：
引用格式：
[1]汤占军;孙栋钦;李英娜;陆鹏-.改进FA优化SVM的风机叶片裂纹检测模型)[J].可再生能源,2022(09):1189-1194
A类：
B类：
FA,风机叶片,裂纹检测,检测模型,风力发电机,气候条件,风沙,雨水,后会,早发现,原始图像,图像预处理,特征向量,改进的萤火虫算法,算法优化,优化支持向量机,全局搜索,搜索能力,混沌映射,成种,初始位置,自适应步长,趋近,最优解,风电场,离线训练,检测精度,粒子群算法,PSO,GA,裂纹识别
AB值：
0.34969
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
