典型文献
基于深度学习的风机叶片结冰诊断方法
文献摘要：
风机叶片结冰的现象严重影响风电发电效率,若在结冰状态下风机仍照常工作,不仅会影响经济效益,严重时还会直接损坏叶片等设备引发安全事故.传统手段通过人工观察、安装设备等方法效率低下.为此提出一种使用SVMSMOTE过采样与RFECV算法结合的特征工程,并采用全连接深度神经网络模型提前准确预测叶片结冰情况,以便及时采取相应措施,保证设备与人员的安全,提高发电效益.实验结果表明,深度学习模型经过训练后测试集准确率达到99.13％,比无特征工程条件下相同模型准确度提高了1.56％;此外,当该模型泛化应用到另一风机数据集时,故障诊断的准确度也达到92.3％,证明了该方法的有效性,该模型与KNN、SVM等传统机器学习模型相比,准确度、召回率等重要指标表现更好,为风机叶片结冰的诊断问题提供了一种新的解决思路.
文献关键词：
风机叶片结冰诊断;深度学习;特征工程;诊断模型;数据预处理;特征选择
中图分类号：
作者姓名：
汤占军;肖遥;李英娜
作者机构：
昆明理工大学 信息工程与自动化学院,云南 昆明 650504
文献出处：
引用格式：
[1]汤占军;肖遥;李英娜-.基于深度学习的风机叶片结冰诊断方法)[J].现代电子技术,2022(11):77-82
A类：
风机叶片结冰诊断,SVMSMOTE
B类：
发电效率,下风,照常,安全事故,安装设备,过采样,RFECV,特征工程,全连接,深度神经网络模型,准确预测,冰情,相应措施,发电效益,深度学习模型,经过训练,后测,测试集,工程条件,模型泛化,KNN,机器学习模型,召回率,诊断问题,解决思路,诊断模型,数据预处理,特征选择
AB值：
0.296491
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。
