更全的杂志信息网

自适应蝙蝠算法优化PF的风力机桨距系统故障诊断方法

更新时间:2009-03-28

0 引 言

随着大功率风电机组安装规模与复杂程度增加,加之工作环境恶劣,导致各部件故障频发。因此,研究风电机组的故障诊断问题,对降低机组故障率,确保其安全稳定的运行具有重要的学术研究和工程实用价值[1]。变桨距系统作为风力机控制系统中的主要部件,对确保机组工作的安全性和输出功率的稳定性具有重要作用。

综上所述,当采用基于信号概率的功耗计算模型进行MPRM电路的功耗计算时,本文所提出的基于概率表达式的MPRM电路功耗计算方法能够在合理的时间内获得准确的电路功耗计算结果.

变桨距系统转速极低,运行不连续,负载随机,且受到复杂运行环境特殊性的约束,往往存在故障诊断难的问题[2]。目前,针对变桨距系统故障诊断问题的研究较少,主要是基于数据驱动和解析模型的故障诊断方法。前者需较多的变桨距系统的故障数据及先验知识,对所选数据的健康性和有效性要求较高,且此类方法构建的数据模型与变桨距系统的运行机理关系并不密切,故障诊断准确性不高。而基于解析模型的故障诊断方法主要是是基于系统的物理方程来构建模型,无需先验知识,对故障数据的依赖性更小,相比于其他方法估计性能更高。因此,在实际复杂设备的故障诊断中得到广泛应用。文献[3]主要利用模糊建模的方法,构造了基于模型的故障诊断结构,实现了桨距执行器及传感器的故障诊断问题的研究。文献[4]引入变遗忘因子的辨识算法,通过参数估计的思想,对变桨距系统的性能参数进行估计,从而进行故障诊断。文献[5]通过建立风机动态模型,采用其数学模型的方法对桨距系统进行故障检测。文献[6]详细介绍了多信息观测器的设计方法,并实现桨距系统故障检测。以上方法基于不同出发点,针对变桨距系统的故障诊断问题取得了相对较好的效果。但风电机组是多参数、强耦合的非线性系统,实际情况下,系统存在各类信号扰动和随机噪声的影响,以上文献并未对此类问题进行深入研究,导致故障诊断的准确性不高。有学者提出采用扩展卡尔曼滤波(EKF)方法用于变桨距系统故障诊断[7],但该方法涉及雅可比矩阵的计算,忽略高阶项,在处理变桨距系统这类复杂非线性系统时会引入额外误差且计算量较大。而粒子滤波(PF)不受限于系统非线性及噪声分布特性,更加适用于处理变桨距系统这种处于复杂噪声影响下的非线性较强的系统[8-9]

粒子滤波算法存在粒子贫化现象,导致故障诊断的准确性不高[10]。本文考虑到蝙蝠算法寻优特性的优势,将其与粒子滤波融合,并结合最新观测值优化粒子的采样过程。同时引入动态自适应惯性权重优化粒子的全局搜索方式,自适应控制粒子的全局搜索与局部搜索的相互转换,缓解粒子的贫化现象。在此基础上,以4.8 MW级双馈变速恒频风电机组为研究对象,对风电机组变桨距系统的故障诊断问题进行仿真分析。

1 风电机组模型

变速恒频双馈风电机组主要由空气动力学系统、传动系统、变桨距系统、功率转换系统和控制器等部件[11]组成。其主要结构关系如图1所示。

  

图1 风力机系统模型结构

其中,vw为有效风速,β为桨距角,βref为桨距角参考值,Ta为气动转矩,ωr为转子速度,Tg为发电机的转矩,ωg为发电机转速,ωr,m为实测转子转速,Tg,m为实测发电机转矩,ωg,m为实测发电机转速,Pg为发电机产生的电能,Pr为功率参考值,Tg,r为发电机转矩参考值。

本文利用不同的滤波算法对上述模型进行状态估计,图2分别给出了粒子数N=100和N=50的两种情况下四种算法的状态估计曲线,四种算法的均方根误差曲线的对比结果如图3所示。表1为四种算法分别运行100次蒙特卡洛仿真后的均方根误差、平均有效粒子数及单次运行时间的对比结果。

受几十年国防工业体制影响,国有企业、科研院所仍然是武器装备科研生产的主体力量。一些部门和企业对军民融合的重大意义认识不深,固守原有的科研生产体系,步子迈不开、走不快;也有一些军工企业对参与市场竞争信心不足,担心受到冲击影响发展,故而积极性不足;还有一些企业“军老大”的传统思想依然存在,对于吸纳优势民营企业进入军工科研生产放不下身价,主动性不够,“等、靠”现象突出。

本文研究的是三叶片水平型风力机,其有三个完全一致且独立的变桨距系统,文中仅研究其中一个变桨距系统。桨距系统执行器或桨距角传感器发生故障,导致变桨距系统动态响应变慢,桨距角不能迅速跟踪参考桨距角变化,引发机组输出功率发生波动。为研究变桨距系统故障诊断问题,本文根据风力机基本工作原理,对4.8 MW风电机组建模如下式所示:

 

(1)

式中:Jg为高速轴的转动惯量、Jr为低速轴的转动惯量;θΔ为传动系统的扭转角;KdtBdt分别为弹性装置的刚性系数和阻尼系数;Bg为发电机固有阻尼;Ng为传动比;ζωn分别为变桨距系统的阻尼系数和固有频率。

网络的出现拉近了人与人交流的距离,对思想政治教育的时间和空间起到了延伸的作用,也丰富了思想政治教育的内容,但是与此同时,也带来了一定的挑战和问题,因此教育者要在网络文化的背景下,开创高校思想政治教育创新途径,不断为国家培养创新型人才。

2 粒子滤波算法

粒子滤波是基于蒙特卡洛思想来实现递推贝叶斯估计的非线性滤波方法[12],其通过利用一组赋有权重的随机粒子集来递推近似所需的后验概率密度函数,即:

这一幕幕发生在9月27日青州市谭坊镇人大专题询问会现场。这场“面对面,一问一答”的‘考试’,‘考官’是谭坊镇的28名人大代表,‘考生’是谭坊镇政府与教育部门、部分学校负责人,双方围绕镇教育工作针锋相对、你问我答,问出了谭坊教育的不足,答出了谭坊教育的明天。

 

(2)

式中:xkk时刻的系统状态值,z1:k为1-k时刻的系统观测值,分别为k时刻粒子i的状态和权重,δ(·)是狄拉克函数。当式(2)随着量测值递推更新时,可以采用样本均值来解决复杂的积分过程,从而得出系统状态方差的最小估计结果。

3 基于改进蝙蝠算法的粒子滤波方法

一维非线性系统模型如下:

3.1 蝙蝠优化算法的原理

蝙蝠算法[13]BA(Bat Algorithm)是一种最新的仿生学群体智能的优化算法,其通过模拟自然界中蝙蝠利用回声定位进行搜索捕食猎物的行为而进行自适应迭代寻忧,具有模型简单、收敛速度快、鲁棒性好等优点。蝙蝠算法的寻优能力优于粒子群优化算法等其他主流群体智能优化算法[14]。该算法主要思想是蝙蝠依据所发出的脉冲频率、音强、脉冲发射频度的不断更新来实现目标优化,其中脉冲频率决定了蝙蝠飞行速度的大小,音强和脉冲发射频度决定了蝙蝠个体在更新后,接受新位置的概率。具体优化机理如下:

其内涵是:引导学生通过对具体情境的数学抽象获得数学对象,构建研究数学对象的基本路径,发现值得研究的数学问题,探寻解决问题的数学方法,获得有价值的数学结论,建立数学模型解决现实问题.

(1) 在D维搜索空间中,蝙蝠个体ik时刻的速度vi和位置xi的更新方式定义为:

f i=fmin+(fmax-fminβ

(3)

 

(4)

 

(5)

式中:f i为第i只蝙蝠所发出的搜索脉冲频率,且f i∈[fmin,fmax],β为[0,1]之间服从均匀分布的随机数,分别表示蝙蝠ikk-1时刻的飞行速度,是蝙蝠ikk-1时刻所处的位置,是当前蝙蝠群体中的全局最优位置。

(2) 局部搜索时,每只蝙蝠的新位置xnew由当前最优位置随机扰动产生,位置更新方式如公式所示:

 

(6)

式中:ε是[-1,1]间的随机值,表示在k时刻所有蝙蝠个体的平均音强值。

由于前人未涉及本领域的研究,本文的研究结论必定存在一定的局限性,主要在于:(1)通过定性研究整理分析得出的感知特征项可能不全面或不严谨,其中某些重要的特征项可能被忽视或遗漏;(2)受资金和时间等因素的限制,所选取的样本范围较窄.这些局限性都可能会影响研究的准确性.因此希望在今后进行更大范围的验证性研究,使研究结论更加严谨.

 

(7)

 

(8)

式中:分别为kk-1时刻的脉冲音强,为最大脉冲发射频度,为蝙蝠在k时刻的脉冲频度;α是脉冲音强衰减因子,γ是脉冲频度增强因子,且αγ均为大于零的常数,算法中设置0<α<1、γ>0。可以看出,ri随着迭代进行增大,而逐渐减小。

3.2 全局搜索位置更新方式的自适应更新

(3) 蝙蝠在搜索猎物的初始阶段,具有较大的脉冲音强Ai和较低的脉冲发射频度ri,以利于大范围搜索,一旦搜索到猎物,就逐渐减小脉冲音强,并且增大脉冲发射频度,从而更容易捕捉到猎物所在的位置。Airi的更新方式如下所示:

标准蝙蝠算法通过搜索脉冲频率f控制蝙蝠移动的范围和空间,从而控制算法的全局与局部搜索能力。但随着迭代次数增加,利用式(3)-式(5)更新蝙蝠的位置和信息时,蝙蝠的速度会越来越小,蝙蝠群体聚集到局部极值附近,算法缺乏有效的变异机制,导致种群多样性降低,从而影响收敛精度。针对该问题,本文受文献[15-16]改进思想的启发,本文对蝙蝠位置更新方式进行优化,设计一种新的全局搜索公式,通过引入一种动态自适应惯性权重控制蝙蝠飞行位置变化幅度。新的位置更新方式如下:

 

(9)

ω(k-1)=exp(-λ(k-1)/λ(k-2))

(10)

 

(11)

2.3 上人梯搭设总高度为44.6m(-13.3米基础标高—31.3米仓顶大环梁标高),平面尺寸为2600mm×4600mm。立杆纵距1.5m,横距1.2m,脚手架步距1.2m。上人踏板采用 3m长钢架板,铺设宽度1000mm,上人转向平台采用钢架板满铺,铺设尺寸为1000mm×2200mm。具体见下图:

3.3 改进的蝙蝠算法优化粒子滤波

将粒子随机分布在搜索空间中,通过粒子来表征蝙蝠个体,模拟蝙蝠群体搜索猎物的过程。在初始迭代时刻,粒子采用较低的脉冲发射频度和较大的音强进行全局搜索,从而更新粒子状态;随后进行局部搜索,同时逐渐减小音强,增大发射频度。粒子群体通过调整频率,响度及脉冲发射频度追随当前最优粒子进行搜索,以改善粒子多样性匮乏问题。为考虑滤波精度,本文在蝙蝠算法优化采样粒子的过程中引入最新观测值,定义适应度函数为:

 

(12)

式中:ynew是最新观测值,ypred是滤波器预测的观测值,Rk为观测噪声方差。从适应度函数值的计算公式可看出,其充分发挥了每个时刻最新观测值对算法内部信息交互的指导作用。通过和较优位置的粒子比较,多次迭代后,粒子逐渐趋向于搜索空间中的最优位置周围,同时,设置迭代终止阈值ε,若满足该条件,终止迭代,从而确保算法在速度和精度方面的优势。

3.4 算法实现步骤

本文改进算法的实现步骤如下:

他神情非常尴尬的站在那儿,想要对她解释什么,却被她用手势打住了。她说,得!你不用解释,我没白叫你大狼。然后,她没去她与他的卧室,走进另一个房间把门反锁上了。

步骤1 初始化。采样N个粒子作为算法的初始粒子为重要性密度函数。

步骤3 改进蝙蝠算法优化采样粒子。

步骤2 取粒子集的最新量测值,定义适应度函数(式(12))。计算当前粒子集的适应度值,并找出当前最优粒子位置

1) 模拟的蝙蝠的全局搜索行为。依据式(3)、式(4)和式(9)-式(11)更新粒子的频率、速度和位置。

2) 生成随机数rand1,若则接受粒子更新后的位置,否则,依据式(6)进行局部搜索。

3) 生成随机数rand2,若则粒子当前位置为xnew,否则粒子当前位置为同时按式(7)、式(8)更新粒子脉冲频度和脉冲音强。

4) 计算并对比粒子适应度函数值,更新全局最优值。

 

(13)

步骤4 当算法达到设定的阈值ε或最大迭代次数时,停止迭代优化,否则转入步骤2。

本文针对FJSP提出一种有效的改进邻域结构混合算法。在同机器移动工序方面,对无效移动进行了精简,对有效移动进行了扩展,提高了邻域结构的精准性和有效性。同时,给出了邻域结构中,针对同机器移动工序和跨机器移动工序的快速近似评价方法,为进一步研究FJSP新的邻域结构以及结合问题领域知识的搜索方法提供了借鉴。在未来的研究中,所提出的邻域结构可以融合其他智能算法,用于求解基础型FJSP,以及各种类型的FJSP扩展型问题,从而进一步提升算法的求解性能。

步骤5 计算优化后粒子的重要性权值并归一化。

式中:ω(k-1)为k-1次迭代时的惯性权重;为蝙蝠i在第k-1次迭代时所对应的目标函数值。设为第k-1次更新位置时最优蝙蝠所对应的目标函数值,式(10)中的k=2时,λ(0)=0.9,该计算策略能够使得权重的变化更为平滑,每次更新目标函数值时λ(k-1)都会随之发生改变,进而惯性权重随着目标函数值动态变化,因此,惯性权重就具有指导性。λ(k-1)减小得越快,ω(k-1)就会越大,全局搜索能力就越强;λ(k-1)每次变化越慢,则ω(k-1)就会越小,局部搜索能力就越强。防止陷入极值点或者在极值点附近反复震荡的可能性,从而能够改善算法的全局搜索能力,同时可平衡算法的全局搜索和局部搜索能力。

 

(14)

步骤6 状态输出。

 

(15)

4 仿真结果与分析

4.1 算法性能测试

降雨通过林木的再分配,分为林内降雨、穿透雨、树干径流、枯落物渗透水、坡面径流5部分,其中白桦林穿透雨占降雨量的80.1%,落叶松林穿透雨达到85.7%,具体分配见表3。

为验证IBA-PF算法的性能,本文利用典型一维非线性系统模型[8]进行仿真验证,并与PF、UPF和PSO-PF进行对比。实验环境为Intel Core i3-4170@3.70 GHz,内存为4 GB,操作系统为Windows7。

标准粒子滤波中采用次优密度函数作为重要性密度函数进行采样,未考虑当前时刻观测值,会产生粒子权值退化现象。重采样方法通过舍弃小权值粒子来克服粒子权值退化问题,但经过多次迭代后,将导致粒子的贫化问题。针对以上问题,本文利用改进后的蝙蝠算法改善粒子滤波的采样过程,通过全局最优值引导粒子的移动,使得粒子集在权值更新前已趋向于高似然区域,但不会全部聚集在最优值附近,通过改善粒子的分布来提高算法的估计精度。

 

(16)

式中:模型的系统噪声uk-1Γ(3,2),观测噪声vkN(0,0.000 1),实验中,总的观测时间为T=50,假设状态初值为2,粒子数目分别设置为N=100和N=50,最大脉冲发射频度r0=0.5,最大脉冲音强A0=0.25,fmin=0,fmax=2,最大迭代次数为10,脉冲频度增强因子γ=0.05,脉冲音强衰减因子α=0.95,优化终止阈值ε=0.01。为对比四种算法的跟踪性能,采用均方根误差、平均有效粒子数和一次运行平均时间作为评价算法优越性的指标。均方根误差定义如下:

目前,人力资源管理信息化软件产品的规则与质量,在社会市场上的标准还不统一,产品还不规范,销售厂商较为混杂,这些问题都在一定程度上制约着人力资源管理的信息化发展。

 

(17)

式中:M为蒙特卡洛仿真次数,实验中设置为100。

平均有效粒子数是评价粒子多样性匮乏情况的重要指标,越小,粒子枯竭情况越严重定义为:

 

(18)

风电机组工作在额定风速以下时,改变定子电压控制发电机转矩,从而调节发电机转速,并通过调节桨距角使机组保持最优功率跟踪。机组运行于额定风速以上时,变桨距系统通过调节桨距角限制风轮捕获的机械能,实现机组恒功率输出。变桨距系统工作在变速变载荷条件下,是风力机状态监测的关键部件。

  

图2 不同滤波算法的状态估计结果

  

图3 不同滤波算法的RMSE对比结果

 

表1 不同噪声下四种算法的性能对比

  

参数算法RMSEN-eff时间/svk~N(0,0.001)PF1.060412.10560.2339UPF0.510514.40980.5133PSO⁃PF0.302816.61391.0177IBA⁃PF0.090625.26190.9253vk~N(0,0.01)PF0.824214.27090.5930UPF0.414016.11050.8356PSO⁃PF0.233617.02112.0163IBA⁃PF0.063332.40651.8638

由图2和图3可以看出,相对于其他三种算法,本文算法(IBA-PF)的跟踪效果最好,预测精度更高,这是由于新的全局搜索策略改善了粒子的位置更新方式,缓解了粒子陷入局部极值,使粒子分布更加合理,粒子多样性程度提高。从表1实验结果可看出,相同噪声下,采用改进蝙蝠算法优化的粒子滤波均方根误差明显小于其他三种算法,平均有效粒子数值最大,表明IBA-PF具有更强的稳健性。但是,由于增加了自适应迭代寻优操作,并融入最新观测信息,IBA-PF的执行时间相对标准PF及UPF较高,IBA-PF运行时间相比PSO-PF较低,因为IBA-PF在达到优化需求的情况下停止优化,算法复杂度较低。可见,粒子的多样性与寻优速度对优化结果有显著影响。在观测噪声较大时,本文方法的跟踪效果也好于其他三种算法。

4.2 变桨距系统故障诊断仿真与分析

变桨距系统存在的故障主要有桨距系统执行器故障和桨距角传感器故障,其中执行器故障主要有油液空气含量高、液压泄露、泵磨损、阀阻塞等故障。文中主要选取油液空气含量高、液压泄露及桨距角传感器偏差故障,利用本文所改进的故障诊断方法进行变桨距系统故障诊断仿真。针对第1节中所建立的风电机组动力学模型,构建系统的状态空间模型如下所示:

 

(19)

式中:状态量控制量u=[Tr Tg βref]Ty为桨距角,ABC为已知的系统矩阵,ωkvk分别为系统噪声与观测噪声,且互不相关。实际工作中,由于风电机组工作环境复杂多变,系统存在非高斯噪声或未知的干扰,为模拟实际情况的噪声,本文设置的噪声形式为ωΓ(0.1,0.1),vΓ(0.1,0.1)。风力机系统其他参数值如文献[11]所示。本文故障模态如下:

故障1:油液空气含量高故障。变桨距系统执行器的固有频率由正常值11.11 rad/s跳变为5.73 rad/s,阻尼系数由0.6跳变为0.45。

故障2:油液空气含量高故障。变桨距系统执行器固有频率和阻尼系数分别由正常值变为3.42 rad/s和0.9。

故障3:桨距角传感器偏差故障。桨距角传感器失效,发生偏差为0.3的故障,导致对桨距角的测量值不准确。

实验中,假设机组运行于额定风速以上,系统的初始状态x=[0.404 63 162 5.6 0.504]T,输入u=[5.9154×107 500 4.5]T,采样粒子数N=200,仿真时间T=200 s,离散步长ΔT=0.01 s。考虑系统中存在未知噪声等干扰的影响,选择滑动窗口宽度M=20。假设在0 s≤t<100 s时,系统处于正常状态,100 s≤t≤200 s时,系统处于故障状态。

4.2.1 故障检测结果及分析

他要工人们和进步的团体“注意的所在”是什么呢?这要从互助会的解散原因说起。其直接的导火索是浙江印刷公司周经理的茶房辱打排字学生,少数工人出于私欲,有意以罢工要挟经理斥责茶房,于是周经理下令解散互助会和改换工作制。实际上,这是因为它危害到了资本家和少数工人的利益而出现的一个结果。因为,互助会成立之后,改分工包工制为包工统工制,虽然使绝大多数工人得到了实惠,但也使少数工人失去了攒钱的机会,更使资本家减少了利润。魏金枝在文章中说明了这一点:

利用本文改进粒子滤波的状态估计方法,结合残差平滑法进行故障检测。故障检测结果如图4所示。

  

图4 三种故障的故障检测结果

由图4(a)可以看出,系统无故障时,桨距角残差值基本为0,表明本文方法能够很好地跟踪桨距角的变化,估计误差较小。由图4(b)、图4(c)、图4(d)可以看出,对于油液空气含量高、液压泄露故障和桨距角传感器偏差故障,在0 st<100 s时,即系统无故障时,系统桨距角残差平滑值较小,且变化比较平稳,100 s≤t≤200 s时,即在故障发生后,桨距角残差平滑值dk都有剧烈跳变。依据残差平滑值的变化可进行故障检测。以上表明本文算法可以有效地实现故障检测。

4.2.2 桨距系统故障隔离结果

本文将可能发生的多种故障模式设为故障集同时设计三个粒子滤波器去监控每一种故障模式,并分别计算每种故障模式的残差平滑值dk,比较系统真实状态与每种故障模式的桨距角残差平滑值,进行故障隔离。设残差计算每种故障模式第k时刻的桨距角残差平滑值当真实状态模式与某一故障模式匹配时,桨距角残差平滑值较小,说明发生了该模态为i的故障,反之。故障的隔离结果如图5所示。

近年来,我国农业农村电子商务快速发展,成效明显。贫困地区以及农产品成为农业农村电子商务发展最快的地区和领域。支撑农业农村电子商务发展的服务设施不断完善,产业链上下游联系更为紧密,服务内容不断拓展,新产业、新业态、新模式不断涌现。

  

图5 三种故障的故障隔离结果

由图5(a)可知,传感器偏差故障和液压泄露故障模时的桨距角残差平滑值均较大,而油液空气含量高故障模式的桨距角残差平滑值是最小的,故判断发生油液空气含量高故障;图5(b)和图5(c)的隔离过程类似,不再赘述。对于变桨距系统的上述三种故障,本文方法都能够快速有效地对其进行隔离定位。

5 结 语

本文针对传统粒子滤波方法在处理风电机组变桨距系统故障诊断问题时因存在粒子贫化现象,导致故障诊断准确性不高的问题,提出了一种基于蝙蝠算法优化的粒子滤波状态估计方法。通过将蝙蝠算法融入到粒子滤波的采样过程,利用蝙蝠算法的全局搜索与局部搜索机制引导粒子向真实状态移动,同时利用系统最新量测值来定义适应度函数,有效缓解样本枯竭问题。引入动态自适应惯性权重改进粒子的全局搜索位置更新方式以控制粒子的多样性与收敛速度的平衡。仿真结果表明应用本文方法能够有效地提高变桨距系统故障检测和故障隔离的准确性,为实际工程应用提供了借鉴思路。

[1] Perveen R,Kishor N,Mohanty S R.Off-shore wind farm development:Present status and challenges[J].Renewable and Sustainable Energy Reviews,2014,29(7):780-792.

[2] Odgaard P F,Johnson K E.Wind turbine fault detection and fault tolerant control-An enhanced benchmark challenge[C]//American Control Conference (ACC),17-19 June 2013,Washington,DC,USA.IEEE,2013.

[3] Simani S,Farsoni S,Castaldi P.Fault Diagnosis of a Wind Turbine Benchmark via Identified Fuzzy Models[J].IEEE Transactions on Industrial Electronics,2015,62(6):3775-3782.

[4] Wu D,Song J,Shen Y.Variable forgetting factor identification algorithm for fault diagnosis of wind turbines[C]//Chinese Control and Decision Conference.2016:1895-1900.

[5] 赵洪山,连莎莎,邵玲.基于模型的风电机组变桨距系统故障检测[J].电网技术,2015(2):440-444.

[6] Wu D,Zhai Y,Gao W,et al.Multi-innovation observer based fault detection for pitch system of wind turbines[C]//IEEE International Conference on Cyber Technology in Automation,Control,and Intelligent Systems.IEEE,2015:677-680.

[7] Esbensen T,Sloth C.Fault diagnosis and fault-tolerant control of wind turbines[D].Aalborg University,2009.

[8] 张玲霞,刘志仓,王辉,等.非线性系统故障诊的粒子滤波方法[J].电子学报,2015,43(3):615-619.

[9] 郭健彬,纪丁菲,王鑫,等.混杂系统粒子滤波混合状态估计及故障诊断算法[J].系统工程与电子技术,2015,37(8):1936-1942.

[10] 黄金泉,陈煜,周浩文,等.基于QPSO粒子滤波的航空发动机突变故障诊断[J].南京航空航天大学学报,2014,46(4):494-500.

[11] Liu X,Gao Z.Takagi-Sugeno fuzzy modelling and robust fault reconstruction for wind turbine systems[C]//IEEE,International Conference on Industrial Informatics.IEEE,2017:492-495.

[12] 朱志宇.粒子滤波算法及其应用[M].科学出版社,2010.

[13] 李煜,马良.新型全局优化蝙蝠算法[J].计算机科学,2013,40(9):225-229.

[14] Gandomi A H,Yang X S,Alavi A H,et al.Bat algorithm for constrained optimization tasks[J].Neural Computing & Applications,2013,22(6):1239-1255.

[15] 陈志敏,田梦楚,吴盘龙,等.基于蝙蝠算法的粒子滤波法研究[J].物理学报,2017,66(5):41-50.

[16] 朱奇光,肖亚昆,陈卫东,等.基于萤火虫算法改进移动机器人定位方法研究[J].仪器仪表学报,2016,37(2):323-329.

 
曹洁,杜永红,王进花
《计算机应用与软件》2018年第05期文献

服务严谨可靠 7×14小时在线支持 支持宝特邀商家 不满意退款

本站非杂志社官网,上千家国家级期刊、省级期刊、北大核心、南大核心、专业的职称论文发表网站。
职称论文发表、杂志论文发表、期刊征稿、期刊投稿,论文发表指导正规机构。是您首选最可靠,最快速的期刊论文发表网站。
免责声明:本网站部分资源、信息来源于网络,完全免费共享,仅供学习和研究使用,版权和著作权归原作者所有
如有不愿意被转载的情况,请通知我们删除已转载的信息 粤ICP备2023046998号