【Matlab源码】风力发电机故障检测（外文期刊水平仿真）.zip

共108个文件

dat：48个

txt：20个

hh：8个

版权申诉

matlab

5星 · 超过95%的资源 116 浏览量 2023-03-31 07:33:13 上传评论 4 收藏 4.41MB ZIP 举报

1.版本：matlab2014/2019a，内含运行结果，不会运行可私信 2.领域：智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，更多内容可点击博主头像 3.内容：标题所示，对于介绍可点击主页搜索博客 4.适合人群：本科，硕士等教研学习使用 5.博客介绍：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可si信 ### 1 智能优化算法及应用 **1.1 改进智能优化算法方面（单目标和多目标）** **1.2 生产调度方面** 1.2.1 装配线调度研究 1.2.2 车间调度研究 1.2.3 生产线平衡研究 1.2.4 水库梯度调度研究 **1.3 路径规划方面** 1.3.1 旅行商问题研究（TSP、TSPTW） 1.3.2 各类车辆路径规划问题研究（vrp、VRPTW、CVRP） 1.3.3 机器人路径规划问题研究 1.3.4 无人机三维路径规划问题研究 1.3.5 多式联运问题研究 1.3.6 无人机结合车辆路径配送 **1.4 三维装箱求解** **1.5 物流选址研究** 1.5.1 背包问题 1.5.2 物流选址 1.5.4 货位优化 ##### 1.6 电力系统优化研究 1.6.1 微电网优化 1.6.2 配电网系统优化 1.6.3 配电网重构 1.6.4 有序充电 1.6.5 储能双层优化调度 1.6.6 储能优化配置 ### 2 神经网络回归预测、时序预测、分类清单 **2.1 bp预测和分类** **2.2 lssvm预测和分类** **2.3 svm预测和分类** **2.4 cnn预测和分类** ##### **2.5 ELM预测**和分类 ##### **2.6 KELM预测**和分类 **2.7 ELMAN预测和分类** ##### **2.8 LSTM预测**和分类 **2.9 RBF预测和分类** ##### 2.10 DBN预测和分类 ##### 2.11 FNN预测 ##### 2.12 DELM预测和分类 ##### 2.13 BIlstm预测和分类 ##### 2.14 宽度学习预测和分类 ##### 2.15 模糊小波神经网络预测和分类 ##### 2.16 GRU预测和分类 ### 3 图像处理算法 **3.1 图像识别** 3.1.1 车牌、交通标志识别（新能源、国内外、复杂环境下车牌） 3.1.2 发票、身份证、银行卡识别 3.1.3 人脸类别和表情识别 3.1.4 打靶识别 3.1.5 字符识别（字母、数字、手写体、汉字、验证码） 3.1.6 病灶识别 3.1.7 花朵、药材、水果蔬菜识别 3.1.8 指纹、手势、虹膜识别 3.1.9 路面状态和裂缝识别 3.1.10 行为识别 3.1.11 万用表和表盘识别 3.1.12 人民币识别 3.1.13 答题卡识别 **3.2 图像分割** **3.3 图像检测** 3.3.1 显著性检测 3.3.2 缺陷检测 3.3.3 疲劳检测 3.3.4 病害检测 3.3.5 火灾检测 3.3.6 行人检测 3.3.7 水果分级 **3.4 图像隐藏** **3.5 图像去噪** **3.6 图像融合** **3.7 图像配准** **3.8 图像增强** **3.9 图像压缩** ##### 3.10 图像重建 ### 4 信号处理算法 **4.1 信号识别** **4.2 信号检测** **4.3 信号嵌入和提取** **4.4 信号去噪** ##### 4.5 故障诊断 ##### 4.6 脑电信号 ##### 4.7 心电信号 ##### 4.8 肌电信号 ### 5 元胞自动机仿真 **5.1 模拟交通流** **5.2 模拟人群疏散** **5.3 模拟病毒扩散** **5.4 模拟晶体生长** ### 6 无线传感器网络 ##### 6.1 无线传感器定位 ##### 6.2 无线传感器覆盖优化 ##### 6.3 室内定位 ##### 6.4 无线传感器通信及优化 ##### 6.5 无人机通信中继优化

资源推荐

资源详情

资源评论

收起资源包目录

【Matlab源码】风力发电机故障检测（外文期刊水平仿真）.zip （108个子文件）

marin_semi.1 492KB

tlpmit.1 56KB

barge.1 56KB

spar.1 56KB

marin_semi.12d 1.16MB

marin_semi.12s 1.16MB

marin_semi.3 9.7MB

barge.3 1.95MB

tlpmit.3 1.95MB

spar.3 1.95MB

Semi-submersible.cru 8KB

Onshore.cru 8KB

Monopile.cru 8KB

NRELOffshrBsline5MW_BeamDyn_Blade.dat 57KB

NRELOffshrBsline5MW_OC4DeepCwindSemi_HydroDyn.dat 31KB

NRELOffshrBsline5MW_Onshore_ElastoDyn_BDoutputs.dat 21KB

NRELOffshrBsline5MW_OC3Monopile_ElastoDyn.dat 20KB

NRELOffshrBsline5MW_Onshore_ElastoDyn.dat 20KB

NRELOffshrBsline5MW_OC4DeepCwindSemi_ElastoDyn.dat 20KB

NRELOffshrBsline5MW_OC3Monopile_HydroDyn_withIce.dat 17KB

NRELOffshrBsline5MW_OC3Monopile_HydroDyn.dat 17KB

DU30_A17.dat 12KB

DU21_A17.dat 12KB

DU25_A17.dat 12KB

DU40_A17.dat 12KB

DU35_A17.dat 12KB

NACA64_A17.dat 12KB

NRELOffshrBsline5MW_Onshore_ServoDyn.dat 11KB

NRELOffshrBsline5MW_OC3Monopile_ServoDyn.dat 11KB

NRELOffshrBsline5MW_OC4DeepCwindSemi_ServoDyn.dat 11KB

NRELOffshrBsline5MW_OC3Monopile_SubDyn.dat 8KB

Cylinder2.dat 7KB

Cylinder1.dat 7KB

NRELOffshrBsline5MW_OC3Monopile_AeroDyn15.dat 7KB

NRELOffshrBsline5MW_Onshore_AeroDyn15.dat 7KB

NRELOffshrBsline5MW_Blade.dat 7KB

NRELOffshrBsline5MW_AeroDyn15_Equil_noTwr.dat 6KB

DU30_A17.dat 6KB

DU21_A17.dat 6KB

DU25_A17.dat 6KB

DU40_A17.dat 6KB

DU35_A17.dat 6KB

NACA64_A17.dat 5KB

NRELOffshrBsline5MW_InflowWind_12mps.dat 5KB

NRELOffshrBsline5MW_BeamDyn.dat 5KB

IceDyn_Input.dat 5KB

NRELOffshrBsline5MW_ServoDyn_TMD.dat 5KB

NRELOffshrBsline5MW_OC3Monopile_AeroDyn.dat 4KB

NRELOffshrBsline5MW_OC4DeepCwindSemi_ElastoDyn_Tower.dat 4KB

NRELOffshrBsline5MW_Onshore_AeroDyn.dat 3KB

NRELOffshrBsline5MW_Onshore_ElastoDyn_Tower.dat 3KB

NRELOffshrBsline5MW_OC3Monopile_ElastoDyn_Tower.dat 3KB

NRELOffshrBsline5MW_AeroDyn_Equil_noTwr.dat 3KB

NRELOffshrBsline5MW_AeroDyn_blade.dat 3KB

NRELOffshrBsline5MW_OC4DeepCwindSemi_MoorDyn.dat 2KB

NRELOffshrBsline5MW_OC3Monopile_AeroDyn_Tower.dat 1KB

NRELOffshrBsline5MW_Onshore_AeroDyn_Tower.dat 1KB

NRELOffshrBsline5MW_OC4DeepCwindSemi_MAP.dat 1KB

IceFloe_IEC_Crushing.dat 1022B

Cylinder2.dat 711B

Cylinder1.dat 711B

DISCON_ITIBarge.f90 35KB

DISCON.f90 31KB

DISCON_OC3Hywind.f90 30KB

Semi-submersible.fst 5KB

Monopile.fst 5KB

Onshore.fst 5KB

semitest_8mps.hh 851KB

semitrain_8mps.hh 851KB

test_8mps.hh 836KB

train_8mps.hh 836KB

semitrain_14mps.hh 835KB

semitest_14mps.hh 835KB

train_14mps.hh 826KB

test_14mps.hh 826KB

spar.hst 1KB

barge.hst 1KB

marin_semi.hst 1KB

tlpmit.hst 1KB

FDIBenchMarkData.m 6KB

getColumnData.m 4KB

run.m 1KB

mat2data.m 99B

FaultDetection.mdl 1.49MB

RF_XGBoost_Training.py 6KB

Dump_XGBoost_Model.py 5KB

FaultDetection.mdl.r2015b 1.44MB

barge.ss 16KB

Cylinder2_coords.txt 8KB

Cylinder1_coords.txt 8KB

NACA64_A17_coords.txt 8KB

DU35_A17_coords.txt 8KB

DU40_A17_coords.txt 8KB

DU30_A17_coords.txt 8KB

DU25_A17_coords.txt 8KB

DU21_A17_coords.txt 8KB

readme.txt 3KB

7-14-15-13.txt 2KB

8-14-15-8.txt 2KB

3-15-13-7.txt 2KB

共 108 条

######################################################################## ###Wind Turbine Fault Detection Using XGBoost, Random Forests and SVM### ######################################################################## Zhejiang Uniersity, Ocean Renewable Energy Lab, Insititute of Ocean Engineering and Technology Yulin. Si Mail:[email protected] Liyang. Qian. Mail:[email protected] ######################################################################## Directories: .../FAST_V8/CertTest -- FAST input files (Read the FAST user's guide before use) .../FAST_V8/Simulink/XGB_TreeModels -- XGBoost dump models .../FAST_V8/Simulink/FaultDetection.mdl -- FD process simulink models (FAST V8 & MATLAB 2015b X86) .../FAST_V8/Simulink/FDIBenchMarkData.m -- Simulation parameters setting .../FAST_V8/Simulink/mat2data.m -- Transfer .mat data to .csv data .../FAST_V8/Simulink/run.m -- Run the simulation (Note to set the path and name of .fst file) .../Python/RF_XGBoost_Training.py -- Training and predicting with RF, XGBoost and SVM (Installed libraries first) .../Python/Dump_XGBoost_Model.py -- Select features with RF and predict using XGBoost, classifier dumped as .txt file ######################################################################## How to observe the FD results: 1)Make sure how to run a FAST-Simulink combined model %确保如何运行一个FAST-Simulink组合模型 2)Set parameters correctly and run 'run.m' %正确设置参数并运行run.m 3)Results in scopes (FaultDetection/Fault Detection Subsystem/...) 范围内的结果 ######################################################################## How to save simulation data, train model and test model: 如何保存仿真数据、训练模型和试验模型: 1)Make sure how to run a FAST-Simulink combined model 确保如何运行一个FAST-Simulink组合模型 2)Set parameters correctly 正确设置参数 3)Change one of the 'Terminator module' to 'To File' module. i.e. FaultDetection/Fault Detection Subsystem/claasification fault 2/Terminator2 3)将“Terminator模块”中的一个改为“to File”模块。即故障检测/故障检测子系统/分类故障2/Terminator2 4)Run 'run.m' and get a .mat file. Name it 'sensordata.mat'. 5)Run 'mat2data.m'. Transfer it to a CSV file. Prepare a training set and a testing set. Name them 'testdata.csv' and 'traindata.csv' 4)Run the 'RF_XGBoost_Training.py' in python 3.6. Note that you need install necessary py library in advance. They are sklearn, pylab, numpy, pandas, xgboost, scipy. 'Dump_XGBoost_Model.py' give a dump file of XGB and you can apply it in simulink model.

评论收藏

内容反馈

版权申诉