针对复杂多变的工作环境给风电机组状态监测带来的挑战,提出了一种基于深度学习和注意力机制组合的状态监测与健康评估方法。首先,将风电机组数据采集与监控(supervisory control and data acquisition,简称SCADA)系统数据进行预处理;其...针对复杂多变的工作环境给风电机组状态监测带来的挑战,提出了一种基于深度学习和注意力机制组合的状态监测与健康评估方法。首先,将风电机组数据采集与监控(supervisory control and data acquisition,简称SCADA)系统数据进行预处理;其次,将卷积神经网络(convolutional neural networks,简称CNN)和长短期记忆网络(long short-term memory,简称LSTM)相结合提取数据的时空特征,并引入注意力机制(Attention)为LSTM分配相应的权重;然后,利用指数加权移动平均来设置阈值,通过分析均方根误差实现风电机组的状态监测;最后,通过实例对风电机组的主轴承、发电机定子和叶片变桨电机状态进行监测分析和健康评估,验证该方法的有效性。展开更多
为了提高利用监控和数据采集(supervisory control and data acquisition,SCADA)多变量长时间序列预测齿轮箱油温的精度,解决不同风电机组因处不同运行环境导致的数据分布不一致的问题,提出了一种基于多分支时间序列预测与迁移学习相结...为了提高利用监控和数据采集(supervisory control and data acquisition,SCADA)多变量长时间序列预测齿轮箱油温的精度,解决不同风电机组因处不同运行环境导致的数据分布不一致的问题,提出了一种基于多分支时间序列预测与迁移学习相结合的齿轮箱状态监测方法。首先,利用极致梯度提升(extreme gradient boosting,XGBoost)算法筛选输入参数组成原始序列,对其进行分解得到季节与趋势序列。其次,提出季节、趋势序列特征提取模块获取季节及趋势特征的序列,将其与经过Informer模型处理后的特征序列进行融合后输入进多层感知机映射成最终的预测值,以构建提出的多分支时间序列预测网络(multi-branch time series prediction network,MBFN)。最后,利用迁移学习并结合一分类向量支持机(one-class support vector machine,OCSVM)模型及滑动窗口构建齿轮箱的健康指数,完成齿轮箱状态监测。实验结果表明,所提出模型的MBFN显著提高了油温预测精度,优于常规时间序列预测模型,所使用的迁移策略能以较少数据适应不同数据的分布,进而实现对齿轮箱的状态监测,并且所提出的模型可以提前18.9 d发出齿轮箱故障预警。展开更多
文摘针对复杂多变的工作环境给风电机组状态监测带来的挑战,提出了一种基于深度学习和注意力机制组合的状态监测与健康评估方法。首先,将风电机组数据采集与监控(supervisory control and data acquisition,简称SCADA)系统数据进行预处理;其次,将卷积神经网络(convolutional neural networks,简称CNN)和长短期记忆网络(long short-term memory,简称LSTM)相结合提取数据的时空特征,并引入注意力机制(Attention)为LSTM分配相应的权重;然后,利用指数加权移动平均来设置阈值,通过分析均方根误差实现风电机组的状态监测;最后,通过实例对风电机组的主轴承、发电机定子和叶片变桨电机状态进行监测分析和健康评估,验证该方法的有效性。
文摘为了提高利用监控和数据采集(supervisory control and data acquisition,SCADA)多变量长时间序列预测齿轮箱油温的精度,解决不同风电机组因处不同运行环境导致的数据分布不一致的问题,提出了一种基于多分支时间序列预测与迁移学习相结合的齿轮箱状态监测方法。首先,利用极致梯度提升(extreme gradient boosting,XGBoost)算法筛选输入参数组成原始序列,对其进行分解得到季节与趋势序列。其次,提出季节、趋势序列特征提取模块获取季节及趋势特征的序列,将其与经过Informer模型处理后的特征序列进行融合后输入进多层感知机映射成最终的预测值,以构建提出的多分支时间序列预测网络(multi-branch time series prediction network,MBFN)。最后,利用迁移学习并结合一分类向量支持机(one-class support vector machine,OCSVM)模型及滑动窗口构建齿轮箱的健康指数,完成齿轮箱状态监测。实验结果表明,所提出模型的MBFN显著提高了油温预测精度,优于常规时间序列预测模型,所使用的迁移策略能以较少数据适应不同数据的分布,进而实现对齿轮箱的状态监测,并且所提出的模型可以提前18.9 d发出齿轮箱故障预警。
