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
振动信号是风电机组数据采集与监视控制(supervisorycontrol and data acquisition,SCADA)系统中的一类重要变量。对振动信号的建模和分析可以实现对机组重要部件如塔架、传动链、叶轮等的状态监测工作。采用非线性状态估计技术(nonline...振动信号是风电机组数据采集与监视控制(supervisorycontrol and data acquisition,SCADA)系统中的一类重要变量。对振动信号的建模和分析可以实现对机组重要部件如塔架、传动链、叶轮等的状态监测工作。采用非线性状态估计技术(nonlinear state estimate technique,NSET)作为建模方法,在对风电机组塔架振动特性及其影响因素进行细致分析的基础上,建立了塔架振动模型。该模型由额定风速以下和额定风速以上两部分子模型构成。同时,对非线性状态估计技术的物理意义及特点进行了深入的分析和探讨。在某风电机组2006年4至6月份SCADA数据的基础上,建立了覆盖其正常工作状态的塔架振动模型,并对该模型进行了验证。研究表明,基于NSET的塔架振动建模方法具有方法简单、物理意义明确和建模精度高等优点,为后续拟开展的风电机组振动状态监测和早期故障诊断打下了良好的基础,同时为风电机组振动分析提供了新的思路。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。
文摘振动信号是风电机组数据采集与监视控制(supervisorycontrol and data acquisition,SCADA)系统中的一类重要变量。对振动信号的建模和分析可以实现对机组重要部件如塔架、传动链、叶轮等的状态监测工作。采用非线性状态估计技术(nonlinear state estimate technique,NSET)作为建模方法,在对风电机组塔架振动特性及其影响因素进行细致分析的基础上,建立了塔架振动模型。该模型由额定风速以下和额定风速以上两部分子模型构成。同时,对非线性状态估计技术的物理意义及特点进行了深入的分析和探讨。在某风电机组2006年4至6月份SCADA数据的基础上,建立了覆盖其正常工作状态的塔架振动模型,并对该模型进行了验证。研究表明,基于NSET的塔架振动建模方法具有方法简单、物理意义明确和建模精度高等优点,为后续拟开展的风电机组振动状态监测和早期故障诊断打下了良好的基础,同时为风电机组振动分析提供了新的思路。
