基于超限学习机的风电机组齿轮箱油温趋势预测研究

发布时间：2022-02-21 04:22

　　为减少风电机组齿轮箱故障,提出一种基于数据预处理的超限学习机（ELM）风电机组齿轮箱油温预测方法。鉴于SCADA系统中数据信息质量的不确定性和冗余性,首先通过平滑处理去除噪声,再由相关性分析和信息熵计算,得到复合要求的模型输入变量数据,此数据预处理方法确保了对最终预测贡献的确定性,最后利用ELM预测模型进行齿轮箱油温预测。通过预测结果分析对比,此模型在保证预测精度的同时大幅降低了计算的复杂度,验证了所提算法的优越性。 

【文章来源】：组合机床与自动化加工技术. 2020,(11)北大核心

【文章页数】：4 页

【文章目录】：
0 引言
1 信息熵和超限学习机
    1.1 Shannon信息熵
    1.2 超限学习机
2 基于数据预处理的ELM预测模型算法流程
3 建模与预测
4 结论


【参考文献】：
期刊论文
[1]基于信息熵的高维稀疏大数据降维算法研究[J]. 何兴高,李蝉娟,王瑞锦,邓伏虎,刘行.  电子科技大学学报. 2018(02)
[2]风力发电机组故障诊断与预测技术研究综述[J]. 金晓航,孙毅,单继宏,吴根勇.  仪器仪表学报. 2017(05)
[3]基于改进型HMM的风电机组齿轮箱故障预测[J]. 曾承志,姚兴佳,唐德尧,胡亮红.  太阳能学报. 2016(04)
[4]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京.  机械工程学报. 2015(21)
[5]基于子空间方法的风机齿轮箱故障预测算法[J]. 赵洪山,郭伟,邵玲,张兴科.  电力自动化设备. 2015(03)
[6]变工况条件下的风电机组齿轮箱故障预警方法[J]. 顾煜炯,宋磊,徐天金,雷启龙.  中国机械工程. 2014(10)
[7]风电机组齿轮箱温度趋势状态监测及分析方法[J]. 郭鹏,David Infield,杨锡运.  中国电机工程学报. 2011(32)



本文编号：3636491