基于Bagging集成策略和多元状态估计的风电机组齿轮箱状态监测

发布时间：2021-07-14 03:07

　　风电机组齿轮箱的故障率和维护成本相对较高,有必要对其运行状态进行实时监测。多元状态估计（multivariate state estimate technique, MSET）是一种常用的状态监测方法,但在记忆矩阵规模较大时,MSET在线计算的实时性较差。为此,提出一种基于Bagging集成策略和MSET的新方法:首先基于Bagging集成策略,对训练数据进行多次随机抽样,构造多个记忆矩阵规模较小的MSET子模型,最终将子模型的结果平均后作为集成模型的输出。以某2 MW风电机组的运行数据为算例,对集成MSET的性能进行了对比实验。结果表明:在精度相当的前提下,集成方法的计算时间仅为常规方法的60%;结合统计过程控制技术设计了预警阈值和滑动窗口异常率,并对集成MSET的故障预警能力进行验证,结果表明,集成方法能够提前约10 d预警齿轮箱的实际故障。 

【文章来源】：科学技术与工程. 2020,20(20)北大核心

【文章页数】：7 页

【部分图文】：

Bagging集成学习策略

(3)设计预警阈值的第一步是基于验证集计算集成模型的输出 y ^ 和状态变量的实际测量值y,计算预测残差 e=y- y ^ 。第三步是利用统计过程控制技术,基于预测残差序列的样本均值和样本标准差计算预警阈值。2.2 基于统计过程控制技术的预警阈值设计

程序的运行环境为MATLAB R2018a,CPU型号为Intel i5-7500,内存为8 G。常规MSET在验证集上的测试结果如图3所示。图3中,计算时间的含义为计算1 000组验证集所花费的时间。由图3可知,从估计精度的角度,随着记忆矩阵规模的扩大,常规MSET的误差有一定下降,但矩阵规模大于2 000后降幅较小,说明扩展记忆矩阵能够改善MSET的估计精度,但矩阵达到一定规模后,继续扩展对精度的改善较为有限;从计算时间的角度,随着记忆矩阵规模的扩大,常规MSET的计算时间大幅度增长且为非线性增长,说明较大规模的记忆矩阵会严重影响MSET的实时性。


本文编号：3283285