基于长短期记忆网络的风电机组齿轮箱故障预测

发布时间：2022-02-15 07:46

　　针对风电齿轮箱状态监测数据的多变量动态时空关联性特点,提出了一种基于长短期记忆（long shortterm memory,LSTM）网络的齿轮箱故障预测方法,主要包括离线建模和在线监测两个阶段。首先,以齿轮箱油温为目标预测变量,充分考虑其与其它相关输入变量之间在时空维度上的重要关联信息,对历史监测数据进行训练学习,建立齿轮箱正常运行时的油温监测LSTM模型,通过对预测残差进行评估计算设定相应的检测阈值;然后,将训练好的油温监测LSTM模型用于在线测试,通过模型残差分析和阈值比较实现齿轮箱故障状态的检测和预测;最后,通过风电场测试数据对所提出的方法进行验证。结果表明,相比于其它传统方法,该方法表现出更好的预测性能,能够较早预测故障的发生。 

【文章来源】：计量学报. 2020,41(10)北大核心CSCD

【文章页数】：7 页

【部分图文】：

LSTM结构示意图

图2为所提出的风电齿轮箱故障预测方法流程图，该方法主要包括齿轮箱油温模型离线训练和在线监测两部分。其中，离线训练部分使用大量正常运行的数据训练出健康模型;在线监测部分实时预测油温并通过EWMA控制图加权计算其残差，若超出阈值，则对故障发出故障预警。4.1 模型构建

确定好模型的层数和每层的记忆单元后，采用基于时间的反向传播算法来学习模型的各个权重和偏置。模型的激活函数采用式(8)的双曲正切函数，训练时采用式(9)所示的损失函数。4.2 阈值设定

【参考文献】：
期刊论文
[1]基于变分模态分解与深度信念网络的运动想象分类识别研究[J]. 何群,杜硕,王煜文,陈晓玲,谢平.  计量学报. 2020(01)
[2]基于相关主成分分析和极限学习机的风电机组主轴承状态监测研究[J]. 何群,王红,江国乾,谢平,李继猛,王腾超.  计量学报. 2018(01)
[3]基于深度学习网络的风电机组主轴承故障检测[J]. 赵洪山,刘辉海.  太阳能学报. 2018(03)
[4]基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究[J]. 孟宗,刘东,岳建辉,詹旭阳,马钊,李晶.  计量学报. 2017(04)
[5]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)
[6]风力发电机状态监测和故障诊断技术的研究与进展[J]. 陈雪峰,李继猛,程航,李兵,何正嘉.  机械工程学报. 2011(09)



本文编号：3626224