文献类型：期刊文章

作　　者：向玲[1] 朱浩伟[1] 丁显[2] 汤海宁[3] 胡爱军[1]

XIANG Ling;ZHU Haowei;DING Xian;TANG Haining;HU Aijun(Department of Mechanical Engineering,North China Electric Power University,Baoding 071003,Hebei Province,China;Luneng Group Co.,Ltd.,Beijing 100020,China;NARI-TECH Nanjing Control Systems Ltd.,Nanjing 210061,China)

机构地区：[1]华北电力大学机械工程系,河北保定071003 [2]鲁能集团有限公司,北京100020 [3]国电南瑞南京控制系统有限公司,南京210061

出　　处：《动力工程学报》

基　　金：国家自然科学基金资助项目(52075170,52175092)。

年　　份：2022

卷　　号：42

期　　号：6

起止页码：514-521

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对风电机组故障频发且早期故障监测难的问题,为实现风电机组智能监测,提出基于卷积自编码(CAE)与双向长短期神经网络(BiLSTM)的风电机组齿轮箱故障预警方法。首先对风电场数据采集与监视控制(SCADA)系统的数据进行预处理,选择能表征风电机组齿轮箱运行状态的监测量作为输出量,根据相关性分析选择与输出量相关性高的监测量作为输入参数;然后根据特征选择特性和参数非线性特性构建深度学习网络模型,对输出的预测值和残差进行统计分析,设置自适应阈值来监测风电机组异常状态的趋势变化。将CAE-BiLSTM模型应用于某风电场的算例分析中,并与其他模型的预测效果进行对比。结果表明:该方法解决了模型输入与结构冗余问题,提高了模型精度,能够有效预警风电机组齿轮箱早期故障。

关 键 词：风电机组 齿轮箱 状态监测  CAE BiLSTM  

分 类 号：TH17]