文献类型：期刊文章

作　　者：赵宇[1] 王晓东[1] 吕海华[2] 刘颖明[1] 董福杰[1] 王宇[1]

ZHAO Yu;WANG Xiaodong;LV Haihua;LIU Yingming;DONG Fujie;WANG Yu(School of Electrical Engineering,Shenyang University of Technology,Shenyang 110870,China;College of Information,Shenyang Institute of Engineering,Shenyang 110136,China)

机构地区：[1]沈阳工业大学电气工程学院,辽宁沈阳110870 [2]沈阳工程学院信息学院,辽宁沈阳110136

出　　处：《电力科学与工程》

基　　金：国家自然科学基金资助项目(52007124);辽宁省揭榜挂帅科技攻关专项资助项目(2021JH1/10400009)。

年　　份：2024

卷　　号：40

期　　号：2

起止页码：61-70

语　　种：中文

收录情况：AJ、INSPEC、JST、RCCSE、普通刊

摘　　要：将齿轮箱温度划分为正常、温升异常和温度异常3种场景,并利用所构建的卷积神经网络(Conventional neural network,CNN)结合双向长短期记忆(Bidirectional long short term memory,BiLSTM)网络模型对场景进行判别。在此基础上,采用分位数回归(Quantile regression,QR)结合门控循环单元(Gate recurrent unit,GRU)方法,分别预测不同温度场景下的油温及轴承点预测及温度区间,并根据GRU温度异常诊断模型对2种预测温度进行诊断。算例分析结果表明,用该方法能准确预测各状态下齿轮箱温度,且预测区间可靠,可实现齿轮箱温度异常的高效诊断。依托某风场实测数据对所提方案进行验证,验证结果表明所提方法有效且性能优越。

关 键 词：风力发电机组 齿轮箱 温度预测  故障诊断 场景判别  

分 类 号：TM614] TP277]