基于深度学习与SPRT的风电机组齿轮箱轴承状态监测

• 作者: 刘旭斌 林峰 郭鹏
• 来源期刊: 动力工程学报
• 学科: 工学
• 关键词: 状态监测 深度学习 降噪自编码 长短期记忆网络 序贯概率比检验
• 年，卷（期）: 2020,（11）
• 所属期刊栏目: 监测与测量
• 页码范围: 889-896
• 页数: 8页
• 分类号: TM315
• 语种: 中文
• DOI: 10.19805/j.cnki.jcspe.2020.11.005

摘要

为提高故障发生率较高的齿轮箱高速轴轴承状态监测效率和准确性,提出了一种基于深度学习模型的状态监测方法.首先采用ReliefF方法初选建模变量,并通过降噪自编码网络对这些变量进行降维处理,使用长短期记忆网络对降维简化后的高速轴轴承温度与其影响变量之间的非线性关系进行建模,然后在监测阶段引入序贯概率比检验方法,捕捉模型预测轴承温度残差的异常变化,及时发出机组运行异常报警,最后以华东地区2台1.5 MW实验机组为例对模型进行验证.结果 表明:采用本文方法能够及时准确地发现齿轮箱异常导致的高速轴轴承温度超温,为风电机组齿轮箱状态监测和故障预警提供参考.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郭鹏		67	813	13.0	26.0
2	刘旭斌		2	1	1.0	1.0
3	林峰		2	2	1.0	1.0