基于长短期记忆网络的风电机组齿轮箱故障预测

• 作者: 何群 尹飞飞 武鑫 江国乾 谢平
• 来源期刊: 计量学报
• 学科: 工学
• 关键词: 计量学 风电齿轮箱 故障预测 长短期记忆网络 油温预测
• 年，卷（期）: 2020,（10）
• 页码范围: 1284-1290
• 页数: 7页
• 分类号: TB973|TB942
• 语种: 中文
• DOI: 10.3969/j.issn.1000-1158.2020.10.17

摘要

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 short-term 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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	谢平		84	659	15.0	21.0
2	何群		27	173	9.0	12.0
3	江国乾		19	113	7.0	10.0
4	武鑫		3	13	1.0	3.0
5	尹飞飞		1	0	0.0	0.0