典型文献
基于CAE与BiLSTM结合的风电机组齿轮箱故障预警方法研究
文献摘要：
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.
文献关键词：
风电机组;齿轮箱;状态监测;CAE;BiLSTM
中图分类号：
作者姓名：
向玲;朱浩伟;丁显;汤海宁;胡爱军
作者机构：
华北电力大学机械工程系,河北保定071003;鲁能集团有限公司,北京100020;国电南瑞南京控制系统有限公司,南京210061
文献出处：
引用格式：
[1]向玲;朱浩伟;丁显;汤海宁;胡爱军-.基于CAE与BiLSTM结合的风电机组齿轮箱故障预警方法研究)[J].动力工程学报,2022(06):514-521
A类：
B类：
CAE,BiLSTM,风电机组,齿轮箱,故障预警,预警方法,早期故障,故障监测,智能监测,卷积自编码,双向长短期神经网络,风电场,数据采集与监视控制,SCADA,监测量,输出量,输入参数,特征选择,非线性特性,深度学习网络,自适应阈值,测风,异常状态,趋势变化,模型应用,算例分析,模型输入,模型精度,警风,状态监测
AB值：
0.286105
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
