典型文献
融合自注意力机制的风电机组主轴状态监测
文献摘要：
根据轴承温度标准,通过分析主轴温度的差异性变化来预测故障存在的可能性.首先,对数据进行清洗,并以线性插值法和贝叶斯–高斯CP(canonical decomposition/parallel factor)模型混合方式对缺失数据进行扩增.然后,将自注意力机制加入ConvLSTM(convolution long short-term)网络搭建主轴状态监测模型.通过自注意力机制消融实验,验证了自注意力机制能够提高ConvLSTM的预测准确率.进行了与LSTM、双向循环神经网络和CNN-LSTM(convolutional neural networks-long short term)模型的对比实验.结果表明,ConvLSTM对主轴温度预测的精确度高.最后,通过实际案例验证了模型的有效性.
文献关键词：
风力发电机组;主轴;温度;状态监测;自注意力机制;数据扩增
中图分类号：
作者姓名：
赵文清;孔文轩;王继发
作者机构：
华北电力大学控制与计算机工程学院,河北保定 071003;复杂能源系统智能计算教育部工程研究中心(华北电力大学),河北保定 071003
文献出处：
引用格式：
[1]赵文清;孔文轩;王继发-.融合自注意力机制的风电机组主轴状态监测)[J].电力科学与工程,2022(11):34-40
A类：
B类：
自注意力机制,风电机组,主轴,状态监测,轴承温度,温度标准,轴温,线性插值法,CP,canonical,decomposition,parallel,混合方式,缺失数据,ConvLSTM,long,short,term,监测模型,消融实验,预测准确率,双向循环神经网络,convolutional,neural,networks,温度预测,精确度高,实际案例,风力发电机组,数据扩增
AB值：
0.35186
相似文献
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。
