计量学报

作者：何群,尹飞飞,武鑫,谢平,江国乾

单位：燕山大学电气工程学院,河北 秦皇岛 066004

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

基金：国家自然科学基金(61803329);河北省自然科学基金(F2018203413);河北省重点研发计划项目(19214306D);秦皇岛市科学技术研究与发展计划项目(201902A020)

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。

来源：2020年第10期

《计量学报》期刊编辑部

查看计量学报杂志2020年第10期