文章摘要:针对大型风电机组运行工况多变、数据量大的特点,提出一种将高斯混合模型(GMM)与深度自编码网络(DAE)相结合的风电机组齿轮箱状态监测方法。首先,基于GMM对风电机组运行工况进行辨识;然后,在各个子工况空间下,基于DAE建立正常运行状态下的齿轮箱油池温度模型,得到多工况阈值;最后,对DAE模型的重构误差进行分析,结合多工况阈值构建健康指数,实现风电机组齿轮箱的状态监测。以某台2 MW风电机组为实例进行验证,结果表明,该方法能够提前7天预警齿轮箱油池温度过高的故障;相对于基于DAE状态监测方法,在不影响在线监测时效性的情况下,该文所提方法能够提前约8 h预警潜在故障。
文章关键词:风电机组,状态监测,深度自编码网络,高斯混合模型,工况辨识,
项目基金:北京市自然科学基金资助项目(4182061),中央高校基本科研业务费专项资金资助(2020JG006,2020MS117),电子工程学院学报 网址: http://dzgcxyxb.400nongye.com/lunwen/itemid-83475.shtml
上一篇: 教育理论与教育管理论文_在校大学生睡眠质量对手机依赖与孤独感的中介效应研究
下一篇: 机械工业论文_谢志萍教授