一.摘要
风力机复杂多变的工作环境往往对状态监测和故障检测提出了挑战。本文提出了一种新的风力涡轮机故障检测方法,即将卷积神经网络(CNN)级联到基于注意机制(AM)的长、短期记忆网络(LSTM)中。利用风力涡轮机的监控和数据采集(SCADA)数据作为输入变量,构建CNN架构,提取数据的动态变化。AM被用于加强重要信息的影响。AM可以通过映射权重和参数学习来分配不同的权重来集中LSTM的特征,以提高学习精度。该模型可以对异常状态进行早期预警,并通过预测残差推导出故障分量。最后,通过实例对风力机的早期失效进行了预测,验证了该方法的有效性。
二.介绍
SCADA系统作为风机的基本监测,收集了大量与风机运行特性相关的变量,包括风速、功率、温度、电流和电压。
单一方法往往忽略SCADA数据的时间或空间特征,CNN -LSTM方法可以充分提取这些特征。
在AM模型的CNN-LSTM中,构造一个高维特征作为LSTM输入,并学习特征的内部动态变化。AM可以通过映射加权和参数学习,对LSTM的隐含状态分配不同的权重,并可以加强重要信息的影响。采用指数加权移动平均法(EWMA)进行了风力机的运行状态识别和早期故障预测。该模型可以对风力机的异常状态进行预警,并通过预测残差推导出故障分量。
三.基础模型
1.CNN
2.LSTM
3.AM
四.模型架构