Fault detection of wind turbine based on SCADA data analysis using CNN and LSTM with attention mech

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