林志灿,彭清和

• 1:闽南理工学院实践教学中心
• 2:闽南理工学院光电与机电工程学院

摘要(Abstract)：

为了提高风机叶片振动异常预测的准确性，解决传统预测方法中的计算时间过长、局限于特定类型等问题，提出了一种基于时频分析特征数据的增量深度学习的预测方法.通过利用采集风机叶片的振动信号，采用时频分析方法提取振动信号的特征参数，然后建立增量深度学习模型以及CNN异常诊断器，从而实现风力涡轮机叶片的振动异常预测，同时保证模型具备自学习和自更新能力.基于风机叶片实际采集数据进行模型对比实验，验证了所提出方法的有效性.研究结果表明所提出方法均方根误差小于0.142,有效预测了风机叶片振动异常.

关键词(KeyWords)： 深度学习;风机能源;异常预测;增量学习;时频特征

Abstract:

Keywords:

基金项目(Foundation): 福建省教育厅中青年科研项目(JAT190886)

作者(Author): 林志灿,彭清和

DOI: 10.16393/j.cnki.37-1436/z.2023.05.010

参考文献(References)：

• [1]石雪松.数字经济是风机行业的必由之路——论风机行业发展[J].中国机电工业，2022(09):5-6.
• [2]秦海岩.“十四五”风电产业发展之策[J].风能，2022(02):1-2.
• [3]杨志坚.大型风机震动分析及解决方法[J].城市建设理论研究：电子版，2013(01):1-5.
• [4]何小东.一种测量风机震动参数的装置：CN216207010U[P].2022-04-05.
• [5]方维维，陈爱方，孟娜，等.基于知识蒸馏的目标检测模型增量深度学习方法[J].工程科学与技术，2022,54(06):59-66.
• [6]王军.浅谈大型风机振动状态监测与故障诊断[J].建筑工程技术与设计，2015(06):1373-1377.
• [7]林涛，刘刚，蔡睿琪，等.基于轴承温度的风机齿轮箱故障预警研究[J].可再生能源，2018,36(12):6-7.
• [8]潘岚川.基于卷积神经网络的一次风机故障预警研究[D].北京：华北电力大学，2021:11-15.
• [9]戴幸泽，窦慧洋.基于GA-BP神经网络的风机齿轮箱故障预警算法[J].电子技术与软件工程，2020(09):4-6.
• [10]王贺.基于BP神经网络的风机故障预警[D].北京：华北电力大学，2012:25-26.
• [11]高泽明，张斌.基于MSET的一次风机故障预警算法研究[J].自动化应用，2021(03):28-29.
• [12]刘章荣，卜英勇，秦衡峰.神经网络迭代算法在风机振动报警值中的应用[J].有色金属设计，2004,31(02):3-4.
• [13]夏文苗，黄伟.基于XGBoost和自适应阈值的电厂风机故障预警[J].计算机仿真，2023,40(02):5-6.
• [14]雷萌，吕游，魏玮，等.基于LSTM神经网络与贝叶斯优化的电站风机故障预警[J].热能动力工程，2022,37(08):2-3.
• [15]李俊卿，王焕仲，季刚，等.基于大数据分析的风机轴承故障预警[J].智慧电力，2020,48(02):20-25.