針對(duì)風(fēng)電齒輪箱狀態(tài)監(jiān)測(cè)數(shù)據(jù)的多變量動(dòng)態(tài)時(shí)空關(guān)聯(lián)性特點(diǎn),提出了一種基于長(zhǎng)短期記憶（long shortterm memory,LSTM）網(wǎng)絡(luò)的齒輪箱故障預(yù)測(cè)方法,主要包括離線建模和在線監(jiān)測(cè)兩個(gè)階段。首先,以齒輪箱油溫為目標(biāo)預(yù)測(cè)變量,充分考慮其與其它相關(guān)輸入變量之間在時(shí)空維度上的重要關(guān)聯(lián)信息,對(duì)歷史監(jiān)測(cè)數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí),建立齒輪箱正常運(yùn)行時(shí)的油溫監(jiān)測(cè)LSTM模型,通過(guò)對(duì)預(yù)測(cè)殘差進(jìn)行評(píng)估計(jì)算設(shè)定相應(yīng)的檢測(cè)閾值;然后,將訓(xùn)練好的油溫監(jiān)測(cè)LSTM模型用于在線測(cè)試,通過(guò)模型殘差分析和閾值比較實(shí)現(xiàn)齒輪箱故障狀態(tài)的檢測(cè)和預(yù)測(cè);最后,通過(guò)風(fēng)電場(chǎng)測(cè)試數(shù)據(jù)對(duì)所提出的方法進(jìn)行驗(yàn)證。結(jié)果表明,相比于其它傳統(tǒng)方法,該方法表現(xiàn)出更好的預(yù)測(cè)性能,能夠較早預(yù)測(cè)故障的發(fā)生。 

【文章來(lái)源】：計(jì)量學(xué)報(bào). 2020,41(10)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

LSTM結(jié)構(gòu)示意圖

圖2為所提出的風(fēng)電齒輪箱故障預(yù)測(cè)方法流程圖，該方法主要包括齒輪箱油溫模型離線訓(xùn)練和在線監(jiān)測(cè)兩部分。其中，離線訓(xùn)練部分使用大量正常運(yùn)行的數(shù)據(jù)訓(xùn)練出健康模型;在線監(jiān)測(cè)部分實(shí)時(shí)預(yù)測(cè)油溫并通過(guò)EWMA控制圖加權(quán)計(jì)算其殘差，若超出閾值，則對(duì)故障發(fā)出故障預(yù)警。4.1 模型構(gòu)建

確定好模型的層數(shù)和每層的記憶單元后，采用基于時(shí)間的反向傳播算法來(lái)學(xué)習(xí)模型的各個(gè)權(quán)重和偏置。模型的激活函數(shù)采用式(8)的雙曲正切函數(shù)，訓(xùn)練時(shí)采用式(9)所示的損失函數(shù)。4.2 閾值設(shè)定

【參考文獻(xiàn)】：
期刊論文
[1]基于變分模態(tài)分解與深度信念網(wǎng)絡(luò)的運(yùn)動(dòng)想象分類識(shí)別研究[J]. 何群,杜碩,王煜文,陳曉玲,謝平.  計(jì)量學(xué)報(bào). 2020(01)
[2]基于相關(guān)主成分分析和極限學(xué)習(xí)機(jī)的風(fēng)電機(jī)組主軸承狀態(tài)監(jiān)測(cè)研究[J]. 何群,王紅,江國(guó)乾,謝平,李繼猛,王騰超.  計(jì)量學(xué)報(bào). 2018(01)
[3]基于深度學(xué)習(xí)網(wǎng)絡(luò)的風(fēng)電機(jī)組主軸承故障檢測(cè)[J]. 趙洪山,劉輝海.  太陽(yáng)能學(xué)報(bào). 2018(03)
[4]基于DEMD局部時(shí)頻熵和SVM的風(fēng)電齒輪箱故障診斷方法研究[J]. 孟宗,劉東,岳建輝,詹旭陽(yáng),馬釗,李晶.  計(jì)量學(xué)報(bào). 2017(04)
[5]風(fēng)力發(fā)電機(jī)組故障診斷與預(yù)測(cè)技術(shù)研究綜述[J]. 金曉航,孫毅,單繼宏,吳根勇.  儀器儀表學(xué)報(bào). 2017(05)
[6]風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)的研究與進(jìn)展[J]. 陳雪峰,李繼猛,程航,李兵,何正嘉.  機(jī)械工程學(xué)報(bào). 2011(09)



本文編號(hào)：3626224