| 基于残差神经网络的风机叶片结冰故障诊断 |
| |
| 引用本文： | 沈学利,杨莹,秦鑫宇,俞辉.基于残差神经网络的风机叶片结冰故障诊断[J].噪声与振动控制,2022,42(1):79-87. |
| |
| 作者姓名： | 沈学利 杨莹 秦鑫宇 俞辉 |
| |
| 作者单位： | （ 1. 辽宁工程技术大学软件学院，辽宁葫芦岛125105；
2. 中国科学院海西研究院泉州装备制造研究所，福建泉州362216）
|
| |
| 摘 要： | 风力发电机叶片结冰故障直接影响风力发电机的运行安全和发电效率。针对这一问题，提出一种基于一维残差神经网络(1DRes-CNN)的叶片结冰诊断模型，该模型通过风机SCADA数据进行风机叶片结冰故障诊断。首先通过标记标签、数据分割、类间平衡和归一化对SCADA数据进行预处理；然后基于叶片结冰物理机制和XGBoost特征重要性计算选取与叶片结冰最相关的特征；最后利用构建好的1DRes-CNN模型进行叶片结冰诊断、实验结果表明，经过优化选取的特征，相较于SCADA全部特征作为1DRes-CNN模型输入，风叶结冰诊断准确率提升约为7 %。此外，与卷积神经网络、支持向量机和随机森林模型相比，该模型具有更高的诊断性能和泛化能力。
|
| 关 键 词： | 故障诊断 叶片结冰 特征选择 深度学习 XGBoost 风电机组 |
| 收稿时间： | 2021-02-01 |
| 修稿时间： | 2021-03-28 |
Icing Fault Diagnosis ofWind Turbine Blades Based on Residual Neural Network#br# |
| |
| Abstract: | |
| |
| Keywords: | |
|
| 点击此处可从《噪声与振动控制》浏览原始摘要信息 |
|
点击此处可从《噪声与振动控制》下载全文 |
