基于IICEEMDAN-PCA-GRU的风电机组齿轮箱故障预警方法研究

为充分挖掘数据采集与监控（SCADA）数据的隐藏信息，减少特征间的冗余性，提升模型预测和预警的精度，提出一种双重改进的完全噪声辅助聚合经验模态分解（IICEEMDAN）、主成分分析（PCA）、门控循环网络（GRU）融合的风电机组齿轮箱故障预警方法。使用皮尔逊相关系数法作特征提取，采用IICEEMDAN对特征进行分解，得到特征在不同时间尺度上的连续性信号；利用PCA提取分解特征的关键因素作为网络训练输入；GRU网络对输入时间序列特征进行建模训练，实现对齿轮箱油池温度的预测，使用统计学方法分析油池温度预测值与实际值的误差，根据实际情况设定预警阈值；使用滑动窗口理论实现齿轮箱故障预警。采用华北某风场实际数据进行验证，结果验证了所提方法对齿轮箱早期故障预警的有效性。