基于深度自编码网络模型的风电机组齿轮箱故障检测

作者:刘辉海; 赵星宇; 赵洪山; 宋鹏; 邓春

摘要:为了实现风机齿轮箱的故障检测分析,提出一种基于风电机组齿轮箱的数据采集与监视控制(SCADA)数据和振动信号的深度自编码网络模型.该模型作为一种典型的深度学习方法,通过逐层智能学习初始样本特征,可以获取数据蕴含的规则与分布特征形成更加抽象的高层表示.首先,利用限制性坡尔兹曼机对网络参数进行预训练和反向传播算法对参数进行调优,建立深度自编码网络模型.然后,通过对齿轮箱的状态变量进行编码和解码,计算重构误差并将其作为齿轮箱的状态检测量.为了有效检测重构误差的趋势变化,选用自适应阈值作为风机齿轮箱故障检测的决策准则.最后,利用对齿轮箱故障前、后记录的数据进行仿真分析,结果验证了深度自编码网络学习方法对齿轮箱故障检测的有效性.

分类:
  • 期刊
  • >
  • 自然科学与工程技术
  • >
  • 工程科技II
  • >
  • 电力工业
收录:
  • 上海图书馆馆藏
  • 北大期刊(中国人文社会科学期刊)
  • 万方收录(中)
  • 维普收录(中)
  • 知网收录(中)
  • 国家图书馆馆藏
  • CSCD 中国科学引文数据库来源期刊(含扩展版)
  • EI 工程索引(美)
  • JST 日本科学技术振兴机构数据库(日)
  • 统计源期刊(中国科技论文优秀期刊)
  • 文摘杂志
关键词:
  • 风电机组
  • 齿轮箱
  • 故障检测
  • 深度自编码网络
  • 自适应阈值

注:因版权方要求,不能公开全文,如需全文,请咨询杂志社

期刊名称:电工技术学报

期刊级别:北大期刊

期刊人气:7015

杂志介绍:
主管单位:中国科学技术协会
主办单位:中国电工技术学会
出版地方:北京
快捷分类:电力
国际刊号:1000-6753
国内刊号:11-2188/TM
邮发代号:6-117
创刊时间:1986
发行周期:半月刊
期刊开本:A4
下单时间:1-3个月
复合影响因子:3.2
综合影响因子:3.79