CN111709490A - 一种基于gru神经网络的风机健康状态评估方法 - Google Patents

一种基于gru神经网络的风机健康状态评估方法 Download PDF

Info

Publication number
CN111709490A
CN111709490A CN202010586207.7A CN202010586207A CN111709490A CN 111709490 A CN111709490 A CN 111709490A CN 202010586207 A CN202010586207 A CN 202010586207A CN 111709490 A CN111709490 A CN 111709490A
Authority
CN
China
Prior art keywords
fan
evaluation
data
neural network
parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010586207.7A
Other languages
English (en)
Other versions
CN111709490B (zh
Inventor
梁涛
谢高锋
孟召潮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202010586207.7A priority Critical patent/CN111709490B/zh
Publication of CN111709490A publication Critical patent/CN111709490A/zh
Application granted granted Critical
Publication of CN111709490B publication Critical patent/CN111709490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明公开一种基于GRU神经网络的风机健康状态评估方法，包括以下步骤，以CLIQUE聚类方法为基础完成风机运行工况划分；选取表征风机重要部件运行状况的特征参量作为评估指标集合；针对各运行工况子空间，建立基于GRU神经网络的风机健康状态评估模型实时预测各评估指标参量的变化情况；采用基于偏互信息的特征选择方法确定评估模型的输入参量；通过变权评估方法对预测误差进行加权分析，得到风机运行健康度指数，根据健康度指数评估风机运行健康状态。相比当前多集中于某一关键部件的评估方法，本发明可以更全面、准确的评估风机运行健康状态，可为制定风电机组维护计划提供有力支撑，从而降低风力发电机的运维成本。

Description

一种基于GRU神经网络的风机健康状态评估方法
技术领域
本发明涉及风电技术领域，具体涉及一种基于GRU神经网络的风机健康状态评估方法。
背景技术
近年来，我国风电产业发展迅速，在风电机组装机容量持续增长的同时，装机区位也更加偏远。风电机组常年在恶劣的工况下运转，每年由于风机故障导致的运维费用居高不下。因此，开展风电机组健康状态评估，根据评估结果预先判断风机运行健康状态及发展趋势，对保证风机、风电场的稳定、可靠的运行，从而降低风机运维费用具有重要意义。
由于风电机组的实际运行状态会随运行条件的变化而变化，因此，传统的通过固定的阈值来实现健康状态监测的方法不能满足风电机组健康状态评估的要求。同时，传统的风机健康状态评估方法多为单模型的风机运行状态的二进制评估，即健康、故障评估。对设备内在健康趋势的量化分析不准确，且单模型评估方法容易造成误判，无法准确、有效的实现设备运行健康状态及发展趋势的量化评估。因此，提供一种准确且有效的风机健康状态的评估方法是目前亟需解决的问题。
发明内容
本发明的目的是提供一种基于GRU神经网络的风机健康状态评估方法，以解决现有技术无法准确、有效实现设备运行健康状态及发展趋势的评估的问题，实现对风机运行健康状态的实时监测和评估，可为工作人员制定风电机组维护计划提供有力支撑，从而降低风机的运维成本。
为实现上述目的，本发明提供了如下技术方案：本发明提供一种基于GRU神经网络的风机健康状态评估方法，其特征在于：包括以下步骤：
在SCADA系统中获取风电机组的特征参量历史数据，对所述数据进行预处理操作；
在所述特征参量历史数据中选取表征风机重要部件运行状况的特征参量作为评估指标参量；
确定CLIQUE聚类方法的输入特征参量，将所述输入特征参量聚类成n个运行子空间，并采用模糊熵算法确定最佳聚类数目进而划分风机运行工况；
采用基于偏互信息的特征选择方法得到所述各个指标参量评估模型的输入参量，针对各个子工况的样本数据，分别训练各个所述评估指标参量的GRU神经网络评估模型，得到各评估模型的参数集合；
获取用于在线工况匹配的实时风机特征参量数据，进行数据预处理后输入到随机森林分类模型得到分类结果，根据分类结果将所述实时风机特征参量数据映射到对应的工况中，进行在线工况匹配；
根据在线工况匹配结果获取相应工况的GRU神经网络评估模型对实时样本数据的预测值，计算SCADA系统的监测值与所述预测值之间的平均绝对百分比误差，采用滑动窗口方法对预测误差进行处理，通过变权评估方法对处理后的预测误差进行加权分析，得到风机运行健康度指数，根据所述健康度指数评估风机运行健康状态。
优选地，所述数据预处理包括数据清洗，具体包括：删除数据集中存在所述特征参量为“0”或者空的记录；删除数据集中风机有功功率小于等于0的记录；参考风机维修日志，删除机组因故障停机前五个小时的记录。
优选地，所述评估指标参量包括：输出功率、转子转速、发电机轴承温度、发电机转速、齿轮箱油温、齿轮箱轴承温度、主轴转速、以及平均桨距角。
优选地，所述CLIQUE聚类方法的输入特征参量包括风速、环境温度、发电机转速和叶轮转速。
优选地，采用所述偏互信息的特征选择方法确定输入参数的方式为：将与所述评估指标参量的偏互信息系数大于0.9的特征参量和该所述评估指标参量前一期值和前二期值作为各评估指标参量预测模型的输入参数。
优选地，所述用于在线工况匹配的实时风机特征参量数据包括风速、环境温度、发电机转速和叶轮转速数据；
所述随机森林分类模型由所述各子空间数据作为样本数据训练得到。
优选地，所述预测误差采用平均绝对百分比误差表示，计算公式如下：
Figure BDA0002553947540000041
式中：dt为t时刻的平均绝对百分比误差，y't为t时刻的预测值，yt为实际监测值；
所述采用变权评估方法对各评估指标参量的预测误差进行加权分析，具体计算公式如下：
Figure BDA0002553947540000042
Figure BDA0002553947540000043
式中：H(t)为风机在t时刻的健康度指数，ωi(t)为第i个指标参量在t时刻的权重，n为评估指标的数量，hi(t)为第i个指标参量在一个滑动窗口内的误差均值，m为滑动窗口的时间长度。
优选地，当风电机组某些部件发生严重的老化或故障时，增加所述相关性能评估指标在健康状态评估体系中的权重，权重更新公式为：
Figure BDA0002553947540000044
本发明公开了以下技术效果：
(1)本发明将平均模糊熵值最小时的聚类数目视为最佳聚类个数，达到了最好的风机运行工况划分效果；
(2)本发明采用变权组合方法对各评估指标参量的预测误差进行加权分析，以保证实时、有效的反应风机的运行状况；
(3)本发明在风电机组某些部件发生严重的老化或故障时，相应的增加相关的性能评估指标在健康状态评估体系中的权重以保证真实反映风机运行健康状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明风力发电机组运行健康状态评估方法的流程图；
图2为本发明风力发电机组运行工况识别与在线匹配流程图；
图3为本发明GRU的网络单元的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1-3所示，本实施例提供一种基于GRU神经网络的风机健康状态评估方法，具体包括如下步骤：
S1、样本数据的采集与预处理：从SCADA系统中获取风电机组的特征参量历史数据，对获取的历史数据进行数据清洗，具体包括：删除数据集中存在所述特征参量为“0”或者空的记录；删除数据集中风机有功功率小于等于0的记录；参考风机维修日志，删除机组因故障停机前五个小时的记录，得到风机运行正常状态下的健康样本集；最后对健康样本数据进行归一化处理。
S2、选取评估指标参量：在风机SCADA系统的提供的特征参量数据中，输出功率和转子转速是风机整体运行状态的直观表现。对于齿轮箱、发电机、齿轮箱、传动系统来说，温度参数和转速参数可有效的表征相关部件的性能，对于发电机、齿轮箱和主轴这些关键部件内部机械部件出现变形、烧伤、磨润滑损、电机过载、轴承损伤、转速过高等都会导致其内部温度过高。在额定风速以下，风机的平均桨距角(3个叶片桨距角的平均值)会维持在0°附近，可通过平均桨距角来表征变桨控制系统的运行状态。综上，本实施例选择输出功率、转子转速、发电机轴承温度、发电机转速、齿轮箱油温、齿轮箱轴承温度、主轴转速以及平均桨距角作为风机运行健康状态评估的评估指标参量集合。
S3、划分风机运行工况：由于风机实际运行中风速、环境温度和发电机转速的变化较大，因此在选择运行工况参数时需要考虑这些因素。通过分析，将风速、环境温度、发电机转速和叶轮转速作为CLIQUE聚类的输入特征参量进行风机运行工况划分，作为一种基于密度和网格聚类的算法，CLIQUE聚类算法在分析高维数据空间时具有很高的运行效率及准确率。CLIQUE聚类算法在分析多维数据时一般按照以下两个步骤进行：
(1)网格划分并识别密集网格、稀疏网格
假设D＝{x1,x2,…,xn}为n维有界空间，将单个维度进行K等分，从而将整体有界空间分割成kn个类矩形单元格U＝{u1,u2,…,un}，其中ui＝[li,hi)为xi上的一个分割区间。遍历所有数据项，统计划分网格的密度值，对于固定的密度阈值τ，当网格密度大于τ时，认为该网格是密集的，否则为稀疏网格。
(2)合并连通的密集网格、识别聚类
随机抽取一个未标记的密集网格，扫描剩余的未标记的密集网格，搜索与该单元格邻接的网格并对其进行标记，直到所有连通网格全部搜索完毕。然后判断是否存在未标记的密集网格，若存在则重复上述步骤，若不存在则判别此连通网格，识别聚类。
利用模糊熵算法确定最佳聚类个数：计算出聚类数目分别为2～6小时的平均模糊熵。这里将平均模糊熵值最小值的聚类数目视为最佳聚类个数，此时的风机运行工况划分效果最好。
S4、基于各子工况的样本数据构建GRU神经网络预测模型：为构造更好的预测模型，提高评估指标参量的预测精度，将与评估指标参量的偏互信息系数大于0.9的特征参量和该评估指标参量前一期值和前二期值作为各评估指标参量预测模型的输入参数。然后，基于各个子工况的样本数据，分别训练相应评估指标参量的GRU神经网络预测模型。
GRU是一种改进的循环神经网络(RNN)。RNN在处理较长时间序列时容易出现梯度爆炸和梯度消失的现象，为解决这一问题，LSTM和GRU应运而生。GRU具有特殊的门结构，比LSTM结构更加简化，不论是在预测精度还是预测速度上均优于LSTM而被广泛使用。
GRU神经网络模型通过门递归长短期记忆模块更新数据，一个门递归长短期记忆模块由更新门和重置门构成，具体单元的模型如图3所示。更新数据主要步骤如下：
(1)令t时刻的输入为xt，输入为yt，隐藏层输出ht，上一时刻隐藏层输出为ht-1。
(2)基于图3所示结构，GRU神经网络模型的前向计算公式如下所示：
更新门：zt＝σ(ωz·[ht-1,xt]) (1)
重置门：rt＝σ(ωr·[ht-1,xt])。 (2)
候选隐含状态：
Figure BDA0002553947540000081
隐含状态：
Figure BDA0002553947540000082
输出：yt＝σ(ωo·ht) (5)
其中，σ表示sigmoid函数，tanh表示双曲正切函数，ωz、ωr、ω、ωo分别为更新门、重置门、候选值
Figure BDA0002553947540000083
和输出函数yt的权重矩阵。
GRU神经网络模型训练优化器采用Adam算法更新GRU网络中的权重。
S5、在线工况匹配：由于风机运行状态空间被分为多个子空间，因此可以将运行工况识别问题视为一个多分类问题。从SCADA系统中实时获取用于在线工况匹配的所需风机特征参量数据，并进行数据预处理，采用基于随机森林分类的工况识别模型进行在线工况匹配，将实时样本数据映射到对应的工况中。具体步骤如下：
(1)将步骤S3中工况划分得到的各子空间对应的风速、环境温度、发电机转速和叶轮转速数据作为分类模型的输入样本数据，各子空间数据对应的子空间用数字表示，并将其作为模型输入数据的类别标签，进而训练随机森林分类模型。
(2)对实时获取的用于在线工况匹配的风机特征参量(风速、环境温度、发电机转速和叶轮转速)数据进行预处理后输入到训练好的随机森林分类模型得到分类结果。
S6、健康状态评估：根据步骤S5工况匹配得到的结果，获取相应工况的GRU神经网络模型对实时样本数据的预测值，计算SCADA系统的监测值与模型预测值之间的误差。然后采用滑动窗口方法来避免预测误差会偶然发生过大而影响之后的结果分析，最后通过变权评估方法对各评估指标参量的预测误差进行加权分析，得到风机运行健康度指数，根据健康度指数圈定风机运行健康度的所处范围。具体步骤如下：
SCADA系统的监测值与模型预测值之间的误差采用平均绝对百分比误差表示，计算公式如下：
Figure BDA0002553947540000101
式中：dt为t时刻的平均绝对百分比误差，y't为t时刻的预测值，yt为实际监测值。
为保证实时、有效的反应风机的运行状况，采用变权组合方法对各评估指标参量的预测误差进行加权分析，得到风机运行健康度指数。具体计算公式如下：
Figure BDA0002553947540000102
Figure BDA0002553947540000103
式中：H(t)为风机在t时刻的健康度指数；ωi(t)为第i个指标参量在t时刻的权重；n为评估指标的数量；hi(t)为第i个指标参量在一个滑动窗口内的误差均值；m为滑动窗口的时间长度。
当风电机组某些部件发生严重的老化或故障时，与其相关的性能评估指标的预测误差会变大。为保证真实反映风机运行健康状态，此时应相应增加其在健康状态评估体系中的权重。权重更新公式为：
Figure BDA0002553947540000104
将风机运行健康状态分为健康状态、合格状态、异常状态和故障状态四种状态，四种状态对应的健康度指数区间的具体描述如表1所示。
表1
Figure BDA0002553947540000111
本实施例相比现有技术多集中于某一关键部件的评估方法，可以更全面、准确的评估风机运行健康状态，实现对风机运行健康状态的实时监测和评估，可为制定风电机组维护计划提供有力支撑，从而降低风力发电机的运维成本。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种基于GRU神经网络的风机健康状态评估方法，其特征在于,包括以下步骤：
在SCADA系统中获取风电机组的特征参量历史数据，对所述数据进行预处理操作；
在所述特征参量历史数据中选取表征风机重要部件运行状况的特征参量作为评估指标参量；
确定CLIQUE聚类方法的输入特征参量，将所述输入特征参量聚类成n个运行子空间，并采用模糊熵算法确定最佳聚类数目进而划分风机运行工况；
采用基于偏互信息的特征选择方法得到所述各个指标参量评估模型的输入参量，针对各个子工况的样本数据，分别训练各个所述评估指标参量的GRU神经网络评估模型，得到各评估模型的参数集合；
获取用于在线工况匹配的实时风机特征参量数据，进行数据预处理后输入到随机森林分类模型得到分类结果，根据分类结果将所述实时风机特征参量数据映射到对应的工况中，进行在线工况匹配；
根据在线工况匹配结果获取相应工况的GRU神经网络评估模型对实时样本数据的预测值，计算SCADA系统的监测值与所述预测值之间的平均绝对百分比误差，采用滑动窗口方法对预测误差进行处理，通过变权评估方法对处理后的预测误差进行加权分析，得到风机运行健康度指数，根据所述健康度指数评估风机运行健康状态。
2.根据权利要求1所述的基于GRU神经网络的风机健康状态评估方法，其特征在于，所述数据预处理包括数据清洗，具体包括：删除数据集中存在所述特征参量为“0”或者空的记录；删除数据集中风机有功功率小于等于0的记录；参考风机维修日志，删除机组因故障停机前五个小时的记录。
3.根据权利要求1所述的基于GRU神经网络的风机健康状态评估方法，其特征在于，所述评估指标参量包括：输出功率、转子转速、发电机轴承温度、发电机转速、齿轮箱油温、齿轮箱轴承温度、主轴转速、以及平均桨距角。
4.根据权利要求1所述的基于GRU神经网络的风机健康状态评估方法，其特征在于，所述CLIQUE聚类方法的输入特征参量包括风速、环境温度、发电机转速和叶轮转速。
5.根据权利要求1所述的基于GRU神经网络的风机健康状态评估方法，其特征在于，采用所述偏互信息的特征选择方法确定输入参数的方式为：将与所述评估指标参量的偏互信息系数大于0.9的特征参量和该所述评估指标参量前一期值和前二期值作为各评估指标参量预测模型的输入参数。
6.根据权利要求1所述的基于GRU神经网络的风机健康状态评估方法，其特征在于，所述用于在线工况匹配的实时风机特征参量数据包括风速、环境温度、发电机转速和叶轮转速数据；
所述随机森林分类模型由所述各子空间数据作为样本数据训练得到。
7.根据权利要求1所述的基于GRU神经网络的风机健康状态评估方法，其特征在于，所述预测误差采用平均绝对百分比误差表示，计算公式如下：
Figure FDA0002553947530000031
式中：dt为t时刻的平均绝对百分比误差，y't为t时刻的预测值，yt为实际监测值；
所述采用变权评估方法对各评估指标参量的预测误差进行加权分析，具体计算公式如下：
Figure FDA0002553947530000032
Figure FDA0002553947530000033
式中：H(t)为风机在t时刻的健康度指数，ωi(t)为第i个指标参量在t时刻的权重，n为评估指标的数量，hi(t)为第i个指标参量在一个滑动窗口内的误差均值，m为滑动窗口的时间长度。
8.根据权利要求7所述的基于GRU神经网络的风机健康状态评估方法，其特征在于，当风电机组某些部件发生严重的老化或故障时，增加所述相关性能评估指标在健康状态评估体系中的权重，权重更新公式为：
Figure FDA0002553947530000034
CN202010586207.7A 2020-06-24 2020-06-24 一种基于gru神经网络的风机健康状态评估方法 Active CN111709490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010586207.7A CN111709490B (zh) 2020-06-24 2020-06-24 一种基于gru神经网络的风机健康状态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010586207.7A CN111709490B (zh) 2020-06-24 2020-06-24 一种基于gru神经网络的风机健康状态评估方法

Publications (2)

Publication Number Publication Date
CN111709490A true CN111709490A (zh) 2020-09-25
CN111709490B CN111709490B (zh) 2022-03-18

Family

ID=72542469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010586207.7A Active CN111709490B (zh) 2020-06-24 2020-06-24 一种基于gru神经网络的风机健康状态评估方法

Country Status (1)

Country Link
CN (1) CN111709490B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381316A (zh) * 2020-11-26 2021-02-19 华侨大学 一种基于混合神经网络模型的机电设备健康状态预测方法
CN112597637A (zh) * 2020-12-11 2021-04-02 北京自动化控制设备研究所 一种舵系统健康状态评估方法
CN112613664A (zh) * 2020-12-25 2021-04-06 武汉理工大学 基于水上交通事故风险预测与评估的预警方法和系统
CN112798956A (zh) * 2020-12-31 2021-05-14 江苏国科智能电气有限公司 基于多分辨率时序循环神经网络的风电机组故障诊断方法
CN113111798A (zh) * 2021-04-19 2021-07-13 湖南科技大学 一种风力发电机多维时序数据在线分割方法
CN113157728A (zh) * 2021-02-23 2021-07-23 北京科技大学 一种地下柴油铲运机循环工况的识别方法
CN113530763A (zh) * 2021-06-10 2021-10-22 北京国电思达科技有限公司 一种风电机组叶片零位异常监测方法、系统
CN113822344A (zh) * 2021-08-30 2021-12-21 中能电力科技开发有限公司 基于数据驱动的风电机组发电机前轴承状态监测方法
CN114167730A (zh) * 2021-12-09 2022-03-11 哈电发电设备国家工程研究中心有限公司 一种火电机组送风机整体健康状态评价方法、计算机及存储介质
CN114295367A (zh) * 2021-11-12 2022-04-08 华能新能源股份有限公司 一种风电机组齿轮箱工况在线监测方法
CN114722641A (zh) * 2022-06-09 2022-07-08 卡松科技股份有限公司 一种检测实验室的润滑油状态信息集成评估方法及系统
CN115203841A (zh) * 2022-07-05 2022-10-18 山西中盛达能源投资有限公司 基于scada秒级数据和状态空间的风电机组桨距环建模方法
CN115235762A (zh) * 2022-09-26 2022-10-25 江苏东控自动化科技有限公司 冶金传动机构局域损伤振动包络信号获取及评估方法
CN115270491A (zh) * 2022-08-06 2022-11-01 福建华电福瑞能源发展有限公司福建分公司 基于多元信息融合的海上风电运维平台设计方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341349A (zh) * 2017-06-30 2017-11-10 上海交通大学 风机健康评估的方法、系统、存储器及控制器
CN110414045A (zh) * 2019-06-18 2019-11-05 东华大学 基于vmd-gru的短期风速预测方法
CN110442833A (zh) * 2019-06-10 2019-11-12 内蒙古工业大学 一种基于多维度scada数据评估风电机组健康状态评估方法
CN110685857A (zh) * 2019-10-16 2020-01-14 湘潭大学 一种基于集成学习的山地风电机组行为预测模型
CN111062508A (zh) * 2019-03-28 2020-04-24 华北电力大学（保定） 一种基于大数据技术评估风电机组实时运行状态的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341349A (zh) * 2017-06-30 2017-11-10 上海交通大学 风机健康评估的方法、系统、存储器及控制器
CN111062508A (zh) * 2019-03-28 2020-04-24 华北电力大学（保定） 一种基于大数据技术评估风电机组实时运行状态的方法
CN110442833A (zh) * 2019-06-10 2019-11-12 内蒙古工业大学 一种基于多维度scada数据评估风电机组健康状态评估方法
CN110414045A (zh) * 2019-06-18 2019-11-05 东华大学 基于vmd-gru的短期风速预测方法
CN110685857A (zh) * 2019-10-16 2020-01-14 湘潭大学 一种基于集成学习的山地风电机组行为预测模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MIN-RONG CHEN等: "A Two-Layer Nonlinear Combination Method for Short-Term Wind Speed Prediction Based on ELM, ENN, and LSTM", 《IEEE INTERNET OF THINGS JOURNAL》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381316B (zh) * 2020-11-26 2022-11-25 华侨大学 一种基于混合神经网络模型的机电设备健康状态预测方法
CN112381316A (zh) * 2020-11-26 2021-02-19 华侨大学 一种基于混合神经网络模型的机电设备健康状态预测方法
CN112597637A (zh) * 2020-12-11 2021-04-02 北京自动化控制设备研究所 一种舵系统健康状态评估方法
CN112613664A (zh) * 2020-12-25 2021-04-06 武汉理工大学 基于水上交通事故风险预测与评估的预警方法和系统
CN112613664B (zh) * 2020-12-25 2023-12-12 武汉理工大学 基于水上交通事故风险预测与评估的预警方法和系统
CN112798956A (zh) * 2020-12-31 2021-05-14 江苏国科智能电气有限公司 基于多分辨率时序循环神经网络的风电机组故障诊断方法
CN113157728A (zh) * 2021-02-23 2021-07-23 北京科技大学 一种地下柴油铲运机循环工况的识别方法
CN113157728B (zh) * 2021-02-23 2024-03-19 北京科技大学 一种地下柴油铲运机循环工况的识别方法
CN113111798A (zh) * 2021-04-19 2021-07-13 湖南科技大学 一种风力发电机多维时序数据在线分割方法
CN113530763A (zh) * 2021-06-10 2021-10-22 北京国电思达科技有限公司 一种风电机组叶片零位异常监测方法、系统
CN113822344A (zh) * 2021-08-30 2021-12-21 中能电力科技开发有限公司 基于数据驱动的风电机组发电机前轴承状态监测方法
CN114295367A (zh) * 2021-11-12 2022-04-08 华能新能源股份有限公司 一种风电机组齿轮箱工况在线监测方法
CN114167730A (zh) * 2021-12-09 2022-03-11 哈电发电设备国家工程研究中心有限公司 一种火电机组送风机整体健康状态评价方法、计算机及存储介质
CN114167730B (zh) * 2021-12-09 2024-05-03 哈电发电设备国家工程研究中心有限公司 一种火电机组送风机整体健康状态评价方法、计算机及存储介质
CN114722641A (zh) * 2022-06-09 2022-07-08 卡松科技股份有限公司 一种检测实验室的润滑油状态信息集成评估方法及系统
CN115203841B (zh) * 2022-07-05 2023-06-13 山西中盛达能源投资有限公司 基于scada秒级数据和状态空间的风电机组桨距环建模方法
CN115203841A (zh) * 2022-07-05 2022-10-18 山西中盛达能源投资有限公司 基于scada秒级数据和状态空间的风电机组桨距环建模方法
CN115270491A (zh) * 2022-08-06 2022-11-01 福建华电福瑞能源发展有限公司福建分公司 基于多元信息融合的海上风电运维平台设计方法
CN115235762A (zh) * 2022-09-26 2022-10-25 江苏东控自动化科技有限公司 冶金传动机构局域损伤振动包络信号获取及评估方法

Also Published As

Publication number Publication date
CN111709490B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN111709490B (zh) 一种基于gru神经网络的风机健康状态评估方法
Fu et al. Condition monitoring of wind turbine gearbox bearing based on deep learning model
CN110410282B (zh) 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法
CN111237134B (zh) 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法
US11840998B2 (en) Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning
Chen et al. Anomaly detection and critical attributes identification for products with multiple operating conditions based on isolation forest
CN112116198B (zh) 数据驱动的流程工业状态感知网络关键节点筛选方法
CN111429034A (zh) 一种配电网故障预测的方法
Zhang et al. Early fault detection method of rolling bearing based on MCNN and GRU network with an attention mechanism
CN114282579A (zh) 基于变分模态分解和残差网络的航空轴承故障诊断方法
CN113076834B (zh) 旋转机械故障信息处理方法、处理系统、处理终端、介质
CN114218872B (zh) 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN115419558A (zh) 一种风电机组运行状态评估方法及装置
CN116842337A (zh) 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法
Zhao et al. A capsnet-based fault diagnosis method for a digital twin of a wind turbine gearbox
CN110414734B (zh) 一种计及风资源利用率预测评估的方法
CN116401950B (zh) 基于时间图卷积神经网络的滚动轴承性能衰退预测方法
Luo et al. research on rolling bearing fault identification method based on LSTM neural network
CN111192163A (zh) 基于风电机组运行数据的发电机可靠度中短期预测方法
Jing et al. Two-layer PSDG based fault diagnosis for wind turbines
Xu et al. Total process of fault diagnosis for wind turbine gearbox, from the perspective of combination with feature extraction and machine learning: A review
CN111461565A (zh) 一种电力调控下的电源侧发电性能评估方法
Saha et al. Investigating Rotor Conditions on Wind Turbines Using Integrating Tree Classifiers
CN112685933B (zh) 一种滚轮丝杠副剩余使用寿命预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant