申请/专利权人：华北电力大学;华能太仓发电有限责任公司;华能集团技术创新中心有限公司

申请日：2023-10-25

公开（公告）日：2023-12-29

公开（公告）号：CN117313796A

主分类号：G06N3/045

分类号：G06N3/045;G06N3/0442;G06N3/006;G06N3/048;G06N3/08;G06F18/213;G06Q50/06

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.01.16#实质审查的生效;2023.12.29#公开

摘要：本发明公开了一种基于DAE‑LSTM‑KDE模型的风电齿轮箱故障预警方法，采用深度自编码器DAE提取隐藏在历史数据中的时序特征，构建基于LSTM神经网络的风电机组齿轮箱正常状态下的监测模型，在获取输出变量预测残差的基础上利用核密度估计kerneldensityestimation,KDE方法设定报警阈值。所述方法包含以下步骤：对SCADA系统中的原始数据进行异常值的清洗、归一化，采用深度自编码器提取隐藏在数据中的时序特征，构建基于LSTM神经网络的风电机组齿轮箱正常状态下的监测模型，在获取输出变量预测残差的基础上利用核密度估计kerneldensityestimation,KDE方法设定报警阈值，将包含从正常运行到故障发生阶段的样本输入训练好的模型，当预测残差超出设定的故障阈值时发出预警信号。

主权项：1.一种基于DAE-LSTM-KDE模型的风电齿轮箱故障预警方法，其特征在于，包括以下步骤：步骤1、采用深度自编码器DAE提取隐藏在历史数据中的时序特征，构建基于LSTM神经网络的风电机组齿轮箱正常状态下的监测模型，在获取输出变量预测残差的基础上利用核密度估计KDE方法设定报警阈值；对SCADA系统中的原始数据进行异常值的清洗、归一化；步骤2、通过DAE编码过程完成特征提取，将输入信号x通过非线性关系映射为隐含特征z，同时限制隐含层的维数低于原始输入数据的维数来保证算法的有效性，运算公式如式1所示： 式中，是非线性函数，W是权重矩阵，b是偏置矩阵；步骤3、将步骤2中提取的特征输入至LSTM神经网络，构建DAE-LSTM状态预测模型并对其进行训练；步骤4、利用核密度估计KDE方法计算正常工作时的残差统计特性并确定相应的报警阈值；步骤5：将在线数据输入入训练好的DAE-LSTM模型得到预测残差，在该模型下得到状态变量输出预测的绝对残差值，具体运算被表示为如式11所示： 当预测残差超出设定的故障阈值时，表示此时齿轮箱的运行已经偏离了正常的工作状态，则发出预警信号。

全文数据：

权利要求：

百度查询： 华北电力大学;华能太仓发电有限责任公司;华能集团技术创新中心有限公司 一种基于DAE-LSTM-KDE模型的风电齿轮箱故障预警方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD