%A 何群,尹飞飞,武鑫,谢平,江国乾 %T 基于长短期记忆网络的风电机组齿轮箱故障预测 %0 Journal Article %D 2020 %J 计量学报 %R 10.3969/j.issn.1000-1158.2020.10.17 %P 1284-1290 %V 41 %N 10 %U {http://jlxb.china-csm.org:81/Jwk_jlxb/CN/abstract/article_1750.shtml} %8 2020-10-28 %X 针对风电齿轮箱状态监测数据的多变量动态时空关联性特点,提出了一种基于长短期记忆(long short-term memory,LSTM)网络的齿轮箱故障预测方法,主要包括离线建模和在线监测两个阶段。首先,以齿轮箱油温为目标预测变量,充分考虑其与其它相关输入变量之间在时空维度上的重要关联信息,对历史监测数据进行训练学习,建立齿轮箱正常运行时的油温监测LSTM模型,通过对预测残差进行评估计算设定相应的检测阈值;然后,将训练好的油温监测LSTM模型用于在线测试,通过模型残差分析和阈值比较实现齿轮箱故障状态的检测和预测;最后,通过风电场测试数据对所提出的方法进行验证。结果表明,相比于其它传统方法,该方法表现出更好的预测性能,能够较早预测故障的发生。