将齿轮箱温度划分为正常、温升异常和温度异常3种场景,并利用所构建的卷积神经网络(Conventional neural network,CNN)结合双向长短期记忆(Bidirectional long short term memory,BiLSTM)网络模型对场景进行判别。在此基础上,采用分位...将齿轮箱温度划分为正常、温升异常和温度异常3种场景,并利用所构建的卷积神经网络(Conventional neural network,CNN)结合双向长短期记忆(Bidirectional long short term memory,BiLSTM)网络模型对场景进行判别。在此基础上,采用分位数回归(Quantile regression,QR)结合门控循环单元(Gate recurrent unit,GRU)方法,分别预测不同温度场景下的油温及轴承点预测及温度区间,并根据GRU温度异常诊断模型对2种预测温度进行诊断。算例分析结果表明,用该方法能准确预测各状态下齿轮箱温度,且预测区间可靠,可实现齿轮箱温度异常的高效诊断。依托某风场实测数据对所提方案进行验证,验证结果表明所提方法有效且性能优越。展开更多
文摘将齿轮箱温度划分为正常、温升异常和温度异常3种场景,并利用所构建的卷积神经网络(Conventional neural network,CNN)结合双向长短期记忆(Bidirectional long short term memory,BiLSTM)网络模型对场景进行判别。在此基础上,采用分位数回归(Quantile regression,QR)结合门控循环单元(Gate recurrent unit,GRU)方法,分别预测不同温度场景下的油温及轴承点预测及温度区间,并根据GRU温度异常诊断模型对2种预测温度进行诊断。算例分析结果表明,用该方法能准确预测各状态下齿轮箱温度,且预测区间可靠,可实现齿轮箱温度异常的高效诊断。依托某风场实测数据对所提方案进行验证,验证结果表明所提方法有效且性能优越。
