无源数据约束下多源域自适应的风电齿轮箱故障诊断方法

针对在数据隐私和安全性的背景下,无法接触源域数据导致领域自适应方法不可用的问题,提出一种无源数据约束下多源域自适应的故障诊断方法。首先,通过信息最大化损失促使源域与目标域数据在特征空间进行对齐;然后利用自监督伪标签策略挖掘目标域数据的特征表征信息,并采用熵筛选策略抑制噪声伪标签的影响;最后通过自适应加权有效利用多个源域的知识并抑制负迁移影响,实现无源数据约束下的风电齿轮箱的故障诊断。通过动力传动综合实验台数据和某风场风电机组CMS数据对所提方法进行验证与应用。结果表明:所提方法仅利用预训练的源域模型和目标域无标签数据即可有效实现目标域风电齿轮箱故障诊断。

复杂工况条件下多头注意力双向长短时记忆网络的风电机组缺失数据修复方法研究

针对变速变载条件下风电机组监测参量中包含大量缺失数据导致基于深度学习的状态监测模型预警精度低的难题,提出一种多头注意力双向长短时记忆网络缺失数据修复方法(Multi-headed attention bidirectional long and short term memory network,MA-BiLSTM)。所提方法利用多头注意力机制抑制复杂工况条件下变速变载对神经网络特征提取时的干扰,采用跨层连接残差单元增加模型的特征提取能力,充分学习已有监测数据的隐藏特征以及多源参量间的关联关系;采用双向长短时记忆网络同时对风电机组监测数据的复杂变化规律进行学习,实现监测参量中缺失数据的预测修复。实例应用结果表明所提多头注意力双向长短时记忆网络能够抑制复杂工况条件下的变速变载干扰,实现单变量或多变量中缺失数据的预测修复,有效提升风电机组状态监测精度。