针对双馈式风电机组发电机前轴承劣化趋势问题,提出了一种新的组合建模方法对发电机前轴承健康度进行趋势预测。采用高斯混合模型(Gaussian Mixture Model, GMM)对机组运行工况进行辨识,并在各个子工况内分别建立基于极限学习机(Extreme...针对双馈式风电机组发电机前轴承劣化趋势问题,提出了一种新的组合建模方法对发电机前轴承健康度进行趋势预测。采用高斯混合模型(Gaussian Mixture Model, GMM)对机组运行工况进行辨识,并在各个子工况内分别建立基于极限学习机(Extreme Learning Machine, ELM)的发电机前轴承温度模型,将温度残差特征与前轴承振动信号时频域特征相融合,并计算前轴承健康度,提出基于注意力机制的双向长短期记忆(Bi-directional Long Short Term Memory, Bi-LSTM)神经网络对前轴承健康度进行建模并预测其趋势。实验结果表明:该组合建模方法具有较高的准确度和泛化能力。展开更多
文摘针对双馈式风电机组发电机前轴承劣化趋势问题,提出了一种新的组合建模方法对发电机前轴承健康度进行趋势预测。采用高斯混合模型(Gaussian Mixture Model, GMM)对机组运行工况进行辨识,并在各个子工况内分别建立基于极限学习机(Extreme Learning Machine, ELM)的发电机前轴承温度模型,将温度残差特征与前轴承振动信号时频域特征相融合,并计算前轴承健康度,提出基于注意力机制的双向长短期记忆(Bi-directional Long Short Term Memory, Bi-LSTM)神经网络对前轴承健康度进行建模并预测其趋势。实验结果表明:该组合建模方法具有较高的准确度和泛化能力。