基于增量深度學習的風機葉片震動異常預測方法研究*

林志燦,彭清和

(1.閩南理工學院實踐教學中心,福建 泉州 362700; 2.閩南理工學院光電與機電工程學院,福建 泉州 362700)

0 引言

風能作為一種清潔、可再生能源,受到了廣泛關注.風機發電是目前應用最廣泛的一種方式.根據國際能源署的預測,到2030年全球風能裝機容量將達到2 000 GW[1-2].雖然風機發電行業市場前景廣闊,但是在實際應用中,風機葉片震動異常問題卻不可避免.風機葉片震動異常是指在風機運行過程中,葉片出現不正常的振動現象.這種現象不僅會影響風機的運行效率和穩定性,還會對風機的壽命造成極大的影響.因此,對于風機葉片震動異常問題的研究和預測顯得尤為重要.

隨著物聯網智能傳感器等新一代信息技術在風機行業的快速應用,海量風機設備運行監測數據不斷被收集,從而為風機葉片震動監測分析提供了數據基礎.機器學習和深度學習因其強大的特征學習能力,為海量數據下的風機葉片震動預測與分析提供了有效工具[3].

風機葉片震動異常預測是根據風機葉片的運行情況,評估風機當前運行狀態并預測未來情況,對于設備異常的事前管控具有重要意義.目前常用預測方法主要有三類:物理模型、可靠性理論和數據模型[4].前兩者模型通常需要專業知識以及大量的數學模型和系統知識,導致應用前景與能力受限,而基于數據模型的異常預測方法不需要復雜經驗知識,僅需要對于異常運轉數據進行監測……