仪器仪表学报

作者：金晓航，杨宇辰，喻轩昂

单位：金晓航,浙江工业大学机械工程学院杭州310023,xhjin@zjut.edu.cn,杨宇辰,浙江工业大学机械工程学院杭州310023,,喻轩昂,浙江工业大学机械工程学院杭州310023,

关键词：风电机组;状态监测;长短期记忆网络;多层自组织映射网络

基金：国家重点研发计划（2022YFE0198900）、国家自然科学基金（62473336）、浙江省自然科学基金（LZ25F030004）项目资助

针对现有风电机组状态监测方法未充分考虑机组与其关键部件间的关联与信息传递问题，提出一种改进多层自组织映射网络驱动的风电机组状态监测方法。首先，采用皮尔逊相关系数对风电机组数据采集与监控系统(SCADA)特征进行选择，将特征信息作为风电机组树状结构的底层节点信息；其次，考虑到风电机组数据的非线性和时序的特点，基于历史数据的学习训练并构建长短期记忆网络(LSTM)模型来预测SCADA特征数值，计算预测残差；随后，使预测残差代替特征信息作为多层自组织映射网络(MLSOM)模型中底层自组织映射网络(SOM)模型的输入构建部件的正常行为模型，基于训练后的SOM模型以最小量化误差作为指标来表征研究对象的健康状态，按照上述方法分别建立发电机、齿轮箱、变流器关键部件的监测模型；然后，将不同关键部件的健康指标融合作为顶层节点信息输入到多层自组织映射网络模型中的顶层SOM模型进行训练，构建机组的正常行为模型，得到机组的健康指标用于整台机组运行状态的监测分析。最后，通过两个风电机组案例分析结果表明，所提方法可有效将部件信息逐级传递并汇集在风电机组上，进而实现整台机组的状态监测。

来源：2025年第3期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第3期