典型文献
基于残差神经网络的风机叶片结冰故障诊断
文献摘要：
风力发电机叶片结冰故障直接影响风力发电机的运行安全和发电效率.针对这一问题,提出一种基于一维残差神经网络(1DRes-CNN)的叶片结冰诊断模型,该模型通过风机SCADA数据进行风机叶片结冰故障诊断.首先通过标记标签、数据分割、类间平衡和归一化对SCADA数据进行预处理;然后基于叶片结冰物理机制和XGBoost特征重要性计算选取与叶片结冰最相关的特征;最后利用构建好的1DRes-CNN模型进行叶片结冰诊断、实验结果表明,经过优化选取的特征,相较于SCADA全部特征作为1DRes-CNN模型输入,风叶结冰诊断准确率提升约为7％.此外,与卷积神经网络、支持向量机和随机森林模型相比,该模型具有更高的诊断性能和泛化能力.
文献关键词：
故障诊断;叶片结冰;特征选择;深度学习;XGBoost;风电机组
中图分类号：
作者姓名：
沈学利;杨莹;秦鑫宇;俞辉
作者机构：
辽宁工程技术大学 软件学院,辽宁 葫芦岛 125105;中国科学院 海西研究院 泉州装备制造研究所,福建 泉州 362216
文献出处：
引用格式：
[1]沈学利;杨莹;秦鑫宇;俞辉-.基于残差神经网络的风机叶片结冰故障诊断)[J].噪声与振动控制,2022(01):79-87
A类：
1DRes
B类：
残差神经网络,风机叶片,叶片结冰,风力发电机叶片,运行安全,发电效率,结冰诊断,诊断模型,SCADA,数据分割,冰物理,物理机制,XGBoost,特征重要性,建好,模型输入,风叶,诊断准确率,准确率提升,随机森林模型,诊断性,泛化能力,特征选择,风电机组
AB值：
0.259857
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
