典型文献
基于改进深度学习的海上风电机组齿轮故障预测方法
文献摘要：
针对海上风电机组齿轮故障率高、故障类型复杂的问题,提出了一种基于改进深度学习的海上风电机组齿轮故障预测方法.基于迁移学习在故障诊断中应用的特点,通过长短期记忆方法对转导迁移学习(transductive transfer learning,TTL)模型进行改进,添加辅助分类标记并结合Wasserstein距离对生成对抗网络进行改进,解决了神经网络梯度爆炸及无法对输出结果进行分类标记的问题.以改进后的转导迁移学习方法和改进辅助分类生成对抗网络模型为基础,结合Stacking融合算法对海上风电机组监测控制系统的齿轮源数据进行分类和训练,得到预测对象的预测结果.以实际风电机组的监测数据为依据对提出的故障预测方法进行了验证.结果表明,所提方法有更高的准确率且受噪声的影响更小.
文献关键词：
海上风电机组;齿轮;故障预测;深度学习;改进生成对抗网络;Stacking融合算法
中图分类号：
作者姓名：
周伟波;潘虹
作者机构：
许继集团有限公司,河南许昌 461000;河海大学能源与电气学院,江苏南京 210098
文献出处：
引用格式：
[1]周伟波;潘虹-.基于改进深度学习的海上风电机组齿轮故障预测方法)[J].供用电,2022(06):83-91
A类：
辅助分类生成对抗网络
B类：
进深,海上风电机组,齿轮故障,故障预测,故障率,故障类型,长短期记忆,记忆方法,转导,transductive,transfer,learning,TTL,分类标记,Wasserstein,输出结果,迁移学习方法,Stacking,融合算法,监测控制,改进生成对抗网络
AB值：
0.201038
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。
