典型文献
基于SCADA数据和单分类简化核极限学习机的风电机组发电机状态监测
文献摘要：
为了检测风电机组发电机异常,减少由故障引起的机组停机事件的发生,提出一种基于数据采集与监控系统(SCADA)数据分析和单分类简化核极限学习机(OC-RKELM)建模的发电机状态监测方法.首先,在风电机组SCADA数据中选取与发电机健康状态相关的特征,参照风电机组的性能特性同时结合局部异常因子算法对数据进行清洗;其次,利用机组历史正常的行为数据训练OC-RKELM模型,探明机组正常工作的行为规律,进而基于该模型在线监测发电机运行状态,当其工作异常时及时实现预警;最后,与其他单分类方法进行了对比分析,并利用t-SNE可视化技术对所提方法的分析结果进行了验证与评估.结果表明:OC-RKELM具有较好的健康状态监测效果,比其他单分类方法能更早发现风电机组发电机工作异常.
文献关键词：
风电机组;状态监测;SCADA数据;单分类模型;极限学习机
中图分类号：
作者姓名：
金晓航;泮恒拓;许壮伟;孙毅;刘伟江
作者机构：
浙江工业大学特种装备制造与先进加工技术教育部重点实验室,浙江 杭州 310023;浙江工业大学机械工程学院,浙江 杭州 310023;浙江运达风电股份有限公司,浙江 杭州 310012
文献出处：
引用格式：
[1]金晓航;泮恒拓;许壮伟;孙毅;刘伟江-.基于SCADA数据和单分类简化核极限学习机的风电机组发电机状态监测)[J].计算机集成制造系统,2022(08):2408-2418
A类：
RKELM,单分类模型
B类：
SCADA,核极限学习机,风电机组,发电机,电机状态监测,测风,停机,数据采集与监控系统,OC,监测方法,性能特性,局部异常因子算法,行为数据,数据训练,行为规律,在线监测,机运,工作异常,常时,分类方法,SNE,可视化技术,验证与评估,健康状态监测,监测效果,更早,早发现,机工
AB值：
0.249141
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。
