基于多通道振动主元特征的风电机组叶片自监督异常识别方法

作     者：王博特 王卿 刘强 金波 WANG Bote;WANG Qing;LIU Qiang;JIN Bo

作者机构：浙江华东测绘与工程安全技术有限公司浙江杭州310014 中国电建集团华东勘测设计研究院有限公司浙江杭州310014 

基　　金：中国博士后科学基金资助项目(2023M743311) 浙江华东测绘与工程安全技术有限公司科技资助项目(ZKY2023-CA-01-01) 

出 版 物：《浙江大学学报(工学版)》 (Journal of Zhejiang University:Engineering Science)

年 卷 期：2025年第59卷第3期

页      码：653-660页

摘      要：为了解决风电机组叶片部件异常状态难以及时和有效识别的问题,提出基于多通道振动主元特征的风电机组叶片自监督异常识别方法.在振动特征构建过程中,采用变分模态分解-核主成分分析(VMD-kPCA)方法实现对机舱多通道振动数据的特征自适应提取;通过融合机舱振动与机组运行数据(SCADA),使用自适应双向时序卷积网络(ABT)作为骨干特征提取器,实现振动主元特征的自监督回归;基于其他SCADA运行变量构建风电机组正常行为模型,排除其他因素在机舱振动特征上的干扰;采用基于马氏距离的残差序列检出策略实现高精度叶片异常识别.在实验验证方面,使用某龙头公司风电场的实际数据集进行算法性能测试,结果表明,本研究所提模型对叶片结冰、叶片震荡、叶片扫塔3种异常检测的准确率均高于90%,优于其他对比模型.

主 题 词：风电机组 叶片异常识别 振动特征提取 时序卷积网络 信号分解 

学科分类：080703[080703] 080704[080704] 08[工学] 0807[工学-电子信息类] 

核心收录：

D　O　I：10.3785/j.issn.1008-973X.2025.03.023

馆 藏 号：203157617...