Noise and Vibration Control ›› 2023, Vol. 43 ›› Issue (4): 96-103.

Previous Articles     Next Articles

Icing Fault Diagnosis ofWind Turbine Blades Based on Deep Learning Model

  

  • Online:2023-08-18 Published:2023-08-18

基于深度学习模型的风机叶片结冰故障诊断

汤占军, 史小兵肖遥李英娜   

  1. ( 昆明理工大学信息工程与自动化学院,昆明650504 )

摘要: 风力发电机叶片出现结冰现象时若照常工作,不仅会影响经济效益,严重时还会直接损坏叶片等设备引发安全事故。为此提出一种使用KmeansSMOTE的数据平衡方法与应用结冰相关的机理构建新特征和RFECV-DT特征筛选算法相结合的特征工程互补的数据处理方式,之后采用卷积神经网络模型进行训练与预测。实验结果表明,在卷积神经网络模型中采用KmeansSMOTE算法比SMOTE算法准确率提升2.78 %。模型采用特征工程时比不采用特征工程相比准确率高出4.77 %。与KNN、SVM、LR这些传统模型相比,所有衡量指标均有提升且不存在过拟合现象。所提出的方法,可解决应用SMOTE插值机制所带来的不足并且对特征工程进行精细化设计,也为风机叶片结冰故障诊断问题提供一种新的解决思路。

关键词: 故障诊断, 风机叶片结冰, 特征工程, Kmeans SMOTE过采样, REFCV-DT特征选择, 卷积神经网络