机床与液压

作者：陶彦亭，王霄，吴青，宋泽爽，闫建国，周宇辉

单位：贵州大学电气工程学院；贵州大学电气工程学院；贵州大学电气工程学院；贵州大学电气工程学院；中国电建集团贵州工程有限公司；中国电建集团贵阳勘测设计研究院有限公司

关键词：海上风电机组;SCADA数据;卷积神经网络;双向门控循环单元;状态监测

基金：国家自然科学基金地区科学基金项目（61861007）；贵州省科技计划项目（黔科合基础-ZK\[2021\]一般303）；贵州省科技支撑计划（黔科合支撑\[2022\]一般264；黔科合支撑\[2023\]一般096；黔科合支撑\[2023\]一般412；黔科合支撑\[2023\]一般409）；中国电建集团贵阳勘测设计研究院有限公司项目（YJ2022-12）；中国电力建设股份有限公司科技项目（DJ-ZDXM-2022-44）

海上风力发电机组的工作环境较陆上更为复杂多变，其SCADA系统采集的数据具有复杂性、非线性和高维性等特点。传统统计方法仅考虑单一的时间或空间特征，导致故障预测精度较低。为了有效挖掘数据的时空关联性，提出一种基于卷积神经网络（CNN）级联双向门控循环神经网络（Bidirectional Gating Recurrent Unit,BiGRU）的时空融合方法，实现对海上风电机组部件故障的预测。将两个海上风电场数据集分别划分为训练-测试集和验证集，采用LOF算法清洗数据集，并进行缺失值处理和标准化；利用皮尔逊相关系数法选择输入变量；利用CNN结合BiGRU提取时空特征，根据指数加权移动平均（EWMA）控制图识别海上风电机组部件早期的异常状态。以发电机故障轴承为例，该模型可提前7天发现劣化趋势并发出预警，为海上风电场工作人员的日常维护提供有力依据。

来源：2025年第8期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第8期