风力发电机振动的正常行为模型：一种替代方法
摘要：风力涡轮机械系统中异常行为的识别对于预测和避免潜在的故障至关重要。因此，通常通过监测SCADA和高频传感器数据来评估风力涡轮机械系统的健康状况。为了监测风力涡轮机械系统的振动，建立正常行为模型来预测塔顶加速度和传动系统振动。与模型预测不符的信号偏离被标记为异常，并进行进一步调查。预计更有效的模型将有助于提高异常行为的识别能力。本文评估了一种随机重建方法，用于重建在德国北海的Alpha Ventus风场的1 Hz塔顶加速度信号。我们将结果数据重建与基于神经网络的模型进行比较，该模型已被证明适用于重建此信号的数据挖掘算法。为了将讨论集中在两种方法的相似性和不同之上，我们将评估限制在单一输入输出系统上；通过这样做，我们避免了其他差异，例如加载类型、预处理或模型复杂性。我们的研究结果表明，在高频领域（1 Hz）中，随机方法优于神经网络方法。虽然神经网络可以准确地进行前向预测，并且均方误差较低，但随机方法的预测更好地保留了原始信号的统计和频率成分，保持了较高的准确度。我们的随机方法的实现代码可作为开源代码使用，并且可以轻松适应其他涉及随机数据重建的情况。根据我们的研究结果，我们认为这种方法可以用于信号重建以进行监测或异常行为检测。
作者：Pedro G. Lind, Luis Vera-Tudela, Matthias W"achter, Martin K"uhn, Joachim Peinke
论文ID：1710.08676
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2017-10-25