关键词:
连续变分模式分解
贝叶斯优化
Informer模型
故障预测
摘要:
风电机组滚动轴承故障会造成风电机组长时间停机,为准确预测风电机组滚动轴承故障,提出一种考虑多时间尺度信息的风力发电机滚动轴承故障预测方法。首先,采用连续变分模式分解(successive variational mode decomposition,SVMD)自适应提取轴承健康数据温度多维特征;其次,将分解的本征模态函数(intrinsic mode functions,IMFs)输入Informer模型提取多尺度时间信息训练,基于树状结构Parzen密度估计的非标准贝叶斯优化算法(tree structure Parzen density estimation,TPE)优化Informer模型超参数;然后,构建基于残差的故障指标,采用核密度估计(kernel density estimation,KDE)确定故障预警阈值;最后,将运行数据输入训练后的Informer模型进行故障预测。选取某风电场的风力发电机轴承温度数据进行故障预测,仿真结果表明,考虑多时间尺度信息的SVMD-TPE-Informer模型在发电机轴承温度预测上具有更高的预测精度和计算效率,所提方法在两个故障案例上分别能够提前15.5 h和10 h预测到故障,且不会出现误报现象,验证所提模型的有效性和稳定性。