科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了提高风电机组变桨系统故障诊断的准确性，提出一种基于批标准化的堆叠自编码（SAE）网络故障诊断模型。针对SAE网络在特征学习过程出现的梯度硬饱和问题，选用PReLU激活函数，在SAE网络中加入批标准化（BN）层进行优化，通过输出层的Softmax函数，得到变桨系统各部件故障发生概率。以均方误差最小化为目标，采用Adam算法迭代训练数据，使模型参数得到更新。在风电机组变桨系统数据采集与监视控制（SCADA）系统中的数据集中，对优化前后的SAE网络通过改变迭代次数、样本数量进行实验，结果表明，优化后的SAE网络模型具有更好的识别精度；另外，在不同样本数量的实验中，与其他传统模型相比，优化后的SAE网络模型故障识别率也更高，表明其在风电机组故障诊断领域有一定的应用价值。
- 单位
