基于多目标神经网络的早期故障检测

全球风电正强劲增长。与此同时，能源市场利润空间收缩，促使风场管理者探索降低涡轮机运维成本的方案。基于传感器的状态监测便于对涡轮子系统进行远程诊断，从而在需要意外维护时实现更快速的响应。基于涡轮机监控与数据采集（SCADA）系统数据提出状态监测，并基于涡轮机状态变量的单任务正常运行模型引入了SCADA故障检测与诊断方法。随着SCADA通道数量大幅增长，如今为监测单台涡轮机已部署数千个独立的单目标模型。近期提出多目标学习以限制模型数量。本研究将多目标神经网络应用于传动链部件早期故障检测任务。将齿轮轴承故障检测的准确率与延迟与最先进的单目标方法进行比较。我们发现多目标多层感知机（MLP）检测故障至少与单目标MLP一样早，且在许多情况下更早。多目标MLP可比单目标模型早数天检测到故障。这能在维护工作的规划与执行中带来显著优势。同时，多目标MLP达到了相同的预测稳定性水平。