基于深度学习的风机剩余有用寿命（RUL）预测
信号处理
2024-12-25 v1 人工智能
机器学习
系统与控制
系统与控制
摘要
预测性维护（PdM）正日益受到关注，以通过准确预测剩余有用寿命（RUL）并战略性安排维护来降低风电场运维成本。然而，风电场的偏远地理位置往往导致现有方法不实用，因为它们无法为维护计划提供足够可靠的提前时间窗口，限制了PdM的实际应用。本研究引入了一种新型深度学习（DL）方法，用于未来RUL预测。通过采用多参数注意力机制的DL方法，无需人工特征工程，从而降低人为错误风险，提出两种模型：ForeNet-2d和ForeNet-3d。这些模型成功预测了七种多样化风机（WT）故障的RUL，预测窗口为2周。最精确的预测仅比实际RUL差10分钟，而最不准确的预测差1.8天，大多数预测误差仅为几个小时。该方法为远程风机提供了 substantial 的时间窗口，使能够实际实施PdM。
引用
@article{arxiv.2412.17823,
title = {RUL forecasting for wind turbine predictive maintenance based on deep learning},
author = {Syed Shazaib Shah and Tan Daoliang and Sah Chandan Kumar},
journal= {arXiv preprint arXiv:2412.17823},
year = {2024}
}
备注
19 pages, 16 figures, Journal Paper