Page 120 - 新能源风力发电技术及其发展研究

第四章 风力发电设备故障检测与诊断技术

计值，但往往忽略了实际运行过程中许多不确定因素的影响，导致预测精度不足。
2. 解决方案
引入循环神经网络（RNN）及其改进版本长短期记忆网络（LSTM），以捕

捉时间序列数据中的动态变化规律。研究团队收集了过去几年内某风电场所有发
电机的绕组温度记录以及相应的环境条件（如风速、湿度）、负载信息等多源异
构数据。通过对这些高维时间序列数据进行预处理和特征提取后，建立了多个
LSTM 模型来分别预测每台发电机未来几天内的绕组温度趋势。

3. 成果
实验结果显示，LSTM 模型不仅能很好地拟合历史数据，还能对未来一段时
间内的绕组温度做出较为准确的预测，平均绝对误差（MAE）控制在 ±2℃以内。
这使得运维人员可以根据预测结果提前调整操作参数，避免因温度异常引起的突

发故障，同时也为制定合理的维护计划提供了重要参考。
（三）基于自编码器（Autoencoder）的齿轮箱故障检测
1. 背景
齿轮箱作为风力发电系统中的核心传动部件，承担着传递动力的任务。随着

运行时间的增长，齿轮箱内部零件不可避免地会出现磨损、变形等问题，进而导
致振动加剧、噪声增大等现象。尽管有多种传感器可以采集相关信号，但由于故
障模式复杂多样且初期征兆微弱，传统的阈值判断法难以有效识别早期故障。

2. 解决方案
应用自编码器（Autoencoder）这一无监督学习框架，直接从原始振动信号
中学习正常状态下齿轮箱的工作模式。自编码器由编码器和解码器两部分组成，
前者负责将输入信号压缩成低维特征表示，后者则尝试重构原始信号。训练完成
后，对于任何新的输入，如果重构误差超出一定范围，则认为该信号包含了异常

成分，即可能存在故障。
3. 成果
在实际应用中，自编码器模型成功地检测到了几起早期齿轮箱故障事件，比
传统方法提前数周发出警报。更重要的是，这种方法不需要事先知道具体的故障

类型或特征，具有较强的泛化能力和适应性。同时，由于采用无监督学习方式，
减少了人工标注工作的负担，降低了成本。

107