基于CNN-LSTM的風(fēng)電機(jī)組異常狀態(tài)檢測

向 玲，王朋鶴，李京蓄

(華北電力大學(xué)(保定) 機(jī)械工程系，河北 保定 071003)

風(fēng)能作為一種清潔環(huán)保的可再生資源受到了全球各國的極大關(guān)注[1]，中國也十分重視風(fēng)能技術(shù)的發(fā)展，如今中國已成為全球最大的風(fēng)電發(fā)展區(qū)域市場[2-3]。然而，由于惡劣的工作環(huán)境與復(fù)雜多變的工作條件，風(fēng)電機(jī)組發(fā)生故障的頻率較高，導(dǎo)致風(fēng)電機(jī)組維護(hù)運(yùn)行成本較高[4-5]。因此，研究風(fēng)電機(jī)組的異常識別技術(shù)，及時發(fā)現(xiàn)風(fēng)電機(jī)組的早期潛在故障，對風(fēng)電場的檢修維護(hù)和風(fēng)電機(jī)組的安全運(yùn)行具有重要意義[6]。

數(shù)據(jù)采集與監(jiān)視控制(supervisory control and data acquisition，SCADA)系統(tǒng)作為監(jiān)測風(fēng)電機(jī)組運(yùn)行狀態(tài)的主要技術(shù)手段，采集了大量與風(fēng)電機(jī)組運(yùn)行狀態(tài)相關(guān)的變量，但風(fēng)電機(jī)組受風(fēng)速變化和季節(jié)性氣溫變化的影響，運(yùn)行狀態(tài)變化劇烈,SCADA系統(tǒng)采集到的正常數(shù)據(jù)幅值變化范圍很大，難以通過單一的參數(shù)判斷風(fēng)電機(jī)組的運(yùn)行狀態(tài)，因此需要提取隱含在眾多參數(shù)中的故障特征從而做到對風(fēng)電機(jī)組的運(yùn)行狀態(tài)的準(zhǔn)確判斷[7]。文獻(xiàn)[8]以SCADA系統(tǒng)的部分?jǐn)?shù)據(jù)作為輸入?yún)?shù)，以有功功率作為輸出參數(shù)建立了基于支持向量回歸(support vector regression,SVR)的預(yù)測模型，實(shí)現(xiàn)了對風(fēng)電機(jī)組運(yùn)行狀態(tài)的在線監(jiān)測。文獻(xiàn)[9]通過非線性狀態(tài)估計(jì)方法建立溫度預(yù)測模型，然后通過人為模擬故障對模型進(jìn)行驗(yàn)證，證明了該模型可以及時發(fā)現(xiàn)風(fēng)電機(jī)組的異常變化。文獻(xiàn)[10]采用支持向量回歸建立溫度模型研究齒輪箱異常，并利用趨勢云模型判斷風(fēng)電機(jī)組運(yùn)行狀態(tài)。文獻(xiàn)[11]結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network, BPNN)和遺傳算法(genetic algorithm，GA)構(gòu)建了風(fēng)電機(jī)組異常識別模型并應(yīng)用于1.5 MW風(fēng)電機(jī)組，證明了該方法的可行性。文獻(xiàn)[12]通過人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)預(yù)測模型對風(fēng)電機(jī)組主軸承故障進(jìn)行檢測，成功識別出主軸承早期故障。上述文獻(xiàn)有些沒有考慮輸入項(xiàng)狀態(tài)參數(shù)和輸出項(xiàng)狀態(tài)參數(shù)的相關(guān)性，將過多的不太相關(guān)或者相關(guān)性較低的狀態(tài)參數(shù)輸入模型，影響了預(yù)測模型的故障檢測性能。

近年來，深度學(xué)習(xí)在設(shè)備狀態(tài)檢測領(lǐng)域取得了很好的效果，受到的眾多學(xué)者的關(guān)注。深度學(xué)習(xí)具有強(qiáng)大的特征提取和非線性表達(dá)能力，利用深度學(xué)習(xí)建模能夠準(zhǔn)確的建立多參數(shù)之間的邏輯關(guān)系，提高對設(shè)備狀態(tài)檢測的準(zhǔn)確性。文獻(xiàn)[13]提出了基于平移不變卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network，CNN)的機(jī)械故障診斷方法，以單點(diǎn)和多點(diǎn)軸承故障為例進(jìn)行診斷，驗(yàn)證了其方法的有效性和優(yōu)越性。文獻(xiàn)[14]基于改進(jìn)多特征提取(variational mode decomposition,VMD)和深度置信網(wǎng)絡(luò)(deep belief networks，DBN)建立了風(fēng)電機(jī)組易損部件早期故障診斷模型，該方法成功提取試驗(yàn)數(shù)據(jù)與風(fēng)電機(jī)組現(xiàn)場數(shù)據(jù)的故障特征并表現(xiàn)出更高的識別準(zhǔn)確性。文獻(xiàn)[15]針對傳統(tǒng)的DBN在行星齒輪箱診斷應(yīng)用上的不足，提出了基于PCA-EDT-DBN的行星齒輪箱故障診斷方法，試驗(yàn)證明所提方法診斷的準(zhǔn)確率更高、性能更穩(wěn)定、訓(xùn)練時間更短。文獻(xiàn)[16]基于長短期記憶網(wǎng)絡(luò)建立了風(fēng)電機(jī)組故障診斷模型，建立了多元時間序列的邏輯關(guān)系，提高了對故障分類的準(zhǔn)確性。文獻(xiàn)[17]設(shè)計(jì)了基于深度自編碼網(wǎng)絡(luò)和XGBoost的故障診斷算法，實(shí)現(xiàn)了對風(fēng)電機(jī)組發(fā)電機(jī)早期故障的捕獲和對不同故障類型的識別。

為了挖掘SCADA數(shù)據(jù)中的有用信息并快速提取特征，及時準(zhǔn)確發(fā)現(xiàn)風(fēng)電機(jī)組的早期潛在故障，本文提出了基于級聯(lián)深度學(xué)習(xí)(CNN-LSTM)的風(fēng)電機(jī)組狀態(tài)檢測方法，通過華北某風(fēng)電場的SCADA數(shù)據(jù)驗(yàn)證了所提方法的有效性。

1 風(fēng)電機(jī)組狀態(tài)參數(shù)預(yù)測模型

將深度學(xué)習(xí)引入預(yù)測模型檢測風(fēng)電機(jī)組的運(yùn)行狀態(tài)，能夠更快更準(zhǔn)確提取隱藏在SCADA數(shù)據(jù)中的特征。CNN能快速的提取風(fēng)電機(jī)組各個部件之間狀態(tài)的空間特征，但是對于輸入數(shù)據(jù)的順序不敏感，無法提取數(shù)據(jù)的時間特征，通過在CNN層后連接LSTM神經(jīng)網(wǎng)絡(luò)完成時間特征的提取和預(yù)測回歸。

1.1 卷積神經(jīng)網(wǎng)絡(luò)

CNN是一種深層前饋網(wǎng)絡(luò)，常用于處理多個陣列數(shù)據(jù)，例如時間序列、圖像和音頻頻譜圖等[18]。它由卷積層、池化層和完全連接層構(gòu)成，不同種類的層具有不同的功能，卷積層通過卷積核在輸入向量上卷積，生成特征向量。池化層分為最大池化和均值池化，池化層可以減少特征向量和CNN參數(shù)的大小，減少訓(xùn)練時間和內(nèi)存需求，并控制過度擬合。完全連接層用于將輸入轉(zhuǎn)換為向量，并實(shí)現(xiàn)不同任務(wù)。

CNN的本質(zhì)是構(gòu)造多個過濾器，通過對輸入數(shù)據(jù)進(jìn)行逐層卷積和池化操作，提取數(shù)據(jù)間隱藏的空間特征。CNN卷積層原理如圖1所示，在每個時刻，每個卷積核都會將變量1～變量N合并成一個值，該值可視為研究數(shù)據(jù)的空間特征。利用M個卷積核，將輸入數(shù)據(jù)重新編碼成M個空間特征，這些特征隨時間積累，形成時間序列，因而SCADA中的時間特征能夠保存在空間特征中。

圖1 CNN卷積層原理

1.2 長短期神經(jīng)網(wǎng)絡(luò)

CNN對輸入數(shù)據(jù)的順序不敏感無法準(zhǔn)確捕捉時間特性[19]，因此在CNN層后連接循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)。RNN具有記憶性和參數(shù)共享等特點(diǎn)，對于時間序列的特征學(xué)習(xí)具有一定的優(yōu)勢；然而RNN在訓(xùn)練時會出現(xiàn)梯度消失和梯度爆炸的問題，影響模型的預(yù)測結(jié)果，而基于RNN改進(jìn)的LSTM網(wǎng)絡(luò)能夠解決梯度消失和爆炸的問題，所以用LSTM替代RNN。

LSTM模型如圖2所示,LSTM單元的前向傳播可以表示為

圖2 LSTM模型的結(jié)構(gòu)

ft=σ[wf·(ht-1,xt)+bf]

(1)

it=σ[wi·(ht-1,xt)+bi]

(2)

(3)

(4)

ot=σ[Wo(ht-1,xt)+bo]

(5)

ht=ot*Relu(Ct)

(6)

LSTM前向傳播計(jì)算每個單元的輸出值，然后由損失函數(shù)求得誤差。反向傳播時，誤差向上一時刻和上一方向進(jìn)行反向傳播并更新參數(shù)以減小預(yù)測誤差。

2 基于CNN-LSTM的風(fēng)電機(jī)組異常檢測方法

本文提出了基于CNN和LSTM，利用SCADA數(shù)據(jù)對風(fēng)電機(jī)組進(jìn)行狀態(tài)檢測的方法。首先利用CNN空間特征的提取，經(jīng)過預(yù)處理的SCADA數(shù)據(jù)被輸入到模型中，CNN提取SCADA數(shù)據(jù)每個時間點(diǎn)空間特征并輸入到下一層，如圖3所示。其次是時間特征的提取，LSTM層提取隱藏在空間特征序列中的時間特征，將時間和空間特征輸入下一層，神經(jīng)網(wǎng)絡(luò)可以對SCADA數(shù)據(jù)序列進(jìn)行非線性變換確定輸入與輸出參數(shù)之間的邏輯關(guān)系。最后，全連通層輸出目標(biāo)參數(shù)的預(yù)測值。計(jì)算預(yù)測值與實(shí)際值之間的殘差，識別出風(fēng)電機(jī)組的運(yùn)行狀態(tài)。

圖3 CNN-LSTM網(wǎng)絡(luò)結(jié)構(gòu)

2.1 預(yù)測模型建立

結(jié)合CNN提取空間特征和LSTM提取時間特征的優(yōu)點(diǎn)建立了CNN-LSTM預(yù)測模型。目標(biāo)參數(shù)為齒輪箱軸承溫度，通過相關(guān)性分析選取與齒輪箱軸承溫度相關(guān)性較大的參數(shù)作為輸入?yún)?shù)，建立預(yù)測模型具體步驟如下：

步驟1選取風(fēng)電機(jī)組正常運(yùn)行狀態(tài)下的SCADA數(shù)據(jù)并做預(yù)處理。首先選取風(fēng)電機(jī)組運(yùn)運(yùn)行狀態(tài)正常的數(shù)據(jù)并剔除停機(jī)數(shù)據(jù)以及有功功率小于0的數(shù)據(jù)等無關(guān)的干擾數(shù)據(jù)，然后選取與齒輪箱軸承溫度較大的參數(shù)作為輸入?yún)?shù)。

步驟2建立預(yù)測模型。模型主要基于CNN和LSTN搭建，CNN的層數(shù)為1層，CNN卷積核的大小設(shè)置為1，卷積核數(shù)設(shè)置為32。LSTM隱藏層為兩層，每層的隱藏神經(jīng)元數(shù)設(shè)置為128。選擇平均絕對誤差(mean absolute error,MAE)作為損失函數(shù)，優(yōu)化器選擇能夠使用自適應(yīng)學(xué)習(xí)率加快模型訓(xùn)練收斂速度的Adam。

步驟3訓(xùn)練預(yù)測模型。將預(yù)處理后的正常運(yùn)行狀態(tài)的SCADA數(shù)據(jù)輸入預(yù)測模型，對CNN-LSTM模型進(jìn)行反復(fù)訓(xùn)練得到輸入?yún)?shù)與目標(biāo)參數(shù)之間的邏輯映射關(guān)系。

2.2 異常檢測方法

異常檢測是在樣本數(shù)據(jù)集中找到與正常數(shù)據(jù)不同的樣本,將需要檢測的數(shù)據(jù)輸入訓(xùn)練好的CNN-LSTM預(yù)測模型并求得預(yù)測值與真實(shí)值的殘差，然后通過分析殘差序列找到與正常運(yùn)行狀態(tài)數(shù)據(jù)不同的樣本，發(fā)現(xiàn)風(fēng)電機(jī)組的異常狀態(tài)。對殘差序列的分析采用SE和RMSE兩項(xiàng)指標(biāo)，SE是一種度量時間序列復(fù)雜性的方法，越復(fù)雜的序列對應(yīng)的熵值越大。它與具體機(jī)組的SCADA數(shù)據(jù)無關(guān)，因此適用于判斷風(fēng)電機(jī)組的運(yùn)行狀態(tài)。RMSE可以衡量預(yù)測值與真實(shí)值之間的偏差，常用來作為預(yù)測結(jié)果衡量的標(biāo)準(zhǔn)，其表達(dá)式為

(7)

式中：xt為真實(shí)值；yt為預(yù)測值。

為了消除預(yù)測結(jié)果的偶然性，綜合RMSE和SE兩個指標(biāo)對風(fēng)電機(jī)運(yùn)行狀態(tài)進(jìn)行檢測，當(dāng)將正常運(yùn)行狀態(tài)的SCADA數(shù)據(jù)輸入預(yù)測模型時，真實(shí)值與預(yù)測值的殘差序列RMSE和SE差別不大。反之，當(dāng)異常運(yùn)行狀態(tài)的SCADA數(shù)據(jù)輸入預(yù)測模型時,數(shù)據(jù)與模型參數(shù)不匹配，誤差很大，RMSE和SE的值都增大。當(dāng)殘差序列的RMSE和SE值均超過設(shè)定的安全閾值時，說明風(fēng)電機(jī)組狀態(tài)異常?；贑NN-LSTM的狀態(tài)檢測流程，如圖4所示。

圖4 基于CNN-LSTM的狀態(tài)檢測流程圖

3 算例分析

3.1 數(shù)據(jù)預(yù)處理及參數(shù)選擇

研究對象為華北某風(fēng)場并網(wǎng)雙饋風(fēng)電機(jī)組，該風(fēng)電機(jī)組切入風(fēng)速4 m/s，切出風(fēng)速為25 m/s。取2015年1月—2015年9月的SCADA監(jiān)測數(shù)據(jù)作為風(fēng)電機(jī)組的狀態(tài)參數(shù)。SCADA數(shù)據(jù)包含44個與風(fēng)電機(jī)組運(yùn)行狀態(tài)相關(guān)的參數(shù)，其中主要部件參數(shù)為齒輪箱、發(fā)電機(jī)、電網(wǎng)環(huán)境、機(jī)艙、自然環(huán)境等參數(shù)，如表1所示。

表1 風(fēng)電機(jī)組主要部件參數(shù)

風(fēng)電機(jī)組的SCADA系統(tǒng)記錄了設(shè)備壽命周期內(nèi)的所有狀態(tài)，包括正常運(yùn)行、故障、停機(jī)、檢修等狀態(tài)。所以需要對SCADA數(shù)據(jù)進(jìn)行預(yù)處理，去除數(shù)據(jù)中的無關(guān)的干擾信息。

首先將SCADA數(shù)據(jù)中顯示異常狀態(tài)的數(shù)據(jù)剔除，然后根據(jù)風(fēng)速和有功功率對SCADA數(shù)據(jù)進(jìn)行處理。由圖5(a)可以看出風(fēng)速范圍集中分布在0～20 m/s，由圖5(b)可以看到有功功率數(shù)據(jù)主要分布在風(fēng)速為4～20 m/s內(nèi)，因此篩選出風(fēng)速為4～20 m/s的數(shù)據(jù)。風(fēng)電機(jī)組因停機(jī)等狀態(tài)會記錄一些有功功率為零的數(shù)據(jù)，如果將其作為訓(xùn)練數(shù)據(jù)會影響模型訓(xùn)練的精確度，所以數(shù)據(jù)預(yù)處理時刪除有功功率為零的數(shù)據(jù)。

圖5 風(fēng)速和有功功率的分布

風(fēng)電機(jī)組的正常運(yùn)行是通過風(fēng)電機(jī)組的不同部件緊密配合來完成的，部件之間相互耦合以及部件之間的狀態(tài)參數(shù)都會相互影響。如果輸入模型的狀態(tài)參數(shù)過多，會造成信息的冗余，降低模型預(yù)測的準(zhǔn)確性。因此，需要對各部件狀態(tài)參數(shù)進(jìn)行相關(guān)性分析選取輸入狀態(tài)參數(shù)。以齒輪箱軸承溫度作為目標(biāo)參數(shù)，采用距離相關(guān)系數(shù)(distance correlation coefficient，DCC)計(jì)算出與其他狀態(tài)參數(shù)的相關(guān)系數(shù)，選取DCC>0.5的狀態(tài)參數(shù)，獲得的結(jié)果如表2所示。

表2 齒輪箱軸承溫度與其他部件狀態(tài)參數(shù)距離相關(guān)系數(shù)

3.2 正常狀態(tài)下指標(biāo)分析

以風(fēng)電機(jī)組2015年1—4月的正常運(yùn)行的數(shù)據(jù)對上述檢測方法進(jìn)行驗(yàn)證。圖6(a)為1—4月齒輪箱軸承溫度，可知在正常工作狀態(tài)下齒輪箱軸承溫度最高溫度可達(dá)80 ℃左右而最低溫度只10 ℃左右，其幅值變化范圍比較大。通過設(shè)定簡單的閾值判斷風(fēng)電機(jī)組的運(yùn)行狀態(tài)可能出現(xiàn)誤判的情況，需要將風(fēng)電機(jī)組的其他狀態(tài)參數(shù)考慮在內(nèi)，進(jìn)行進(jìn)一步的分析，提高檢測的準(zhǔn)確性。

圖6 正常月份齒輪箱軸承溫度和預(yù)測殘差

用CNN-LSTM模型對正常齒輪箱軸承溫度進(jìn)行預(yù)測，此學(xué)習(xí)率設(shè)置為0.001，經(jīng)過多次訓(xùn)練迭代次數(shù)最終確定為1 000，批量數(shù)設(shè)置為100，得到如圖6(b)所示的預(yù)測殘差序列圖。從圖中可知預(yù)測殘差分布在-5 ℃～5 ℃，由于SCADA數(shù)據(jù)存在一些干擾數(shù)據(jù)，預(yù)測殘差存在過大的點(diǎn)，所以不能根據(jù)突變的殘差(見圖6(b))判斷風(fēng)電機(jī)組運(yùn)行狀態(tài)，需要進(jìn)一步采用殘差分析指標(biāo)判定機(jī)組狀態(tài)。

計(jì)算獲得正常齒輪箱軸承溫度的RMSE和SE值，如圖7所示，通過這兩個殘差分析指標(biāo)可以判斷風(fēng)電機(jī)組的運(yùn)行狀態(tài)。RMSE和SE值是以天為單位計(jì)算的，由圖7(a)可知RMSE值主要分布在1.5 ℃以下，由圖7(b)可知SE值主要分布在0.1以下，故設(shè)定RMSE閾值為1.5，SE的閾值為0.1，RMSE和SE的閾值用來判定風(fēng)電機(jī)組的異常狀態(tài)。當(dāng)機(jī)組沒有故障即為正常狀態(tài)時，RMSE和SE都小于設(shè)定的閾值(見圖7)。

圖7 正常狀態(tài)時RMSE和SE值

3.3 異常工作狀態(tài)下指標(biāo)分析

該風(fēng)電機(jī)組于2015年7月14號發(fā)生齒輪箱故障，風(fēng)電場維修得知該故障是由齒輪磨損嚴(yán)重?cái)帻X造成。取1月—9月SCADA數(shù)據(jù)(共計(jì)219 d)作為研究數(shù)據(jù)，其中第1天～第190天的SCADA數(shù)據(jù)為1月1號—7月14號采集的數(shù)據(jù)，第191天為停機(jī)維修后9月份重新啟機(jī)后的第1天。剔除該研究數(shù)據(jù)中的異常值、停機(jī)數(shù)據(jù)等無關(guān)干擾數(shù)據(jù)。將處理后的數(shù)據(jù)輸入預(yù)測模型得到預(yù)測值和殘差序列，如圖8所示，因樣本量比較大，只截取第一次檢測到故障時樣本的預(yù)測值、殘差和滑動窗口為100的滑差。通過對預(yù)測殘差序列進(jìn)一步分析得到其RMSE和SE序列。由圖9(a)可知RMSE在開始至第126天都處在設(shè)定閾值1.5 ℃以下，在第127天第一次超過設(shè)定的閾值達(dá)到了1.57 ℃。在第127天～第190天RMSE在設(shè)定閾值范圍上下劇烈波動并且超過閾值較大，在第191天后回落到閾值以下。由圖9(b)可知SE值在第127天以前也保持在設(shè)定閾值以下，在第127天時第一次超過設(shè)定的閾值達(dá)到0.11，在第127天～第190天SE多次超過設(shè)定的閾值，在第191天后回落到閾值以下。第190天(7月14號)左右RMSE和SE均有劇烈變化，這與該風(fēng)電機(jī)組齒輪箱發(fā)生故障在7月14號停機(jī)維修并在9月份重新啟機(jī)是一致的?；贑NN-LSTM模型和SE的檢測方法能夠提前發(fā)現(xiàn)風(fēng)電機(jī)組齒輪箱的潛在故障，對風(fēng)電場工作人員進(jìn)行日常維護(hù)和檢修提供了參考依據(jù)，避免造成更大的損失。

圖8 CNN-LSTM預(yù)測模型預(yù)測結(jié)果

圖9 異常狀態(tài)時RMSE和SE值

將LSTM模型、雙向長短期神經(jīng)網(wǎng)絡(luò)(bidirectional long short-term memory,BILSTM)模型與本方法的CNN-LSTM模型進(jìn)行比較，比較結(jié)果如圖10所示。從圖10可以看出CNN-LSTM模型預(yù)測結(jié)果在風(fēng)電機(jī)組運(yùn)行狀態(tài)正常時RMSE和SE幅值波動更小，偶然性的突起更少，在風(fēng)電機(jī)組運(yùn)行狀態(tài)異常時RMSE和SE值相對狀態(tài)正常時變化更加明顯。由圖11可以看出CNN-LSTM模型隨著迭代次數(shù)的增加損失逐漸變小，而BILSTM和LSTM則是在較大損失時即趨于穩(wěn)定，通過比較可以看出本文所提模型的損失更小。計(jì)算三種模型RMSE和SE的平均值，結(jié)果如表3所示，由表3可以看出CNN-LSTM模型的各項(xiàng)評價(jià)指標(biāo)均優(yōu)于其他兩個模型的評價(jià)指標(biāo)。綜上，該模型所建立的輸入?yún)?shù)與目標(biāo)參數(shù)之間的邏輯關(guān)系更加精確可靠，能夠減少誤報(bào)警的次數(shù)，證明了基于CNN-LSTM的檢測方法優(yōu)于基于LSTM和BILSTM的檢測方法。

圖10 CNN-LSTM，BILSTM，LSTM模型預(yù)測結(jié)果對比

圖11 CNN-LSTM，BILSTM，LSTM模型損失變化

表3 不同模型預(yù)測結(jié)果對比

4 結(jié) 論

針對風(fēng)電機(jī)組因工作環(huán)境復(fù)雜多變齒輪箱故障頻發(fā)的問題，引入深度學(xué)習(xí)理論，利用DCC選取與目標(biāo)參數(shù)齒輪箱軸承溫度密切相關(guān)的狀態(tài)參數(shù)，建立了CNN-LSTM狀態(tài)檢測模型，用于識別風(fēng)電機(jī)組的異常運(yùn)行狀態(tài)。當(dāng)風(fēng)電機(jī)組運(yùn)行狀態(tài)異常時，齒輪箱軸承溫度變化偏離正常趨勢，CNN-LSTM模型預(yù)測的殘差的RMSE和SE值均會產(chǎn)生較大的波動，從而監(jiān)測風(fēng)電機(jī)組的異常狀態(tài)。通過華北某風(fēng)場的SCADA數(shù)據(jù)分析，并將所提的CNN-LSTM模型與LSTM和BILSTM模型進(jìn)行比較，結(jié)果表明CNN-LSTM模型的各項(xiàng)評價(jià)指標(biāo)均優(yōu)于其他兩個模型，誤報(bào)警次數(shù)更少；基于級聯(lián)CNN-LSTM模型能夠有效檢測風(fēng)電機(jī)組的異常狀態(tài)，對保障風(fēng)電機(jī)組安全運(yùn)行具有重要意義。