李政宇 李練兵 芮瑩瑩
(河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院 天津 300132)
變槳系統(tǒng)是風(fēng)機控制系統(tǒng)中的重要組成部分,不僅直接影響風(fēng)機對風(fēng)能的利用率,其氣動剎車功能還負(fù)責(zé)極端情況下風(fēng)機的自身安全[1]。大風(fēng)冰雹天氣以及風(fēng)速風(fēng)向的不斷變化,對變槳系統(tǒng)的性能與壽命均造成影響,增大了其故障發(fā)生率[2],使變槳系統(tǒng)成為風(fēng)機故障易發(fā)部件。同時變槳系統(tǒng)安裝在離地面數(shù)十米的高度,維修難度大、成本高,因此對風(fēng)機變槳系統(tǒng)的故障診斷研究具有重要意義。
在數(shù)據(jù)采集與監(jiān)控(SCADA)的基礎(chǔ)上,很多學(xué)者對風(fēng)機變槳系統(tǒng)故障診斷進行了深入研究。文獻[3]通過Relief方法挖掘特征參量,提出基于多特征參量距離的變槳系統(tǒng)運行狀態(tài)異常識別方法,采用支持向量機(SVM)回歸方法對異常狀態(tài)進行識別,但是SVM在大樣本數(shù)據(jù)處理上,收斂速度較慢。文獻[4]利用非線性狀態(tài)評估方法,建立變槳系統(tǒng)正常運行狀態(tài)的健康模型,根據(jù)相似性原理判斷模型預(yù)測值與正常狀態(tài)的偏差,根據(jù)輸入?yún)?shù)對偏差的影響來確定故障的原因,但偏差閾值不易計算。文獻[5]選取風(fēng)速、風(fēng)向、槳距角和電機轉(zhuǎn)速參量,分別建立多元線性回歸分析和BP神經(jīng)網(wǎng)絡(luò)故障預(yù)測模型,實驗分析表明BP神經(jīng)網(wǎng)絡(luò)在風(fēng)電變槳系統(tǒng)中的故障預(yù)測效果優(yōu)于多元線性回歸預(yù)測。文獻[6]采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)的故障診斷方法,擬合SCADA系統(tǒng)采集數(shù)據(jù)與風(fēng)電機組運行狀態(tài)之間的規(guī)律,實現(xiàn)變槳系統(tǒng)的故障診斷。人工神經(jīng)網(wǎng)絡(luò)對于變槳系統(tǒng)這類難以建立精確數(shù)學(xué)模型、擁有較多運行數(shù)據(jù)變量的系統(tǒng)的故障診斷有較好的效果,但是網(wǎng)絡(luò)的初始參數(shù)不易確定,隨機的初始參數(shù)很容易導(dǎo)致神經(jīng)網(wǎng)絡(luò)產(chǎn)生局部最優(yōu)解,影響收斂速度和結(jié)果準(zhǔn)確性。
本文在上述研究成果的基礎(chǔ)上,針對一般算法在大樣本處理上收斂速度較慢、全局尋優(yōu)效果較差以及變槳系統(tǒng)的精確數(shù)學(xué)模型難以建立等問題,提出了一種采用改進自適應(yīng)遺傳算法(Improved Adaptive Genetic Algorithm,IAGA)優(yōu)化自聯(lián)想神經(jīng)網(wǎng)絡(luò)(Auto-Associative Neural Network,AANN)的方法。該方法利用遺傳算法全局尋優(yōu)的特性,與自聯(lián)想神經(jīng)網(wǎng)絡(luò)相結(jié)合,對自聯(lián)想神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值參數(shù)進行優(yōu)化,改善其收斂速度慢、易陷入局部最優(yōu)解的缺陷。同時針對遺傳算法的后期搜索效率低、易過早收斂等問題,本文從選擇算子和適應(yīng)度函數(shù)兩個方面進行改進:(1) 結(jié)合種群進化代數(shù)與優(yōu)秀個體選取比例,設(shè)計新的選擇公式,保證種群多樣性,加快遺傳算法收斂速率;(2) 根據(jù)故障診斷對漏診率要求嚴(yán)格的特性,設(shè)計更加適合故障診斷的適應(yīng)度函數(shù),引入AUC確保較低的漏診率,同時降低不平衡數(shù)據(jù)對模型診斷效果的干擾?;贗AGA-AANN算法建立變槳系統(tǒng)正常運行的模型,采用JS(Jensen-Shannon)散度比較正常運行數(shù)據(jù)與劣化或故障時刻數(shù)據(jù)經(jīng)過模型后輸出的殘差分布的偏移度,簡化閾值計算和模型建立過程,實現(xiàn)對變槳系統(tǒng)的故障診斷。最后通過實驗測試,驗證了該方法的有效性。
自聯(lián)想神經(jīng)網(wǎng)絡(luò)是具有對稱拓?fù)浣Y(jié)構(gòu)的五層前饋傳遞網(wǎng)絡(luò),是BP神經(jīng)網(wǎng)絡(luò)的一種特殊情形,其特點是輸出量等于輸入量,具有對稱的拓?fù)浣Y(jié)構(gòu),可被用于高維空間有效特征提取[7]、系統(tǒng)建模、故障識別等問題[8]。
本文選用自聯(lián)想神經(jīng)網(wǎng)絡(luò)提取變槳系統(tǒng)運行數(shù)據(jù)的主要特征和相互關(guān)聯(lián)的同時,將其正常運行模式固化到網(wǎng)絡(luò)中,通過比較劣化或故障時刻數(shù)據(jù)與正常運行數(shù)據(jù)殘差分布的差異程度,更加準(zhǔn)確、直觀地反映變槳系統(tǒng)的健康狀態(tài)。相較于支持向量機(SVM)、隨機森林(RF)等用于數(shù)據(jù)特征提取、故障診斷的方法,自聯(lián)想神經(jīng)網(wǎng)絡(luò)不僅用于區(qū)分故障與健康的分類問題,而且通過輸入與輸出數(shù)據(jù)的殘差分布情況可以對設(shè)備的健康狀態(tài)進行量化,將多種相關(guān)運行參量作為診斷依據(jù),防止單一參量和閾值判斷對診斷結(jié)果的影響;同時其訓(xùn)練方式為無監(jiān)督式訓(xùn)練,不依賴有限的故障訓(xùn)練樣本,避免樣本不均衡對診斷結(jié)果造成的干擾,提升診斷方法的準(zhǔn)確率。
在自聯(lián)想神經(jīng)網(wǎng)絡(luò)中,輸入數(shù)據(jù)經(jīng)過輸入層、映射層到達瓶頸層的過程屬于編碼過程;再通過瓶頸層到映射層最后到輸出層的過程屬于解碼過程。首先高維數(shù)據(jù)通過輸入層非線性映射到瓶頸層,實現(xiàn)對高維數(shù)據(jù)的壓縮進而提取有效的特征維度。設(shè)g(x)表示編碼函數(shù),xi作為輸入,i為x的第i個維度。數(shù)據(jù)經(jīng)過編碼過程得出yi,其表達式為:
yi=gθ(xi)=s(Wxi+b)
(1)
式中:s(x)是非線性激活函數(shù);θ=(W,b)是g(x)的參數(shù);W代表權(quán)重;b是偏置。
然后,隱含層的yi由瓶頸層通過非線性函數(shù)再映射到與輸入層相同維度的輸出層實現(xiàn)信息的解碼,即對輸入數(shù)據(jù)的重構(gòu),其表達式為:
(2)
式中:θ′=(W′,b′)是h(y)的參數(shù);W′代表權(quán)重;b′為偏置。
這樣通過對數(shù)據(jù)的非線性的壓縮和重構(gòu),自聯(lián)想神經(jīng)網(wǎng)絡(luò)模型將會習(xí)得各個變量之間的非線性關(guān)系。對于輸入為變槳系統(tǒng)正常運行的數(shù)據(jù),AANN會將正常運行時數(shù)據(jù)間的特性與關(guān)聯(lián)固化到模型當(dāng)中。AANN模型訓(xùn)練時,以最小化輸入與輸出誤差為目標(biāo),尋求最優(yōu)網(wǎng)絡(luò)參數(shù),使輸出盡可能還原輸入數(shù)據(jù)。當(dāng)輸入劣化或故障時刻數(shù)據(jù)時,輸出的數(shù)據(jù)就會和輸入數(shù)據(jù)有較大偏差。
(3)
式中:n為一個樣本包含的變量個數(shù);m為總共的樣本數(shù)。
圖1 自聯(lián)想神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
遺傳算法(Genetic Algorithm, GA)是模擬自然界遺傳和生物進化論而成的一種全局優(yōu)化概率搜索算法。它將問題的潛在可能解看作一個種群,以適應(yīng)度函數(shù)作為評判標(biāo)準(zhǔn),經(jīng)過選擇、交叉、變異3個遺傳算子產(chǎn)生下一代個體,不斷進化迭代,直到找出最優(yōu)的個體[9]。相較于其他算法,標(biāo)準(zhǔn)遺傳算法具有適應(yīng)性強、全局尋優(yōu)等優(yōu)點,但也存在局部尋優(yōu)能力差,導(dǎo)致其訓(xùn)練比較費時,在進化后期搜索效率較低,容易產(chǎn)生早熟問題。本文針對上述問題,從選擇算子和適應(yīng)度函數(shù)兩個方面進行改進,提出一種改進自適應(yīng)遺傳算法(IAGA)用于提高原算法的搜索效率、局部尋優(yōu)能力,避免早熟現(xiàn)象的發(fā)生。
選擇操作是根據(jù)適應(yīng)度函數(shù)選出適應(yīng)度高的個體進行繁衍產(chǎn)生下一代,常用的選擇算子有輪盤賭法、排序法以及精英保留策略。輪盤賭法存在隨機誤差,可能會排除適應(yīng)度高的個體,排序法及精英選擇策略保留了優(yōu)秀個體但可能破壞種群的多樣性,導(dǎo)致算法易于陷入早熟收斂。為此,本文在上述方法的基礎(chǔ)上進行改進,在保證準(zhǔn)群多樣性的同時選出較優(yōu)個體。算法步驟如下:1) 確定一個初始種群,依據(jù)適應(yīng)度函數(shù)計算每個個體的適應(yīng)度值;2) 按照適應(yīng)度大小將種群中的個體降序排序;3) 根據(jù)當(dāng)前迭代次數(shù)x和總迭代次數(shù)xmax,按照式(4)確定保留優(yōu)秀個體的數(shù)量n,余下的個體使用輪盤賭法選擇,然后將選出的個體進行交叉和變異操作。
(4)
式中:P為要選出的優(yōu)秀個體占總體的最大比例;N為種群個體總數(shù);xmax為最大進化代數(shù)。4)進行精英保留操作,比較上一代和本代最優(yōu)的個體,選出適應(yīng)度最高的個體作為本代最優(yōu)個體,并替換本代最差個體。為了保留其優(yōu)秀基因,該個體不進行交叉和變異操作直接進入下一代。
初始種群具備多樣性,所以在最初迭代時對排序方法選擇的優(yōu)秀個體數(shù)進行限制。隨著迭代次數(shù)的增加,逐漸增大選取比例,結(jié)合輪盤賭算法,改進后的選擇算子提高了種群的多樣性。同時根據(jù)適應(yīng)度函數(shù)對個體進行了有效篩選,并對最優(yōu)個體采取精英保留操作,保證了算法的收斂速率。
(5)
式中:m為自聯(lián)想神經(jīng)網(wǎng)絡(luò)輸出節(jié)點數(shù)。
遺傳算法是朝著適應(yīng)度函數(shù)值增大的方向進化,但自聯(lián)想神經(jīng)網(wǎng)絡(luò)模型誤差越小,模型越優(yōu),所以取目標(biāo)函數(shù)的倒數(shù)作為適應(yīng)度函數(shù)。同時風(fēng)機故障診斷模型非常注重模型預(yù)測的準(zhǔn)確性,因此本文在上述適應(yīng)度函數(shù)的基礎(chǔ)上加入自聯(lián)想神經(jīng)網(wǎng)絡(luò)的AUC值,提升診斷模型的準(zhǔn)確性,降低誤報率,改進后的適應(yīng)度函數(shù)為:
(6)
式中:ζ為一個極小值,防止分母為0;k為調(diào)節(jié)系數(shù)。將個體解碼賦給自聯(lián)想神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值,再輸入訓(xùn)練數(shù)據(jù),求出AUC值代入式(6),即為該個體的適應(yīng)度值。
交叉和變異算子實現(xiàn)對種群的更新,常規(guī)遺傳算法使用恒定的交叉與變異概率,這會使算法搜索效率低下,且可能陷入局部最優(yōu),無法找出最優(yōu)個體[10]。本文選用自適應(yīng)的交叉和變異率,其公式如下:
(7)
(8)
式中:交叉率的上下限分別為Pc1、Pc2,變異率的上下限分別為Pm1、Pm2;fmax表示每代種群個體中最大的適應(yīng)度值;favg為當(dāng)前種群平均適應(yīng)度值;f′為要進行交叉操作的兩個個體中較大的適應(yīng)度值;f為變異個體的適應(yīng)度值。
由于本文使用實數(shù)編碼,所以交叉算子采用算數(shù)交叉算子,公式如下:
(9)
變異算子采用均勻變異的方法,選取第m個染色體中第j個基因進行變異操作,其染色體取值范圍為[Umin,Umax],表達式為:
xmj=Umin+λ(Umax-Umin)
(10)
式中:λ為[0,1]內(nèi)均勻分布的隨機數(shù)。
本文基于IAGA-AANN的方法,將風(fēng)機變槳系統(tǒng)正常運行數(shù)據(jù)作為輸入,獲得模型輸出殘差,統(tǒng)計各個殘差的頻數(shù),獲得殘差概率分布。以此為基準(zhǔn),當(dāng)輸入變槳系統(tǒng)故障數(shù)據(jù)后,模型的輸出殘差和概率分布情況就會與正常情況有所區(qū)別,通過計算這兩種殘差概率分布的相差程度即偏移度,判斷風(fēng)機變槳系統(tǒng)是否故障。
比較兩個分布間的相似度,一般采用相對熵進行衡量,即KL(Kullback-Leibler divergence)散度[11-12]。設(shè)p(x)表示數(shù)據(jù)的真實分布,q(x)為數(shù)據(jù)的擬合分布,則在離散型隨機變量的情形下,KL散度計算公式如下:
(11)
因為KL散度值域范圍為[0,∞],無上界,并且具有不對稱性,所以不適合作為閾值。為了更加準(zhǔn)確地比較殘差分布的偏移程度,本文選用基于KL散度的變體JS(Jensen-Shannon)散度作為衡量兩個殘差分布差異的指標(biāo)。其值域范圍為[0,1],JS散度越小,表示分布越相似,分布完全相同是0,相反則為1。相較于KL散度,JS散度對相似度的判別更加確切,計算公式如下:
(12)
為了降低模型誤診斷的概率,引入時間窗口的概念:以故障數(shù)據(jù)所在時刻為中心,選取的一個時間范圍。在該段時間內(nèi)分析超過設(shè)定閾值的預(yù)測點數(shù),如果有60%以上的預(yù)測點超出閾值范圍[13],則判斷變槳系統(tǒng)發(fā)生故障,否則視為誤報,不予采納。最佳時間窗口范圍可依據(jù)模型評估指標(biāo),通過實驗確定。
由于風(fēng)機故障數(shù)據(jù)相比于正常運行數(shù)據(jù)占比較低,即使模型預(yù)測的全是正常狀態(tài),準(zhǔn)確率也不會太低。因此訓(xùn)練模型時以準(zhǔn)確率作為評判標(biāo)準(zhǔn)便不能較好地反映模型的診斷效果。而根據(jù)ROC曲線計算的AUC值,即使在正負(fù)樣本不均衡的情況下,也不會發(fā)生很大變化,能較好地反映診斷模型的診斷效果,因此本文選用AUC值作為模型評估指標(biāo)。AUC值的計算要先通過混淆矩陣來定義一些指標(biāo),如表1所示。
表1 混淆矩陣
表1中:TP(真正例)表示模型診斷為故障,實際也是故障的事件;FN(假反例)表示模型診斷無故障,但實際有故障的事件;FP(假正例)表示模型診斷為故障,但實際無故障的事件;TN(真反例)表示模型診斷無故障,實際也是無故障的事件。根據(jù)上述定義,得出如下指標(biāo):
準(zhǔn)確率(accuracy)是模型正確診斷事件的比例,在正負(fù)樣本較為均衡的情況下,準(zhǔn)確率越高,模型的診斷效果越好。
(13)
真正類率(TPR)表示在所有實際故障的事件中,被診斷模型正確識別的比例。
(14)
負(fù)正類率(FPR)表示在所有實際無故障的事件中,被診斷模型錯誤地判斷為故障的比例。
(15)
分別以FPR和TPR為橫縱坐標(biāo),以不同的閾值計算對應(yīng)的FPR、TPR值,構(gòu)成不同的點,將其連接起來即為ROC曲線,計算其與橫坐標(biāo)所圍成的面積即為AUC值。
(1) 數(shù)據(jù)準(zhǔn)備。在SCADA系統(tǒng)記錄的相關(guān)數(shù)據(jù)中,選取有關(guān)變槳系統(tǒng)運行的數(shù)據(jù)信息,包含15個運行參數(shù),分別為:當(dāng)前風(fēng)速、風(fēng)機有功功率、葉片轉(zhuǎn)速、發(fā)電機轉(zhuǎn)速、風(fēng)機3個葉片的槳距角和變槳驅(qū)動電流、變槳系統(tǒng)軸承溫度、伺服電機溫度、3個葉片的IGBT溫度。
去除功率為0、數(shù)值缺失、重復(fù)記錄等無效數(shù)據(jù),并按照式(16)對處理后的數(shù)據(jù)進行歸一化處理,獲得風(fēng)機變槳系統(tǒng)的樣本集。
(16)
(2) 診斷模型實施步驟。利用改進的遺傳算法全局尋優(yōu)的特性,優(yōu)化自聯(lián)想神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,改善自聯(lián)想神經(jīng)網(wǎng)絡(luò)收斂速度慢,易陷入局部最優(yōu)解的缺陷。
IAGA-AANN診斷模型的診斷流程如下:
① 對采集的數(shù)據(jù)進行歸一化以及奇異值去除等預(yù)處理操作,分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。
② 根據(jù)輸入輸出樣本數(shù)據(jù),確定自聯(lián)想神經(jīng)網(wǎng)絡(luò)的輸入輸出節(jié)點以及隱藏層結(jié)構(gòu)。
③ 設(shè)置種群數(shù)量N,最大迭代次數(shù)M,并隨機生成N個個體作為初始種群,采用實數(shù)編碼的方法對自聯(lián)想神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進行編碼,每個個體包含自聯(lián)想神經(jīng)網(wǎng)絡(luò)的全部權(quán)值、閾值以及它們的位置信息。
④ 對每個個體解碼獲取自聯(lián)想神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值;訓(xùn)練自聯(lián)想神經(jīng)網(wǎng)絡(luò),根據(jù)式(6)計算個體適應(yīng)度值。
⑤ 依據(jù)適應(yīng)度值對個體降序排列,然后按照改進的選擇算子對種群中的個體進行選取,除了精英保留策略選取的個體外,對其余選中個體以式(7)、式(8)的自適應(yīng)交叉概率和自適應(yīng)變異概率進行交叉和變異操作。
⑥ 判斷適應(yīng)度值是否滿足要求或達到最大進化代數(shù),若滿足,則輸出最優(yōu)個體,否則進入步驟④。
⑦ 解碼最優(yōu)個體,并將權(quán)閾值信息賦予自聯(lián)想神經(jīng)網(wǎng)絡(luò)的參數(shù)空間,并進行參數(shù)微調(diào)訓(xùn)練,然后將測試集輸入故障診斷模型中,獲得殘差數(shù)據(jù)及其分布信息,對殘差進行分析,驗證算法的準(zhǔn)確性及效率。
本文選取華北某風(fēng)電場1.5 MW風(fēng)電機組SCADA系統(tǒng)收集的數(shù)據(jù)進行實驗分析。經(jīng)過多次實驗,設(shè)置種群規(guī)模為60,最大進化代數(shù)200,交叉概率最大最小值分別為Pc1=0.89,Pc2=0.58,變異概率最大最小值分別為Pm1=0.15,Pm2=0.005。自聯(lián)想神經(jīng)網(wǎng)絡(luò)輸入節(jié)點數(shù)為15,映射層與解映射層節(jié)點為數(shù)9,瓶頸層節(jié)點數(shù)為5,學(xué)習(xí)率為0.02。
圖2為IAGA、AGA和GA三種優(yōu)化算法的最優(yōu)個體適應(yīng)度曲線??梢钥闯鯥AGA不僅在收斂速度上優(yōu)于AGA和GA,而且最終的適應(yīng)度函數(shù)值也更大,擁有更好的參數(shù)尋優(yōu)效果。
IAGA-AANN、AGA-AANN和GA-AANN模型訓(xùn)練誤差曲線如圖3所示。GA-AANN在迭代1 592次時達到設(shè)定的精度要求,AGA-AANN在迭代1 075次時達到精度要求,而IAGA-AANN在迭代694次時達到精度要求,說明IAGA-AANN的收斂速度更快。
圖3 AANN、AGA-AANN和IAGA-AANN訓(xùn)練誤差曲線
將經(jīng)過預(yù)處理的包含變槳系統(tǒng)正常運行和故障時刻數(shù)據(jù)的訓(xùn)練集,代入IAGA-AANN模型中,比較經(jīng)過JS散度計算的正常運行和故障時刻的殘差分布偏移度,得到模型的閾值為0.39。圖4為部分訓(xùn)練數(shù)據(jù)殘差分布的偏移度散點圖。
圖4 診斷模型閾值的確定
用已得到的模型閾值作為評判變槳系統(tǒng)是否故障的指標(biāo),使模型AUC值最大化,即診斷模型的準(zhǔn)確性最高。得出當(dāng)窗口時間長度選取為50 min時,AUC達到最佳值0.967。
本文選取的某風(fēng)電場在2019年5月11日3號風(fēng)機變槳系統(tǒng)發(fā)生故障,因此選取故障前10天的數(shù)據(jù)來檢驗本文提出的故障診斷方法的有效性。利用訓(xùn)練好的IAGA-AANN故障診斷模型獲取風(fēng)機的殘差分布,得出的偏移度曲線如圖5所示。
圖5 風(fēng)機變槳系統(tǒng)偏移度曲線
在滑動的時間窗口內(nèi),將得出的偏移度與設(shè)定的模型閾值進行比較,判斷變槳系統(tǒng)是否故障。從圖5中可以看出,5月3日有一次超過閾值的情況,但其所占比例在滑動時間窗口內(nèi)沒有超過60%,所以判定為無效警報。在5月8日偏移度開始出現(xiàn)較大震蕩,并有上升的趨勢,5月10日偏移度超出閾值,并持續(xù)增大,判斷該風(fēng)機變槳系統(tǒng)非常可能發(fā)生故障,應(yīng)停機檢修。
為了更直觀地比較這幾種算法的性能,采用同一變槳系統(tǒng)測試集作為診斷模型的輸入數(shù)據(jù),對最小二乘向量機(LSSVM)、AANN、GA-AANN、IAGA-AANN等診斷模型的AUC值以及準(zhǔn)確率進行了比較,結(jié)果如表2所示。
表2 IAGA-AANN與其他模型的對比
選取的測試集中包含的正負(fù)樣本數(shù)較為均衡,所以此時準(zhǔn)確率也可作為測試集中模型診斷效果的衡量指標(biāo)。從表1可以看出IAGA-AANN診斷模型的AUC值和準(zhǔn)確率均明顯高于其他模型,因此IAGA-AANN故障診斷模型的精確度較高,效果較好。
本文提出了一種基于IAGA-AANN的風(fēng)機變槳系統(tǒng)故障診斷模型,利用風(fēng)機正常運行歷史數(shù)據(jù)對模型進行訓(xùn)練,通過計算正常與故障時刻模型輸出殘差分布的JS散度,獲取模型閾值,判斷變槳系統(tǒng)是否故障。在評估指標(biāo)中引入AUC值和時間窗口,進一步增加模型的準(zhǔn)確性。采用風(fēng)機變槳系統(tǒng)正常運行與故障時刻的數(shù)據(jù)進行實驗分析,驗證模型有效性。實驗結(jié)果表明,該模型可以對風(fēng)機變槳系統(tǒng)的故障進行準(zhǔn)確有效的判斷,對風(fēng)機安全穩(wěn)定運行具有重要指導(dǎo)意義。