改進MFO-LSTM網(wǎng)絡(luò)的風電機組齒輪箱故障預(yù)警研究

周偉，魏鑫，李西興

(湖北工業(yè)大學機械工程學院，湖北武漢 430068)

0 前言

齒輪箱作為風電機組傳動鏈的重要部件，其穩(wěn)定可靠的運行是確保風電機組設(shè)備安全穩(wěn)定運行的基礎(chǔ)，一旦齒輪箱發(fā)生了故障，除了高額的維修費用之外，因故障導致的長時間停機也會造成巨額的能量損失[1-2]。風電機組多數(shù)處于偏遠的地區(qū)，特別是在海上，不僅需要特殊的后勤保障，還需要在有利的天氣條件下才能進行維修作業(yè)[3]。針對尚未出現(xiàn)故障的齒輪箱，預(yù)測其潛伏性故障的發(fā)展態(tài)勢，及時在故障發(fā)展初期進行預(yù)警及制定預(yù)防性措施是當下研究的重要內(nèi)容。

國內(nèi)外大多數(shù)風電機組是通過SCADA系統(tǒng)對機組的運行進行集中監(jiān)控，傳統(tǒng)的風電機組檢修模式是通過SCADA(Supervisory Control And Data Acquisition)系統(tǒng)對風電機組中所有子系統(tǒng)以及設(shè)備中的關(guān)鍵部件進行較長時間間隔的采集存儲[4]。在此基礎(chǔ)上，當某些狀態(tài)參數(shù)連續(xù)超過閾值時，SCADA系統(tǒng)發(fā)出故障警告，但實際應(yīng)用過程中，系統(tǒng)發(fā)出警告時，故障的發(fā)展已經(jīng)造成了不可逆的損傷[5]。

以風電機組SCADA數(shù)據(jù)為基礎(chǔ)的故障預(yù)警是解決以上問題更有效的方法之一。故障預(yù)警是在設(shè)備尚未發(fā)生故障之前或發(fā)生故障之初，分析相應(yīng)的歷史特征數(shù)據(jù)，通過機器學習、深度學習等智能數(shù)據(jù)挖掘技術(shù)分析未來故障狀態(tài)的發(fā)展趨勢，及時定制維護策略[6]。管麗莎等[7]提出基于時間序列和BP神經(jīng)網(wǎng)絡(luò)的風機故障診斷系統(tǒng)，能夠快速診斷風機是否發(fā)生故障，達到一定的預(yù)警效果。但風電機組SCADA數(shù)據(jù)具有非線性、維度多、數(shù)據(jù)集龐大、復雜多變的特點，淺層結(jié)構(gòu)的機器學習處理這類數(shù)據(jù)的能力有限，在SCADA數(shù)據(jù)隨工況與時間不斷變化的情況下，難以表征風電齒輪箱的運行狀態(tài)。深度學習具有強大的特征學習能力，結(jié)合海量的數(shù)據(jù)集，能夠構(gòu)建深層次的模型，從而刻畫數(shù)據(jù)豐富的內(nèi)在信息[8]。雍彬等人[9]提出基于門控循環(huán)(Gate Recurrent Unit，GRU)網(wǎng)絡(luò)結(jié)合SCADA參數(shù)的時序特征，實現(xiàn)齒輪箱的狀態(tài)預(yù)警。GRU作為循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)中一種特殊的改進形式，能夠進行動態(tài)時間建模，在保證預(yù)測準確度的前提下，模型具有簡單、計算效率高的優(yōu)點。黃榮舟等[10]提出基于長短期記憶(Long Short-Term Memory，LSTM)網(wǎng)絡(luò)融合SCADA數(shù)據(jù)的風電機組齒輪箱狀態(tài)監(jiān)測與預(yù)警方法。LSTM同樣作為RNN中一種改進形式，與GRU相比，模型較為復雜，但靈活性較高，在數(shù)據(jù)集較大的情況下，LSTM的表達性能更好。但是在使用LSTM的過程中發(fā)現(xiàn)，LSTM超參數(shù)設(shè)置對模型預(yù)測準確度有較大的影響，達到盡可能好的效果需要一定的經(jīng)驗和數(shù)次的嘗試。為避免人為因素導致的效果欠佳，LSTM超參數(shù)自動尋優(yōu)十分重要。

因此，本文作者以SCADA數(shù)據(jù)為基礎(chǔ)，通過LSTM網(wǎng)絡(luò)實現(xiàn)對風電機組齒輪箱的故障預(yù)警，引入改進飛蛾火焰算法(Moth Flame Optimization algorithm，MFO)來優(yōu)化LSTM的超參數(shù)，建立最終的故障預(yù)警模型。最后將該方法與其他研究中的預(yù)測方法進行對比。

1 模型方法與原理

1.1 長短期記憶網(wǎng)絡(luò)

在眾多深度學習的模型中，RNN引入了時序的概念，依靠其循環(huán)的網(wǎng)絡(luò)結(jié)構(gòu)、保持記憶的能力以及處理非線性數(shù)據(jù)的能力，在解決序列數(shù)據(jù)的長期依賴問題時表現(xiàn)出更強的適應(yīng)性[11]。但當網(wǎng)絡(luò)層級增多，RNN在信息反饋時存在梯度消失、梯度爆炸等問題，并且RNN難以對大跨度時間序列建模[12]。LSTM解決了 RNN 無法建立大跨度時間序列的預(yù)測模型問題，LSTM模型將RNN模型隱藏層中的神經(jīng)元替換為具有“門控”機制的記憶單元，由一個存儲單元和遺忘、輸入、輸出3種邏輯門組成，“門控”機制控制新的信息寫入以及遺忘掉先前累積的信息，從而解決循環(huán)網(wǎng)絡(luò)結(jié)構(gòu)中長期依賴的問題，避免了循環(huán)網(wǎng)絡(luò)結(jié)構(gòu)中因梯度反向傳播中的連乘效應(yīng)造成的梯度爆炸和梯度消失[13]。LSTM記憶單元結(jié)構(gòu)如圖1所示。

圖1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

圖1中：記憶單元在t時刻的單元狀態(tài)記作ct，其包含了序列模型的長期記憶信息；在t時刻隱藏層的狀態(tài)記作ht，其包含了序列模型的短期記憶信息；在t時刻序列輸入記作xt，記憶單元的狀態(tài)從t-1時刻計算到t時刻的主線過程對應(yīng)圖中ct-1到ct水平貫穿線，LSTM在此基礎(chǔ)上添加3個“門”控制記憶單元的寫入和修改。假設(shè)在t時刻，記憶單元輸入t時刻的序列xt、t-1時刻的隱藏層狀態(tài)ht-1和單元狀態(tài)ct-1，再通過遺忘門，ct-1乘以遺忘門狀態(tài)計算結(jié)果ft，決定需要保留的信息，其中ft由隱藏層狀態(tài)ht-1和序列xt計算，公式如下：

ft=σ(Wf·[ht-1,xt]+bf)

(1)

it=σ(Wi·[ht-1,xt]+bi)

(2)

(3)

(4)

最后，通過輸出門，輸出門的狀態(tài)計算結(jié)果ot乘以tanh激活函數(shù)，決定需要輸出的信息，得到新的隱藏層ht狀態(tài)，計算公式如下：

ot=σ(Wo·[ht-1,xt]+bo)

(5)

ht=ot?tanh(ct)

(6)

式中：Wt、Wi、Wo與bt、bi、bo分別為遺忘門、輸入門、輸出門的權(quán)重矩陣和偏差向量；Wc與bc分別為單元狀態(tài)的權(quán)重矩陣和偏差向量；σ為Sigmoid激活函數(shù)；?為各元素按位置相乘。

合理地使用LSTM能夠解決RNN中存在的梯度消失、梯度爆炸以及長期依賴的問題，但LSTM超參數(shù)的設(shè)置對于模型的最終預(yù)測能力影響很大，有些超參數(shù)的選擇至關(guān)重要，其中初始學習率α決定模型的訓練效果，隱藏層神經(jīng)元的個數(shù)hm和隱藏層維數(shù)hd決定模型的學習能力與訓練復雜程度，訓練的批次尺寸sbatch影響模型迭代收斂的速度。因此文中利用MMFO算法對這4個參數(shù)進行迭代調(diào)優(yōu)，以增強模型的預(yù)測能力。

1.2 飛蛾火焰算法

飛蛾火焰算法(MFO)是由自然界中飛蛾的橫向定位導航機制演變而來的。它是根據(jù)飛蛾飛行時的導航機制，模擬飛蛾螺旋飛行的路徑而找到最優(yōu)解的智能優(yōu)化算法[14]。在飛蛾火焰算法中有2個角色：飛蛾與火焰。一個飛蛾對應(yīng)一個問題的解決方案，飛蛾在搜索空間沿著螺旋線不斷更新位置尋找更好的解，火焰是到目前為止所有飛蛾種群的最優(yōu)解。每次迭代過程中，如果飛蛾尋找到了更好的解，就把火焰目前存儲的最好的解替換掉。飛蛾與火焰是一對一的關(guān)系，飛蛾只在與它對應(yīng)的火焰周圍尋找解，而非所有飛蛾只被一個火焰吸引，故所有飛蛾會圍繞著全局多個點進行搜索，避免了算法陷入局部極值的情況，極大地增強了算法的全局搜索能力。飛蛾可以飛行在一維、二維甚至更高維度的空間，飛蛾的種群M和火焰種群F可以用如下矩陣來表示：

其中：n是種群中飛蛾的數(shù)量；d是所求解的維度，維度對應(yīng)需要優(yōu)化參數(shù)的個數(shù)。

MFO算法的優(yōu)化過程如下：

(1)初始化MFO算法。在搜索空間中隨機生成的飛蛾位置，飛蛾種群中每只飛蛾位置的初始化在MFO中實現(xiàn)公式如下：

mi，j=(ubj-lbj)·random+lbj

(7)

式中：ubj和lbj分別為搜索空間第j個待優(yōu)化參數(shù)所在維度的上限和下限；random為0～1之間的隨機值。

(2)計算適應(yīng)度。使用LSTM模型評價指標作為適應(yīng)度，當前飛蛾種群作為第一代的火焰種群，并根據(jù)適應(yīng)度對飛蛾與火焰進行排序。

(3)飛蛾種群M中所有飛蛾Mi根據(jù)對應(yīng)的火焰Fi不斷移動尋找解，火焰種群F根據(jù)每次迭代最優(yōu)解進行更新，然后飛蛾按照火焰F種群的對應(yīng)位置更新順序，如圖2所示。

圖2 MFO算法迭代更新機制

飛蛾Mi位置更新機制按照螺旋曲線飛行，飛蛾飛行螺旋軌跡的公式如下：

Mi(l+1)=distance(Fi(l)，Mi(l))·ebt·

cos(2πt)+Fi(l)

(8)

式中：l代表當前的迭代次數(shù)；distance函數(shù)是計算飛蛾與對應(yīng)火焰位置之間的距離；b表示構(gòu)造對數(shù)螺旋曲線的常數(shù)；t表示飛蛾與火焰位置的接近程度，t越小表示離火焰越近，t越大表示離火焰越遠，它是一個隨機數(shù)，取值區(qū)間在[-1+l(-1/lmax)，1]，可以用如下公式表示：

(9)

式中：lmax代表最大迭代次數(shù)。

(4)火焰自適應(yīng)減少。在上述過程中，飛蛾Mi只在本身對應(yīng)的火焰Fi周圍尋找最優(yōu)解，飛蛾Mi個體之間缺少聯(lián)系，無法充分利用搜索空間。為此，在迭代過程中合理減少火焰的數(shù)量，去掉適應(yīng)度最低的解，此時與之相對應(yīng)的飛蛾缺少了目標，便以當前解集中適應(yīng)度最低的解為目標，火焰自適應(yīng)減少公式與飛蛾飛行螺旋軌跡的完整公式如下：

(10)

(11)

v(t)=ebt·cos(2πt)

(12)

式中：fn代表火焰種群F的數(shù)量；round函數(shù)返回一個整數(shù)，該整數(shù)根據(jù)小數(shù)進行四舍五入；Flast代表火焰種群F適應(yīng)度最低的火焰。

(5)輸出參數(shù)調(diào)優(yōu)的結(jié)果，即算法迭代過程中的全局最優(yōu)解。

MFO算法的全局搜索能力非常強，但是飛蛾火焰算法容易陷入圍繞著少數(shù)火焰局部搜索的陷阱，并且算法本身缺少跳出局部搜索的能力[15]，一旦陷入局部搜索的陷阱時，算法的全局搜索能力會受到極大的限制。因此文中在傳統(tǒng)的飛蛾火焰算法中引入精英反向?qū)W習對算法進行改進，避免模型陷入局部搜索陷阱，形成改進飛蛾火焰算法。

飛蛾個體尋找火焰?zhèn)€體相對獨立，個體與個體之間沒有太多共享的信息，當處于領(lǐng)導地位的最優(yōu)飛蛾陷入局部搜索陷阱時，將導致算法早熟，全局搜索停滯。反向?qū)W習能夠?qū)a(chǎn)生的反向解和當前解放在一起進行擇優(yōu)迭代[16]，飛蛾火焰算法在第l次迭代或初始化之后(l=0)得到其中一個解Fi(l)=(fi，1，fi，2，…，fi，d)，反向解為F′i(l)=(f′i，1，f′i，2，…，f′i，d)，其中：

(13)

對于原解適應(yīng)度值大于反向解適應(yīng)度值的個體，進行反向區(qū)域搜索的價值不大，這種策略雖然能夠很大程度上規(guī)避飛蛾火焰算法的弊端，但盲目地擴大搜索范圍容易造成時間成本的浪費。因此在反向?qū)W習的基礎(chǔ)上加上精英策略，從反向解與當前解中選擇適應(yīng)度最好的個體組成精英群體，然后根據(jù)精英群體生成新的搜索空間，再求原解適應(yīng)度值小于反向解適應(yīng)度值的個體的反向解，這樣做既保留了反向?qū)W習的優(yōu)點又降低了時間的浪費[17]。

1.3 改進MFO-LSTM預(yù)測模型

以SCADA數(shù)據(jù)為基礎(chǔ)，實現(xiàn)對風電機組的狀態(tài)預(yù)測，其數(shù)據(jù)具有非線性、維度多、復雜、時序性且時間跨度大等特點，研究表明LSTM能夠有效處理這類數(shù)據(jù)，但LSTM的超參數(shù)設(shè)置對實驗的結(jié)果影響較大，文中提出了一種改進MFO-LSTM的預(yù)測模型，具體建模如圖3所示。

圖3 改進MFO-LSTM預(yù)測模型

(1)設(shè)置需要優(yōu)化參數(shù)的取值范圍，初始化改進MFO算法飛蛾種群M，種群的維數(shù)設(shè)置為5，其中每只飛蛾Mi維數(shù)為需要優(yōu)化參數(shù)的個數(shù)，此處需要優(yōu)化的參數(shù)為4個，因此Mi的維數(shù)4。

(2)在改進MFO算法迭代的過程中，使用LSTM模型的評價指數(shù)作為對應(yīng)解的適應(yīng)度值。LSTM模型選取SCADA數(shù)據(jù)集，經(jīng)過標準化與歸一化處理后，作為模型輸入量，設(shè)置LSTM的訓練次數(shù)、時間步長，LSTM模型的隱藏層維數(shù)hd、隱藏層神經(jīng)元個數(shù)hm、學習率α、訓練的批次尺寸sbatch由改進MFO算法中飛蛾所在位置及其反向解位置來設(shè)置。

(3)根據(jù)種群中的適應(yīng)度值確定當前種群中最優(yōu)解Pbest和全局最優(yōu)解Gbest，對當前飛蛾種群以及反向解種群進行排序，選擇最優(yōu)的5個個體進入下一輪的迭代。

(4)改進MFO算法火焰自適應(yīng)減少，每只飛蛾Mi最開始在自身對應(yīng)的火焰Fi周圍尋優(yōu)，后來逐漸放棄效果不好的解，圍繞最優(yōu)解尋優(yōu)。

(5)當改進MFO算法達到最大迭代次數(shù)時，獲取最優(yōu)的LSTM超參數(shù)解，構(gòu)建LSTM模型，結(jié)合評價指標對預(yù)測結(jié)果進行最終評價。

2 實驗設(shè)計與結(jié)果分析

2.1 SCADA數(shù)據(jù)特征選取

當風電機組齒輪箱工作時，齒輪與軸承使用同一潤滑設(shè)備進行潤滑與冷卻，當齒輪箱某個位置發(fā)生異常時，溫度會迅速上升并傳遞到潤滑油中，因此選取SCADA數(shù)據(jù)中的潤滑油數(shù)據(jù)作為改進MFO-LSTM模型的輸出。傳統(tǒng)的故障預(yù)警方法是：監(jiān)測的潤滑油溫在某一時間段連續(xù)超過設(shè)定的閾值時發(fā)出預(yù)警，但由于風電機組所處的環(huán)境多變，風電機組也常處于高負荷狀態(tài)，閾值設(shè)定過低容易造成誤報，過高則容易導致故障發(fā)生一段時間后才報警，都無法達到良好的故障預(yù)警效果。實驗使用改進MFO-LSTM融合SCADA歷史數(shù)據(jù)中正常運行的數(shù)據(jù)預(yù)測未來某一時刻潤滑油溫的值，計算預(yù)測值與實測值之間的殘差值，當齒輪箱正常運行時，殘差值基本維持在正常范圍之內(nèi)，當齒輪箱發(fā)生異常時，殘差值與正常范圍呈現(xiàn)明顯的偏離。

另外，SCADA數(shù)據(jù)所包含的參數(shù)有77個，若將全部參數(shù)都輸入到LSTM模型中，會極大地增加LSTM模型訓練的壓力，最終影響LSTM模型的預(yù)測結(jié)果以及運行時間，因此需要對LSTM輸入數(shù)據(jù)進行適當?shù)倪x擇。皮爾森相關(guān)系數(shù)(Pearson Correlation Coefficient)分析方法因速度快、易于計算的特點，經(jīng)常用在這類特征提取的場合[18]。皮爾森相關(guān)系數(shù)r表示2個變量之間線性相關(guān)程度，r值越大說明其關(guān)聯(lián)性越強。假設(shè)其中一個長度為n的特征x的集合為{x1，x2，x3，...，xn}，另一個特征y的集合為{y1，y2，y3，...，yn}，那么r的值可以用如下公式來計算：

(14)

計算所有SCADA數(shù)據(jù)與齒輪箱潤滑油溫之間的皮爾森系數(shù)r，其部分結(jié)果如表1所示。

表1 部分參數(shù)與潤滑油溫相關(guān)系數(shù)

選取相關(guān)系數(shù)大于0.6的參數(shù)作為LSTM模型的輸入，所選取的變量包括風速vsp1、風速vsp2、齒輪箱軸承空心軸溫度、軸承A溫度、軸承B溫度、輸出功率、高速軸溫度、中速軸溫度、低速軸溫度、環(huán)境溫度、齒輪箱冷卻水溫度等19個變量。

2.2 實驗設(shè)計

為驗證方案的有效性，選取某風電機組的SCADA數(shù)據(jù)以及故障日志進行實驗。數(shù)據(jù)采樣時間為2019年1月1日0點—2019年4月10日0點，采集頻率為1 min/次，共101 047組數(shù)據(jù)。故障日志顯示2019年4月9日14點左右，系統(tǒng)頻繁報警提示齒輪箱中油溫過高，工作人員檢修齒輪箱內(nèi)部時發(fā)現(xiàn)齒輪已經(jīng)發(fā)生了嚴重的物理磨碎和腐蝕磨損。故障日志的分析原因中顯示：故障發(fā)生的原因是風速的變化以及轉(zhuǎn)速的提升導致齒輪運行時發(fā)生振動，造成齒輪表面磨損，其發(fā)生的時間可能在系統(tǒng)報警幾小時之前，磨損使齒輪箱中的油溫升高，使?jié)櫥头纸獬鏊嵝晕镌斐升X輪化學腐蝕，進一步加劇了齒輪的磨損。此時故障已經(jīng)對齒輪箱造成了嚴重的損傷，為避免這樣的事情再次發(fā)生，采用改進MFO-LSTM模型對正常運行情況下齒輪箱中的潤滑油溫進行預(yù)測，并根據(jù)監(jiān)測的數(shù)據(jù)計算其殘差，當殘差超過其閾值時觸發(fā)報警。

將19個影響齒輪箱潤滑油溫的SCADA參數(shù)作為LSTM輸入量，齒輪箱潤滑油溫作為輸出結(jié)果。SCADA數(shù)據(jù)中將2019年1月1日0點—2019年4月1日0點之間的數(shù)據(jù)作為訓練集，2019年4月1日0點—2019年4月6日0點之間的數(shù)據(jù)作為正常情況下的測試集，2019年4月6日0點—2019年4月10日0點之間的數(shù)據(jù)作為發(fā)生故障情況下的測試集。由于預(yù)測數(shù)據(jù)與真實數(shù)據(jù)之間的殘差是隨機變量，一般服從正態(tài)分布，在正態(tài)分布中有99.74%數(shù)據(jù)分布在μ±3σ范圍之內(nèi)，因此選用μ±3σ作為上下閾值，其中μ為殘差均值，σ為標準差。齒輪箱正常運行時，真實監(jiān)測值與預(yù)測值之間的殘差不會超過μ±3σ的范圍；當齒輪箱發(fā)生異常導致真實值與預(yù)測值之間出現(xiàn)較大的偏差時，殘差超出μ±3σ的范圍。

2.2.1 模型參數(shù)設(shè)置

將特征數(shù)據(jù)標準化、歸一化處理后輸入到改進MFO-LSTM模型，改進MFO-LSTM模型需要優(yōu)化的超參數(shù)有隱藏層維數(shù)hd、隱藏層神經(jīng)元個數(shù)hm、學習率α、訓練的批次尺寸sbatch，設(shè)置其取值范圍如表2所示。

表2 求解參數(shù)取值范圍

同時利用數(shù)據(jù)樣本構(gòu)建PSO-LSTM模型、LSTM模型、RNN模型以及SVM模型，其中PSO-LSTM模型選用相同的優(yōu)化參數(shù)和取值范圍，最后比較模型的預(yù)測結(jié)果，其參數(shù)設(shè)置如表3所示。

表3 模型的參數(shù)設(shè)置

2.2.2 齒輪箱正常運行時預(yù)測結(jié)果分析

利用訓練集訓練上述的模型并預(yù)測齒輪箱正常運行時的數(shù)據(jù)，并結(jié)合實際監(jiān)測值計算殘差，預(yù)測結(jié)果以及殘差如圖4所示。

圖4 正常樣本的預(yù)測結(jié)果

根據(jù)μ±3σ公式計算殘差的上下限作為故障報警的閾值，并選用均方根誤差(RMSE)、平均絕對百分比誤差(MAPE)和決定系數(shù)R2，對模型的預(yù)測結(jié)果進行評價，各指標的表達式如下所示：

(15)

(16)

(17)

在上述的指標中，δRMSE與δMAPE越小，R2的值越接近于1，說明模型的擬合程度越高，預(yù)測的結(jié)果更加準確。具體結(jié)果如表4所示。

表4 不同預(yù)測模型結(jié)果對比

由表4可知：改進MFO-LSTM的故障報警閾值上下限之間的范圍最小，預(yù)測值和真實值曲線擬合程度最高。

2.2.3 齒輪箱異常運行時預(yù)測結(jié)果

改進MFO-LSTM擬合程度最好，閾值范圍最小，理論上改進MFO-LSTM的故障報警應(yīng)更精確、更及時。為驗證該想法，以齒輪箱異常運行時的樣本進行實驗，各模型的實驗結(jié)果如圖5所示。

圖5 異常樣本的預(yù)測結(jié)果

由圖5可知：改進MFO-LSTM模型在8點左右監(jiān)測到齒輪箱油溫的真實值與預(yù)測值之間的殘差連續(xù)超出故障報警的閾值上限，系統(tǒng)報警，與故障日志中研究人員分析的故障發(fā)生初期時間一致；而PSO-LSTM模型會在8點50分左右報警；LSTM模型會在10點10分左右報警；RNN模型會在9點20分左右報警；SVM模型會在10點40分左右報警；報警時間均晚于改進MFO-LSTM模型。另外，RNN模型會在4月6號10點20分和4月7號0點30分左右監(jiān)測出異常而報警，而此時齒輪箱實際處于正常運行狀態(tài)，誤報的原因是由于RNN模型的擬合程度不理想導致。結(jié)合5種模型對正常樣本和異常樣本的預(yù)測結(jié)果可知，改進MFO-LSTM能夠在故障發(fā)生初期及時監(jiān)測到異常，并且與其他方法相比，模型的準確性更高。

2.2.4 改進MFO-LSTM與PSO-LSTM迭代效果比較

最后比較改進MFO-LSTM與PSO-LSTM模型最佳適應(yīng)度值變化的過程如圖6所示。適應(yīng)度值選用δMAPE，記錄算法迭代過程中最佳位置的值。從圖6中可以明顯看到：改進MFO-LSTM的收斂速度更快，并且能找到更優(yōu)的解，體現(xiàn)了改進MFO-LSTM算法的優(yōu)勢。

圖6 迭代效果比較

3 結(jié)論

文中構(gòu)建了改進MFO-LSTM模型，結(jié)合風電機組的SCADA數(shù)據(jù)對風電機組齒輪箱潤滑油溫進行預(yù)測。當監(jiān)測值與預(yù)測值的殘差超過閾值時發(fā)出警報，從而實現(xiàn)故障預(yù)警。SCADA數(shù)據(jù)契合LSTM模型適用于時間序列數(shù)據(jù)集的特點，并采用相關(guān)性分析篩選特征，最后利用改進MFO算法對LSTM模型中的超參數(shù)進行優(yōu)化，克服參數(shù)選取不當導致的模型預(yù)測效果不好的問題，得到較高的預(yù)測精度。在某風電機組實驗分析中，與其他的算法模型相比，改進MFO-LSTM擬合程度更好、報警閾值范圍更小、報警更及時、誤差風險更低，對于降低風電機組維護成本、保障風電機組穩(wěn)定安全的運行具有重要意義。