基于深度学习的风机叶片结冰诊断方法

风机叶片结冰的现象严重影响风电发电效率,若在结冰状态下风机仍照常工作,不仅会影响经济效益,严重时还会直接损坏叶片等设备引发安全事故。传统手段通过人工观察、安装设备等方法效率低下。为此提出一种使用SVMSMOTE过采样与RFECV算法结合的特征工程,并采用全连接深度神经网络模型提前准确预测叶片结冰情况,以便及时采取相应措施,保证设备与人员的安全,提高发电效益。实验结果表明,深度学习模型经过训练后测试集准确率达到99.13%,比无特征工程条件下相同模型准确度提高了1.56%;此外,当该模型泛化应用到另一风机数据集时,故障诊断的准确度也达到92.3%,证明了该方法的有效性,该模型与KNN、SVM等传统机器学习模型相比,准确度、召回率等重要指标表现更好,为风机叶片结冰的诊断问题提供了一种新的解决思路。