JS. 中国传感器杂志 1687-7268. 1687-725x. 后维 10.1155 / 2018/5628429 5628429 研究文章 基于人工神经网络的风力机传感器故障检测 http://orcid.org/0000-0003-3935-0916 Kavaz Ayse Gokcen. Barutcu. bur 收款银行 耶稣 能源研究所 伊斯坦布尔技术大学 34469伊斯坦布尔 火鸡 ITU.EDU.TR. 2018年 19. 12. 2018年 2018年 15. 07 2018年 09 10 2018年 19. 12. 2018年 2018年 版权所有©2018 Ayse Gokcen Kavaz和Burak Barutcu。 这是在Creative Commons归因许可下分发的开放式访问文章，其允许在任何介质中不受限制地使用，分发和再现，只要正确引用了原始工作。

提出了一种用于风力发电机组传感器验证与故障检测的方法。确保传感器测量的有效性是整体状态监测的重要组成部分，因为传感器故障会导致监测系统健康状态的不正确结果。虽然识别传感器的突然故障相对简单，但校准漂移更难检测。为此，提出了一种基于测量验证的传感器标定漂移检测与隔离技术。为了实现这一目标，采用了风力机监控和数据采集系统的温度传感器测量数据。测量结果的低输出率和系统的非线性特性使得有必要设计一种先进的故障检测算法。考虑到人工神经网络在非线性环境中的高性能，因此选择了人工神经网络。结果表明，该方法能有效地检测出标定漂移的存在，并隔离出具有故障行为的精确传感器。

 Türkiyebilimsel Ve Teknolojik Arastirma Kurumu 1.介绍

在过去的几十年中，风力涡轮机的尺寸和容量凭借风能领域的技术发展而增加。这种情况导致越来越多地关注风力涡轮机故障检测等主题[ 1- 6.］.风力涡轮机的状态监测和故障检测算法是有助于降低风力发电厂维护成本和停机时间的重要系统。此外，风力发电厂通常位于远处部位，使得可靠性更加重要。风力涡轮机故障导致需要维修和/或更换动作并导致能源生产损失。此外，在某些情况下，部件中的失败也会影响其他组件甚至整个风力涡轮机。考虑到所有这些事实，尽早检测和隔离风力涡轮机故障是很重要的，以防止这种不期望的结果。此外，随着维护成本的降低，与其他能源相比，风能将变得具有竞争力。

故障检测方法可以分为两类，即基于模型的方法和数据驱动的方法。基于模型的方法首先建立了风力机动力学的数学模型;将该模型的输出与风力机传感器的实际测量值进行比较，并通过分析实际系统输出与模型输出之间的残差给出故障报警。风力涡轮机基于模型的故障检测研究的一些例子可以在[ 7.那 8.］.基于模型的方法具有不需要高采样率测量的优点[ 3.］.然而，这些方法的成功取决于数学模型的一致性和系统的实际行为，这种方法符合挑战，因为除了系统的复杂性，风力涡轮机还具有复杂的控制系统，这增加了获得合理数学模型的难度整个系统[ 9.］.

数据驱动方法不需要识别物理系统的显式数学模型。相反，它们基于对由安装在风力发电厂不同部分的传感器聚集的测量的分析。在选择要处理的传感器数据方面存在不同的替代方案。第一种替代方案是使用来自监控和数据采集（SCADA）系统的传感器输出，该系统是大多数现代风力涡轮机的内置部分，没有额外的成本。许多尝试已经从SCADA数据中受益，以进行故障检测目标[ 9.- 15.］.另一种替代方案是使用具有专门安装用于条件监测目的的传感器的目的设计的测量系统。用于此目的的常见传感器类型是振动，声发射，应变，扭矩和弯矩传感器。使用特定传感器的有些过去的风力涡轮机故障检测研究可以在[ 16.- 24.］.这两种数据收集方法都有一定的优点和缺点。来自SCADA系统的传感器数据频率较低，采样间隔一般为10分钟。这种低频率带来了困难，因为噪声特征丢失了重要信息的断层形成。此外，SCADA系统采集的数据普遍存在许多缺失值和不完善的地方。但作为一个优势，SCADA系统是大多数大型风力涡轮机的内置部分;因此，获取这些数据不需要额外的成本。另一方面，特制的风力机状态监测传感器可以选择足够高的数据输出频率，不丢失信号中的信息。然而，这种方法造成额外的维护成本，因此，在成本竞争力方面，成为其他能源转换方法的劣势。

本文利用风力机SCADA系统温度传感器采集的数据，对传感器故障进行检测和隔离。为了建立一个有效的故障检测系统，区分传感器的错误和涡轮机其他部件的故障是至关重要的，因为传感器的故障行为会导致数据评估的错误，导致故障检测系统的误报和性能下降。

为了补偿来自SCADA系统的低频传感器测量的缺点，需要一种复杂的信号处理方法。为此目的选择了人工神经网络（ANN），考虑到它们在建模非线性系统中的高性能。建立不同的ANN架构，以获得不同替代方案中的最佳选择。

本文的布局如下。在部分 2提出了研究的传感器选择和数据收集部分。在部分 3.，在本研究中设计的ANN架构，并在部分中解释 4.和 5.，结果和讨论分别呈现。

 2.数据收集

风力涡轮机由不同的相互连接的子系统组成。主要子系统可以分为空气动力、机械、电子和控制系统(见图) 1）.这些组件中的任何一个传感器故障导致涡轮机的性能下降。检测和隔离传感器故障是整体故障检测系统的重要组成部分，因为区分异常原因需要进行维修或更换动作。

风力涡轮机的子系统。

在风力涡轮机的子系统中可以遇到各种类型的传感器故障。典型的传感器故障可以列为乘法，附加，偏移故障和故障，导致系统中的动态变化[ 25.］.本文研究了温度传感器测量中的乘法故障。乘法故障可能会从校准漂移时出现，并类似于传感器测量的缩放因子。选择这种类型的传感器故障是调查，因为除非乘法故障的缩放因子太大，否则它不会导致与传感器的正常响应相比，易于识别的变化，这使得它们更加难以检测。本工作中使用的SCADA测量提供了主要故障的一些状态，如主电源故障，馈电故障和音高控制误差;但是，SCADA系统不提供有关传感器故障的信息。但是，确保测量验证是整体故障检测系统设计的强制性步骤。因此，在本研究中人工创建要检测的乘法传感器故障。乘法效应形式的测量差可以源自传感器校准漂移或实际温度偏差，因此需要区分这两个情况。因此，在代表这些情况的不同情况下测试了设计的方法。

收集了900千瓦风力涡轮机的SCADA系统的温度测量，以训练在这项工作中设计的ANN。数据具有10分钟的采样间隔，并在2015年11月1日至2015年11月30日之间收集。SCADA系统包括10个温度传感器，安装在表中显示的涡轮机的不同部件 1．

来自SCADA系统的温度传感器。

描述
发电机定子温度
发电机转子温度
机舱环境温度
机舱温度
前毂轴承温度
后毂轴承温度 ∗
机舱控制柜温度
控制柜温度 ∗
塔温度 ∗
变压器温度 ∗

传感器与 ∗ 签到表 1在这项工作中被选择用于传感器验证目的。它们测量后轮毂轴承温度（ S. 1 ），控制柜温度（ S. 2 ），塔温（ S. 3. )、变压器温度( S. 4. ）.所提出的算法仅基于它们的测量值检测其中一个传感器的校准漂移，而不使用任何操作或环境数据。因此，考虑到它们安装在所安装区域的类似温度特性的情况下选择了该传感器子集。操作员监视它们中的每一个，以了解是否存在任何异常。本研究中使用的传感器的位置显示在图中 2．

本研究中使用的传感器的位置。

使用这些传感器的测量，首先是ANNS培训。为培训目的，使用75％的数据。其余25％的数据用于形成测试数据集以评估和比较网络性能。Ann型号的设计和培训在Matlab环境中。

 3.人工神经网络架构

人工神经网络已经被证明是用于各种目标的强大算法，包括分类、估计和故障检测。由于其处理非线性问题的能力和实时应用的优势，设计用于风电故障检测的神经网络模型非常方便。对多个神经网络模型进行了训练和分析，得到了一个满足本研究要求的成功网络结构。

在输入 - 输出关系方面，已经使用了2种方法，即自动随机性和味噌（多输入单输出）结构。在图中呈现了自动关联的情况，其中输入载体与自身相关联 3.．从图中可以看出，所有的传感器都设置为自关联网络的输入和输出。在MISO的情况下，4个选定传感器中的3个被设置为输入，其余传感器被设置为输出。该结构重复4次，每个传感器分别作为输出。数字 4.显示味噌结构 S. 4. 作为系统的输出。在输出层也创建了与其他传感器类似的网络。

自动关联输入输出结构。

杂项输入 - 输出结构。

图中呈现的输入 - 输出关系 3.和 4.用于不同的神经网络类型，即BackProjagation神经网络（BPNN），径向基函数神经网络（RBFNN）和一般回归神经网络（GRNN）。桌子 2介绍设计的网络原则和输入 - 输出关系。

神经网络架构。

网络 计算原则 输入输出关系
网络1 BPNN. 自动化
网络2 BPNN. 味噌
网络3. rbfnn. 自动化
网络4. rbfnn. 味噌
网络5. Grnn. 自动化
网络6. Grnn. 味噌
3.1。BackProjagation神经网络

BPNN是一种前馈神经网络的类型，其中信息从输入流到输出而没有任何反馈连接，而误差从输出传播到输入。BPNN的详细数学基础可以在[ 26.那 27.］.这种神经网络已广泛应用于故障检测。

一个典型的BPNN由一个输入层、一个或多个隐藏层和一个输出层组成。考虑到问题的要求，可以使用不同的激活函数。借助隐藏层或输出层中存在的非线性激活函数，神经网络能够学习输入和输出之间的非线性关系。在本研究中，设计了几个具有一个隐藏层的BPNN体系结构。首先确定了隐层和输出层的激活函数类型。因此，使用较小的样本数据集设计和评估具有不同激活函数对的网络，如“对数s形-线性”、“对数s形-对数s形”、“正切s形-线性”和“正切s形-正切s形”。前者表示隐层的激活函数，后者表示输出层的激活函数。采用“对数- s -线性”激活函数对得到了最佳结果。因此，在接下来的研究中，详细的网络发展将继续这些激活功能。

如表所示 2在BPNN模型的设计中使用了自动随机性和味噌结构。为了获得具有高性能高性能的自动关联BPNN，设计了具有2和3个隐藏神经元的不同网络架构，并使用每种架构进行10项试验。多项试验的原因是，网络改变的性能取决于连接不同层的权重的初始值，并确保成本函数空间中的最小点的范围。

对于MISO bpnn，隐藏神经元数量由2个增加到15个，并对每种结构进行10次不同随机初始条件的试验。在比较的基础上，选择最好的网络在接下来的研究中使用 R. 2 适合价值的善良。在自动摆置的BPNN中， R. 2 对于传感器1至4，最佳网络的值分别为0.999,0.999,0.996和0.993。对于MISO BPNN，获得的最高评分为0.836,0.979,0.984和0.985。数字 5.给出了性能最好的自关联和MISO BPNN测试集的回归图。

（a）自动随机性BPNN和（b）MISO BPNN的回归绘图。

 3.2。径向基函数神经网络

RBFNN是一种馈电神经网络的类型，通常具有连接到线性输出单元的单层隐藏单元。它们以混合方式培训。隐藏层中的计算部件使用无监督的学习，并且它们中的每一个由径向基函数描述。隐藏层中的单元的大小与训练矢量的大小相同。输出层以监督方式培训。RBFNN的数学细节可以在[ 28.］.

RBFNN神经元的输出如下所示: （1） y = ∑ K. = 11. N W. K. φ K. X − C K. 那 在哪里 N 是隐藏层中的神经元数量， φ K. 是每个单元的径向基函数的内核， C K. 是神经元的径向基功能载体的中心 K. , W. K. 神经元的重量是多少 K. 在输出层中。RBFNN内核最常见的选择是在本研究中也使用的高斯激活功能。它如下所示： （2） φ K. X − C K. = 经验值 − X − C K. 2 2 σ K. 2 那 在哪里 X − C K. 2 是相关中心矢量和输入矢量之间的平方欧几里德距离和 σ K. 是宽度因子 K. TH.隐藏的单位在隐藏层中，控制内插功能的平滑性。

在这项研究中开发了几种具有RBFNN方法的自动随机性和MISO网络。在0.1和100之间的不同值中选择了网络的宽度因子。基于该数据的性能 R. 2 值。最好的 R. 2 对于所有传感器，自动关联RBFNNS的分数大于0.999。MISO RBFNNS的最高评分为0.824,0.979,0.982和0.984。在研究下一部分的详细分析中，使用了具有最佳性能的网络。图中提出了具有最高性能结果的RBFNN网络测试集的回归图 6.．

（a）自动关联RBFNN和（B）味噌RBFNN的回归绘图。

 3.3。一般回归神经网络

GRNN计算输出的最可能值 y 只有培训向量 X ．在这种方法中，不需要特定的功能形式，以描述输入和输出之间的关系，而是表示作为从观察数据确定的概率密度函数的相应形式。由于参数使用示例直接计算，因此不需要迭代计算[ 29.］.

距离的平方 D. 一世 2 哪个给出（ 3.）用于计算可能的值。 （3） D. 一世 2 = X − X 一世 T. X − X 一世 ．

输出由 （4） y ^ = ∑ 一世 = 1 N y 一世 经验值 − D. 一世 2 / 2 σ 2 ∑ 一世 = 1 N − D. 一世 2 / 2 σ 2 那 在哪里 y ^ 是输出的估计，这是所有观察样本的加权平均值 y 一世 那 X 为输入向量， N 是样本观察的数量，以及 σ 为宽度因子。与rbfnn中使用的方法一样，GRNN模型的宽度因子也从0.1到100不等。最高的 R. 2 对于传感器1到4，自关联GRNN网络的值分别为0.992、0.990、0.990和0.994,MISO GRNN的最佳得分为0.808、0.976、0.973和0.981。数字 7.显示具有最高良好效果的自动关联和MISO GRNN模型的回归图。

（a）自动关联gnn和（b）味噌grnn的回归绘图。

 4.结果和讨论

如部分所述 2， SCADA数据不提供温度传感器初期故障的信息。因此，在本工作中人为地制造了一个代表校准漂移的乘法故障。这些模型不独立评估单个传感器的测量，而是通过观察它们与组中其他传感器的关系来评估它们，这些传感器是从物理上相关的地方选出的，因此，有可能区分由校准漂移引起的变化和由于实际温度变化而出现的变化。由于环境影响而引起的温度上升会在多个传感器中出现，而校准漂移只会导致故障传感器的变化。为了确保所提出的算法能够区分温度变化的根本原因，在3种不同的情况下对网络进行了测试。在没有任何温度漂移的情况下，观察了神经网络模型的性能 1．如果 2，通过只将传感器的一个输出乘以一个常数因子来模拟校准故障。Case模拟了所有温度测量值的整体变化 3.它代表的变化不是源于断层，而是真实的环境温度变化。

ANN产出的详细信息和不同期望总结如下。

情况1。

没有故障情况。

在这种情况下，从传感器收集的温度测量值被直接用作网络输入。25%的作为测试集的数据被用于这个目的。这些数据显示了涡轮机没有任何故障的正常行为，因此网络的期望是产生尽可能接近实际传感器测量值的输出值。

 案例2。

其中一个传感器出现倍增故障。

案件 2是为了将要检测的故障引入测量系统。其中一个传感器出现了人为的倍增故障。控制柜温度传感器( S. 2 ）乘以常数术语1.2。通过分析网络输出和传感器测量之间的残差来评估这种情况的网络的性能。期望是在与其他传感器比较的故障传感器的测量和估计之间获得更大的残差。

 例3。

没有故障情况。由于环境温度升高，所有测量的总转变。

在这种情况下，所有4个传感器的测量值都乘以常数项1.2。这种整体转变的目的是确保当没有传感器出现故障，而是记录真实的温度上升时，用于故障检测算法的网络不会产生错误的故障警报。网络对这种情况的期望是再次产生尽可能接近实际温度值的估计值。

所有3个案例的输入数据都是由最佳结果的6个型号实施 R. 2 值。根据不同的需求对网络的输出进行了分析。

桌子 3.在°C中介绍ANN的根均方误差（RMSE）值。结果表明，以非事实情况区分故障案例的最便捷的网络是自动关联的BPNN。在案件 1和 3.，实际值和ANN输出之间的RMSE值对于所有传感器小于0.8°C，而在情况下 2，对于传感器2和4，RMSE值分别为1.6°C和1.3°C。虽然自动随机性RBFNN优于前网络以防万一 1和案例 3.，它无法在错误的情况下生产所需的残留物（案例 2）.图 8.- 10为每种情况提供自动关联的BPNN结果。从图中可以看出 8.和 10，真正的温度值和ANN输出非常接近 1和案例 3.．数字 9.表明残留物在情况下可见 2，这是故障存在的标志。然而，控制柜和变压器的残差大小是非常接近的。这种情况下，无法准确定位故障位置。因此，为了实现故障定位的隔离，就有必要将不同的网络估计组合起来使用。

均方根误差值(°C)。

autoassoc。BPNN. autoassoc。rbfnn. autoassoc。Grnn.
传感器 案件 1 案件 2 案件 3. 案件 1 案件 2 案件 3. 案件 1 案件 2 案件 3.
S. 1 0．1 0.4 ０．５ 0．2 E.- 4. 0．3 E.- 3. 0．8 E.- 3. ０．５ 1．1 3.9
S. 2 0．1 1．6 0.4 0．1 E.- 4. 1.3 e - 3 ０．５ E.- 3. 0.4 4.2 2．3
S. 3. 0．3 0．3 0．7 0．2 E.- 4. ０．５ E.- 3. 0.4 E.- 3. 0.4 1．8 1．3
S. 4. 0.4 1．3 0．7 0．1 E.- 4. 0.4 E.- 3. ０．５ E.- 3. 0.4 1．8 1．3
MISO BPNN. 味噌rbfnn. 味噌grnn.
传感器 案件 1 案件 2 案件 3. 案件 1 案件 2 案件 3. 案件 1 案件 2 案件 3.
S. 1 1．8 2．7 3.4 1．8 20.8 8.9 1．9 2．5 4.7
S. 2 0.6 7.2 1．5 0.6 7.2 4.8 0．7 7.2 2．8
S. 3. 0.6 2．6 2．2 0.6 20.8 44.4 0．7 3.3 1．6
S. 4. 0.6 3.2 2．1 0.6 4.9 5.9 0．7 2．9 1．7

案例的测量和网络值 1与autoassociative摘要。

案例的测量和网络输出值 2与autoassociative摘要。

案例的测量和网络输出值 3.与autoassociative摘要。

提供提供最佳故障隔离结果的网络是MISO BPNN，其中故障传感器的RMSE值（ S. 2 ）显着大于其他传感器，以防万一 2在其他情况下，RMSE值相对较小。图 11.- 13.提出了指定网络获得的结果。相应的图示出了由于MISO网络的单输出架构，在每个子图中具有不同输出传感器的4个神经网络的组合。

案例的测量和网络值 1味噌摘要。

案例的测量和网络值 2味噌摘要。

案例的测量和网络值 3.味噌摘要。

如图所示 11.，实际数据和网络输出在正常操作情况下是一致的。数字 12.表明，以防万一 2与来自自动关联网络的结果不同，这次控制柜温度的残差明显大于其他传感器的残留物，其具有7.2°C的RMSE值。因此，该网络可用于隔离故障位置。对于案例 3.（如图所示 13.），网络产生对这种情况不受欢迎的残留物;但是，将通过支持自动关联BPNN来防止虚假警报的故障存在的决定。通过使用不同网络的这种组合决策算法，故障检测系统将能够以更敏感的方式区分故障和非事实情况，并提供有关故障的确切位置的信息。

 5。结论

提出了一种基于风力机SCADA系统温度传感器的数据驱动方法来检测和隔离传感器故障。这种方法的一个显著优点是利用了来自SCADA系统的传感器数据，而SCADA系统是大多数大型现代风力涡轮机的内置部件;因此，数据采集系统不会带来任何额外的硬件需求和额外的成本。然而，由于SCADA测量的故障检测频率较低，本研究需要人工神经网络提供的智能模型。为此，我们训练了几种人工神经网络结构。在对仿真结果进行评估的基础上，提出了从不同体系结构的优点中获益的方法。自关联bp神经网络已被证明是一个成功的网络，以区分故障情况和非故障，而MISO bp神经网络在寻找准确的故障行为传感器方面给出了令人满意的结果。结果表明，该方法对传感器故障检测和隔离是可行和有效的。作为未来的工作，该研究可以扩展到从风力涡轮机收集的其他测量，以建立一个整体的故障检测系统。

 数据可用性

由于与风能公司签署的非歧视协议，尚未提供用于支持本研究结果的SCADA数据。

 的利益冲突

作者宣布没有关于本文的出版物的利益冲突。

 致谢

该工作部分由土耳其科技研究委员会（Tubitak）部分支持。

 tchakoua. P。 争夺 R。 ouhrouche. M。 Slaoui-Hasnaoui F。 Tameghe T. Ekemb G。 风力发电机状态监测:最先进的审查，新的趋势，和未来的挑战 能量 2014年 7. 4. 2595 2630 10.3390 / EN7042595 2-S2.0-84899142356 阳 W. Tavner P. J. Crabtree. C. J. 冯 y。 邱 y。 风力涡轮机状态监测：技术和商业挑战 风能 2014年 17. 5. 673 693 10.1002 / we.1508 2-S2.0-84897572485 Wymore M. L. van dam J. E. Ceylan H。 乔 D. 风力涡轮机健康监测系统调查 可再生和可持续能源评论 2015年 52. 1069283 976. 990 10.1016 / j.rser.2015.07.110 2 - s2.0 - 84939833098 乔 W. 陆 D. 风力涡轮机状态监测和故障诊断调查 - I：组件和子系统 IEEE工业电子学汇刊 2015年 62. 10 6536 6545 10.1109 / TIE.2015.2422112 2-S2.0-84941578649 乔 W. 陆 D. 风力涡轮机状态监测和故障诊断调查 - 第二部分：信号与信号处理方法 IEEE工业电子学汇刊 2015年 62. 10 6546 6557 10.1109 / TIE.2015.2422394 2-S2.0-84941585410 leite. G. D。N. P. araújo. a . M。 罗斯 P. A. C. 应用于风力涡轮机的预后技术：简明和特定的审查 可再生和可持续能源评论 2018年 81. 1917. 1925年 10.1016 / J.RSER.2017.06.002 2-S2.0-85020792527 Odgaard P. F. Stoustrup. j。 尼尔森 R。 诅咒 C。 基于观测器的风力涡轮机传感器故障检测 1999年欧洲风能会议 2009年 Marsielle，法国 1 10 魏 X。 verhaegen. M。 使用鲁棒观测器和过滤器对风力涡轮机系统的传感器和执行器故障诊断 风能 2011年 14. 4. 491. 516. 10.1002 / we.438 2-S2.0-79956226146 阳 W. 法庭 R。 江 j。 基于SCADA数据分析方法的风力发电机组状态监测 可再生能源 2013年 53. 365. 376. 10.1016 / J.RENENE.2012.11.030 2-S2.0-84872032989 Schlechtingen M。 桑托斯 i F。 Achiche S. 基于SCADA数据的风电机组状态监测。第1部分:系统描述 应用软计算 2013年 13. 1 259. 270. 10.1016 / J.ASOC.2012.08.033 2-S2.0-84869380569 leahhh .. K. 莉莉胡 R。 Konstantakopoulos i . C。 斯文 C. J. Agogino a . M。 利用应用于运行数据的机器学习技术诊断风力发电机故障 2016年IEEE推测和健康管理国际会议（ICPHM） 2016年 在渥太华,加拿大 1 8. 10.1109 / ICPHM.2016.7542860 2-S2.0-84985962934 赵 y。 李 D. 董 一种。 林 j。 康 D. 尚 l 使用SCADA数据的风力涡轮机发生器故障预后 NAPS 2016-48th North Am。权力研讨会 2016年 美国科罗拉多州丹佛市 1 5. 10.1109 / naps.2016.7747914 2-S2.0-85006729170 太阳 P。 李 j。 王 C。 Lei X。 基于SCADA数据的风力机异常识别广义模型 应用能源 2016年 168. 550 567 10.1016 / J.Apenergy.2016.01.133 2-S2.0-84957899451. 道 p . B。 Staszewski. w·J。 Barszcz. T. UHL. T. 基于CoIntegration分析SCADA数据的风力涡轮机的状态监测与故障检测 可再生能源 2018年 116 B部分 107 122. 10.1016 / J.RENENE.2017.06.089. 2-S2.0-85021838029 王 l 张 Z. 长 H。 徐 j。 刘 R。 带深神经网络的风力涡轮机齿轮箱故障识别 工业信息学的IEEE交易 2017年 13. 3. 1360. 1368 10.1109 / TII.2016.2607179 2-S2.0-85027729414 Caselitz. P。 Giebhardt j。 改进海上风能转换器的操作安全性的转子状态监测 太阳能工程学报 2005年 127. 2 253. 10.1115 / 1.1850485 2-S2.0-19144370094 苏尔茨 M. J. Sundaresan. M. J. 风力涡轮机结构状况监控智能传感器系统：2002年5月30日 - 30日4月30日 2006年 金,美国公司 技术。代表。国家可再生能源实验室（NREL） 10.2172/891105 Comboni. D. J. Fazenda. B. 风力涡轮机叶片的声学状态监测：尖端故障 美国声学学会杂志 2012年 132. 1956年 曲 y。 Bechhoefer E. 他 D. 朱 j。 基于声发射传感器的齿轮故障检测方法 国际预测和健康管理杂志 2013年 4. 1 14. 阮 j。 何 S. C. M. pat D. 歌曲 G。 压电性主动传感和阻抗传感风力涡轮机叶片的结构健康监测 第11届IEEE网络，传感和控制国际会议的诉讼程序 2014年 美国佛罗里达州迈阿密的 661 666 10.1109 / icnsc.2014.6819704 2 - s2.0 - 84902385222 Bouzid. o . M。 田 G. Y. 坎帕曼 K. 摩尔 D. 风力涡轮机叶片的结构健康监测：无线传感器网络的声学源定位 中国传感器杂志 2015年 2015年 11. 139695 10.1155 / 2015/139695 2 - s2.0 - 84939151891 钱 y。 阳ydF4y2Ba R。 基于单传感器盲源分离的风电齿轮箱故障诊断 中国传感器杂志 2016年 2016年 14. 6971952 10.1155 / 2016/6971952 2-S2.0-84948845398 郭 y。 陈 X。 王 S. 太阳 R。 赵 Z. 基于同步压缩变换的风力机变速工况单传感器诊断 传感器 2017年 17. 5. 1149. 10.3390 / s17051149 28524090 卡斯托塔 一种。 Minardo. 一种。 奥冬青 l 米拉维尔 M。 朗科 M。 达亚诺 M。 Zeni. l 用布里渊的光纤传感器监测风力涡轮机叶片监测 中国传感器杂志 2017年 2017年 5. 9175342 10.1155 / 2017/9175342 2-S2.0-85016584508 Odgaard P. F. Stoustrup. j。 Kinnaert M。 风力涡轮机的容错控制：基准模型 控制系统技术的IEEE交易 2013年 21. 4. 1168. 1182. 10.1109 / TCST.2013.2259235 2-S2.0-84879936035 克罗斯 B. 范德·斯曼特 P。 神经网络概论 1996年 阿姆斯特丹大学的 帕坦 K. 用于建模和故障诊断技术过程的人工神经网络 2008年 377. 兴趣者 10.1007 / 978-3-540-79872-9 Haykin. S. 神经网络和学习机 2009年 3. Prentice Hall. Specht d F。 一般回归神经网络 神经网络学报 1991. 2 6. 568 576 10.1109 / 72.97934 2-S2.0-0026254768 18282872