基于Bagging集成策略和多元狀態(tài)估計(jì)的風(fēng)電機(jī)組齒輪箱狀態(tài)監(jiān)測

趙勁松， 王梓齊， 劉長良,2*

(1.華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院,保定 071003；2.新能源電力系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué)),北京 102206)

中國風(fēng)電機(jī)組的主要機(jī)電設(shè)備中,齒輪箱的故障率位列第四且維修費(fèi)用和時(shí)間也相對較高[1-2]。因此,有必要實(shí)時(shí)監(jiān)測風(fēng)電機(jī)組齒輪箱的運(yùn)行狀態(tài),及早發(fā)現(xiàn)潛在故障并提前安排維護(hù),從而降低運(yùn)維成本。

監(jiān)控與數(shù)據(jù)采集(supervisory control and data acquisition, SCADA)系統(tǒng)被大量應(yīng)用于風(fēng)電場中,主要功能是儲存歷史運(yùn)行數(shù)據(jù)和在線采集實(shí)時(shí)運(yùn)行數(shù)據(jù)。相比其他常見的油液、振動(dòng)分析等,基于SCADA運(yùn)行數(shù)據(jù)的狀態(tài)監(jiān)測方法無須新加裝金屬磨粒、加速度傳感器等,在經(jīng)濟(jì)性上的優(yōu)勢相對更大，近年來受到了較為廣泛的關(guān)注[3]。

多元狀態(tài)估計(jì)(multivariate state estimate technique, MSET)[4]是根據(jù)正常運(yùn)行數(shù)據(jù)構(gòu)成記憶矩陣,進(jìn)而對設(shè)備當(dāng)前運(yùn)行數(shù)據(jù)進(jìn)行估計(jì)的一種基于SCADA數(shù)據(jù)的狀態(tài)監(jiān)測方法,有著無須訓(xùn)練參數(shù)、精度高、泛化能力強(qiáng)等優(yōu)勢。近年來,MSET在風(fēng)電機(jī)組齒輪箱[5-6]、火電機(jī)組磨煤機(jī)[7]和引風(fēng)機(jī)[8]等設(shè)備中得到了一定應(yīng)用。MSET對記憶矩陣的依賴大,要想進(jìn)一步提高精度,往往需要對記憶矩陣進(jìn)行擴(kuò)展。但是,由于每個(gè)計(jì)算周期均需要執(zhí)行時(shí)間復(fù)雜度較高的矩陣乘法運(yùn)算,擴(kuò)展記憶矩陣會對MSET的實(shí)時(shí)性造成較大影響[9]。

集成學(xué)習(xí)是一種通用的機(jī)器學(xué)習(xí)模型結(jié)構(gòu),即用多個(gè)差異化的個(gè)體學(xué)習(xí)器對同一問題進(jìn)行訓(xùn)練,再將各學(xué)習(xí)器的結(jié)果綜合后輸出。對于相同的機(jī)器學(xué)習(xí)算法,相比建立單一的全局學(xué)習(xí)器,集成學(xué)習(xí)模型通常有著更強(qiáng)的泛化能力。近年來,集成學(xué)習(xí)已在風(fēng)電功率預(yù)測[10-11]、齒輪箱故障診斷[12]等相關(guān)領(lǐng)域得到了一定應(yīng)用。

為解決記憶矩陣較大時(shí),常規(guī)MSET實(shí)時(shí)計(jì)算速度慢的問題,提出了一種基于Bagging集成策略和MSET的狀態(tài)監(jiān)測方法。首先基于Bagging對數(shù)量較多的訓(xùn)練樣本進(jìn)行隨機(jī)抽樣,構(gòu)造多個(gè)記憶矩陣規(guī)模較小的MSET個(gè)體學(xué)習(xí)器,最后將各MSET的結(jié)果平均后輸出。隨著個(gè)體學(xué)習(xí)器數(shù)量的增多,集成MSET對訓(xùn)練樣本的利用率增大、估計(jì)精度提高且計(jì)算時(shí)間僅為線性增長,能夠在對精度影響不大的前提下,有效改善算法的實(shí)時(shí)性。

以某2 MW風(fēng)電機(jī)組SCADA系統(tǒng)的實(shí)際運(yùn)行數(shù)據(jù)為算例,基于正常運(yùn)行數(shù)據(jù)將常規(guī)與集成MSET的性能進(jìn)行了對比；進(jìn)一步基于故障數(shù)據(jù),并結(jié)合統(tǒng)計(jì)過程控制技術(shù)設(shè)計(jì)預(yù)警閾值,使用集成MSET實(shí)現(xiàn)了對齒輪箱實(shí)際故障的預(yù)警。

1 算法基礎(chǔ)及分析

1.1 多元狀態(tài)估計(jì)(MSET)

MSET的核心是基于正常運(yùn)行數(shù)據(jù)構(gòu)造的記憶矩陣,通過記憶矩陣對設(shè)備當(dāng)前的運(yùn)行狀態(tài)進(jìn)行估計(jì):若設(shè)備處于正常狀態(tài),則對當(dāng)前運(yùn)行數(shù)據(jù)的估計(jì)精度高；若設(shè)備可能發(fā)生潛在故障,則估計(jì)精度相對較低。MSET的原理和實(shí)現(xiàn)過程如下。

某設(shè)備共有n個(gè)參數(shù)參與狀態(tài)監(jiān)測,將某一時(shí)刻這些參數(shù)的測量值記為觀測向量X=[x1,x2, …,xn]T。在設(shè)備正常運(yùn)行時(shí),采集的m個(gè)觀測向量X構(gòu)造記憶矩陣D如下(要求m個(gè)觀測向量盡可能覆蓋設(shè)備所有的運(yùn)行工況)：

(1)

MSET的輸入為當(dāng)前時(shí)刻的觀測向量Xo,輸出為觀測向量Xo的估計(jì)值Xe。對于每個(gè)輸入Xo,均需要計(jì)算一個(gè)對應(yīng)的權(quán)值向量W=[w1,w2, …,wm]T,使得記憶矩陣D和權(quán)值向量W的乘積等于輸出Xe。具體公式如下:

Xe=DW=w1X1+w2X2+…+wmXm

(2)

權(quán)值向量W的計(jì)算公式如下(推導(dǎo)過程見文獻(xiàn)[13]):

W=(DT?D)-1·(DT?Xo)

(3)

式(3)中：?為非線性運(yùn)算符,常選取為兩向量間的歐幾里得距離。

將式(3)代入式(2)中,輸出Xe的計(jì)算公式如下:

Xe=D·(DT?D)-1·(DT?Xo)

(4)

MSET不需要實(shí)現(xiàn)基于訓(xùn)練樣本進(jìn)行參數(shù)訓(xùn)練,但在計(jì)算每一個(gè)輸出Xe時(shí),都需要重新基于記憶矩陣D計(jì)算權(quán)值向量W。因此,記憶矩陣D對MSET的估計(jì)精度和計(jì)算速度有著決定性的影響,具體分析如下。

(1)記憶矩陣D的規(guī)模較小時(shí),MSET的計(jì)算速度較快,但對設(shè)備正常運(yùn)行狀態(tài)空間的覆蓋有限,估計(jì)精度相對較低，狀態(tài)監(jiān)測的準(zhǔn)確性較差。

(2)記憶矩陣D的規(guī)模較大時(shí),MSET的估計(jì)精度相對較高，準(zhǔn)確性較好。但在計(jì)算權(quán)重W和輸出Xe時(shí),需要分別進(jìn)行矩陣乘法運(yùn)算[矩陣(DT?D)-1和(DT?Xo)相乘、矩陣D和W相乘],而矩陣乘法的時(shí)間復(fù)雜度一般為o(n3)左右[14]。因此,擴(kuò)大記憶矩陣D會使計(jì)算速度大幅度增加,同樣也會占用更多的存儲空間。

根據(jù)上述分析,從原理上MSET的估計(jì)精度和實(shí)時(shí)性之間存在較大的矛盾,有必要針對該問題進(jìn)行深入研究,在保證一定估計(jì)精度的同時(shí)盡可能提高M(jìn)SET的實(shí)時(shí)計(jì)算速度。

1.2 集成MSET和Bagging集成策略

易證,計(jì)算1次n階矩陣乘法所花費(fèi)的時(shí)間,要大于計(jì)算k(k≥2)次n/k階矩陣乘法所花費(fèi)的時(shí)間。將上述結(jié)論推廣至MSET并結(jié)合集成學(xué)習(xí)思想,可由多個(gè)記憶矩陣規(guī)模較小的MSET模型作為個(gè)體學(xué)習(xí)器,得到在計(jì)算速度上優(yōu)于常規(guī)方法、估計(jì)精度與常規(guī)方法相當(dāng)?shù)募蒑SET模型,從而改善算法的實(shí)時(shí)性。

集成學(xué)習(xí)的常見構(gòu)造策略有Bagging、Boosting和Stacking等[15]。其中,Boosting的個(gè)體學(xué)習(xí)器是串行關(guān)系,即根據(jù)前一個(gè)學(xué)習(xí)器的訓(xùn)練結(jié)果調(diào)整權(quán)重后訓(xùn)練下一個(gè)學(xué)習(xí)器；Stacking要求個(gè)體學(xué)習(xí)器是異質(zhì)的,即不同學(xué)習(xí)器所使用的算法不同,均很難與MSET進(jìn)行結(jié)合。

Bagging集成策略的主要思想是對原始訓(xùn)練樣本進(jìn)行多次隨機(jī)抽樣,并行生成多組訓(xùn)練樣本以訓(xùn)練多個(gè)個(gè)體學(xué)習(xí)器[16],能夠與MSET進(jìn)行方便地結(jié)合。Bagging集成策略的具體結(jié)構(gòu)和實(shí)現(xiàn)流程如圖1所示。

圖1 Bagging集成學(xué)習(xí)策略Fig.1 The Bagging ensemble learning strategy

由圖1可知,Bagging集成策略主要分為訓(xùn)練和測試兩個(gè)階段。

(1)訓(xùn)練階段:首先需要確定個(gè)體學(xué)習(xí)器的個(gè)數(shù)n和對應(yīng)的訓(xùn)練樣本容量(一般小于等于原始訓(xùn)練樣本個(gè)數(shù))；之后,對原始訓(xùn)練樣本進(jìn)行n次隨機(jī)抽樣,得到n組訓(xùn)練樣本并訓(xùn)練得到n個(gè)基于相同算法的個(gè)體學(xué)習(xí)器。

(2)測試階段:基于測試樣本計(jì)算n個(gè)個(gè)體學(xué)習(xí)器的輸出,對于分類問題采取投票方式，對于回歸問題采取算數(shù)平均方法,將n個(gè)輸出綜合后作為集成學(xué)習(xí)模型整體輸出。

基于Bagging集成策略建立的集成MSET模型,其估計(jì)精度和計(jì)算速度受每個(gè)MSET個(gè)體學(xué)習(xí)器的記憶矩陣規(guī)模和個(gè)體學(xué)習(xí)器的個(gè)數(shù)決定:記憶矩陣規(guī)模越大、個(gè)體學(xué)習(xí)器的個(gè)數(shù)越多,集成MSET模型的估計(jì)精度越高、計(jì)算速度越慢；在記憶矩陣規(guī)模確定的情況下,集成MSET的計(jì)算時(shí)間與個(gè)體學(xué)習(xí)器的個(gè)數(shù)呈線性關(guān)系。

2 基于Bagging和MSET的狀態(tài)監(jiān)測

2.1 算法流程

針對風(fēng)電機(jī)組齒輪箱這一研究對象,基于Bagging和MSET的狀態(tài)監(jiān)測方法的具體實(shí)現(xiàn)流程如圖2所示。

由圖2可知,算法主要分為3部分：數(shù)據(jù)預(yù)處理、集成模型建立和設(shè)計(jì)預(yù)警閾值。

圖2 狀態(tài)監(jiān)測算法的實(shí)現(xiàn)流程Fig.2 Implementation process of the condition monitoring method

(1)數(shù)據(jù)預(yù)處理的第一步是對SCADA歷史數(shù)據(jù)中屬性缺失、參數(shù)異常的數(shù)據(jù)進(jìn)行刪除,以獲取代表機(jī)組正常運(yùn)行狀態(tài)的數(shù)據(jù)。第二步是確定構(gòu)成MSET觀測向量X的運(yùn)行參數(shù),首先確定能夠直接反映齒輪箱運(yùn)行狀態(tài)的狀態(tài)變量,通常只選取1個(gè),記作y；其次確定與狀態(tài)變量密切相關(guān)的其他運(yùn)行參數(shù)即輔助變量,通常選取多個(gè),記作xi。第三步是將數(shù)據(jù)分為訓(xùn)練集和驗(yàn)證集,訓(xùn)練集用來建立集成MSET模型、樣本數(shù)量相對較多,驗(yàn)證集用來設(shè)計(jì)預(yù)警閾值、樣本數(shù)量相對較少。

(2)集成MSET模型的建立過程與Bagging集成策略的訓(xùn)練過程基本一致。由于MSET不需要訓(xùn)練參數(shù),通過隨機(jī)抽樣確定訓(xùn)練樣本后,構(gòu)造n個(gè)記憶矩陣D即完成了集成MSET模型的建立。

2.2 基于統(tǒng)計(jì)過程控制技術(shù)的預(yù)警閾值設(shè)計(jì)

統(tǒng)計(jì)過程控制(statistical process control, SPC)技術(shù)是一種基于統(tǒng)計(jì)理論的過程監(jiān)測方法,近年來在風(fēng)電機(jī)組狀態(tài)監(jiān)測的預(yù)警閾值設(shè)計(jì)中得到了一定應(yīng)用[17-18],具體的閾值設(shè)計(jì)方法如下。

設(shè)隨機(jī)變量X～N(μ,σ2),則根據(jù)正態(tài)分布相關(guān)理論,隨機(jī)變量X落在(μ-2σ,μ+2σ]和(μ-3σ,μ+3σ]區(qū)間內(nèi)的概率如下:

P(μ-2σ

(5)

P(μ-3σ

(6)

若X的取值長期超出這兩個(gè)區(qū)間,可以認(rèn)為過程受到了異常因素的影響,導(dǎo)致隨機(jī)變量的X概率分布出現(xiàn)了顯著變化。

(7)

式(7)中：ei為驗(yàn)證集上狀態(tài)變量的預(yù)測殘差；m為驗(yàn)證集的樣本數(shù)。

(8)

預(yù)警閾值構(gòu)造完成后,結(jié)合狀態(tài)變量的預(yù)測殘差,即可初步實(shí)現(xiàn)風(fēng)電機(jī)組齒輪箱的狀態(tài)監(jiān)測、故障預(yù)警及可視化。

3 算例及分析

3.1 數(shù)據(jù)來源及預(yù)處理

數(shù)據(jù)來源為福建省某陸上風(fēng)電場的一臺雙饋式機(jī)組。機(jī)組的切入風(fēng)速為4 m/s,切出風(fēng)速為25 m/s,額定功率為2 MW,SCADA系統(tǒng)的采樣周期為10 min。該機(jī)組于2016年7月13日10:20發(fā)生齒輪箱故障導(dǎo)致非計(jì)劃停運(yùn),故障發(fā)生前SCADA系統(tǒng)未提前發(fā)出報(bào)警信號。

從歷史運(yùn)行數(shù)據(jù)庫中,導(dǎo)出2月13日10:20至齒輪箱故障前的運(yùn)行數(shù)據(jù)。剔除這些數(shù)據(jù)中運(yùn)行參數(shù)缺失、有功功率小于等于零、風(fēng)速小于4 m/s或大于25 m/s的數(shù)據(jù)點(diǎn),并進(jìn)一步基于拉依達(dá)準(zhǔn)則去除運(yùn)行參數(shù)異常的數(shù)據(jù)點(diǎn),最終用余下的10 000組數(shù)據(jù)參與接下來的實(shí)驗(yàn)。

從運(yùn)行參數(shù)中,選擇風(fēng)速、發(fā)電機(jī)轉(zhuǎn)速、環(huán)境溫度、有功功率和齒輪箱軸承溫度共5個(gè)參數(shù)構(gòu)成觀測向量X,選擇齒輪箱軸承溫度作為齒輪箱狀態(tài)監(jiān)測的狀態(tài)變量y。參與實(shí)驗(yàn)的10 000組數(shù)據(jù)中,上述運(yùn)行參數(shù)的變化范圍如表1所示。

表1 運(yùn)行參數(shù)的變化范圍Table 1 Range of the operation parameters

為了去除量綱不同對結(jié)果造成的影響,將運(yùn)行參數(shù)進(jìn)行min-max歸一化:

(9)

式(9)中：xij為參數(shù)j的第i個(gè)數(shù)據(jù)點(diǎn)；maxxj和minxj分別為參數(shù)j的最大值和最小值；x′ij為歸一化后的數(shù)據(jù)。

min-max歸一化后,以1～5000號樣本作為訓(xùn)練集,用于建立常規(guī)和集成MSET模型；5001～6000號作為驗(yàn)證集,用來對比驗(yàn)證常規(guī)和集成MSET的性能并計(jì)算預(yù)警閾值；5001～10000號作為測試集(包含驗(yàn)證集),用來進(jìn)行齒輪箱故障的狀態(tài)監(jiān)測實(shí)驗(yàn)。

3.2 狀態(tài)監(jiān)測方法的性能對比實(shí)驗(yàn)

分別以訓(xùn)練集中時(shí)間標(biāo)簽靠后的1 000、2 000～5 000組樣本,構(gòu)造常規(guī)MSET的記憶矩陣并基于驗(yàn)證集進(jìn)行測試。使用均方根誤差RMSE作為誤差函數(shù)以評價(jià)估計(jì)精度,計(jì)算公式為

(10)

程序的運(yùn)行環(huán)境為MATLAB R2018a,CPU型號為Intel i5-7500,內(nèi)存為8 G。常規(guī)MSET在驗(yàn)證集上的測試結(jié)果如圖3所示。圖3中,計(jì)算時(shí)間的含義為計(jì)算1 000組驗(yàn)證集所花費(fèi)的時(shí)間。

圖3 常規(guī)MSET方法的測試結(jié)果Fig.3 Test results of conventional MSET method

由圖3可知,從估計(jì)精度的角度,隨著記憶矩陣規(guī)模的擴(kuò)大,常規(guī)MSET的誤差有一定下降,但矩陣規(guī)模大于2 000后降幅較小,說明擴(kuò)展記憶矩陣能夠改善MSET的估計(jì)精度,但矩陣達(dá)到一定規(guī)模后,繼續(xù)擴(kuò)展對精度的改善較為有限；從計(jì)算時(shí)間的角度,隨著記憶矩陣規(guī)模的擴(kuò)大,常規(guī)MSET的計(jì)算時(shí)間大幅度增長且為非線性增長,說明較大規(guī)模的記憶矩陣會嚴(yán)重影響MSET的實(shí)時(shí)性。

下面進(jìn)行常規(guī)和集成MSET的對比實(shí)驗(yàn)。確定MSET個(gè)體學(xué)習(xí)器的記憶矩陣規(guī)模為1 000,分別建立由1～5個(gè)個(gè)體學(xué)習(xí)器構(gòu)成的集成MSET模型。由于Bagging集成策略中訓(xùn)練樣本的選取具有隨機(jī)性,故在驗(yàn)證集上進(jìn)行50次重復(fù)實(shí)驗(yàn)。50次實(shí)驗(yàn)所得到的RMSE的箱形圖如圖4所示。圖4中,橫軸記憶矩陣規(guī)模的含義為MSET個(gè)體學(xué)習(xí)器的記憶矩陣規(guī)模之和。

圖4 集成MSET方法50次重復(fù)實(shí)驗(yàn)的測試結(jié)果Fig.4 Test results of 50 repetitive experiments of ensemble MSET method

由圖4可知,隨著個(gè)體學(xué)習(xí)器個(gè)數(shù)的增多,集成MSET模型的誤差逐漸減小且分布范圍逐漸收窄,說明集成MSET能夠保證一定的估計(jì)精度,且個(gè)體學(xué)習(xí)器的數(shù)目越多,估計(jì)精度相對更高，在重復(fù)測試中的表現(xiàn)更穩(wěn)定。盡管集成MSET可能需要進(jìn)行多次重復(fù)測試,才能得到估計(jì)精度相對較高的模型,但該過程屬于離線訓(xùn)練階段,不會對在線計(jì)算的實(shí)時(shí)性產(chǎn)生影響。

不同記憶矩陣規(guī)模下,常規(guī)MSET和集成MSET的估計(jì)精度和計(jì)算時(shí)間如表2所示。表2中,t為計(jì)算1 000組驗(yàn)證集所花費(fèi)的時(shí)間,集成MSET的t為50次重復(fù)實(shí)驗(yàn)的平均計(jì)算時(shí)間；Q3、Q2、Q1分別為集成MSET的RMSE在50次重復(fù)實(shí)驗(yàn)中的上四分位數(shù)、中位數(shù)和下四分位數(shù)。

表2 集成MSET和常規(guī)MSET的對比Table 2 Comparison of ensemble MSET and conventional MSET

由表2可知,隨著個(gè)體學(xué)習(xí)器個(gè)數(shù)的增多,集成MSET的計(jì)算時(shí)間呈線性增長；當(dāng)個(gè)體學(xué)習(xí)器為3

個(gè)時(shí),RMSE的中位數(shù)Q2基本與矩陣規(guī)模為2 000的常規(guī)MSET相當(dāng),但計(jì)算時(shí)間僅為常規(guī)方法的60%,說明在估計(jì)精度接近的前提下,集成MSET的計(jì)算速度相比常規(guī)方法有了較大改善。

3.3 齒輪箱實(shí)際故障實(shí)驗(yàn)

使用5 000組測試集數(shù)據(jù),驗(yàn)證集成MSET的故障預(yù)警能力。選擇集成MSET的個(gè)體學(xué)習(xí)器個(gè)數(shù)為3,總的記憶矩陣規(guī)模為3 000,模型在驗(yàn)證集上的RMSE為0.003 6。

圖5 集成MSET方法在測試集上的殘差Fig.5 Residual of ensemble MSET method on test set

由圖5可知,第2500點(diǎn)前,殘差總體的幅值相對較小、超過預(yù)警閾值的數(shù)據(jù)相對較少,可以認(rèn)為齒輪箱的運(yùn)行狀態(tài)相對正常；第2500點(diǎn)后,殘差的波動(dòng)程度相對劇烈、超過預(yù)警閾值的數(shù)據(jù)明顯增多,說明齒輪箱的運(yùn)行狀態(tài)發(fā)生了較大程度的改變。

通過圖5能夠大致判斷齒輪箱的運(yùn)行情況,但由于預(yù)測殘差具有較強(qiáng)的隨機(jī)性,提供給運(yùn)行人員的信息較為雜亂、直觀性差。為改善以上問題,結(jié)合滑動(dòng)窗口法和預(yù)警閾值,設(shè)計(jì)了一種名為滑動(dòng)窗口異常率的狀態(tài)監(jiān)測指標(biāo),具體如下。

對于預(yù)警閾值T1和T2,分別定義一級異常率R1和二級異常率R2:

(11)

式(11)中：M為滑動(dòng)窗口的長度；N1和N2為當(dāng)前滑動(dòng)窗口中,殘差超過預(yù)警閾值T1和T2的數(shù)據(jù)個(gè)數(shù)。

取滑動(dòng)窗口的長度M=1 000,計(jì)算測試集上的滑動(dòng)窗口異常率如圖6所示。

圖6 測試集上的滑動(dòng)窗口異常率Fig.6 Sliding window exception rate on test set

由圖6可知,第1 500個(gè)滑動(dòng)窗口前,異常率相對較小,R1小于6.5%、R2小于2.5%；第1 500～2 500個(gè)滑動(dòng)窗口,異常率不斷上升直至達(dá)到峰值,R1和R2高達(dá)26.0%和15.8%,說明齒輪箱可能發(fā)生了早期故障,導(dǎo)致運(yùn)行狀態(tài)發(fā)生了顯著變化；第2 500個(gè)滑動(dòng)窗口后,異常率的幅值和波動(dòng)情況均有一定程度的回落,但仍顯著高于正常運(yùn)行狀態(tài),R1維持在12.5%以上、R2維持在5.2%以上。根據(jù)異常率的變化曲線,可在第2 500個(gè)滑動(dòng)窗口即故障發(fā)生前10 d左右,判定齒輪箱發(fā)生了較嚴(yán)重的早期故障。

相比圖5的預(yù)測殘差序列,圖6所示的滑動(dòng)窗口異常率曲線平滑度較好，能夠提供清晰、直觀的狀態(tài)監(jiān)測信息,更有利于運(yùn)行人員的分析和決策。

4 結(jié)論

提出了一種基于Bagging集成策略和MSET的狀態(tài)監(jiān)測方法?；谀筹L(fēng)電機(jī)組的實(shí)際運(yùn)行數(shù)據(jù),針對常規(guī)和集成MSET方法進(jìn)行了相關(guān)實(shí)驗(yàn),得到如下結(jié)論。

(1)隨著記憶矩陣規(guī)模的增長,常規(guī)MSET的估計(jì)精度有一定改善,但計(jì)算時(shí)間會發(fā)生大幅度、非線性的增長,嚴(yán)重影響算法的實(shí)時(shí)計(jì)算速度。

(2)隨著MSET個(gè)體學(xué)習(xí)器數(shù)目的增多,集成MSET的估計(jì)精度有所改善且計(jì)算時(shí)間保持線性增長；在估計(jì)精度接近的情況下,集成MSET的計(jì)算時(shí)間僅為常規(guī)方法的60%，實(shí)時(shí)性有顯著改善。

(3)根據(jù)集成MSET的預(yù)測殘差和基于SPC技術(shù)設(shè)計(jì)的預(yù)警閾值,能夠提前約10 d實(shí)現(xiàn)對齒輪箱故障的預(yù)警；基于預(yù)測殘差和預(yù)警閾值構(gòu)造的滑動(dòng)窗口異常率,能夠更直觀、清晰地展現(xiàn)齒輪箱運(yùn)行狀態(tài)的變化情況。