林志灿1，彭清和2
(1.闽南理工学院实践教学中心,福建 泉州 362700; 2.闽南理工学院光电与机电工程学院，福建 泉州 362700)
摘要：为了提高风机叶片振动异常预测的准确性，解决传统预测方法中的计算时间过长、局限于特定类型等问题，提出了一种基于时频分析特征数据的增量深度学习的预测方法.通过利用采集风机叶片的振动信号，采用时频分析方法提取振动信号的特征参数，然后建立增量深度学习模型以及CNN异常诊断器，从而实现风力涡轮机叶片的振动异常预测，同时保证模型具备自学习和自更新能力.基于风机叶片实际采集数据进行模型对比实验，验证了所提出方法的有效性.研究结果表明所提出方法均方根误差小于0.142，有效预测了风机叶片振动异常.
关键词：深度学习；风机能源；异常预测；增量学习；时频特征
中图分类号：TM315
文献标识码：A
文章编号:1673-2103（2023）05-0045-05
收稿日期：2023-08-08
基金项目：福建省教育厅中青年科研项目（JAT190886）
作者简介：林志灿(1985—)，男，福建泉州人，讲师，硕士，研究方向:人工智能，图像识别，算法研究.
