基于t-SNE多特征融合的风力机塔架异常检测方法

doi:doi:10.19912/j.0254-0096.tynxb.2024-0811

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于t-SNE多特征融合的风力机塔架异常检测方法

更新时间：2025-10-22

- 基于t-SNE多特征融合的风力机塔架异常检测方法
- Vol. 46, Issue 9, Pages: 91-97(2025)
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-0811
  CLC： TK83
- Published Online：14 October 2025，
  
  Published：2025
- 稿件说明：
移动端阅览
[J]. 2025, 46(9): 91-97.
DOI：

[J]. 2025, 46(9): 91-97. DOI： doi:10.19912/j.0254-0096.tynxb.2024-0811.

摘要

针对风力发电机塔架的异常状态识别问题

根据监测的结构响应信号

提出一种基于t-分布随机邻域嵌入（t-SNE）多特征融合的结构异常检测方法。该方法通过估计信号的时域、频域和时频域统计指标

提取塔架的高维特征向量;利用t-SNE算法进行降维融合

得到数据在低维空间的可视化表达;采用聚类算法分析数据状态

构建异常指标定量分析

实现结构异常检测。对风力机塔架在台风期与地震期的工程实际应用表明

所提方法可清晰地识别出因环境因素变化所引起的结构响应异常。

Abstract

An anomaly detection method based on multi-feature fusion and t-distributed stochastic neighbor embedding （t-SNE） is proposed to identify the abnormal state of wind turbine towers based on monitored structural response signals. The method involves evaluating the time domain

frequency domain

and time-frequency domain statistical indicators of the monitored structure response signals to extract high-dimensional multi-feature vectors. The t-SNE algorithm is used for dimensionality reduction and fusion to obtain a visual representation of the data in a low-dimensional space. The -means clustering algorithm is employed to analyze the data state

and a quantitative analysis of the anomaly index is then constructed to realize structural anomaly detection. The proposed method has been successfully applied to engineering applications of wind turbine towers during typhoon and earthquake periods

demonstrating its effectiveness in detecting abnormal structural responses caused by environmental changes.

关键词

Keywords

references

陈中培, 邱宇舟, 钱进, 等. 海上风电装备产业基地生产设施设计[J]. 船舶与海洋工程, 2024, 40(1): 20-25.

李万润, 郭赛聪, 张广隶, 等. 考虑风速风向联合概率分布的风电塔筒结构风致疲劳寿命评估[J]. 太阳能学报, 2022, 43(5): 278-286.

章培, 唐友刚, 李焱, 等. 基于多目标遗传算法的海上铰接式风力机塔架结构参数优化[J]. 太阳能学报, 2023, 44(8): 460-466.

李学平, 刘伟江, 周民强, 等. 风力发电机组塔架振动异常分析与优化[J]. 噪声与振动控制, 2020, 40(1): 69-73.

苏连成, 朱娇娇, 郭高鑫, 等. 基于LSTM的塔架振动状态监测研究[J]. 燕山大学学报, 2022, 46(5): 437-445.

CASTELLANI F, GARIBALDI L, DAGA A P, et al.Diagnosis of faulty wind turbine bearings using tower vibration measurements[J]. Energies, 2020, 13(6): 1474.

殷秀丽, 谢丽蓉, 杨欢, 等. 特征选择与t-SNE结合的滚动轴承故障诊断[J]. 机械科学与技术, 2023, 42(11): 1784-1793.

郑坚钦, 杜渐, 梁永图, 等. 基于CAE-TSNE的成品油管道运行工况识别[J]. 石油科学通报, 2024, 9(1): 148-157.

曹康栖, 李灿. 基于WPD-tSNE-SVM方法的电站机组主轴故障诊断分析[J]. 机械制造与自动化, 2023, 52(6): 226-228.

王莉娟. 时域-频域-MEWMA算法在风机发电机轴承监测中的应用[J]. 无线互联科技, 2022, 19(15): 86-88, 136.

林水泉. 频域分析在风力机轴承故障诊断上的应用[J]. 广东化工, 2020, 47(23): 104-107.

常凯, 许敬能, 吴启东, 等. 基于小波包分解与半监督生成对抗网络的轴流通风机故障诊断[J]. 电力科学与工程, 2023, 39(11): 22-31.

ANOWAR F, SADAOUI S, SELIM B.Conceptual and empirical comparison of dimensionality reduction algorithms (PCA, KPCA, LDA, MDS, SVD, LLE, ISOMAP, LE, ICA, t-SNE)[J]. Computer science review, 2021, 40: 100378.

IKOTUN A M, EZUGWU A E, ABUALIGAH L, et al.K-means clustering algorithms: a comprehensive review, variants analysis, and advances in the era of big data[J]. Information sciences, 2023, 622: 178-210.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

No data

Related Author

杨海能

唐杰

邵武

刘白杨

陈日恒

刘小峰

李俊锋

柏林

Related Institution

School of Civil Engineering, Central South University

School of Civil Engineering, Hunan University of Science and Technology

Huanyu High-tech Co., Ltd.

School of Artificial Intelligence, Hebei University of Technology

School of Electrical Engineering, Hebei University of Technology

AI问答

⁰