序号

货物名称

规格型号、主要技术参数及标准配置

数量

备注

1

故障预警技术的研究

1. 数据准备。基于风/光设备运行过程历史状态指标参数，针对风/光设备常见故障根据设备运行机理对采集数据进行梳理准备，不局限于如齿轮箱故障、叶片故障等常见故障，进行以便后续选择选择关键状态指标参数；

2. 特征工程。基于特征工程对采样数据进行预处理，如数据归一化、缺失值填充等，基于特征提取算法提取优势特征指标操作，挖掘离散指标数据内蕴藏的深层特征信息，同时采用特征降维算法去除冗余特征，减少特征数据维度；

3. 预测模型建模。基于机器学习技术构建数据驱动型设备异常状态预测模型，建立基于智能分析的设备健康状态预测算法模型，所用算法不局限于常见的神经网络算法、机器学习算法以及数据驱动型创新型算法等；

4. 模型训练。按照一定的分割比例划分整体数据集为训练集和测试集，选取匹配所建模型的优化算法，所选对比优化算法不拘囿于自适应学习率算法、动量梯度算法以及自适应矩估计等；基于训练数据集与优化算法对所建模型参数进行训练优化，获取最优参数模型；

5. 模型测试。基于划分的测试数据集对优化好的状态预测模型性能进行实验测试，选取但不限于准确率、损失等评价指标对模型性能进行量化表征，实现风/光设备异常状态的快速感知预警，提高风/光设备运行过程可靠性。

6、成果指标：技术报告一份。

1套

2

异常溯源技术的研究

1. 数据准备。基于风/光设备上安装的多类型传感器，对设备运行数据进行梳理准备，针对风/光设备常见故障根据设备运行机理选取关键指标数据；

2. 数据处理。对采集到的数据进行清洗以及预处理操作，如去除错误值、重复值和明显异常值等，即根据历史数据对传感器数据中超出合理范围的值进行甄别和处理；

3. 溯源模型建模。基于因果分析方法挖掘异常状态与可能故障原因之间的因果关系，结合风/光设备系统的物理结构等综合因素，建立设备异常类型和潜在故障原因之间的因果推断模型；

4. 模型验证。基于风/光设备实际数据对异常溯源模型有效性进行验证，获取可能的故障源，基于相关性指标对可能故障源进行排序，实现风/光设备典型故障的回溯和设备状态异常原因快速定位。

5.