[发明专利]基于SCADA数据分析的风机齿轮箱故障检测方法

说明书

本发明公开了工业节能行业技术领域的基于SCADA数据分析的风机齿轮箱故障检测方法，具体包括以下步骤：S1：运用简单有效的算法对风电机组的SDACA数据进行预处理，排除无效数据并合并所有有效数据以生成培训数据集；S2：利用数据挖掘的方法开发基于训练数据集的预测模型；S3：通过预测模型计算出风机组的拟合误差；S4：根据各风机的拟合误差，编制统计过程控制图，给出上下控制限值，如果风机拟合误差的安装误差超过控制限值，齿轮箱故障报警将被激活。利用普通变速箱的数据训练深度神经网络来预测其性能，用正常和异常变速箱的数据对所建立的DNN模型进行了验证，通过拟合误差利用统计过程控制图对齿轮箱的异常行为进行检测，及时发现风机齿轮箱故障情况。

技术领域

本发明涉及工业节能行业技术领域，具体为基于SCADA数据分析的风机齿轮箱故障检测方法。

背景技术

由于风电场的老化，运行和维护(OM)成本变得非常重要。风力发电机组的主要子系统，如齿轮箱、发电机、轴承等是状态监测和故障检测研究中最受关注的部分。如果能够提前检测到故障，从而使运营商有足够的时间调整发电计划并准备更换设备，运营成本将大大降低。由于变速箱占总成本的很大一部分，其故障可能会导致过多的停机时间，本发明需要建立有效的风电齿轮箱监测模型减少过多的停机时间从而降低总成本。

传统的齿轮箱监测方法是在频域分析振动信号。Mohanty等人(2006)利用对当前信号的离散小波变换检测多级变速箱。罗等人(2014)采用谱分析和加速度包络技术提取齿轮损伤特征，采用同步分析法准确检测具体损伤特征。近年来，数据挖掘算法也被引入到齿轮箱的异常性能检测中，Rafiee等人(2007)基于小波包系数的标准差，利用神经网络对不同的齿轮状态进行建模。张等人(2012)将数据挖掘算法与控制图相结合，监测变速箱的振动激励。

由于以往的研究通常需要安装额外的传感器，因此很难获取实际工业应用的振动数据。但是目前连接风力涡轮机和气象站的SCADA系统已在大多数现代风电场中建成，与振动数据相比，SCADA数据在时间域上具有相对便宜和非侵入性的特点。此外，该监测模型可以应用于不同的运行工况。冯等(2013)导出了温度和功率输出之间的稳健关系，并利用SDACA油温预测齿轮箱故障。Gacia等(2006)用神经网络算法模拟了齿轮箱在轴承油温下的正常行为，并应用该模型检测变速箱中的初期异常。王等(2013)采用非线性状态估计技术建立油温模型，并考虑韦尔奇t检验进行故障检测。

本发明利用SCADA数据对变速箱进行了初步研究，并将变速箱油温作为监测目标。但由于齿轮箱油温易受环境影响，测量数据噪声大，所以本发明考虑了一个可供选择的监测目标，即受环境影响较小的齿轮箱润滑油压力，同时采用深度神经网络算法建立齿轮箱润滑油压力预测模型，并引入统计控制图检测风电齿轮箱中存在的异常行为，从而建立基于SCADA系统数据分析的风机齿轮箱故障监测方法。

发明内容

本发明的目的在于提供基于SCADA数据分析的风机齿轮箱故障检测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：基于SCADA数据分析的风机齿轮箱故障检测方法，具体包括以下步骤：

S1：运用简单有效的算法对风电机组的SDACA数据进行预处理，排除无效数据并合并所有有效数据以生成培训数据集；

S2：利用数据挖掘的方法开发基于训练数据集的预测模型；

S3：通过预测模型计算出风机组的拟合误差；

S4：根据各风机的拟合误差，编制统计过程控制图，给出上下控制限值，如果风机拟合误差的安装误差超过控制限值，齿轮箱故障报警将被激活。

3.优选的，所述预测模型以润滑油压力为监测目标，建立变速箱预测模型，包括以下两个阶段：

第一阶段：利用DNN算法建立润滑油压力预测模型；