[发明专利]风力发电机轴承剩余使用寿命预测模型的构建方法

说明书

本发明涉及风力发电机轴承剩余使用寿命预测模型的构建方法，具体为基于长短时记忆网络的风力发电机轴承剩余使用寿命预测模型的构建方法。本发明的目的在于利用深度学习中的长短期记忆网络，给出基于长短期记忆网络的风力发电机轴承剩余使用寿命预测模型的构建方法，进而实现风力发电机轴承剩余使用寿命的预测。本发明提出的方法可以大大提高剩余使用寿命预测的准确性，易于实现现有各型号的风力发电机轴承的剩余使用寿命预测。本发明所述方法由如下步骤实现：步骤1、采集轴承振动数据；步骤2、数据预处理；步骤3、构建长短期记忆网络并配置网络参数、指定训练选项；步骤4、训练网络；步骤5、预测模型的验证。

技术领域

本发明涉及风力发电机轴承剩余使用寿命预测模型的构建方法，具体为基于长短时记忆网络的风力发电机轴承剩余使用寿命预测模型的构建方法。

背景技术

风能是一种具有巨大潜力的可再生能源，得到了世界各国的广泛关注。风力发电有助于解决经济社会发展与环境污染之间的矛盾，因此在调整能源结构方面起到重要的作用。风力发电系统一般主要包括风力发电机、齿轮箱、叶片、功率变换器等部件，其中风力发电机是风力发电系统的核心部件，实现机械能到电能的转换。风力发电机大多安装在海上、高原、山区等偏远、恶劣环境中，运行工况极端苛刻，造成风力发电机零部件的性能容易退化。目前，随着风力发电的装机容量不断增加，风力发电机轴承故障导致的损失也日益增加。确保风电机组稳定、安全、可靠的运行成为风力发电行业面临的首要问题。

剩余使用寿命预测，也称为剩余服役寿命预测，是指设备在规定的运行工况下，能够保证机器安全、可靠运行的时间。 及时了解设备的剩余使用寿命，是减少生产损失的重要方法，可以节省全寿命周期的维护成本。由于风力发电机轴承是风力发电机组的主要故障源之一，因此，对风力发电机轴承的剩余使用寿命进行预测，将保证机组安全可靠的运行、降低严重事故导致的停机，从而提高机组运行的经济性。随着全球风力发电产业的快速发展，风力发电机组的故障诊断和剩余使用寿命预测技术将越来越重要。

人工智能（Artificial Intelligence，AI）是指以机器为载体，模拟、延伸和扩展人类或其他生物的智能，使机器能胜任通常需要人类智能才能完成的复杂工作。人工智能具有多学科综合、高度复杂的特征以及渗透力和支撑力强等特点。当前人工智能迎来以深度学习技术为代表的第三次发展浪潮，正在引领新一轮科学技术革命和产业变革。人工智能以及相关技术的发展和产业应用对于全球人类的生活、经济和政治正在产生重大而深远的影响。

机器学习是人工智能研究的核心问题之一，是当前人工智能理论研究和实际应用最重要的领域。机器学习研究机器如何模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构并不断改进自身的性能。深度学习是机器学习的一个重要类型，深度学习模型直接从图像、文本或声音中自动学习有效的特征表示来执行分类或者回归任务。深度学习是通过多层的特征转换，把原始数据变成为更高层次、更抽象的表示。通常使用各种神经网络架构实现深度学习，网络中的层数越多，网络越深。传统的神经网络只包含 2 层或 3 层，而深度网络可能有几百层。随着模型深度的不断增加，其特征表示的能力也越来越强，从而使后续的预测更加容易。应用于机器健康监测领域的深度学习架构主要包括自动编码器（Auto-encoder，AE）、深度信念网络（Deep Belief Network，DBN）、卷积神经网络（Convolutional Neural Network，CNN）、递归神经网络（Recurrent NeuralNetwork，RNN），以及以上四种深层体系结构的变体。

长短期记忆网络（Long Short Term Memory Network，LSTM）是一种特殊的 RNN类型，可以学习长期依赖信息。LSTM擅长于处理振动、声音等序列数据，可以有效应用于风力发电机轴承的剩余使用寿命预测。