[发明专利]风电机组齿轮箱轴温异常智能诊断方法及装置

权利要求书

1.一种风电机组齿轮箱轴温异常智能诊断方法，其特征在于，包括：

根据与齿轮箱轴温之间的相关性大小，确定特征变量；

根据已选取的特征变量参数，基于机器学习和深度学习的多个算法构建机组正常运行模型；

根据构建的机组正常运行模型对轴温异常进行智能诊断。

2.根据权利要求1所述的风电机组齿轮箱轴温异常智能诊断方法，其特征在于，根据已选取的特征变量参数，基于机器学习和深度学习的多个算法构建机组正常运行模型，包括：

根据机组运行工况将选取的特征变量参数区分为不同的工况；

选取不同类型的回归预测模型作为候选模型，并通过网格搜索法确定各模型的最优参数，选择最优的回归模型；

利用3σ法对模型训练过程中测试集得到的残差来确定残差阈值。

3.根据权利要求2所述的风电机组齿轮箱轴温异常智能诊断方法，其特征在于，不同类型的回归预测模型包括：Random Forest、Adaboost、GBDT、KNN回归预测模型。

4.根据权利要求1所述的风电机组齿轮箱轴温异常智能诊断方法，其特征在于，还包括：

在根据与齿轮箱轴温之间的相关性大小，确定特征变量之前，获取风电机组SCADA数据源。

5.根据权利要求4所述的风电机组齿轮箱轴温异常智能诊断方法，其特征在于，风电机组SCADA数据源包括：10分钟数据、1分钟数据、秒级数据及故障录波的毫秒级数据。

6.根据权利要求2所述的风电机组齿轮箱轴温异常智能诊断方法，其特征在于，通过网格搜索法确定各模型的最优参数，选择最优的回归模型，包括：

根据模型准确率、精准度确定最优的回归模型。

7.根据权利要求6所述的风电机组齿轮箱轴温异常智能判断方法，其特征在于，确定最优的回归模型过程中，使用的模型评价指标包括：平均绝对误差、平均方差、R平方值、标准误差。

8.根据权利要求2所述的风电机组齿轮箱轴温异常智能诊断方法，其特征在于，不同的工况包括：最大风能捕获区，以及恒功率运行区。

9.根据权利要求1所述的风电机组齿轮箱轴温异常智能诊断方法，其特征在于，确定的特征变量包括：风速、发电机有功功率、发电机转速、舱内温度、齿轮箱油温、齿轮箱高速轴驱动端轴承温度、齿轮箱高速轴非驱动端轴承温度、发电机非驱动端轴承温度、发电机驱动端轴承温度。

10.一种风电机组齿轮箱轴温异常智能诊断装置，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1至9任意一项所述的风电机组齿轮箱轴温异常智能诊断方法。