[发明专利]齿轮箱油温异常智能诊断方法及装置

说明书

本发明提供了一种齿轮箱油温异常智能诊断方法及装置。该方法包括：根据机组运行数据将风电机组的运行工况划分为不同工况；选取Random Forest、Adaboost、GBDT、KNN回归预测模型作为候选模型；通过选取的评估指标，在不同工况对候选模型进行评估，根据评估结果由候选模型中选取预测模型；利用容器技术部署预测模型，并利用部署的预测模型对油温异常进行预测。本发明提供的齿轮箱油温异常智能诊断方法及装置能够根据油温变化给出对风机健康状态的准确判断。

技术领域

本发明涉及风力发电技术领域，特别是涉及一种齿轮箱油温异常智能诊断方法及装置。

背景技术

伴随经济的发展，全球能源危机环境危机日益凸显，风能以其成本低、清洁安全、可再生等优势越来越受到世界各国的重视，成为当前世界上发展最快的可再生能源。风电机组齿轮箱作为变速机构，长期受到交变载荷和冲击载荷作用，容易造成齿轮磨损、点蚀和轴承表面损伤等故障，因此齿轮箱故障在风电机组机械类故障中所占比例较高。齿轮箱油温高导致的机组限功率运行、故障停机等问题突出，困扰着各个风电场，严重影响了机组的发电量和风电场收益。

因此，对齿轮箱油温进行分析，识别齿轮箱油温的异常变化，可以提前感知到风电机组齿轮箱故障特别是附属部件故障的早期征兆。温度信号指示风电机组各部件运行健康与否，所有组件和子系统温度及温升均有规律可循，风机部件的温度变化能用于风机健康状态的判断。

发明内容

本发明要解决的技术问题是提供一种齿轮箱油温异常智能诊断方法及装置，能够根据油温变化给出对风机健康状态的准确判断。

为解决上述技术问题，本发明提供了一种齿轮箱油温异常智能诊断方法，所述方法包括：根据机组运行数据将风电机组的运行工况划分为不同工况；选取Random Forest、Adaboost、GBDT、KNN回归预测模型作为候选模型；通过选取的评估指标，在不同工况对候选模型进行评估，根据评估结果由候选模型中选取预测模型；利用容器技术部署预测模型，并利用部署的预测模型对油温异常进行预测。

在一些实施方式中，还包括：在根据机组运行数据将风电机组的运行工况划分为不同工况之前，准备机组运行数据。

在一些实施方式中，机组运行数据包括：SCADA运行数据、故障检修记录和机组技术规格文档。

在一些实施方式中，还包括：在根据机组运行数据将风电机组的运行工况划分为不同工况之前，准备机组运行数据之后，采用pearson相关性分析法和风电机组设计机理因果分析结合方法，选取相关性大于预定阈值的指标。

在一些实施方式中，还包括：在根据机组运行数据将风电机组的运行工况划分为不同工况之前，采用pearson相关性分析法和风电机组设计机理因果分析结合方法，选取相关性大于预定阈值的指标之后，进行异常值处理、缺失值处理，及重复值处理。

在一些实施方式中，异常值处理包括：依据风电机组技术规格文档及风机维护经验提供的指标正常值范围进行阈值识别。

在一些实施方式中，不同工况包括：待启动区、最大风能捕获区、恒功率运行区、大风切出区。

在一些实施方式中，评估指标包括：平均绝对误差。

在一些实施方式中，利用部署的预测模型对油温异常进行预测，包括：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。

此外，本发明还提供了一种齿轮箱油温异常智能诊断装置，所述装置包括：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前文所述的齿轮箱油温异常智能诊断方法。

采用这样的设计后，本发明至少具有以下优点：