[发明专利]齿轮箱油温异常自动预警方法及装置

说明书

本发明提供了一种齿轮箱油温异常自动预警方法及装置。该方法包括：通过风电机组的SCADA数据运用从运动恢复结构SFM方法及基于机理分析的特征选择，形成模型训练数据；利用模型训练数据对堆叠自动编码器SAE进行训练；利用完成训练的堆叠自动编码器对齿轮箱进行在线故障预警诊断。本发明提供的齿轮箱油温异常自动预警方法及装置能够利用深度学习模型对齿轮箱的故障进行准确诊断。

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自动预警方法及装置。

背景技术

近年来，大力发展清洁的可再生能源已成为主流。风电机组的故障中，齿轮箱故障占所有风机故障的16.3％，且齿轮箱一旦发生故障其诊断时间最长、经济损失也最大，因此对风机齿轮箱故障诊断与预警逐渐有了更高的要求。

目前，风电机组齿轮箱的状态监测方法主要是基于声音信号、基于振动信号和基于温度信号的监测等，人工智能算法的兴起，给基于温度信号的故障诊断新的发明思路。在机组正常工作的情况下，风机的所有部件和子系统温度均不能超出一定的阈值。异常的温度可能是由于传动装置退化、发电机线圈短路、转子超速等引起的。因此，监测风机部件的温度变化用于风机健康状态的判断是可行的，本发明选用基于温度信号的齿轮箱故障诊断。

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自动预警方法及装置，能够利用深度学习模型对齿轮箱的故障进行准确诊断。

为解决上述技术问题，本发明提供了一种齿轮箱油温异常自动预警方法，所述方法包括：通过风电机组的SCADA数据运用从运动恢复结构SFM方法及基于机理分析的特征选择，形成模型训练数据；利用模型训练数据对堆叠自动编码器SAE进行训练；利用完成训练的堆叠自动编码器对齿轮箱进行在线故障预警诊断。

在一些实施方式中，SCADA数据为齿轮箱正常运行状态下的SCADA数据。

在一些实施方式中，模型训练数据包括：作为模型输入数据的风速、功率、叶轮转速、转子转速、环境温度、机舱温度、绕组温度、齿轮箱高速轴和低速轴温度、电机轴承A温度、电机轴承B温度，以及作为模型输出数据的齿轮箱油温。

在一些实施方式中，利用模型训练数据对堆叠自动编码器SAE进行训练，包括：对齿轮箱的SAE模型进行初始化；通过有限次数的迭代，对SAE模型进行训练；将完成训练的SAE模型进行保存。

在一些实施方式中，有限次数为100次。

在一些实施方式中，还包括：在利用模型训练数据对SAE进行训练之后，利用完成训练的堆叠自动编码器对齿轮箱进行在线故障预警诊断之前，通过对比预测值与实际值之间的残差，对SAE模型进行评估。

在一些实施方式中，通过将实测值与SAE模型进行比对，对SAE模型进行评估，包括：利用混淆矩阵对SAE模型进行评估。

在一些实施方式中，对SAE模型进行评估的评估参数包括：准确率、精确率、召回率、F值、漏报率。

此外，本发明还提供了一种齿轮箱油温异常自动预警装置，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自动预警方法。

采用这样的设计后，本发明至少具有以下优点：

本发明根据风电机组运行特点，采用深度学习堆叠自编码(SAE)算法对齿轮箱进行故障诊断。

附图说明

上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。

图1是神经网络的结构示意图；

图2是自编码器(AE)的网络模型结构图；