[发明专利]一种多视角融合风电齿轮箱轴承剩余寿命预测方法

说明书

本发明提出了一种多视角融合的风电齿轮箱轴承寿命预测方法，属于风电齿轮箱轴承剩余寿命预测技术领域，该方法直接从原始振动时域信号出发，采用傅里叶变换和连续小波变换方法，获取时域、频域、时频域三种不同视角的同源信号；同时针对多视角输入信息，设计多尺度卷积神经网络模块，通过在特征维度级联的方式，获得多尺度退化特征，上述技术手段从三种不同视角丰富了原始振动信号所包含的信息，并通过多尺度特征提取方法对多视角信息进行融合，因此能够提取更为完整的轴承退化信息，与传统的基于振动信号的深度学习寿命预测模型相比，本发明能够提高预测精度，为风电齿轮箱轴承剩余寿命预测领域提供了新的途径。

技术领域

本发明涉及风力发电机齿轮箱轴承剩余寿命预测技术领域，尤其是一种多视角融合风电齿轮箱轴承剩余寿命预测方法。

背景技术

齿轮传动系统是大型风电双馈机组的关键组成部分。齿轮箱作为风电传动系统的核心部件，其运行的健康状态直接关系到整个风电机组的发电效率和运行平稳性。此外，由于风电齿轮箱长期处于复杂多变的交变载荷下，齿轮箱内关键部件如轴承、齿轮等极易发生磨损、断裂，严重时会导致整个机组停机，造成严重的经济损失。因此，对齿轮箱核心部件进行及时、准确的健康状态评估，预测其剩余使用寿命，能够及时发现齿轮箱运行过程中的潜在问题，便于及时对部件进行维护、更换，防止风机出现不必要的停机损失和维修费用，具备重要现实价值和应用价值。

目前，风电齿轮箱轴承的剩余寿命预测方法主要分为基于物理模型的方法和基于数据驱动的方法，其中，基于物理模型的方法，需要对特定设备进行物理建模，依赖于专家先验知识和建模过程中的简化假设，在一定程度上限制了风电齿轮箱轴承剩余寿命预测精度。随着传感器技术和信息处理技术的发展，基于数据驱动的方法通过大量的状态检测数据进行建模，无需专家先验知识，成为目前工业界和学术界的主流研究方向。在基于数据驱动的风电齿轮箱轴承剩余寿命预测方法中，基于深度学习的方法，以其能够充分利用大量的状态监测数据，挖掘高维特征，引发了工业界和学术界的广泛关注，并已成功应用于各种特征学习和模式识别任务中。

现有的基于深度学习的风电齿轮箱轴承剩余寿命预测方法大多数仅利用单一时域视角下的振动信号，作为网络模型的输入，忽略了振动信号在频域上以及时频域上的退化关联信息，限制了风电齿轮箱轴承剩余寿命预测精度的提高。

发明内容

本发明需要解决的技术问题是提供能够有效的提高风电齿轮箱轴承剩余寿命预测精度，具有工程实用价值的剩余寿命预测方法。

为解决上述问题，本发明提供了一种多视角融合的风电齿轮箱剩余寿命预测方法，其包括以下步骤：

步骤S1：采集风电齿轮箱原始振动信号的传感器监测数据，并进行数据预处理，得到原始时域信号；

步骤S2：将所述原始时域信号通过傅里叶变换方法获得与该原始时域信号同源的频域信号，将所述原始时域信号通过连续小波变换方法获得与该原始时域信号同源的时频域信号；

步骤S3：设计多尺度深度卷积神经网络模块，将所述原始时域信号、频域信号、时频域信号输入到所述多尺度深度卷积网络中自适应学习多尺度退化特征；

步骤S4：将步骤S3获取的多视角退化特征输入到寿命预测回归器中进行预测获取最终的轴承剩余使用寿命；

其中，所述风电齿轮箱为大型双馈风力发电机组齿轮箱。

进一步的，所述步骤S1包括如下具体步骤：

步骤S11、采集风电齿轮箱原始振动信号的传感器监测数据；

步骤S12、将采集得到的原始振动信号利用滑动窗技术按照采样时间分割成若干个长度为N的无重叠片段，得到所述原始时域信号。

进一步的，所述步骤S2包括如下具体步骤：

步骤S21、采用傅里叶变换方法，将原始时域信号转换为频域信号，公式如下：