CN105787561A - 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 - Google Patents

Abstract

本发明实施例提供一种循环神经网络模型构建方法、齿轮箱故障检测方法和装置。所述模型构建方法包括：获取多种风电机组的运行数据作为样本数据，并从该样本数据中提取在齿轮箱出现故障前后变化的差值大于固定阈值的一种数据作为输出变量；提取在齿轮箱出现故障前固定时长内的多种样本数据，并将其中与输出变量相关的至少一种数据作为输入变量；将该输出变量以及该输入变量作为训练样本数据采用循环神经网络进行学习，从而构建循环神经网络模型。采用本发明实施例，可以提高预判出的齿轮箱运行故障的准确率。

Description

循环神经网络模型构建方法、齿轮箱故障检测方法和装置

技术领域

本发明涉及风力发电技术，尤其涉及一种循环神经网络模型构建方法、齿轮箱故障检测方法和装置。

背景技术

齿轮箱是风电机组中的重要组成部分，风电机组通过齿轮箱将风吹动叶轮的低转速动能转换为高转速动能，从而提高风电机组的发电效率，如果齿轮箱发生故障，则会导致风电机组停机，因此，对齿轮箱的故障检测成为需要解决的重要问题。

通常，对齿轮箱故障的检测是通过单一数据进行的，例如，基于温度数据对齿轮箱是否发生故障进行检测，具体地，采集风电机组实时运行的温度数据，对温度数据进行预处理，并通过回归分析方法对温度数据进行单步预测，得到实际值与预测值之间的差值，基于该差值进一步判断齿轮箱是否发生故障。

然而，通过上述单一数据(如温度数据)的方式对齿轮箱是否发生故障进行检测的处理，其判别出的齿轮箱运行状态的准确率较低。

发明内容

本发明的目的在于，提供一种循环神经网络模型构建方法、基于循环神经网络模型的齿轮箱故障检测方法，以及实现上述方法的装置，通过采集的风电机组的运行数据，并基于上述运行数据构建用于对齿轮箱是否发生故障进行检测的循环神经网络模型，并使用该循环神经网络模型对风电机组齿轮箱的运行状态进行实时监测，从而提高预判出的齿轮箱运行故障的准确率。

根据本发明的一方面，提供一种循环神经网络模型构建方法。所述方法包括，获取多种风电机组的运行数据作为样本数据，并从所述样本数据中提取在齿轮箱出现故障前后变化的差值大于固定阈值的一种数据作为输出变量；提取在所述齿轮箱出现故障前固定时长内的多种样本数据，并将其中与所述输出变量相关的至少一种数据作为输入变量；将所述输出变量以及所述输入变量作为训练样本数据采用循环神经网络进行学习，从而构建所述循环神经网络模型。

优选地，所述提取在所述齿轮箱出现故障前固定时长内的多种样本数据，并将其中与所述输出变量相关的至少一种数据作为输入变量的处理包括：根据经验，从所述齿轮箱出现故障前固定时长内的样本数据中指定至少一种数据作为输入变量；或者，根据相关系数分析算法确定与所述输出变量相关的至少一种输入变量。

优选地，所述根据相关系数分析算法确定与所述输出变量相关的至少一种输入变量的处理包括：根据相关系数分析算法，计算所述齿轮箱出现故障前固定时长内的所有样本数据与所述输出变量的相关度数值；将大于预定相关度阈值的相关度数值对应的样本数据作为所述输入变量。

优选地，所述根据相关系数分析算法，计算所述齿轮箱出现故障前固定时长内所述样本数据中各数据与所述输出变量的相关度数值之前还包括：对所述齿轮箱出现故障前固定时长内的所有样本数据进行数据清洗处理。

优选地，所述样本数据包括：功率、转速、齿轮箱的轴承温度、齿轮箱油温、齿轮箱油压、机舱温度和/或塔筒振动频率。

根据本发明的另一方面，提供一种基于上述的方法构建的循环神经网络模型的齿轮箱故障检测方法。所述方法包括，获取多种风电机组的运行数据，并从中提取至少一种预定的相关的数据作为输入变量输入至所述循环神经网络模型中，并得到输出变量值；从所述运行数据中提取与所述输出变量对应的数据的数据值，并根据所述数据值与所述输出变量值确定所述齿轮箱是否发生故障。

优选地，从中提取至少一种预定的相关的数据作为输入变量输入至循环神经网络模型中，并得到输出变量值之前还包括：对所述相关的数据进行数据清洗处理。

优选地，所述根据所述数据值与所述输出变量值确定所述齿轮箱是否发生故障的处理包括：如果所述数据值与所述输出变量值的差值小于或等于预定阈值，则确定所述齿轮箱发生故障；或者，采用误差分析法对所述数据值与所述输出变量值进行计算，从而确定所述齿轮箱是否发生故障。

优选地，所述误差分析法为马氏距离算法。

优选地，所述采用误差分析法对所述数据值与所述输出变量值进行计算，从而确定所述齿轮箱是否发生故障的处理包括：计算所述数据值和所述输出变量值的差值；计算由所述差值和所述数据值构成的组合矩阵的平均值和协方差，得到均值矩阵和方差矩阵；根据所述组合矩阵、所述均值矩阵和所述方差矩阵计算得到马氏距离，并根据所述马氏距离是否处于所述循环神经网络模型对应的输出阈值区间内，确定所述齿轮箱是否发生故障。

优选地，所述运行数据包括：功率、转速、齿轮箱的轴承温度、齿轮箱油温、齿轮箱油压、机舱温度和/或塔筒振动频率。

根据本发明的又一方面，提供一种循环神经网络模型构建装置。所述装置包括：输出变量提取模块，用于获取多种风电机组的运行数据作为样本数据，并从所述样本数据中提取在齿轮箱出现故障前后变化的差值大于固定阈值的一种数据作为输出变量；输入变量提取模块，用于提取在所述齿轮箱出现故障前固定时长内的多种样本数据，并将其中与所述输出变量相关的至少一种数据作为输入变量；模型构建模块，用于将所述输出变量以及所述输入变量作为训练样本数据采用循环神经网络进行学习，从而构建所述循环神经网络模型。

优选地，所述输入变量提取模块用于：根据经验，从所述齿轮箱出现故障前固定时长内的样本数据中指定至少一种数据作为输入变量；或者，根据相关系数分析算法确定与所述输出变量相关的至少一种输入变量。

优选地，所述输入变量提取模块包括：相关度计算单元，用于根据相关系数分析算法，计算所述齿轮箱出现故障前固定时长内的所有样本数据与所述输出变量的相关度数值；输入变量获取单元，用于将大于预定相关度阈值的相关度数值对应的样本数据作为所述输入变量。

优选地，所述装置还包括：清洗模块，用于对所述齿轮箱出现故障前固定时长内的所有样本数据进行数据清洗处理。

根据本发明的又一方面，提供一种基于上述的方法构建的循环神经网络模型的齿轮箱故障检测装置。所述装置包括：输出变量计算模块，用于获取多种风电机组的运行数据，并从中提取至少一种预定的相关的数据作为输入变量输入至所述循环神经网络模型中，并得到输出变量值；故障确定模块，用于从所述运行数据中提取与所述输出变量对应的数据的数据值，并根据所述数据值与所述输出变量值，确定所述齿轮箱是否发生故障。

优选地，所述装置还包括：清洗模块，用于对所述相关的数据进行数据清洗处理。

优选地，所述故障确定模块用于：如果所述数据值与所述输出变量值的差值小于或等于预定阈值，则确定所述齿轮箱发生故障；或者，采用误差分析法对所述数据值与所述输出变量值进行计算，从而确定所述齿轮箱是否发生故障。

优选地，所述误差分析法为马氏距离算法。

优选地，所述故障确定模块，用于计算所述数据值和所述输出变量值的差值；计算由所述差值和所述数据值构成的组合矩阵的平均值和协方差，得到均值矩阵和方差矩阵；根据所述组合矩阵、所述均值矩阵和所述方差矩阵计算得到马氏距离，并根据所述马氏距离是否处于所述循环神经网络模型对应的输出阈值区间内，确定所述齿轮箱是否发生故障。

根据本发明实施例提供的循环神经网络模型构建方法、齿轮箱故障检测方法和装置，通过采集的风电机组的运行数据，从中确定出相应的输出变量，并从运行数据中提取与该输出变量相关的输入变量，并基于上述输入变量和输出变量构建用于对齿轮箱是否发生故障进行检测的循环神经网络模型，并使用该循环神经网络模型对风电机组齿轮箱的运行状态进行实时监测，从而避免了使用单一数据导致判断出的齿轮箱运行故障准确率较低的问题。

附图说明

图1是示出根据本发明实施例一的循环神经网络模型构建方法的一个流程图；

图2是示出根据本发明实施例二的循环神经网络模型构建方法的另一个流程图；

图3是示出根据本发明实施例三的基于循环神经网络模型的齿轮箱故障检测方法的一个流程图；

图4是示出根据本发明实施例四的基于循环神经网络模型的齿轮箱故障检测方法的另一个流程图；

图5是示出根据本发明实施例五的循环神经网络模型构建装置的一个逻辑框图；

图6是示出根据本发明实施例五的循环神经网络模型构建装置的另一个逻辑框图；

图7是示出根据本发明实施例六的基于循环神经网络模型的齿轮箱故障检测装置的一个逻辑框图；

图8是示出根据本发明实施例六的基于循环神经网络模型的齿轮箱故障检测装置的另一个逻辑框图。

具体实施方式

本方案的发明构思是，通过采集的风电机组的运行数据，确定出相应的输出变量，以及与该输出变量相关的输入变量，并基于上述输入变量和输出变量构建用于对齿轮箱是否发生故障进行检测的循环神经网络模型，并使用该循环神经网络模型对风电机组齿轮箱的运行状态进行实时监测，从而提高预判出的齿轮箱运行故障的准确率。

下面结合附图详细描述本发明的示例性实施例。

实施例一

图1是示出根据本发明实施例一的循环神经网络模型构建方法的流程图。通过包括如图5所示的装置执行该方法。

参照图1，S110，获取多种风电机组的运行数据作为样本数据，并从该样本数据中提取在齿轮箱出现故障前后变化的差值大于固定阈值的一种数据作为输出变量。

其中，运行数据可以包括如风电机组的功率、转速、齿轮箱的轴承温度、机舱温度、塔筒振动频率、齿轮箱的油压和齿轮箱的油温等。齿轮箱是风电机组中的重要组件，主要用于将风电机组的叶轮的低转速转换为高转速以得到较大的动能，提高风电机组的发电效率，因此如果齿轮箱出现故障，则风电机组的发电效率降低甚至会使得风电机组停机。

具体地，风电机组中通常安装有多种传感器，如温度传感器、振动传感器和转速传感器等，可以通过数据采集与监视控制系统(即SCADA)控制各个传感器的数据采集操作，当需要采集某数据时，可以通过SCADA向相应的传感器发送数据采集指令，传感器响应该数据采集指令，并采集相应的数据发送给风电机组的控制系统，风电机组可以将采集的数据存储。当需要检测齿轮箱是否发生故障时，可以基于当前存储的数据构建可以用于对风电机组齿轮箱是否发生故障进行检测的循环神经网络模型，以便后续实时对齿轮箱的正常和失效状态进行检测。由于齿轮箱在出现故障前和出现故障后某种或多种相关的样本数据会发生剧烈的变化，具体可表现为齿轮箱发生故障前后变化的差值大于固定阈值，例如，固定阈值可以为15，进一步地，如果齿轮箱的油温由20℃降低到1℃，则变化的差值为19℃，且19>15，因此，可以通过上述方式在样本数据中选择一种在发生故障前后发生变化最剧烈(如果有多种数据的变化超出固定阈值，则选择超出最多的那一种数据)的一种数据作为待建循环神经网络的输出变量。

S120，提取在齿轮箱出现故障前固定时长内的多种样本数据，并将其中与该输出变量相关的至少一种数据作为输入变量。

其中，固定时长可以根据实际情况设定，为了提高循环神经网络模型的可信度，可以将固定时长设置的尽可能大，可以从一个月到两年不等。

一般地，某些不同的数据之间会存在一定的相关性，因此可以通过根据对在发生故障前的大量数据的统计经验预先确定出与上述输出变量数据相关的至少一种数据作为待建循环神经网络的输入变量，或者通过预定的相关系数分析算法确定与输出变量数据密切相关的至少一种数据作为输入变量。

S130，将该输出变量以及该输入变量作为训练样本数据采用循环神经网络进行学习，从而构建循环神经网络模型。

其中，循环神经网络模型通常可由三层结构组成，即输入层、隐藏层和输出层，隐藏层还可以由多层的子隐藏层构成，本实施例中的循环神经网络可采用一层隐藏层，并且该隐藏层中可包含有20个神经元。

具体地，通过上述S110和S120的处理得到相应的输出变量和输入变量后，可以将该输出变量和输入变量输入到循环神经网络中进行学习。在学习的过程中，如果循环的延迟时间为1，且t时刻的输出变量需要t时刻的输入变量与t-1时刻的输出变量共同作用，即将t时刻的输入变量和t-1时刻的输出变量输入到循环神经网络中进行学习，进而确定出隐藏层中包含的20个神经元的数据，这样，待建循环神经网络模型中的输入层(包含上述输入变量)、输出层(包含上述输出变量)和隐藏层都已被确定，从而构建出可以应用于对风电机组齿轮箱是否发生故障进行检测的循环神经网络模型。

本发明实施例提供的循环神经网络模型构建方法，通过采集的风电机组的运行数据，从中确定出相应的输出变量，并从运行数据中提取与该输出变量相关的输入变量，并基于上述输入变量和输出变量构建用于对齿轮箱是否发生故障进行检测的循环神经网络模型，以便后续使用该循环神经网络模型对风电机组齿轮箱的运行状态进行实时监测，从而避免了使用单一数据导致判断出的齿轮箱运行故障准确率较低的问题。

实施例二

图2是示出根据本发明实施例二的循环神经网络模型构建方法的流程图，该实施例可视为图1的又一种具体的实现方案。

参照图2，S210，获取多种风电机组的运行数据作为样本数据，并从该样本数据中提取在齿轮箱出现故障前后变化的差值大于固定阈值的一种数据作为输出变量。

上述S210的步骤内容与上述实施例一中的S110的步骤内容相同，在此不再赘述。

S220，对齿轮箱出现故障前固定时长内的所有样本数据进行数据清洗处理。

具体地，通过上述S210的处理可以确定风电机组齿轮箱出现故障的时间点，可以从该样本数据中提取出该时间点之前固定时长的样本数据。为了降低由于传感器故障所产生的错误数据对后续构建的循环神经网络模型的影响，可以对上述得到的该时间点之前固定时长的样本数据进行清洗，从而除去该样本数据中的错误数据，得到有效的样本数据。

此外，输入变量的确定方式可以包括多种，如根据经验，从齿轮箱出现故障前固定时长内的样本数据中指定至少一种数据作为输入变量；或者，根据相关系数分析算法确定与输出变量相关的至少一种输入变量，以下对其中的一种方式进行详细说明，具体可参见以下S230和S240。其中步骤S230和S240可以为上述实施例一中步骤S120的细化，具体如下：

S230，根据相关系数分析算法，计算齿轮箱出现故障前固定时长内的所有样本数据与该输出变量的相关度数值。

其中，相关系数分析算法可以包括多种算法，例如皮尔逊相关系数算法等。

具体地，以皮尔逊相关系数算法为例，可以从清洗后的齿轮箱出现故障前固定时长的样本数据中选取任一种样本数据，可以将该种样本数据和该输出变量代入到皮尔逊相关系数算法中进行计算，例如，从样本数据中选取的一种样本数据为u，输出变量v，则将上述两数据代入到皮尔逊相关系数算法中，即

$r_{u,v}=\frac{\mathrm{\Σ}(u-\stackrel{\‾}{u})(v-\stackrel{\‾}{v})}{\sqrt{\mathrm{\Σ}{(u-\stackrel{\‾}{u})}^2{(v-\stackrel{\‾}{v})}^2}}...\left(1\right)$

计算得到样本数据u和输出变量v的相关度数值r_u,v，其中，为样本数据u的平均值，为输出变量v的平均值。通过上述方式可以计算得到样本数据中各数据与输出变量v的相关度数值。

S240，将大于预定相关度阈值的相关度数值对应的样本数据作为该输入变量。

其中，相关度阈值可以根据实际情况进行设定，例如，相关度阈值可以为0.8等，需要说明的是，相关度阈值可以是预先设定的一个数值，也可以是多个数值，如(0.5，0.6，0.7，0.8，0.9)或数值区间[0.5，0.9]等，对于多个数值的情况，相关度阈值可以根据计算得到的相关度数值确定，即可以根据计算得到的相关度数值的具体情况动态调整相关度阈值的大小(如由上述的0.8调整到0.9等)，从而可以防止如无输入变量或输入变量过多等现象发生。输入变量可以包括风电机组的功率、转速、齿轮箱的轴承温度、齿轮箱的油压和齿轮箱的油温等。

具体地，可以将计算得到的样本数据中各数据与输出变量的相关度数值分别与相关度阈值进行比较，如果某计算得到的相关度数值大于相关度阈值，则可以将该相关度数值对应的样本数据作为输入变量，如果某计算得到的相关度数值小于相关度阈值，则可以将该相关度数值对应的样本数据舍弃，这样，通过上述方式可以从清洗后的样本数据中提取出输入变量。

S250，将该输出变量以及该输入变量作为训练样本数据采用循环神经网络进行学习，构建循环神经网络模型。

上述S250的步骤内容与上述实施例一中S130的步骤内容相同，在此不再赘述。

需要说明的是，在构建循环神经网络模型的过程中还可以使用Matlab技术，即利用Matlab语言的源代码文件进行模型训练，最终构建出相应的循环神经网络模型。

此外，循环神经网络模型构建后，可以对该循环神经网络模型进行测试，即选取包含齿轮箱发生故障时间段的一定时长的样本数据，且该样本数据已经过数据清洗处理。可以将按照上述S210～S240的处理确定出的输入变量输入到该循环神经网络模型中得到输出变量值，使用该输出变量值和按照上述S210～S240的处理确定出的输出变量对应的数据的数据值计算两者的马氏距离，可以将该马氏距离与循环神经网络模型对应的输出阈值区间比较，确定该马氏距离是否与该输出阈值区间相匹配，如果两者匹配，则表明该循环神经网络模型有效，此时，该循环神经网络模型可以投入到风电机组中使用，如果两者不匹配，则表明该循环神经网络模型无效，此时可以继续对该循环神经网络模型进行训练，直到该循环神经网络模型有效为止，具体可参见后续实施例三和实施例四中的相关内容。

本发明实施例提供的循环神经网络模型构建方法，一方面，通过采集的风电机组的运行数据，对该运行数据进行数据清洗处理，从而降低风电机组的传感器等发生故障所产生的错误数据对循环神经网络模型的影响；另一方面，通过相关系数分析算法(如皮尔逊相关系数算法)计算齿轮箱出现故障前固定时长内样本数据中各数据与输出变量的相关度数值，再基于该相关度数值和相关度阈值确定输入变量，从而使得与输出变量相关的数据都可以被设置为输入变量，避免了使用单一数据导致判断出的齿轮箱运行故障准确率较低的问题。

实施例三

图3是示出根据本发明实施例三的基于循环神经网络模型的齿轮箱故障检测方法的流程图。通过包括如图7所示的装置执行该方法。

参照图3，S310，获取多种风电机组的运行数据，并从中提取至少一种预定的相关的数据作为输入变量输入至循环神经网络模型中，并得到输出变量值。

具体地，本实施例是在基于如上述实施例一和/或实施例二中得到的循环神经网络模型被构建后执行的，处理过程可包括：获取多种风电机组的运行数据，可以将该运行数据作为样本数据。对于已构建的循环神经网络模型，其输入变量和输出变量都已确定，为此，可以从该样本数据中提取与该循环神经网络模型相应的输出变量相关的数据，可以将其作为输入变量输入至循环神经网络模型中进行计算，得到相应的输出变量值。

S320，从该运行数据中提取与该输出变量对应的数据的数据值，并根据该数据值与该输出变量值，确定齿轮箱是否发生故障。

具体地，可以在上述运行数据中查找到与输出变量相对应的数据，并提取该数据的数据值，例如，输出变量为齿轮箱的轴承温度，如果运行数据中齿轮箱的轴承温度为40℃，则提取的数据值为40℃。通过将相应的输入变量输入到循环神经网络模型中计算得到输出变量值后，可以将得到的输出变量值与上述提取数据值进行比较，如果两者相同，或者两者的差值小于预定阈值，则表明风电机组在当前情况下存在发生故障的危险，如果两者不相同，或者两者的差值大于上述预定阈值，则表明风电机组在当前情况下不会发生故障。

本发明实施例提供的基于循环神经网络模型的齿轮箱故障检测方法，通过采集的风电机组的运行数据，从中确定出相应的输出变量，并从运行数据中提取与该输出变量相关的输入变量，并基于上述输入变量和输出变量构建用于对齿轮箱是否发生故障进行检测的循环神经网络模型，并使用该循环神经网络模型对风电机组齿轮箱的运行状态进行实时监测，从而避免了使用单一数据导致判断出的齿轮箱运行故障准确率较低的问题。

实施例四

图4是示出根据本发明实施例四的基于循环神经网络模型的齿轮箱故障检测方法的流程图，该实施例可视为图3的又一种具体的实现方案。

参照图4，构建的循环神经网络模型可对应有一个输出阈值区间，该输出阈值区间的确定方式可以包括多种，例如，如果该数据值与输出变量值的差值小于或等于预定阈值，则确定齿轮箱发生故障，或者也可以采用误差分析法对该数据值与该输出变量值进行计算，从而确定齿轮箱是否发生故障，其中，误差分析法可以为马氏距离算法或TF-IDF(TermFrequency–InverseDocumentFrequency，词频-逆向文件频率)算法等，以下对其中的一种输出阈值区间的获取方式进行说明，包括以下S410～S420的处理，其中，误差分析法以马氏距离算法为例。

S410，采集多次齿轮箱出现故障前预定时长内样本数据，并从中提取出与该输出变量相关的数据输入到该循环神经网络模型中计算得到多组输出变量值。

其中，样本数据即为风电机组的运行数据，其包含的具体内容可参见上述S110的相关内容。预定时长可以为数据采集与监视控制系统SCADA采集相邻两次数据的间隔时长(或数据采集周期)，如10分钟等。采集的多次样本数据的次数可以根据实际情况确定，例如采集一个月的样本数据的次数等。该样本数据可以是重新采集的数据，也可以是上述S210中样本数据中的部分数据等。

S420，根据多组输出变量值，确定该输出阈值区间。

具体地，可以对得到的多组输出变量值进行统计分析，确定输出变量值所指示的数值范围，例如，多组输出变量值分别为5、5.3、5.5、5.1、5.7和6，则可以确定输出变量值所指示的数值范围为[5，6]，然后，可以将得到的该数值范围作为输出阈值区间，即[5，6]。

上述S420的处理可以有多种实现方式，以下提供一种可选的处理方式，具体如下：

步骤一，分别计算多组该输出变量值和从样本数据中提取的与输出变量对应的数据的数据值的差值。

具体地，使用上述计算得到的每一组输出变量值与一个指定的数据值(即通过传感器测量得到的数值)相减，得到两者的差值。其中，该数据值可以是从采集的多次样本数据中任一次样本数据的输出变量的测量值，也可以是通过循环神经网络模型计算得到相应的输出变量值时使用的样本数据对应的输出变量的数据值。

步骤二，分别计算由各差值和该数据值构成的组合矩阵的平均值和协方差，得到均值矩阵和方差矩阵。

具体地，可以将计算得到的差值和上述数据值构成组合矩阵，可以计算该组合矩阵的平均值得到该组合矩阵的均值矩阵，并计算该组合矩阵的协方差，得到该组合矩阵的方差矩阵。

步骤三，根据该组合矩阵、该均值矩阵和该方差矩阵计算得到马氏距离，并根据马氏距离确定该输出阈值区间。

具体地，可以将上述组合矩阵、均值矩阵和方差矩阵代入到马氏距离公式中

$\mathrm{MD}=\sqrt{(X-A)C^{-1}{(X-A)}^T}...\left(2\right)$

计算得到马氏距离，其中，MD为马氏距离，X为组合矩阵，A为均值矩阵，C为方差矩阵。

通过上述方式，基于多组组合矩阵、均值矩阵和方差矩阵，可以计算得到马氏距离，可以对得到的马氏距离进行统计分析，确定输出阈值区间，具体处理方式可参见上述S420中示例。

通过循环神经网络模型的输出阈值区间，可以对齿轮箱是否发生故障进行检测，具体可参见下述S430和S460的处理。

S430，获取多种风电机组的运行数据，并从中提取至少一种预定的相关的数据作为输入变量。

上述S430的步骤内容与上述实施例三中S310的步骤内容相同，具体处理过程可参见上述实施例一或实施例二中相关内容，在此不再赘述。

S440，对该相关的数据进行数据清洗处理。

具体地，为了减少输入变量中由于风电机组传感器故障等因素所产生的错误数据，可以对输入变量的数据进行数据清洗处理，具体包括：对上述提取的与输出变量相关的数据(即输入变量)进行分析，并从该输入变量中剔除错误数据，得到清洗后的输入变量，从而可以降低错误数据对后续判断齿轮箱是否发生故障的检测结果的影响。

S450，将该输入变量输入至循环神经网络模型中，并得到输出变量值。

具体地，对于已构建的循环神经网络模型，其输入变量和输出变量都已确定，为此，可以从清洗后的样本数据中提取与该循环神经网络模型相应的输出变量和输入变量输入至循环神经网络模型中进行计算，得到相应的输出变量值。

需要说明的是，为了提高风电机组齿轮箱的故障检测结果的准确性，本发明中采用循环神经网络的方式进行处理，基于循环神经网络模型，可以将当前时刻的多个输入变量和上一时刻的输出变量共同作为循环神经网络模型的输入变量输入到该模型中计算，从而得到相应的输出变量值，相应的，上述S410和S430的处理还可以为：获取多种风电机组的运行数据，并从中提取至少一种预定的相关的当前时刻的数据作为输入变量，将当前时刻的输入变量和上一时刻的输出变量输入至循环神经网络模型中，并得到当前时刻的输出变量值。这样，对于风电机组的齿轮箱来说，由于齿轮箱的上一运行状态会对齿轮箱的当前运行状态产生很大影响，因此，使用循环神经网络模型判断齿轮箱是否发生故障的准确率较高。

S460，采用误差分析法对该数据值与该输出变量值进行计算，从而确定齿轮箱是否发生故障。

优选地，可通过S420中马氏距离的方式得到该输出变量值，并且从运行数据中提取与输出变量对应的数据的数据值，计算该输出变量值与该数据值之间的马氏距离，之后，可比较得到的马氏距离与循环神经网络模型对应的输出阈值区间的关系，从而确定风电机组齿轮箱是否发生故障，具体可包括以下内容：计算该数据值和该输出变量值的差值；计算由该差值和该数据值构成的组合矩阵的平均值和协方差，得到均值矩阵和方差矩阵；根据该组合矩阵、该均值矩阵和该方差矩阵计算得到马氏距离，并根据该马氏距离是否处于循环神经网络模型对应的输出阈值区间内，确定齿轮箱是否发生故障，其中，如果该马氏距离处于循环神经网络模型对应的输出阈值区间内，则确定齿轮箱发生故障，如果该马氏距离未处于循环神经网络模型对应的输出阈值区间内，则确定齿轮箱未发生故障，具体处理过程可参见上述S420的相关内容，在此不再赘述。

此外，考虑到齿轮箱出现故障前后变化剧烈的数据可能包括多种，可以基于每一种数据构建一种类别的循环神经网络模型，上述实施例三中S310的内容还可以细化为以下内容：其中，循环神经网络模型可以为多个类别，每个类别的循环神经网络模型的输入变量包括功率、转速、齿轮箱的轴承温度、齿轮箱的油压和齿轮箱的油温中的至少两种变量，输出变量为齿轮箱的轴承温度、齿轮箱的油压和齿轮箱的油温中的一个变量，

步骤一，从上述运行数据中提取与各类别的循环神经网络模型相对应的输入变量输入至相应循环神经网络模型中得到输出变量值。

具体地，输出变量可以为齿轮箱的轴承温度、齿轮箱的油压和齿轮箱的油温中的一个变量，对于其中的任一变量，可以构建一个类别的循环神经网络模型，例如，如果输出变量包括上述三种，则可以构建三个类别的循环神经网络模型。对于每一类别的循环神经网络模型，可以通过如上述S310或S430～S450的处理得到相应的输出变量值，在此不再赘述。

步骤二，根据各类别的循环神经网络模型得出的输出变量值和相应的输出变量对应的数据的数据值，确定风电机组齿轮箱是否发生故障。

具体地，可以根据不同的类别分别通过马氏距离算法对其输出变量值与相应的数据值进行计算，并将计算得到的马氏距离与对应的输出阈值区间对比确定齿轮箱是否发生故障，如果某类别的循环神经网络模型对应的马氏距离未落入对应的输出阈值区间，则可确定风电机组齿轮箱未发生故障，如果某类别的循环神经网络模型对应的马氏距离落入对应的输出阈值区间，则可确定风电机组齿轮箱发生故障，具体可参见上述S420和S460的相关内容。分别统计齿轮箱发生故障和齿轮箱未发生故障对应的循环神经网络模型的类别，可以为每个类别的循环神经网络模型设置相应的权重，分别计算齿轮箱发生故障的权重和齿轮箱未发生故障的权重，比较上述两权重的数值大小，如果齿轮箱发生故障的权重大于齿轮箱未发生故障的权重，则可以确定齿轮箱发生故障，如果齿轮箱发生故障的权重小于齿轮箱未发生故障的权重，则可以确定齿轮箱未发生故障。

需要说明的是，对于多个类别的循环神经网络模型，上述判断齿轮箱是否发生故障的处理除了上述提供的方式外，还可以包括其他多种方式，例如通过确定出的齿轮箱发生故障和齿轮箱未发生故障的数量来判断齿轮箱是否发生故障，如循环神经网络模型包括5个类别，其中3个类别的循环神经网络模型确定出齿轮箱发生故障，2个类别的循环神经网络模型确定出齿轮箱未发生故障，则确定齿轮箱发生故障，或者也可以规定所有类别的循环神经网络模型确定出齿轮箱未发生故障时，才认为齿轮箱正常，否则齿轮箱发生故障等。另外，上述处理也可以采用马氏距离的方式处理，在此不再赘述。

本发明实施例提供的基于循环神经网络模型的齿轮箱故障检测方法，一方面，通过采集的风电机组的运行数据，对该运行数据进行数据清洗处理，从而降低风电机组的传感器等发生故障所产生的错误数据对循环神经网络模型输出的判断结果的影响；另一方面，考虑到齿轮箱出现故障前后变化剧烈的数据可能包括多种，可以基于每一种数据构建一种类别的循环神经网络模型，并基于构建的多个类别的循环神经网络模型分别对齿轮箱的运行状态进行监测，从而进一步提高预判出的齿轮箱运行故障的准确率。

实施例五

基于相同的技术构思，图5是示出根据本发明实施例五的循环神经网络模型构建装置的逻辑框图。参照图5，该装置包括输出变量提取模块510、输入变量提取模块520和模型构建模块530。

输出变量提取模块510用于获取多种风电机组的运行数据作为样本数据，并从该样本数据中提取在齿轮箱出现故障前后变化的差值大于固定阈值的一种数据作为输出变量。

输入变量提取模块520用于提取在该齿轮箱出现故障前固定时长内的多种样本数据，并将其中与该输出变量相关的至少一种数据作为输入变量。

模型构建模块530用于将该输出变量以及该输入变量作为训练样本数据采用循环神经网络进行学习，从而构建该循环神经网络模型。

此外，输入变量提取模块520用于根据经验，从该齿轮箱出现故障前固定时长内的样本数据中指定至少一种数据作为输入变量；或者，根据相关系数分析算法确定与该输出变量相关的至少一种输入变量。

此外，输入变量提取模块520包括：相关度计算单元，用于根据相关系数分析算法，计算该齿轮箱出现故障前固定时长内的所有样本数据与该输出变量的相关度数值；输入变量获取单元，用于将大于预定相关度阈值的相关度数值对应的样本数据作为该输入变量。

进一步地，基于图5所示的实施例，如图6所示的装置还包括：清洗模块540，用于对该齿轮箱出现故障前固定时长内的所有样本数据进行数据清洗处理。

另外，该样本数据包括：功率、转速、齿轮箱的轴承温度、齿轮箱油温、齿轮箱油压、机舱温度和/或塔筒振动频率。

本发明实施例提供的循环神经网络模型构建装置，通过采集的风电机组的运行数据，从中确定出相应的输出变量，并从运行数据中提取与该输出变量相关的输入变量，并基于上述输入变量和输出变量构建用于对齿轮箱是否发生故障进行检测的循环神经网络模型，以便后续使用该循环神经网络模型对风电机组齿轮箱的运行状态进行实时监测，从而避免了使用单一数据导致判断出的齿轮箱运行故障准确率较低的问题。

进一步地，本发明实施例中，一方面，通过采集的风电机组的运行数据，对该运行数据进行数据清洗处理，从而降低风电机组的传感器等发生故障所产生的错误数据对循环神经网络模型的影响；另一方面，通过相关系数分析算法(如皮尔逊相关系数算法)计算齿轮箱出现故障前固定时长内样本数据中各数据与输出变量的相关度数值，再基于该相关度数值和相关度阈值确定输入变量，从而使得与输出变量相关的数据都可以被设置为输入变量，避免了使用单一数据导致判断出的齿轮箱运行故障准确率较低的问题。

实施例六

基于相同的技术构思，图7是示出根据本发明实施例五的基于循环神经网络模型的齿轮箱故障检测装置的逻辑框图。参照图7，该装置包括输出变量计算模块710和故障确定模块720。

输出变量计算模块710用于获取多种风电机组的运行数据，并从中提取至少一种预定的相关的数据作为输入变量输入至该循环神经网络模型中，并得到输出变量值。

故障确定模块720用于从该运行数据中提取与该输出变量对应的数据的数据值，并根据该数据值与该输出变量值确定该齿轮箱是否发生故障。

进一步地，基于图7所示的实施例，如图8所示的装置还包括：清洗模块730，用于对该相关的数据进行数据清洗处理。

此外，故障确定模块720用于如果该数据值与该输出变量值的差值小于或等于预定阈值，则确定该齿轮箱发生故障；或者，采用误差分析法对该数据值与该输出变量值进行计算，从而确定该齿轮箱是否发生故障。

另外，该误差分析法为马氏距离算法。

此外，故障确定模块720用于计算该数据值和该输出变量值的差值；计算由该差值和该数据值构成的组合矩阵的平均值和协方差，得到均值矩阵和方差矩阵；根据该组合矩阵、该均值矩阵和该方差矩阵计算得到马氏距离，并根据该马氏距离是否处于该循环神经网络模型对应的输出阈值区间内，确定该齿轮箱是否发生故障。

另外，该运行数据包括：功率、转速、齿轮箱的轴承温度、齿轮箱油温、齿轮箱油压、机舱温度和/或塔筒振动频率。

本发明实施例提供的基于循环神经网络模型的齿轮箱故障检测装置，通过采集的风电机组的运行数据，从中确定出相应的输出变量，并从运行数据中提取与该输出变量相关的输入变量，并基于上述输入变量和输出变量构建用于对齿轮箱是否发生故障进行检测的循环神经网络模型，并使用该循环神经网络模型对风电机组齿轮箱的运行状态进行实时监测，从而避免了使用单一数据导致判断出的齿轮箱运行故障准确率较低的问题。

进一步地，本发明实施例中，一方面，通过采集的风电机组的运行数据，对该运行数据进行数据清洗处理，从而降低风电机组的传感器等发生故障所产生的错误数据对循环神经网络模型输出的判断结果的影响；另一方面，考虑到齿轮箱出现故障前后变化剧烈的数据可能包括多种，可以基于每一种数据构建一种类别的循环神经网络模型，并基于构建的多个类别的循环神经网络模型分别对齿轮箱的运行状态进行监测，从而进一步提高预判出的齿轮箱运行故障的准确率。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CDROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (20)

1.一种循环神经网络模型构建方法，其特征在于，所述方法包括：

获取多种风电机组的运行数据作为样本数据，并从所述样本数据中提取在齿轮箱出现故障前后变化的差值大于固定阈值的一种数据作为输出变量；

提取在所述齿轮箱出现故障前固定时长内的多种样本数据，并将其中与所述输出变量相关的至少一种数据作为输入变量；

将所述输出变量以及所述输入变量作为训练样本数据采用循环神经网络进行学习，从而构建所述循环神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述提取在所述齿轮箱出现故障前固定时长内的多种样本数据，并将其中与所述输出变量相关的至少一种数据作为输入变量的处理包括：

根据经验，从所述齿轮箱出现故障前固定时长内的样本数据中指定至少一种数据作为输入变量；或者，

根据相关系数分析算法确定与所述输出变量相关的至少一种输入变量。

3.根据权利要求2所述的方法，其特征在于，所述根据相关系数分析算法确定与所述输出变量相关的至少一种输入变量的处理包括：

根据相关系数分析算法，计算所述齿轮箱出现故障前固定时长内的所有样本数据与所述输出变量的相关度数值；

将大于预定相关度阈值的相关度数值对应的样本数据作为所述输入变量。

4.根据权利要求3所述的方法，其特征在于，所述根据相关系数分析算法，计算所述齿轮箱出现故障前固定时长内所述样本数据中各数据与所述输出变量的相关度数值之前还包括：

对所述齿轮箱出现故障前固定时长内的所有样本数据进行数据清洗处理。

5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述样本数据包括：功率、转速、齿轮箱的轴承温度、齿轮箱油温、齿轮箱油压、机舱温度和/或塔筒振动频率。

6.一种基于权利要求1-4任意一项所述的方法构建的循环神经网络模型的齿轮箱故障检测方法，其特征在于，所述方法包括：

获取多种风电机组的运行数据，并从中提取至少一种预定的相关的数据作为输入变量输入至所述循环神经网络模型中，并得到输出变量值；

从所述运行数据中提取与所述输出变量对应的数据的数据值，并根据所述数据值与所述输出变量值确定所述齿轮箱是否发生故障。

7.根据权利要求6所述的方法，其特征在于，所述从中提取至少一种预定的相关的数据作为输入变量输入至所述循环神经网络模型中，并得到输出变量值之前还包括：

对所述相关的数据进行数据清洗处理。

8.根据权利要求6所述的方法，其特征在于，所述根据所述数据值与所述输出变量值确定所述齿轮箱是否发生故障的处理包括：

如果所述数据值与所述输出变量值的差值小于或等于预定阈值，则确定所述齿轮箱发生故障；或者，

采用误差分析法对所述数据值与所述输出变量值进行计算，从而确定所述齿轮箱是否发生故障。

9.根据权利要求8所述的方法，其特征在于，所述误差分析法为马氏距离算法。

10.根据权利要求9所述的方法，其特征在于，所述采用误差分析法对所述数据值与所述输出变量值进行计算，从而确定所述齿轮箱是否发生故障的处理包括：

计算所述数据值和所述输出变量值的差值；

计算由所述差值和所述数据值构成的组合矩阵的平均值和协方差，得到均值矩阵和方差矩阵；

根据所述组合矩阵、所述均值矩阵和所述方差矩阵计算得到马氏距离，并根据所述马氏距离是否处于所述循环神经网络模型对应的输出阈值区间内，确定所述齿轮箱是否发生故障。

11.根据权利要求6-10任意一项所述的方法，其特征在于，所述运行数据包括：功率、转速、齿轮箱的轴承温度、齿轮箱油温、齿轮箱油压、机舱温度和/或塔筒振动频率。

12.一种循环神经网络模型构建装置，其特征在于，所述装置包括：

输出变量提取模块，用于获取多种风电机组的运行数据作为样本数据，并从所述样本数据中提取在齿轮箱出现故障前后变化的差值大于固定阈值的一种数据作为输出变量；

输入变量提取模块，用于提取在所述齿轮箱出现故障前固定时长内的多种样本数据，并将其中与所述输出变量相关的至少一种数据作为输入变量；

模型构建模块，用于将所述输出变量以及所述输入变量作为训练样本数据采用循环神经网络进行学习，从而构建所述循环神经网络模型。

13.根据权利要求12所述的装置，其特征在于，所述输入变量提取模块用于：

根据经验，从所述齿轮箱出现故障前固定时长内的样本数据中指定至少一种数据作为输入变量；或者，

根据相关系数分析算法确定与所述输出变量相关的至少一种输入变量。

14.根据权利要求13所述的装置，其特征在于，所述输入变量提取模块包括：

相关度计算单元，用于根据相关系数分析算法，计算所述齿轮箱出现故障前固定时长内的所有样本数据与所述输出变量的相关度数值；

输入变量获取单元，用于将大于预定相关度阈值的相关度数值对应的样本数据作为所述输入变量。

15.根据权利要求14所述的装置，其特征在于，所述装置还包括：

清洗模块，用于对所述齿轮箱出现故障前固定时长内的所有样本数据进行数据清洗处理。

16.一种基于权利要求1-4任意一项所述的方法构建的循环神经网络模型的齿轮箱故障检测装置，其特征在于，所述装置包括：

输出变量计算模块，用于获取多种风电机组的运行数据，并从中提取至少一种预定的相关的数据作为输入变量输入至所述循环神经网络模型中，并得到输出变量值；

故障确定模块，用于从所述运行数据中提取与所述输出变量对应的数据的数据值，并根据所述数据值与所述输出变量值确定所述齿轮箱是否发生故障。

17.根据权利要求16所述的装置，其特征在于，所述装置还包括：

清洗模块，用于对所述相关的数据进行数据清洗处理。

18.根据权利要求16所述的装置，其特征在于，所述故障确定模块用于：

如果所述数据值与所述输出变量值的差值小于或等于预定阈值，则确定所述齿轮箱发生故障；或者，

采用误差分析法对所述数据值与所述输出变量值进行计算，从而确定所述齿轮箱是否发生故障。

19.根据权利要求18所述的装置，其特征在于，所述误差分析法为马氏距离算法。

20.根据权利要求19所述的装置，其特征在于，所述故障确定模块，用于计算所述数据值和所述输出变量值的差值；计算由所述差值和所述数据值构成的组合矩阵的平均值和协方差，得到均值矩阵和方差矩阵；根据所述组合矩阵、所述均值矩阵和所述方差矩阵计算得到马氏距离，并根据所述马氏距离是否处于所述循环神经网络模型对应的输出阈值区间内，确定所述齿轮箱是否发生故障。