CN110907066B - 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法，本发明将深度学习引入风电机组状态监测。采用偏最小二乘方法(PLS)选择变量，搭建深度卷积神经网络建立齿轮箱轴承温度与其影响变量之间的关系模型，并用该模型在监测阶段对齿轮箱轴承温度进行预测，当模型计算的齿轮箱轴承温度预测值与实际值之间的残差大于设定阈值时，发出齿轮箱轴承温度异常报警。该发明用于分析齿轮箱轴承的温度数据，高效准确地实现了风电机组齿轮箱轴承温度的人工智能监测和故障预警的目的。实例分析验证了该发明的实用性和通用性。

Description

基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法

技术领域

本发明属于风电机组齿轮箱状态监测领域，具体涉及一种风电机组齿轮箱轴承温度状态监测方法。

背景技术

近年来，我国部分地区空气环境日趋恶化，严重雾霾天气频发，以煤炭石油等化石燃料为主的传统能源结构亟需调整，科学高效地发展可再生能源迫在眉睫。风力发电作为可再生能源的重要组成部分，在我国发展迅猛，累计装机容量和新增装机容量均居世界首位。

风电机组的运行条件恶劣，如外界温差变化大，风速变化随机等。这些不确定的外界因素导致风电机组的故障率高，使风电场后期运行维护成本居高不下。

齿轮箱是风电机组的重要部件之一。风电机组齿轮箱运行有其自身的特点，即变速变载荷。随着风速的变化，齿轮箱各级的转速及承受的载荷随时发生变化，这给传统的状态监测方法应用于风电机组齿轮箱带来很大的挑战。

传统的齿轮箱轴承故障诊断技术，如振动分析，油液分析等，取得了一定的成果。由于风速随机变化，风电机组齿轮箱各级轴承的转速和载荷时变，而非转速不变的稳定工况。目前振动分析技术针对齿轮箱轴承的变转速变载荷的时变复杂工况下故障诊断的准确性较低，误报警和漏报警率较高。齿轮箱油液分析技术通过在风电机组停机期间采集齿轮箱油液标本，在实验室中分析润滑油液中的含水量、金属微粒数量及直径来对齿轮箱轴承状态进行诊断，但油液分析只能离线进行诊断，无法实现齿轮箱轴承的在线实时监测与诊断。还有采用多层前向神经网络对风电机组齿轮箱轴承温度进行建模并进行监测，但由于前向神经网络的结构简单，建模精度低，难以对齿轮箱轴承温度的异常变化进行及时准确地预警。

发明内容

为了克服上述现有技术存在的问题，本发明的目的在于提供一种基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法，本发明将深度学习模型用于风电机组齿轮箱轴承温度状态监测，对于齿轮箱轴承温度，卷积神经网络可以快速完成特征提取，降维和预测的整个过程，建模精度高；当齿轮箱轴承温度出现异常变化偏离模型时，能够及时准确根据模型预测残差发出齿轮箱轴承温度异常报警。

为了达到上述目的，本发明采用如下技术方案：

一种基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法，包括如下步骤：

步骤1，采用偏最小二乘方法PLS选择齿轮箱轴承温度建模变量

风电机组齿轮箱轴承温度受风电机组的多个参数变量影响，为确定齿轮箱轴承温度的影响因素，确定齿轮箱轴承温度模型的输入建模变量，采用偏最小二乘方法从风电机组上百个运行参数中选择建模变量；过程如下：

由风电机组运行数据构成输入矩阵X和输出齿轮箱轴承温度矩阵Y，如下式：

其中：

N——样本个数；

M——原始风电机组参数变量的个数；

对输入矩阵X和输出齿轮箱轴承温度矩阵Y进行归一化后得到下式：

其中：

X₀——输入矩阵X∈R^N×M的归一化矩阵；

Y₀——输出矩阵Y∈R^N×1的归一化矩阵；

计算X₀和Y₀的第一主轴，如下式：

其中：

w₁——X₀矩阵的第一主轴；

c₁——Y₀矩阵的第一主轴；

由于归一化矩阵Y₀为一维变量，因此c₁＝1；解此优化问题，得到w₁，得第一主成分如下式：

其中：

t₁——X₀矩阵的第一主成分；

u₁——Y₀矩阵的第一主成分；

采用下式计算回归系数向量：

其中：

p₁——主成分t₁的回归系数向量；

r₁——主成分u₁的回归系数向量；

求得回归系数向量p₁，r₁后，计算提取第一主成分后的残差矩阵：

其中：

X₁——X₀矩阵被提取第一主成分t₁后的残差矩阵；

Y₁——Y₀矩阵被提取第一主成分u₁后的残差矩阵；

用残差矩阵X₁和Y₁分别取代X₀和Y₀，求第二主成分t₂，并依次进行，根据以下交叉有效性原则确定最终主成分个数；

交叉有效性指标

其中：

p_i——齿轮箱轴承温度原始样本点，其中i＝1,2,…,N；

——使用全部样本点并取t₁,t₂,…,t_h共h个成分回归建模后对第i个样本的拟合值；

——建模时删去样本点i并取h个成分回归建模后对第i个样本的拟合值；

当

时，引进新的主成分t_h会对模型的预测能力有明显的改善作用；

采用变量投影重要性指标Variable Importance in Projection,VIP来表征自变量对因变量的解释能力和重要程度；自变量的VIP值越大，说明该自变量对因变量的预测越重要，公式如下：

其中：

M——原始风电机组参数变量的个数；

Rd(Y；t_h)——输出Y和t_h之间的相关系数；

m——主成分的个数；

w_hi——X₀矩阵的主轴向量w_h的第i个元素；

w_h——X₀矩阵的主轴向量；

计算风电机组各个参数针对齿轮箱轴承温度的变量投影重要性指标，并对各个参数依据其变量投影重要性指标从大到小排序，使得：

其中：

L——参与齿轮箱轴承温度建模变量个数，即：排序后的前L个参数；；即选择VIP指标排序后的前L个参数作为齿轮箱轴承温度的建模变量；

步骤2，搭建齿轮箱轴承温度深度卷积神经网络模型，并对模型进行训练

步骤2.1，构造齿轮箱轴承温度深度卷积神经网络模型的矩阵训练样本和矩阵验证样本

在步骤1中，通过偏最小二乘方法选择的建模变量个数为L个，此L个建模变量在t时刻的值为D(t)＝[x₁(t) x₂(t) … x_L(t)]；由于温度变量的惯性较大，齿轮箱轴承温度t时刻的值不仅与建模输入变量t时刻的输入矢量D(t)有关，还与建模变量t时刻前K个历史时刻D(t-1)，D(t-2)，D(t-K)有关；将建模变量t时刻前的K个历史数据也引入建模样本能够有效提高齿轮箱轴承温度的预测精度；因此，t时刻的模型输入样本由D(t)＝[x₁(t) x₂(t)… x_L(t)]，修改为下式：

其中：

K——历史时刻的个数；

将建模样本的一维矢量输入D(t)改变为矩阵输入DH(t)，将建模变量的历史数据引入建模中，提高建模精度；

采用此方法和风电机组历史数据构造齿轮箱轴承温度模型的矩阵训练样本和矩阵验证样本；训练样本和验证样本的个数比例为3：1；

步骤2.2，搭建齿轮箱轴承温度深度卷积神经网络模型，模型包括：

卷积层：使用卷积核对齿轮箱轴承温度输入矩阵样本进行卷积运算；在进行卷积操作时，卷积核与被卷区域的样本值相乘然后求和；以步长为1移动卷积核，重复之前的操作，直至卷积核遍历完矩阵样本的所有区域；

激活层：经过卷积操作之后，采用ReLU激活函数对每一个卷积输出值进行非线性变换；由于ReLU激活函数在输入值大于0的导数值始终为1，克服了梯度弥散现象，因此采用ReLU激活函数作为卷积神经网络的激活函数；

池化层：池化层能够有效缩小卷积层产生的矩阵尺寸，从而减少最后全连接层参数的个数和复杂度；池化层选用最大值池化方法；

全连接层：本层的输入为池化层的输出；首先需要将池化层的矩阵输出平展为一维向量作为本层的输入，本层的输出为1个神经元，即为齿轮箱轴承温度预测值；

步骤2.3采用齿轮箱轴承温度模型的矩阵训练样本对步骤2.2搭建的深度神经网络模型进行训练；在训练时，采用动量优化及随机剔除神经元技术Dropout加快训练速度；

步骤3，对齿轮箱轴承温度卷积神经网络模型进行验证，并根据验证数据残差确定齿轮箱轴承温度报警阈值

齿轮箱轴承温度深度卷积神经网络模型训练结束后，将矩阵验证样本送入模型；矩阵验证样本个数为N_V，齿轮箱轴承温度模型对N_V个矩阵验证样本的温度预测值序列为

矩阵验证样本的实际齿轮箱轴承温度为

则第i个验证样本的模型预测残差为

采用平均绝对值误差ε_RMSE来衡量模型的建模精度，如下式：

其中：

N_V——验证样本个数；

y_i——第i个验证样本的实际齿轮箱轴承温度值；

——第i个验证样本的齿轮箱轴承温度模型预测值；

在N_V个验证样本中，预测残差绝对最大值为ε_MAX：

ε_MAX＝max(|ε_i|)，i＝1,2,…,N

其中：

ε_i——第i个验证样本的模型预测残差

根据验证数据，设定齿轮箱轴承温度异常报警阈值V_alarm为：

V_alarm＝2ε_MAX

步骤4，以上步骤完成后，转入监测阶段；当齿轮箱轴承出现故障或异常时，齿轮箱轴承温度与其影响因素之间的关系将会变化，与齿轮箱轴承温度深度卷积神经网络模型发生偏离，导致模型的预测精度降低；实时采集被监测机组运行数据，构成齿轮箱轴承温度深度卷积神经网络模型输入监测样本送入模型进行计算，得到齿轮箱轴承温度预测值，并计算模型温度预测残差：

其中：

y——监测阶段样本的实际齿轮箱轴承温度；

——监测阶段样本的模型预测齿轮箱轴承温度；

当模型预测残差增大，满足下式时，出现齿轮箱轴承温度异常升高，发出齿轮箱轴承温度异常报警。

ε_monitor＞V_alarm

其中：

V_alarm——齿轮箱轴承温度报警阈值。

1)本发明将深度学习应用于风电机组齿轮箱轴承温度状态监测；

2)将建模变量的历史数据引入建模中，将传统建模样本的一维矢量输入改变为矩阵输入，提高建模精度；

3)使用的卷积神经网络快速完成特征提取，降维和预测的整个过程的特征。其庞大的神经网络和多个隐藏层可以快速有效地训练数据，准确建立齿轮箱轴承温度与其影响变量之间的模型；

4)根据模型预测残差能够及早发现齿轮箱隐患，采取预防措施，提高风电机组运行可靠性，降低维护成本。

附图说明

图1为本发明方法流程图。

图2深度卷积神经网络模型验证样本的温度预测值与实际值。

图3深度卷积神经网络模型验证样本的预测残差。

图4深度卷积神经网络监测样本的温度预测值与实际值。

图5深度卷积神经网络监测样本预测残差及报警阈值。

具体实施方式

下面结合附图和实例对本发明进行详细描述。

以某风电场单台1.5MW机组的齿轮箱为研究对象，选取机组1分钟级别的SCADA系统记录的运行数据，如图1所示，本实施例一种基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法，包括如下步骤：

步骤1，通过偏最小二乘法选取10个符合要求的变量，具体如下表1所示。

表1：选择用于齿轮箱轴承温度建模的变量

步骤2，搭建卷积神经网络的各层结构，网络结构表2所示。构建建模和验证样本时，历史时刻数据K＝10，即每一个样本为10×10的矩阵样本。并对模型进行训练。

表2：齿轮箱轴承温度卷积神经网络结构

	网络层	卷积核尺寸	步长	卷积核数目	输出尺寸(宽度×深度)
						1	卷积层1	3×3	1	32	10×10×32
2	池化层1	2×2	2	1	6×6×32
						3	卷积层2	3×3	1	16	6×6×16
5	池化层2	2×2	2	1	4×4×16
						6	全连结层				1

在搭建好模型后，通过代入不同变量，观察对卷积神经网络模型精度的影响，证明选择多个变量建模的有效性和必要性。如下表3所示。

表3：参与建模的不同变量对模型的影响

步骤3，对齿轮箱轴承温度卷积神经网络模型进行验证，并根据验证数据残差确定齿轮箱轴承温度报警阈值。

将300个齿轮箱轴承温度验证样本送入深层卷积神经网络，得到的验证样本的预测值和预测残差分别如图2和图3所示。从图2和图3可以看出，深度卷积神经网络对齿轮箱轴承温度预测精度非常高，预测残差绝对最大值仅为1.02度。

ε_MAX＝1.02

根据预测残差绝对最大值确定齿轮箱轴承温度报警阈值为：

V_alarm＝2ε_MAX＝2.04

步骤4，在监测阶段，齿轮箱轴承温度发生异常的300个样本送入深度卷积神经网络模型。模型计算监测样本的预测值及残差，如图4和图5。在图4中，由于齿轮箱轴承故障，导致其温度异常升高。监测样本的模型预测值和实际值在第221个样本以后逐步发生明显偏离。在图5中，深度卷积神经网络模型温度预测残差不断增大。在第221个监测样本，模型预测残差值达到2.23度，超过齿轮箱轴承温度报警阈值V_alarm，系统发出齿轮箱轴承温度异常报警。验证了本发明方法有效性。

Claims (1)

1.一种基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法，其特征在于：包括如下步骤：

步骤1，采用偏最小二乘方法PLS选择齿轮箱轴承温度建模变量

风电机组齿轮箱轴承温度受风电机组的多个参数变量影响，为确定齿轮箱轴承温度的影响因素，确定齿轮箱轴承温度模型的输入建模变量，采用偏最小二乘方法从风电机组上百个运行参数中选择建模变量；过程如下：

由风电机组运行数据构成输入矩阵X和输出齿轮箱轴承温度矩阵Y，如下式：

其中：

N——样本个数；

M——原始风电机组参数变量的个数；

对输入矩阵X和输出齿轮箱轴承温度矩阵Y进行归一化后得到下式：

其中：

X₀——输入矩阵X∈R^N×M的归一化矩阵；

Y₀——输出矩阵Y∈R^N×1的归一化矩阵；

计算X₀和Y₀的第一主轴，如下式：

其中：

w₁——X₀矩阵的第一主轴；

c₁——Y₀矩阵的第一主轴；

由于归一化矩阵Y₀为一维变量，因此c₁＝1；解此优化问题，得到w₁，得第一主成分如下式：

其中：

t₁——X₀矩阵的第一主成分；

u₁——Y₀矩阵的第一主成分；

采用下式计算回归系数向量：

其中：

p₁——主成分t₁的回归系数向量；

r₁——主成分u₁的回归系数向量；

求得回归系数向量p₁，r₁后，计算提取第一主成分后的残差矩阵：

其中：

X₁——X₀矩阵被提取第一主成分t₁后的残差矩阵；

Y₁——Y₀矩阵被提取第一主成分u₁后的残差矩阵；

用残差矩阵X₁和Y₁分别取代X₀和Y₀，求第二主成分t₂，并依次进行，根据以下交叉有效性原则确定最终主成分个数；

交叉有效性指标

其中：

p_i——齿轮箱轴承温度原始样本点，其中i＝1,2,…,N；

——使用全部样本点并取t₁,t₂,…,t_h共h个成分回归建模后对第i个样本的拟合值；

——建模时删去样本点i并取h个成分回归建模后对第i个样本的拟合值；

当

时，引进新的主成分t_h会对模型的预测能力有明显的改善作用；

采用变量投影重要性指标Variable Importance in Projection,VIP来表征自变量对因变量的解释能力和重要程度；自变量的VIP值越大，说明该自变量对因变量的预测越重要，公式如下：

其中：

M——原始风电机组参数变量的个数；

Rd(Y；t_h)——输出Y和t_h之间的相关系数；

m——主成分的个数；

w_hi——X₀矩阵的主轴向量w_h的第i个元素；

w_h——X₀矩阵的主轴向量；

计算风电机组各个参数针对齿轮箱轴承温度的变量投影重要性指标，并对各个参数依据其变量投影重要性指标从大到小排序，使得：

其中：

L——参与齿轮箱轴承温度建模变量个数即排序后参数个数的前L个即选择VIP指标排序后的前L个参数作为齿轮箱轴承温度的建模变量；

步骤2，搭建齿轮箱轴承温度深度卷积神经网络模型，并对模型进行训练

步骤2.1，构造齿轮箱轴承温度深度卷积神经网络模型的矩阵训练样本和矩阵验证样本

在步骤1中，通过偏最小二乘方法选择的建模变量个数为L个，此L个建模变量在t时刻的值为D(t)＝[x₁(t) x₂(t) … x_L(t)]；由于温度变量的惯性较大，齿轮箱轴承温度t时刻的值不仅与建模输入变量t时刻的输入矢量D(t)有关，还与建模变量t时刻前K个历史时刻D(t-1)，D(t-2)，D(t-K)有关；将建模变量t时刻前的K个历史数据也引入建模样本能够有效提高齿轮箱轴承温度的预测精度；因此，t时刻的模型输入样本由D(t)＝[x₁(t) x₂(t) …x_L(t)]，修改为下式：

其中：

K——历史时刻的个数；

将建模样本的一维矢量输入D(t)改变为矩阵输入DH(t)，将建模变量的历史数据引入建模中，提高建模精度；

采用此方法和风电机组历史数据构造齿轮箱轴承温度模型的矩阵训练样本和矩阵验证样本；训练样本和验证样本的个数比例为3：1；

步骤2.2，搭建齿轮箱轴承温度深度卷积神经网络模型，模型包括：

卷积层：使用卷积核对齿轮箱轴承温度输入矩阵样本进行卷积运算；在进行卷积操作时，卷积核与被卷区域的样本值相乘然后求和；以步长为1移动卷积核，重复之前的操作，直至卷积核遍历完矩阵样本的所有区域；

激活层：经过卷积操作之后，采用ReLU激活函数对每一个卷积输出值进行非线性变换；由于ReLU激活函数在输入值大于0的导数值始终为1，克服了梯度弥散现象，因此采用ReLU激活函数作为卷积神经网络的激活函数；

池化层：池化层能够有效缩小卷积层产生的矩阵尺寸，从而减少最后全连接层参数的个数和复杂度；池化层选用最大值池化方法；

全连接层：本层的输入为池化层的输出；首先需要将池化层的矩阵输出平展为一维向量作为本层的输入，本层的输出为1个神经元，即为齿轮箱轴承温度预测值；

步骤2.3采用齿轮箱轴承温度模型的矩阵训练样本对步骤2.2搭建的深度神经网络模型进行训练；在训练时，采用动量优化及随机剔除神经元技术Dropout加快训练速度；

步骤3，对齿轮箱轴承温度卷积神经网络模型进行验证，并根据验证数据残差确定齿轮箱轴承温度报警阈值

齿轮箱轴承温度深度卷积神经网络模型训练结束后，将矩阵验证样本送入模型；矩阵验证样本个数为N_V，齿轮箱轴承温度模型对N_V个矩阵验证样本的温度预测值序列为

矩阵验证样本的实际齿轮箱轴承温度为

则第i个验证样本的模型预测残差为

采用平均绝对值误差ε_RMSE来衡量模型的建模精度，如下式：

其中：

N_V——验证样本个数；

y_i——第i个验证样本的实际齿轮箱轴承温度值；

——第i个验证样本的齿轮箱轴承温度模型预测值；

在N_V个验证样本中，预测残差绝对最大值为ε_MAX：

ε_MAX＝max(|ε_i|)，i＝1,2,…,N

其中：

ε_i——第i个验证样本的模型预测残差

根据验证数据，设定齿轮箱轴承温度异常报警阈值V_alarm为：

V_alarm＝2ε_MAX

步骤4，以上步骤完成后，转入监测阶段；当齿轮箱轴承出现故障或异常时，齿轮箱轴承温度与其影响因素之间的关系将会变化，与齿轮箱轴承温度深度卷积神经网络模型发生偏离，导致模型的预测精度降低；实时采集被监测机组运行数据，构成齿轮箱轴承温度深度卷积神经网络模型输入监测样本送入模型进行计算，得到齿轮箱轴承温度预测值，并计算模型温度预测残差：

其中：

y——监测阶段样本的实际齿轮箱轴承温度；

——监测阶段样本的模型预测齿轮箱轴承温度；

当模型预测残差增大，满足下式时，出现齿轮箱轴承温度异常升高，发出齿轮箱轴承温度异常报警；

ε_monitor＞V_alarm

其中：

V_alarm——齿轮箱轴承温度报警阈值。

Images