CN113988118A - 基于lstm网络的风电设备故障预测方法 - Google Patents

Abstract

本发明涉及一种基于LSTM网络的风电设备故障预测方法，该方法包括采集风电设备在齿轮处于正常、磨损、点蚀和断齿四种健康状态下的震动信号；对振动信号分别进行傅里叶变换与归一化处理，获得训练数据；对训练数据采用LSTM网络生成故障预测模型；基于故障预测模型监测风电设备的在线数据，判断风电设备的运行状态。上述基于LSTM网络的风电设备故障预测方法，在面对日益增加的数据时处理更加迅速，计算更加精准。深度学习能更好的发现风电设备各部件之间复杂的耦合性。并且，风电机组发生故障是一个设备状态逐渐演化的过程，具有强烈的时间特性，这与LSTM处理时序数据的特点相吻合，所以提出基于LSTM的风电设备故障预测方法。

Description

基于LSTM网络的风电设备故障预测方法

技术领域

本发明涉及能源动力技术领域，特别是涉及一种基于LSTM网络的风电设备故障预测方法。

背景技术

风电设备是利用风能发电或者风力发电的设备，是风电产业的重要组成部分，也是风电产业发展的基础和保障。我国风电设备制造业刚刚兴起，产业链发展并不是很完善，风电整机制造受关键零部件瓶颈制约较为严重。伴随国家政策支持，我国的风电产业快速发展，已成为国际、国内风电投资最为活跃的场所。

为了保证风电设备的高效运行，需要在风电设备正常运行时监测设备的运行状态，预测出未来某时刻设备可能发生故障的概率，以便告知工作人员尽早安排检修计划并排除设备的安全隐患，使得运维成本降低，运行效率提高，设备使用寿命延长，效益最大化。传统的故障预测方法主要基于数据的浅层学习算法搭建的模型，如：利用隐马尔科夫、BP神经网络、支持向量机等算法为基础搭建的学习模型。在预测精度和时间上都有不足。首先，难以表达风电实时数据间复杂的耦合关系；其次，面对日益增多的状态数据，简单的机器学习算法在计算层面难以应对；再次，浅层学习模型在预测的精确程度和预测时间上对比深度学习模型相差甚远。

发明内容

基于此，有必要针对上述技术问题，提供一种预测精度较高的基于LSTM网络的风电设备故障预测方法。

一种基于LSTM网络的风电设备故障预测方法，所述方法包括：

采集风电设备在齿轮处于正常、磨损、点蚀和断齿四种健康状态下的震动信号；

对所述振动信号分别进行傅里叶变换与归一化处理，获得训练数据；

对所述训练数据采用LSTM网络生成故障预测模型；

基于所述故障预测模型监测风电设备的在线数据，判断所述风电设备的运行状态。

进一步的，所述振动信号为振动加速度信号，所述采集风电设备在齿轮处于正常、磨损、点蚀和断齿四种健康状态下的震动信号，包括：

将所述风电设备的齿轮箱输出端的轴承座作为测点位置；

采用加速度传感器采集所述测点位置的振动加速度信号。

进一步的，所述对所述训练数据采用LSTM网络生成故障预测模型之前，还包括：

对所述训练数据进行参数优化，所述参数优化包括依次进行epoch优化、Batchsize优化与神经元个数优化。

进一步的，所述基于所述故障预测模型监测风电设备的在线数据，判断所述风电设备的运行状态，包括：

对比故障预测模型输出的预测值与在线数据，并加权计算残差；

针对不同故障类型分别设定故障阈值；

判断同一故障类型的故障阈值是否小于残差；若是，则发出故障预警。

上述基于LSTM网络的风电设备故障预测方法，利用深度学习LSTM算法，相比于传统的浅层机器学习，在面对日益增加的数据时处理更加迅速，计算更加精准。相比于支持向量机、隐马尔科夫等浅层学习模型，深度学习能更好的发现风电设备各部件之间复杂的耦合性。并且，风电机组发生故障是一个设备状态逐渐演化的过程，具有强烈的时间特性，这与LSTM处理时序数据的特点相吻合，所以提出基于LSTM的风电设备故障预测方法。

附图说明

图1为一个实施例的基于LSTM网络的风电设备故障预测方法流程图；

图2为基于LSTM网络的风电设备故障预测原理图；

图3为LSTM网络结构图；

图4为精确、损失随迭代变化曲线图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明通过一种基于LSTM(Long Short Term Memory，长短时神经网络)网络的风电设备故障预测方法，分别对历史数据进行学习搭建模型和对在线数据进行监测，预测出未来设备的健康状况。

如图1与图2所示，在一个实施例中，一种基于LSTM网络的风电设备故障预测方法，包括于以下步骤：

步骤S110，采集风电设备在齿轮处于正常、磨损、点蚀和断齿四种健康状态下的震动信号。具体的，该振动信号为振动加速度信号。将风电设备的齿轮箱输出端的轴承座作为测点位置，轴承座振动较强，作为测点位置，可以检测出较强的状态数据。采用加速度传感器采集测点位置的振动加速度信号。由于输入信号维度较多，选取输入轴电机侧轴承y1、输出轴电机侧轴承y2所监测得到运行数据作为模型的输入。

X＝[y₁,y₂]， (1)

选择振动能量较为集中和突出的齿轮箱输出端的轴承座作为测点位置，测取振动加速度信号。采用电火花加工技术在不同的齿轮上分别植入损伤点，来模拟高速轴小齿轮齿面磨损和低速轴大齿轮断齿所引起的故障状态。设定采样频率为2000×2.56Hz，利用加速度传感器在转速为1470r/min，加载电流为0.1A情况下的正常、磨损、断齿、点蚀四种状态下的震动信号。对信号进行预处理得到齿轮四中状态下震动信号共100组，每种状态各25组。

步骤S120，对振动信号分别进行傅里叶变换与归一化处理，获得训练数据。为了更真实反映数据中各变量随时间的变化关系，消除因各种环境变化及其他因素干扰，对设备的状态数据进行数据增强并在之后对数据进行傅里叶变换，后做基于离差标准化的数据归一化处理。

步骤S130，对训练数据采用LSTM网络生成故障预测模型。在对训练数据采用LSTM网络生成故障预测模型之前，对训练数据进行参数优化，参数优化包括依次进行epoch优化、Batch size优化与神经元个数优化。epoch：一个epoch周期的定义是完整地遍历数据集一次。在训练中，一般应让训练持续多个epoch，而将迭代次数设为一次。一般仅在对非常小的数据集进行完整批次的训练时才会采用大于1的迭代次数。如果epoch数量太少，网络就没有足够的时间学会合适的参数。epoch数量太多则有可能导致网络对训练数据过拟合。batch size(批尺寸)：定义为一次训练所选取的样本数，其决定了训练样本每次训练的样本数量，代表控制更新网络权重的频率。

对采集到的数据利用深度学习LSTM算法生成故障预测模型，参见图3，LSTM的关键是细胞状态c_t，表示细胞状态的这条线水平的穿过图的顶部。细胞的状态类似于输送带，细胞的状态在整个链上运行，只有一些小的线性操作作用其上，信息保持不变流过整个链。而LSTM具有删除或添加信息到细胞状态的能力，这个能力是由被称为门(Gates)的结构所赋予的。Gates是一种可选地让信息通过的方式。即：LSTM单元中的三种类型的门控，通过门控实现对信息的存储和更新。门控分别为:输入门i、遗忘门f和输出门o。更具体地说,每个gate结构包含了一个以sigmoid为激活函数的神经网络结构，sigmoid输出值为范围在0到1的值，表示用来控制信息传递的比例，输出值越小信息传递的比例越小，从而实现对历史信息的选择性遗忘。LSTM的第一步是决定对上一步输出结果s_t-1的丢失和遗忘。该决定由称为“遗忘门”的sigmoid激活函数(式3)实现。遗忘门决定了对上一时刻信息是否保留，当前输出值为0时前一时刻输出值清除，输出为1时，上一时刻输出值得以保留。“输入门”用来控制当前输入值x_t有多少被保留在c_t之中，实现对状态c的更新。“输出门”用来表示隐藏层的输出，表示为o_t。

LSTM的第一步是决定对上一步输出结果的丢失和遗忘。该决定由称为“遗忘门”的sigmoid激活函数实现。门控的的一般形式可以表示为：

g(x)＝σ(Wx+b)，

其中，

式中，W为输入向量的权重，b为输入向量的偏置，x为输入数据。

f_t表示遗忘门的门限，既：历史状态c_t-1被遗忘的比例。它数学表达式如下：

f_t＝σ(U_f·x_t+W_f·s_t-1)，

式中，U_f、W_f分别为当前输入值x_t和上一时刻cell中输出s_t-1对应的权重系数。

“输入门”用来控制当前输入值x_t有多少被保留在c_t之中，实现对状态c的更新。其数学表达式如下：

i_t＝σ(U_i·x_t+W_i·s_t-1)

式中：σ结构计算当前输入x_t与历史输入s_t-1被保留下来的比例i_t，U_i、W_i分别为前输入x_t与历史输入s_t-1的权重系数，

为当前时刻记忆单元所更新的状态值，U_c、W_c为更新细胞状态c_t时前输入x_t与历史输入s_t-1的权重系数。

其中，σ结构计算当前输入x_t与历史输入s_t-1被保留下来的比例i_t。

“遗忘门”和“输入门“”可以实现对状态c的删除和更新，通过这两个门当前时刻的状态c_t如下：

“输出门”用来表示隐藏层的输出，其数学表达式如下：

o_t＝σ(U_o·x_t+W_o·s_t-1)，

s_t＝o_t·tanh(c_t)，

式中：o_t表示输出门决定当前cell中的信息输出程度，o_t为0时表示完全不输出，o_t为1时表示cell中的数据完全输出。

步骤S140，基于故障预测模型监测风电设备的在线数据，判断风电设备的运行状态。具体的，对比故障预测模型输出的预测值与在线数据，并加权计算残差L；针对不同故障类型分别设定故障阈值T；判断同一故障类型的故障阈值T是否小于残差L；若是，则发出故障预警，若否，则返回进行数据监测。通过针对不同故障设定阈值(在磨损故障中设定为Threshold(阈值)＝0.2)之后，对比模型输出预测值和真实值(在线数据)加权残差。机组在正常运行中其故障残差很小，但在故障发生时其残差会迅速增大并超出阈值，此时判断设备故障发生。

如图4所示，通过试用该故障预测模型对风电设备的监测，其故障预测更加精准，能更早的发现故障的发生。由图基于LSTM的风电设备故障预测结果可以看出，系统在第5412个点时超出阈值，从而报警有利于尽早安排检修以及安排供电计划，避免故障的发生。

上述基于LSTM网络的风电设备故障预测方法，利用深度学习LSTM算法，相比于传统的浅层机器学习，在面对日益增加的数据时处理更加迅速，计算更加精准。相比于支持向量机、隐马尔科夫等浅层学习模型，深度学习能更好的发现风电设备各部件之间复杂的耦合性。并且，风电机组发生故障是一个设备状态逐渐演化的过程，具有强烈的时间特性，这与LSTM处理时序数据的特点相吻合，所以提出基于LSTM的风电设备故障预测方法。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种基于LSTM网络的风电设备故障预测方法，其特征在于，所述方法包括：

采集风电设备在齿轮处于正常、磨损、点蚀和断齿四种健康状态下的震动信号；

对所述振动信号分别进行傅里叶变换与归一化处理，获得训练数据；

对所述训练数据采用LSTM网络生成故障预测模型；

基于所述故障预测模型监测风电设备的在线数据，判断所述风电设备的运行状态。

2.根据权利要求1所述的基于LSTM网络的风电设备故障预测方法，其特征在于，所述振动信号为振动加速度信号，所述采集风电设备在齿轮处于正常、磨损、点蚀和断齿四种健康状态下的震动信号，包括：

将所述风电设备的齿轮箱输出端的轴承座作为测点位置；

采用加速度传感器采集所述测点位置的振动加速度信号。

3.根据权利要求1所述的基于LSTM网络的风电设备故障预测方法，其特征在于，所述对所述训练数据采用LSTM网络生成故障预测模型之前，还包括：

对所述训练数据进行参数优化，所述参数优化包括依次进行epoch优化、Batch size优化与神经元个数优化。

4.根据权利要求1所述的基于LSTM网络的风电设备故障预测方法，其特征在于，所述基于所述故障预测模型监测风电设备的在线数据，判断所述风电设备的运行状态，包括：

对比故障预测模型输出的预测值与在线数据，并加权计算残差；

针对不同故障类型分别设定故障阈值；

判断同一故障类型的故障阈值是否小于残差；若是，则发出故障预警。

Images