CN116609055A - 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 - Google Patents
一种运用图卷积神经网络诊断风电齿轮箱故障的方法 Download PDFInfo
- Publication number
- CN116609055A CN116609055A CN202310704137.4A CN202310704137A CN116609055A CN 116609055 A CN116609055 A CN 116609055A CN 202310704137 A CN202310704137 A CN 202310704137A CN 116609055 A CN116609055 A CN 116609055A
- Authority
- CN
- China
- Prior art keywords
- graph
- gear box
- data
- neural network
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000009499 grossing Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims 4
- 239000007924 injection Substances 0.000 claims 4
- 239000010687 lubricating oil Substances 0.000 claims 1
- 239000003921 oil Substances 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000001364 causal effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 7
- 239000000498 cooling water Substances 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 238000012097 association analysis method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/025—Test-benches with rotational drive means and loading means; Load or drive simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种运用图卷积神经网络诊断风电齿轮箱故障的方法，属于可再生能源装备状态监测与故障诊断领域，主要先通过运行机理与数据相关性构建齿轮箱系统图，再将数据以图的形式输入图卷积模型得到图中每个节点的预测值，根据故障机理利用关键参数的预测值与测量值的欧式距离来量化部件状态，最后通过计算得到的状态指标是否超出阈值来预警故障。本发明的有益效果为，提出了齿轮箱系统图数据构建方法，利用图卷积神经网络挖掘齿轮箱内不同测点数据之间的因果联系，提取齿轮箱内测点间的空间位置信息，提高了齿轮箱系统中相关测点预测的合理性，使模型在不同故障类型中具有良好适用性。
Description
技术领域
本发明涉及发电设备状态监测与故障诊断领域，尤其涉及一种运用图卷积神经网络诊断风电齿轮箱故障的方法。
背景技术
增速齿轮箱是双馈异步风力发电机组最重要的系统之一，增速齿轮箱的使用大大降低了发电机和变频器的体积，但同时也因为齿轮箱在设计、制造、装配中的技术难度和运行环境的恶劣，齿轮箱系统的故障在所难免。齿轮箱一旦发生故障，会导致机组发电效率下降、动力传输中断甚至系统停机，造成不小的经济损失。中国可再生能源学会风能专业委员会在进行风电设备运行质量调查时，发现齿轮箱、发电机和叶片三大系统的故障率最高，而齿轮箱非计划停机时间比率高达21%，且造成的维修费用也占到总维修费用的18.61%。可见对齿轮箱系统进行故障预警具有一定的经济价值。
传统对齿轮箱系统的故障诊断主要基于额外安装的振动状态监测系统进行，其较高的数据采集频率和较大的数据量难以做到实时诊断，且依赖于一定的专家知识，对旋转部件以外的部件适用性较差。
专利文献CN115935737A公开了一种基于数字孪生的海上风电场运维方法及系统，属于海上风电场智慧运维技术领域。在数据感知层面采集了建立数字孪生系统所需要的信号，并通过边缘计算实现数据的融合，建立了机理数据双驱动的数字孪生模型，利用物理空间采集的信号激活模型，实现基于数字孪生的功率预测、状态评价、故障预警、故障诊断和寿命预测等功能，并能够随着设备运行状态的改变能实现数字孪生体模型的自适应修正。该发明通过数字孪生系统的实际应用，可有效减少现场人员、降低检修时间、减少年均停机时长、降低机组故障率，可以服务于规模化海上风电安全、高效、智能开发利用，有效提高了海上风电运维的技术水平。
专利文献CN115495505A 公开了一种基于新能源机场群数据关联分析方法。利用输入输出数据集合进行关联规则搜索时，首先需要对数据集合进行预处理，通过预处理后，对新能源机场群数据进行关联规则机理分析、关联规则挖掘、关联规则函数分析，最终得到风电的期望功率与风速之间的关系、浮尘因素对光伏阵列出力特性的影响、新能源数据关联规则挖掘的Apriori辨识方法、光伏有功出力与光照强度之间的关联规则函数。该发明是一种能够完成补全缺失和不良数据的修复及机场群数据关联规则方法的挖掘，同时对新能源机场群数据进行合理降维处理，减少计算复杂度，提升关联规则搜索效率的基于新能源机场群数据关联分析方法。
现在并网发电的机组基本都配备了SCADA系统用于风电机组运行监测和控制，但是现有技术往往只是从时间域上提取信息，忽略了齿轮箱内部各测点间的关系，不能充分地提取空间域上的信息，并且单个模型往往只能预警一种故障，适用性不强。
发明内容
基于以上问题与现有技术的缺陷，本发明提出了一种运用图卷积神经网络诊断风电齿轮箱故障的方法。本发明设计了一种运用图卷积神经网络诊断风电齿轮箱故障的方法，主要利用模型对故障表征的预测值与SCADA测量数据之间欧氏距离的大小来进行故障预警。
本发明包括以下步骤：
一种运用图卷积神经网络诊断风电齿轮箱故障的方法，所述方法具体包括以下步骤：
步骤1：根据风力发电机物理结构与运行原理，分析典型故障的故障机理并构建齿轮箱系统故障树，根据测点位置与能量传递关系构建初步图结构；
步骤2：利用随机森林计算工况参数对齿轮箱系统内参数的重要度，并在初步图结构上为重要度大的两种参数连接边，根据其能量传递方向确定边的方向，得到齿轮箱系统完整图结构；
步骤3：提取风力发电机健康运行时期的SCADA数据；筛除非正常发电的数据以及其他已知故障的数据，用四分位法对风速-功率散点图进行数据清洗；
步骤4：从清洗后数据中提取风机运行工况数据与齿轮箱相应测点数据，用滑窗法构造输入样本，输出值为每个节点下个时间点的预测值；输入样本以图的形式输入到图神经网络中训练；
步骤5：根据故障树，用故障表征的预测值与测量值之间欧氏距离作为部件状态指标，在使用移动平均法平滑处理后，用3σ法则从健康时期状态指标中计算出阈值；
步骤6：待测试的SCADA数据按照以上步骤3、步骤4进行数据清洗，删除非正常工作数据和离群数据，构建输入样本；清洗完成的待测数据放入训练好的图卷积神经网络预测模型，得到每个节点的预测结果；
步骤7：根据不同部件查询齿轮箱系统故障树选择对应故障表征，计算表征参数预测结果与测量值之间的欧氏距离作为状态指标；将得到的状态指标进行平滑处理，之后与阈值作比较判断齿轮箱是否异常。
进一步的，齿轮箱系统故障树是在分析齿轮箱润滑油路结构及其循环过程基础上，由典型故障发生时其油路上各测点数值变化情况组成。
进一步的，与齿轮箱内测点没有直接物理联系的风电机运行相关工况参数，通过计算工况参数与齿轮箱内各测点之间的重要度，取重要度高的工况参数加入到初步图结构。
进一步的，步骤2中利用随机森林计算重要度，具体为使用基于袋外检测计算工况参数与齿轮箱内各测点之间的重要度。
进一步的，利用权利要求4中得到的重要度对每个齿轮箱内测点进行归一化处理，选取重要度较大的工况参数加入到图结构，再根据能量传递关系确定节点之间边的方向，得到齿轮箱系统完整图结构。
进一步的，步骤3中四分位法对风速-功率散点图进行数据清洗具体步骤为：将数据按每0.1m/s的风速间隔划分多个小区间，对每个风速区间，分别计算统计功率序列的第一分位点Q1和第三分位点Q3，并计算分位距I=Q3-Q1，按照计算的Q1、Q3和I，清除功率小于Q1-1.5I和大于Q3+1.5I的数据。
进一步的，步骤4中，图神经网络结构由图卷积层、图注意力层和全连接层组成，图卷积块为图卷积层与图注意力层的堆叠，数据依次经过图卷积层和图注意力层运算输出，其中每一层的运算结果拼接后再传入下一层,在最后一个图注意力层后接一个全连接层，全连接块为5层线性层，第一层的输入维度与图注意力层输出展平后的维度相同，最后一层的输出为1维，其余中间层均为128维，每层用PReLU函数激活。
进一步的，步骤4中图神经网络结构的损失函数公式为：，其中y为节点原始测量值，/>为模型预测输出值，n为样本数量。
进一步的，步骤5中用故障表征的预测值与测量值之间欧氏距离作为部件状态指标x的计算公式为：，式中K为故障表征个数。
进一步的，状态指标阈值计算公式为：
，公式中μ和σ分别表示健康运行时期经平滑处理后的状态指标的均值和标准差。
本发明的有益效果为，提出了齿轮箱系统图数据构建方法，利用图卷积神经网络挖掘齿轮箱内不同测点数据之间的因果联系，提取齿轮箱内测点间的空间位置信息，提高了齿轮箱系统中相关测点预测的合理性，使模型在不同故障类型中具有良好适用性。
附图说明
图 1表示基于图卷积神经网络的风电齿轮箱系统故障预警方法的流程图。
图 2表示齿轮箱系统故障树。
图 3表示根据齿轮箱内物理结构初步构建的图结构。
图 4表示加入工况参数后的图结构。
图 5表示图神经网络具体结构与参数。
图 6表示某风场36号机组齿轮箱油池温度预测值与测量值趋势图。
图 7表示某风场36号机组齿轮箱进口油温预测值与测量值趋势图。
图 8表示某风场36号机组齿轮箱冷却水温度预测值与测量值趋势图。
图 9表示某风场36号机组温控阀健康状态指标变化情况。
图 10表示某风场43号机组滤芯状态指标变化情况。
具体实施方式
下面结合附图对本发明的较佳的两个实施例进行详细阐述，以使本发明的优点和特性能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清除明确的界定。
如图 1所示，是基于图卷积神经网络的风电齿轮箱系统故障预警方法的流程图。实施例1数据来自实际某2.0MW机型风场36号风电机组的SCADA数据，时间从2018年4月份至2019年1月份。维修工单显示2019年1月12日36号机组齿轮箱主轴前轴承超温，上机检查判断为温控阀异常。
实施例2数据来自实际某2.0MW机型风场43号风电机组的SCADA数据，时间从2020年1月份至2020年8月份。维修工单显示2020年8月12日43号机组于8月12日齿轮箱内齿圈工作面剥落严重，导致滤芯堵塞。
实施例1：针对温控阀故障本发明的实施过程包括如下步骤：
S1：根据风力发电机物理结构与运行原理，分析典型故障的故障机理并构建齿轮箱系统故障树，如图 2所示，根据测点位置与能量传递关系，初步构建图结构，如图 3所示；
S2：利用随机森林计算工况参数对齿轮箱内各测点的重要度，将得到的重要度结果对每个齿轮箱内测点进行归一化处理，结果如表1所示，选取重要度大于0.2的工况参数作为图结构上的相邻接点加入到图结构，再根据能量传递关系确定节点之间边的方向，得到完整的图结构，如图 4所示；
S3：提取风力发电机健康运行时期的SCADA数据，训练数据取2018年4月至2018年11月健康时期数据，包括以下参数：
齿轮箱系统相应测点：主轴前后轴承温度、高速轴前后端温度、齿轮箱油池温度、齿轮箱冷却水温度、齿轮箱进口油温度和滤芯前后油压；
工况相关参数：风速、风向、有功功率、桨距角、风轮转速、发电机转速和环境温度；
S4：进行数据清洗：
筛除非正常发电的数据，即有功功率、发电机转速或风速为0的数据；
筛除弃风限电数据，挑出有功功率小于0.9倍额定功率并且桨距角大于2°的数据；
筛除其他已知故障的数据；
用四分位法对风速-功率散点图进行数据清洗，将数据按每0.1m/s的风速间隔划分多个小区间，对每个风速区间，分别计算统计功率序列的第一分位点Q1和第三分位点Q3，并计算分位距I=Q3-Q1，按照计算的Q1、Q3和I，清除功率小于Q1-1.5I和大于Q3+1.5I的数据；
S5：数据经过清洗后，用滑窗法构造输入样本，取滑窗长度为6，之后每个节点特征纵向拼接一个长度为8的嵌入向量，得到节点输入特征。嵌入向量拼接到每个节点滑窗序列之后，用于区分不同节点的空间位置，嵌入向量通过Pytorch中Embedding函数获得，各节点输入特征横向拼接得到输入样本，模型输出值为各节点参数下10分钟的值；
S6：输入样本以图的形式输入到图神经网络中训练，模型网络结构如图 5所示，损失函数为MSE均方差损失函数，公式为：；
S7：根据故障树，用故障表征的预测值与测量值之间欧氏距离作为部件状态指标x：，式中K为故障表征个数。先将原始状态指标按照每小时取平均降采样，再做移动平均平滑：/>，T取5为移动窗口长度，x t 为原始状态指标，/>为平滑后的状态指标。经过平滑处理后，计算健康时期状态指标的阈值，阈值计算公式为：，公式中μ、σ分别表示健康运行时期经平滑处理后的状态指标z的均值和标准差，计算得到的阈值为7.17；
S8：测试时，测试数据取2018年4月至2019年2月，选择参数同S3，待测试的SCADA数据按S4、S5进行数据清洗，删除非正常工作数据和离群数据，构建输入样本；
S9：测试时，S8清洗好的待测数据放入训练好的图卷积神经网络预测模型，得到每个节点的预测结果；
S10：测试时，根据工单所述温控阀故障，查询齿轮箱系统故障树选择温控阀故障对应故障表征，选取齿轮箱油池温度、齿轮箱冷却水温度和齿轮箱进口油温度预测值，预测结果如图 6~图 8所示，计算预测结果与测量值之间的欧氏距离作为状态指标；
S11：测试时，将得到的状态指标进行S7中相同的平滑处理，之后与S7中得到的健康状态下阈值作比较，图 9为该机组温控阀健康状态指标变化情况，2018年12月之后状态指标明显超过阈值，模型发出预警，提前人工40天发现故障。
实施例2：针对滤芯堵塞故障本发明的实施过程包括如下S：
S1：根据风力发电机物理结构与运行原理，分析典型故障的故障机理并构建齿轮箱系统故障树，如图 2所示，根据测点位置与能量传递关系，初步构建图结构，如图 3所示；
S2：利用随机森林法计算工况参数与齿轮箱内测点的重要度，将得到的重要度结果对每个齿轮箱内测点进行归一化处理，结果如表1所示，表1表示经过归一化处理后，工况参数对齿轮箱内各测点的重要度。
表1
选取重要度大于0.2的工况参数作为图结构上的相邻接点加入到图结构，再根据能量传递关系确定节点之间边的方向，得到完整的图结构，如图 4所示；
S3：提取风力发电机健康运行时期的SCADA数据，训练数据取2020年1月至2020年6月健康时期数据，包括以下参数：
齿轮箱系统相应测点：主轴前后轴承温度、高速轴前后端温度、齿轮箱油池温度、齿轮箱冷却水温度、齿轮箱进口油温度和滤芯前后油压；
工况相关参数：风速、风向、有功功率、桨距角、风轮转速、发电机转速和环境温度；
S4：进行数据清洗：
筛除非正常发电的数据，即有功功率、发电机转速或风速有为0的数据；
筛除弃风限电数据，挑出有功功率小于0.9倍额定功率并且桨距角大于2°的数据；
筛除其他已知故障的数据；
用四分位法对风速-功率散点图进行数据清洗，将数据按每0.1m/s的风速间隔划分多个小区间，对每个风速区间，分别计算统计功率序列的第一分位点Q1和第三分位点Q3，并计算分位距I=Q3-Q1，按照计算的Q1、Q3和I，清除功率小于Q1-1.5I和大于Q3+1.5I的数据；
S5：数据经过清洗后，用滑窗法构造输入样本，取滑窗长度为6，之后每个节点特征纵向拼接一个长度为8的嵌入向量，得到节点输入特征。嵌入向量拼接到每个节点滑窗序列之后，用于区分不同节点的空间位置，嵌入向量通过Pytorch中Embedding函数获得；各节点输入特征横向拼接得到输入样本，模型输出值为各节点参数下10分钟的值；
S6：输入样本以图的形式输入到图神经网络中训练，图神经网络结构如图 5所示，损失函数为MSE均方差损失函数，公式为：；
S7：根据故障树，用故障表征的预测值与测量值之间欧氏距离作为部件状态指标x：，式中K为故障表征个数。先将原始状态指标按照每小时取平均降采样，再做移动平均平滑：/>，T取5为移动窗口长度，x t 为原始状态指标，/>为平滑后的状态指标。经过平滑处理后，计算健康时期状态指标的阈值，阈值计算公式为：，公式中μ、σ分别表示健康运行时期经平滑处理后的状态指标z的均值和标准差，计算得到的阈值为0.73；
S8：测试时，测试数据取2020年1月至2020年8月，选择参数同S3，待测试的SCADA数据按S4、S5进行数据清洗，删除非正常工作数据和离群数据，构建输入样本；
S9：测试时，S8清洗好的待测数据放入训练好的图卷积神经网络预测模型，得到每个节点的预测结果；
S10：测试时，根据工单所述滤芯故障，查询齿轮箱系统故障树选择滤芯故障对应故障表征，选取齿轮箱油泵出口压力和齿轮箱进口压力，计算预测结果与测量值之间的欧氏距离作为状态指标；
S11：测试时，将得到的状态指标进行S7中相同的平滑处理，之后与S7中得到的健康状态下阈值作比较，图 10为43机组滤芯健康状态指标变化情况，2020年7月10日之后状态指标明显超过阈值，模型发出预警，提前人工32天发现故障。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内所作的任何修改、同等替换、改进等，均应包含的本发明的保护范围之内。
Claims (10)
1.一种运用图卷积神经网络诊断风电齿轮箱故障的方法，其特征在于，所述方法具体包括以下步骤：
步骤1：根据风力发电机物理结构与运行原理，分析典型故障的故障机理并构建齿轮箱系统故障树，根据测点位置与能量传递关系构建初步图结构；
步骤2：利用随机森林计算工况参数对齿轮箱系统内参数的重要度，并在初步图结构上为重要度大的两种参数连接边，根据其能量传递方向确定边的方向，得到齿轮箱系统完整图结构；
步骤3：提取风力发电机健康运行时期的SCADA数据；筛除非正常发电的数据以及其他已知故障的数据，用四分位法对风速-功率散点图进行数据清洗；
步骤4：从清洗后数据中提取风机运行工况数据与齿轮箱相应测点数据，用滑窗法构造输入样本，输出值为每个节点下个时间点的预测值；输入样本以图的形式输入到图神经网络中训练；
步骤5：根据故障树，用故障表征的预测值与测量值之间欧氏距离作为部件状态指标，在使用移动平均法平滑处理后，用3σ法则从健康时期状态指标中计算出阈值；
步骤6：待测试的SCADA数据按照以上步骤3、步骤4进行数据清洗，删除非正常工作数据和离群数据，构建输入样本；清洗完成的待测数据放入训练好的图卷积神经网络预测模型，得到每个节点的预测结果；
步骤7：根据不同部件查询齿轮箱系统故障树选择对应故障表征，计算表征参数预测结果与测量值之间的欧氏距离作为状态指标；将得到的状态指标进行平滑处理，之后与阈值作比较判断齿轮箱是否异常。
2.根据权利要求1中所述的一种运用图卷积神经网络诊断风电齿轮箱故障的方法，其特征在于，齿轮箱系统故障树是在分析齿轮箱润滑油路结构及其循环过程基础上，由典型故障发生时其油路上各测点数值变化情况组成。
3.根据权利要求1中所述的一种运用图卷积神经网络诊断风电齿轮箱故障的方法，其特征在于，与齿轮箱内测点没有直接物理联系的风电机运行相关工况参数，通过计算工况参数与齿轮箱内各测点之间的重要度，取重要度高的工况参数加入到初步图结构。
4.根据权利要求1中所述的一种运用图卷积神经网络诊断风电齿轮箱故障的方法，其特征在于，步骤2中利用随机森林计算重要度，具体为使用基于袋外检测计算工况参数与齿轮箱内各测点之间的重要度。
5.根据权利要求1中所述的一种运用图卷积神经网络诊断风电齿轮箱故障的方法，其特征在于，利用权利要求4中得到的重要度对每个齿轮箱内测点进行归一化处理，选取重要度较大的工况参数加入到图结构，再根据能量传递关系确定节点之间边的方向，得到齿轮箱系统完整图结构。
6.根据权利要求1中所述的一种运用图卷积神经网络诊断风电齿轮箱故障的方法，其特征在于，步骤3中四分位法对风速-功率散点图进行数据清洗具体步骤为：将数据按每0.1m/s的风速间隔划分多个小区间，对每个风速区间，分别计算统计功率序列的第一分位点Q1和第三分位点Q3，并计算分位距I=Q3-Q1，按照计算的Q1、Q3和I，清除功率小于Q1-1.5I和大于Q3+1.5I的数据。
7.根据权利要求1中所述的一种运用图卷积神经网络诊断风电齿轮箱故障的方法，其特征在于，步骤4中，图神经网络结构由图卷积层、图注意力层和全连接层组成，图卷积块为图卷积层与图注意力层的堆叠，数据依次经过图卷积层和图注意力层运算输出，其中每一层的运算结果拼接后再传入下一层,在最后一个图注意力层后接一个全连接层，全连接块为5层线性层，第一层的输入维度与图注意力层输出展平后的维度相同，最后一层的输出为1维，其余中间层均为128维，每层用PReLU函数激活。
8.根据权利要求3中所述的一种运用图卷积神经网络诊断风电齿轮箱故障的方法，其特征在于，步骤4中图神经网络结构的损失函数公式为：，其中y为节点原始测量值，/>为模型预测输出值，n为样本数量。
9.根据权利要求1中所述的一种运用图卷积神经网络诊断风电齿轮箱故障的方法，其特征在于，步骤5中用故障表征的预测值与测量值之间欧氏距离作为部件状态指标x的计算公式为：，式中K为故障表征个数。
10.根据权利要求1中所述的一种运用图卷积神经网络诊断风电齿轮箱故障的方法，其特征在于，状态指标阈值计算公式为：
，公式中μ和σ分别表示健康运行时期经平滑处理后的状态指标的均值和标准差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310704137.4A CN116609055A (zh) | 2023-06-14 | 2023-06-14 | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310704137.4A CN116609055A (zh) | 2023-06-14 | 2023-06-14 | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116609055A true CN116609055A (zh) | 2023-08-18 |
Family
ID=87683596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310704137.4A Pending CN116609055A (zh) | 2023-06-14 | 2023-06-14 | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116609055A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976650A (zh) * | 2023-09-21 | 2023-10-31 | 常州易管智能科技有限公司 | 一种基于大数据的电网精益化管理调控方法 |
| CN117319451A (zh) * | 2023-11-28 | 2023-12-29 | 爱瑞克(大连)安全技术集团有限公司 | 基于多模态大数据的城市级消防物联网监管系统及其方法 |
-
2023
- 2023-06-14 CN CN202310704137.4A patent/CN116609055A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976650A (zh) * | 2023-09-21 | 2023-10-31 | 常州易管智能科技有限公司 | 一种基于大数据的电网精益化管理调控方法 |
| CN116976650B (zh) * | 2023-09-21 | 2023-12-12 | 常州易管智能科技有限公司 | 一种基于大数据的电网精益化管理调控方法 |
| CN117319451A (zh) * | 2023-11-28 | 2023-12-29 | 爱瑞克(大连)安全技术集团有限公司 | 基于多模态大数据的城市级消防物联网监管系统及其方法 |
| CN117319451B (zh) * | 2023-11-28 | 2024-02-27 | 爱瑞克(大连)安全技术集团有限公司 | 基于多模态大数据的城市级消防物联网监管系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
| CN110410282A (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
| CN111537219B (zh) | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 | |
| CN112834211A (zh) | 一种风电机组传动系统故障预警方法 | |
| CN103711645A (zh) | 基于建模参数特征分析的风力发电机组状态评估方法 | |
| CN112487910A (zh) | 核电汽轮机系统故障预警方法及系统 | |
| CN111415070A (zh) | 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法 | |
| CN113780375B (zh) | 一种基于数字孪生的虚实交互风电场风力监测系统及应用 | |
| CN105956785A (zh) | 一种风力发电机组运行状态评判方法 | |
| CN109356798B (zh) | 一种基于协整分析的风力发电机齿轮箱状态监测方法 | |
| CN112417612B (zh) | 风电齿轮箱退化状态跟踪与失效聚集风险评估方法 | |
| CN112949181A (zh) | 一种多源关联数据的预警预测方法、存储介质及电子设备 | |
| Zhu et al. | Operational state assessment of wind turbine gearbox based on long short-term memory networks and fuzzy synthesis | |
| CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
| CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
| CN117649044A (zh) | 一种海上风电机组多维度量化状态评估方法 | |
| CN117365677A (zh) | 一种汽轮机组性能健康状态评价方法 | |
| CN114607571A (zh) | 一种运用润滑系统监测的海上风电齿轮箱故障识别方法及系统 | |
| CN115326393A (zh) | 一种基于温度信息的风电机组轴承对故障诊断方法 | |
| Song et al. | Anomaly detection of wind turbine generator based on temporal information | |
| CN110334951B (zh) | 一种风电机组高温降容状态的智能评估方法及系统 | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| CN114295367A (zh) | 一种风电机组齿轮箱工况在线监测方法 | |
| CN113111314A (zh) | 一种基于多机组协同的并网风电机组健康状态评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |