CN116720104A - 一种风力发电机齿轮箱输出轴故障预测方法 - Google Patents
一种风力发电机齿轮箱输出轴故障预测方法 Download PDFInfo
- Publication number
- CN116720104A CN116720104A CN202310625907.6A CN202310625907A CN116720104A CN 116720104 A CN116720104 A CN 116720104A CN 202310625907 A CN202310625907 A CN 202310625907A CN 116720104 A CN116720104 A CN 116720104A
- Authority
- CN
- China
- Prior art keywords
- value
- output shaft
- temperature
- working condition
- residual
- 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 21
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
Abstract
本发明涉及一种风力发电机齿轮箱输出轴故障预测方法,包括如下步骤:将SCADA系统采集的运行监测参数分为训练集、测试集和验证集,其中测试集和训练集是在正常状态下采集的数据,验证集既有正常状态下的数据集,也包含有异常状态下的数据集;通过各工况参数与齿轮箱输出轴温度的相关性分析,计算各工况参数对齿轮箱输出轴温度的累计贡献率,然后提取出主要的相关工况参数;齿在主要相关工况参数的基础上,选用考虑时序序列的循环神经网络LSTM对齿轮箱输出轴温度趋势进行预测;根据观测值和预测值的残差时间序列,计算出残差序列的均值和标准值,并根据3σ准则,设定故障预警上下限阈值;计算出验证集的残差序列并定量分析故障预警模型的有效性。
Description
技术领域
本发明涉及风机发电机故障预测领域,尤其涉及一种风力发电机齿轮箱输出轴故障预测方法。
技术背景
风力发电机齿轮箱又叫增速齿轮箱,是风力发电机动力传递的核心装置,其主要功能是将风轮在风力作用下所产生的动力传递给发电机使其得到相应的转速;整个齿轮箱系统是一个包含有主输出轴、齿轮、转动轴以及箱体结构等机械部件的复杂动力系统;齿轮箱输出轴作为承载齿轮主轴的载体,可以直接反映主轴与输出轴的啮合状态,间接反映齿轮箱的运行状态;温度是反映零部件工作状态的最基本参数之一,温度的变化和分布情况可以反映出零部件的工作状况,如摩擦、碰撞、泄漏等都与温度有关;通过检测输出轴的温度变化来判断输出轴的工作状态,它具有简单、成熟和易于实现等特点;在故障发生以前,系统的各物理特征会显示出异常信息,系统偏离正常运行状态,开始进入异常运行状态,如果没有采取相应的措施,将会导致系统发生故障;如果对早期的各物理参数进行监测和相关的分析,预测出异常运行状态,就可以避免故障的发生,如何对风力发电机齿轮箱输出轴故障进行精准的预测成为了亟待解决的技术难题。
发明内容
本发明的目的是提供一种风力发电机齿轮箱输出轴故障预测方法,构建故障预警模型,实现早期风力发电机异常状态的精准预测。
为了实现以上目的,本发明采用的技术方案为:一种风力发电机齿轮箱输出轴故障预测方法,包括如下步骤:
步骤一、数据集分类,将SCADA系统采集的运行监测参数分为训练集、测试集和验证集,其中测试集和训练集是在正常状态下采集的数据,验证集既有正常状态下的数据集,也包含有异常状态下的数据集;步骤二:提取主要的相关工况参数,通过各工况参数与齿轮箱输出轴温度的相关性分析,计算各工况参数对齿轮箱输出轴温度的累计贡献率,然后提取出主要的相关工况参数;
步骤三:齿轮箱输出轴温度趋势预测,在主要相关工况参数的基础上,选用考虑时序序列的循环神经网络LSTM对齿轮箱输出轴温度趋势进行预测;
步骤四:残差正态分布,根据观测值和预测值的残差时间序列,计算出残差序列的均值和标准值,并根据3σ准则,设定故障预警上下限阈值;
步骤五:定量预测评估,重复步骤三和步骤四,计算出验证集的残差序列并定量分析故障预警模型的有效性。
优选的,采用LSTM的网络模型进行齿轮箱输出轴温度的趋势预测模型的具体构建步骤如下:
1)模型的输入和理论输出:将训练集即风力发电机各主要运行工况X={x1,x2,…,xi}作为网络结构的输入,将齿轮箱输出轴温度Y={y1,y2,…,yi}作为其对应的输出值;
2)LSTM网络初始化:给定均匀分布在(0,1)之间的初始权重值矩阵,并设置最大迭代训练次数和最小误差值;
3)前向传播网络:将X作为LSTM的输入数据,隐藏层包括n个按时间顺序排列的长短时记忆块,经过学习,获得记忆块隐藏层的输出,其中,ci和hi分别为前一个样本层的细胞状态和隐含层输出;
4)前馈神经网络:将隐含层记忆块的信息输出作为输出层的输入,经过sigmoid激活函数的计算,得到预测值Y′={y′1,y′2,…,y′i},将预测值与理论值的误差作为损失函数,通过梯度下降法调整输出层和隐含层、隐含层和输入层的权重,使网络误差不断减小,从而实现网络的优化;
5)训练的终止:当训练次数或误差值达到预设定值时,模型停止训练。
优选的,莱以特准则(3σ准则)假设测量数据足够大,且测量数据与其总体期望值的偏差服从正态分布,那么μ+3σ和μ-3σ可以作为该参数的上下阈值;根据正态分布特点,如果测量值落在上下限制的区间内,那么置信水平p=99.73%;反之,如果测量值在上下限值区间之外,则认为此测量值超出正常范围,判定为异常数据;根据3σ准则,在一次检测中,如果观测量在(μ+3σ,μ-3σ)区间范围内,那么认为是正常状态,区间之外,那么就判定为异常状态;
残差序列的变化可以较为直观地反映风力发电机异常状态和正常状态的变化,以测试集样本的均值μ和方差σ2作为残差正态分布的均值μ和方差σ2的估计值,来进行故障预警上下限(μ±3σ)的设定;正常状态下,故障预警模型中温度残差序列为:
εG=[ε1ε2…εn]
残差序列的均值和标准值:
其中,n为残差序列的样本数目。
本发明的技术效果为:对风力发电机SCADA系统存储的历史监测数据进行深入挖掘,结合互信息理论,分析风力发电机各种工况参数与齿轮箱输出轴温度的相关关系,并根据对输出轴温度趋势变化的贡献度,提取出与输出轴温度变化趋势相关的主要相关工况参数;并采用具有记忆时序信息的循环神经网络建立基于主要相关工况参数的齿轮箱输出轴温度预测模型,预测出齿轮箱输出轴的变化趋势;根据预测结果,分析预测值与观测值的残差分析,引入莱以特准则,计算出基于残差概率分布的故障预警阈值,建立基于残差均值和标准差的故障预警模式,实现早期风力发电机异常状态的精准预测。
附图说明
图1为基于LSTM结构的齿轮箱输出轴温度趋势预测模型。
图2为莱以特准则概率分布示意图。
图3为齿轮箱故障预测模型。
具体实施方式
为了使本领域技术人员更好地理解本发明的技术方案,下面对本发明进行详细描述,本部分的描述仅是示范性和解释性,不应对本发明的保护范围有任何的限制作用。
本申请一种风力发电机齿轮箱输出轴故障预测方法,具体方法如下:
一种风力发电机齿轮箱输出轴故障预测方法,包括如下步骤:步骤一、数据集分类,将SCADA系统采集的运行监测参数分为训练集、测试集和验证集,其中测试集和训练集是在正常状态下采集的数据,验证集既有正常状态下的数据集,也包含有异常状态下的数据集;步骤二:提取主要的相关工况参数,通过各工况参数与齿轮箱输出轴温度的相关性分析,计算各工况参数对齿轮箱输出轴温度的累计贡献率,然后提取出主要的相关工况参数;
步骤三:齿轮箱输出轴温度趋势预测,在主要相关工况参数的基础上,选用考虑时序序列的循环神经网络LSTM对齿轮箱输出轴温度趋势进行预测;
步骤四:残差正态分布,根据观测值和预测值的残差时间序列,计算出残差序列的均值和标准值,并根据3σ准则,设定故障预警上下限阈值;
步骤五:定量预测评估,重复步骤三和步骤四,计算出验证集的残差序列并定量分析故障预警模型的有效性。
相关性分析
相关性分析是对两个或者多个具备相关性的变量元素进行分析,从而衡量两个变量因素的密切相关程度;为了衡量各工况参数与风力发电机齿轮箱输出轴温度的相关密切程度,首先衡量随机变量之间的相关关系的几种指标:
(1)Pearson相关系
Pearson相关系数也称Pearson积矩相关系数(Pearson CorrelationCoefficient,PCC),是一种统计学方法,可以定量地衡量随机变量之间的线性关系。
假设两个随机变量xi和yi分别为总样本X和Y的第i个样本,样本的Pearson系数用来衡量随机变量线性关系的强弱,数学表达式为:
其中和/>分别是随机变量X和Y的平均值;Pearson系数r的取值范围为[-1,1];如果Pearson系数r>0,表明随机变量X和Y之间是直接相关的,即一个随机变量的值随另一个随机变量的值变大而变大。当r越接近于1,则它们之间的正相关性越强;如果Pearson系数r<0,表明随机变量X和Y之间是直接相关的负相关的,即一个随机变量的值随另一个随机变量的值变大而变大。当r越接近于-1,它们之间的负相关性越强;若Pearson系数r=0,则认为随机变量X和Y之间没有线性关系。线性变化不会影响Pearson相关系数的结果,因为这种关联性度量是衡量随机变量之间的变化趋势。
(2)最大信息系数
最大信息系数(Maximal Information Coefficient,MIC)不仅用于度量两个随机变量的线性和非线性关系,而且可以广泛地挖掘出变量间的非函数依赖关系。
MIC方法的核心思想是:若两个随机变量间存在某种函数关系,那么我们就可以在这两个变量所组成的散点图上绘制网格以把这些数据点分开并封闭该函数关系。基于此思想,最大信息系数法主要是利用互信息理论(信息论里一种有用的信息度量,可以度量两个事件集合之间的相关性)和网格划分法进行计算,它首先将随机变量X和Y中的数据组成有序数对,并在这两个随机变量的散点图上绘制网格。假如先将二维平面的散点图分为2×2个的网格,然后调整网格的分布以使水平和垂直方向的网格能表示最大的互信息(粗略地,可直观地认为使用最少的网格总面积来封闭最多的函数点),记此时的互信息为m2,2。然后将这些互信息值进行标准化处理,以确保不同维度的网格之间所对应的最大互信息能基于同一水准上公平比较,并获在0~1之间的修改值;到平面被分成x×y个网格时,我们获得一个由各个最大互信息组成的x-1行、y-1列的特征矩阵M={mx,y};最后,最大信息数可定义为特征矩阵M的最大值。在实际应用中,网格数不会达到理想状态,一般建议建议网格数xy=n0.6(n为样本大小)。
MIC的数学原理:对于给定包含n个样本的有限二元数据集D={(xi,yi)}∈R2为一个有限的有序对的集合,那么关于D的MIC可定义为:
其中,B(n)为xy网格数量的上限(对于某一个ε,ω(1)<B(n)<O(n1-ω),0<ω<1,通常取B(n)=n0.6),MI(D)为D的特征矩阵,其定义为:
其中,MI*是包含于有限二元数据集D的最大互信息。即
MI*(D,x,y)=maxMI(D|G), (5.4)
其中,G为包含x列,y行的网格。对于网格G中的每个单元,取落在单元中的点数占总点数的比例作为该单元的概率,可以得到数据集D在网格G上的概率分布D|G。由于网格划分的位置不同,分割后的网格的MI(D|G)也不同,从中取出最大的值,即为MI*(D,x,y)。数据给定随机变量X={xi,i=1,2,…,n}和Y={yi,i=1,2,…,n},n为样本总量,其互信息的计算公式可以定义为:
其中,p(x,y)为随机变量X与随机变量Y的联合概率密度函数。p(x)和p(y)分别为随机变量X与随机变量Y的边缘概率密度。MIC的取值在0到1之间,若MIC=0,表示彼此间完全独立,没有相关关系;若MIC=1表示两者之间具有相当确定的关系。
从以上综述来看,最大信息系数不仅能够度量线性、非线性、非函数关系等多种依赖关系,也就能够挖掘特征与类别以及特征间的依赖关系;而Pearson相关系数在衡量随机变量之间的线性关系时更合适;由于风力发电机齿轮箱输出轴温度变量与工况参数之间呈现出非线性趋势,因此最大相关系数更适合衡量输出轴温度与其他工况参数之间的非线性相关关系。
基于LSTM的齿轮箱输出轴温度趋势预测
齿轮箱输出轴温度的预测不仅考虑当前时刻的温度,还需要考虑前后时刻的温度状态。因此,要想建立动态的齿轮箱输出轴温度趋势预测模型,不能只考虑某一时刻的运行信息,也需要从时间序列的角度分析并建立模型,从而分析状态信息,实现温度趋势的准确预测[63]。结合前文提到的长短时记忆网络的特性,本文采用LSTM的网络模型进行齿轮箱输出轴温度的趋势预测模型(如图1所示)。
模型的具体构建步骤如下:
1)模型的输入和理论输出:将训练集即风力发电机各主要运行工况X={x1,x2,…,xi}作为网络结构的输入,将齿轮箱输出轴温度Y={y1,y2,…,yi}作为其对应的输出值;
2)LSTM网络初始化:给定均匀分布在(0,1)之间的初始权重值矩阵。并设置最大迭代训练次数和最小误差值;
3)前向传播网络:将X作为LSTM的输入数据,隐藏层包括n个按时间顺序排列的长短时记忆块,经过学习,获得记忆块隐藏层的输出;其中,ci和hi分别为前一个样本层的细胞状态和隐含层输出。
4)前馈神经网络:将隐含层记忆块的信息输出作为输出层的输入,经过sigmoid激活函数的计算,得到预测值Y′={y′1,y′2,…,y′i}。将预测值与理论值的误差作为损失函数,通过梯度下降法调整输出层和隐含层、隐含层和输入层的权重,使网络误差不断减小,从而实现网络的优化。
5)训练的终止:当训练次数或误差值达到预设定值时,模型停止训练。
基于残差分布的健康状态评价原理
正常状态下,预测值与实际值之间的残差值总是在一定范围内无序波动,虽然偶然会出现较大的偏差,但不会形成趋势;当齿轮箱工作异常时,其输出轴的温度动态特性就会偏离正常工作空间,正常状态下训练完成的LSTM预测模型,无法给出精确的预测值,残差分布特性就发生变化;一旦残差持续增大并超出了可接受范围,则认为存在异常因素使得齿轮箱的运行状态出现变化,齿轮箱或者风力发电机可能出现了异常或故障。
莱以特准则(3σ准则)假设测量数据足够大,且测量数据与其总体期望值的偏差服从正态分布,那么μ+3σ和μ-3σ可以作为该参数的上下阈值。根据正态分布特点,如果测量值落在上下限制的区间内,那么置信水平p=99.73%;反之,如果测量值在上下限值区间之外,则认为此测量值超出正常范围,判定为异常数据(如图2所示)。根据3σ准则,在一次检测中,如果观测量在(μ+3σ,μ-3σ)区间范围内,那么认为是正常状态,区间之外,那么就判定为异常状态。
残差序列的变化可以较为直观地反映风力发电机异常状态和正常状态的变化,以测试集样本的均值μ和方差σ2作为残差正态分布的均值μ和方差σ2的估计值,来进行故障预警上下限(μ±3σ)的设定。正常状态下,故障预警模型中温度残差序列为:
εG=[ε1 ε2 … εn], (5.6)
残差序列的均值和标准值:
其中,n为残差序列的样本数目。
本申请通过建立基于深度学习的风力发电机齿轮箱故障预测模型,根据输出轴温度的真实值与预测值的残差分布,计算出合理的预警阀值,可以对齿轮箱工作的状态进行评估,并对齿轮箱一些潜在性故障进行预测;提前预警可以在故障发生之前察觉故障隐患,及时采取补救措施,防患于未然,避免因风力机意外停机造成的经济损失。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实例的说明只是用于帮助理解本发明的方法及其核心思想。以上所述仅是本发明的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将发明的构思和技术方案直接应用于其它场合的,均应视为本发明的保护范围。
Claims (3)
1.一种风力发电机齿轮箱输出轴故障预测方法,其特征在于,包括如下步骤:
步骤一、数据集分类,将SCADA系统采集的运行监测参数分为训练集、测试集和验证集,其中测试集和训练集是在正常状态下采集的数据,验证集既有正常状态下的数据集,也包含有异常状态下的数据集;
步骤二:提取主要的相关工况参数,通过各工况参数与齿轮箱输出轴温度的相关性分析,计算各工况参数对齿轮箱输出轴温度的累计贡献率,然后提取出主要的相关工况参数;
步骤三:齿轮箱输出轴温度趋势预测,在主要相关工况参数的基础上,选用考虑时序序列的循环神经网络LSTM对齿轮箱输出轴温度趋势进行预测;
步骤四:残差正态分布,根据观测值和预测值的残差时间序列,计算出残差序列的均值和标准值,并根据3σ准则,设定故障预警上下限阈值;
步骤五:定量预测评估,重复步骤三和步骤四,计算出验证集的残差序列并定量分析故障预警模型的有效性。
2.根据权利要求1所述的一种风力发电机齿轮箱输出轴故障预测方法,其特征在于,采用LSTM的网络模型进行齿轮箱输出轴温度的趋势预测模型的具体构建步骤如下:
1)模型的输入和理论输出:将训练集即风力发电机各主要运行工况X={x1,x2,…,xi}作为网络结构的输入,将齿轮箱输出轴温度Y={y1,y2,…,yi}作为其对应的输出值;
2)LSTM网络初始化:给定均匀分布在(0,1)之间的初始权重值矩阵,并设置最大迭代训练次数和最小误差值;
3)前向传播网络:将X作为LSTM的输入数据,隐藏层包括n个按时间顺序排列的长短时记忆块,经过学习,获得记忆块隐藏层的输出,其中,ci和hi分别为前一个样本层的细胞状态和隐含层输出;
4)前馈神经网络:将隐含层记忆块的信息输出作为输出层的输入,经过sigmoid激活函数的计算,得到预测值Y′={y′1,y′2,…,y′i},将预测值与理论值的误差作为损失函数,通过梯度下降法调整输出层和隐含层、隐含层和输入层的权重,使网络误差不断减小,从而实现网络的优化;
5)训练的终止:当训练次数或误差值达到预设定值时,模型停止训练。
3.根据权利要求1所述的一种风力发电机齿轮箱输出轴故障预测方法,其特征在于,莱以特准则(3σ准则)假设测量数据足够大,且测量数据与其总体期望值的偏差服从正态分布,那么μ+3σ和μ-3σ可以作为该参数的上下阈值;根据正态分布特点,如果测量值落在上下限制的区间内,那么置信水平p=99.73%;反之,如果测量值在上下限值区间之外,则认为此测量值超出正常范围,判定为异常数据;根据3σ准则,在一次检测中,如果观测量在(μ+3σ,μ-3σ)区间范围内,那么认为是正常状态,区间之外,那么就判定为异常状态;
残差序列的变化可以较为直观地反映风力发电机异常状态和正常状态的变化,以测试集样本的均值μ和方差σ2作为残差正态分布的均值μ和方差σ2的估计值,来进行故障预警上下限(μ±3σ)的设定;正常状态下,故障预警模型中温度残差序列为:
εG=[ε1ε2…εn]
残差序列的均值和标准值:
其中,n为残差序列的样本数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310625907.6A CN116720104A (zh) | 2023-05-30 | 2023-05-30 | 一种风力发电机齿轮箱输出轴故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310625907.6A CN116720104A (zh) | 2023-05-30 | 2023-05-30 | 一种风力发电机齿轮箱输出轴故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116720104A true CN116720104A (zh) | 2023-09-08 |
Family
ID=87872608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310625907.6A Pending CN116720104A (zh) | 2023-05-30 | 2023-05-30 | 一种风力发电机齿轮箱输出轴故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720104A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390519A (zh) * | 2023-12-06 | 2024-01-12 | 中汽研汽车检验中心(天津)有限公司 | 一种轮毂电机故障情况预测方法 |
CN117972533A (zh) * | 2024-03-29 | 2024-05-03 | 北京易智时代数字科技有限公司 | 一种工业设备的数据处理方法、装置及设备 |
-
2023
- 2023-05-30 CN CN202310625907.6A patent/CN116720104A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390519A (zh) * | 2023-12-06 | 2024-01-12 | 中汽研汽车检验中心(天津)有限公司 | 一种轮毂电机故障情况预测方法 |
CN117390519B (zh) * | 2023-12-06 | 2024-04-09 | 中汽研汽车检验中心(天津)有限公司 | 一种轮毂电机故障情况预测方法 |
CN117972533A (zh) * | 2024-03-29 | 2024-05-03 | 北京易智时代数字科技有限公司 | 一种工业设备的数据处理方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Javed et al. | State of the art and taxonomy of prognostics approaches, trends of prognostics applications and open issues towards maturity at different technology readiness levels | |
CN116720104A (zh) | 一种风力发电机齿轮箱输出轴故障预测方法 | |
Yan et al. | Degradation modeling and remaining useful life prediction for dependent competing failure processes | |
Tautz‐Weinert et al. | Using SCADA data for wind turbine condition monitoring–a review | |
Udo et al. | Data-driven predictive maintenance of wind turbine based on SCADA data | |
CN111709490B (zh) | 一种基于gru神经网络的风机健康状态评估方法 | |
Jouin et al. | Prognostics of PEM fuel cell in a particle filtering framework | |
Zhang et al. | SCADA-data-based wind turbine fault detection: A dynamic model sensor method | |
JP5101396B2 (ja) | 健全性診断方法及びプログラム並びに風車の健全性診断装置 | |
Wu et al. | A hybrid LSTM-KLD approach to condition monitoring of operational wind turbines | |
CN112926273A (zh) | 一种多元退化设备剩余寿命预测方法 | |
US20110106510A1 (en) | Methods, apparatus and computer readable storage mediums for model-based diagnosis | |
CN113614359A (zh) | 用于预测风力涡轮机齿轮箱组件中的可观察损坏的风险的方法和系统 | |
CN110362048A (zh) | 风机关键部件状态监测方法及装置、存储介质和终端 | |
CN109416023B (zh) | 风力涡轮机监视装置、风力涡轮机监视方法、风力涡轮机监视程序以及存储介质 | |
Losi et al. | Anomaly detection in gas turbine time series by means of Bayesian hierarchical models | |
Peng et al. | Wind turbine failure prediction and health assessment based on adaptive maximum mean discrepancy | |
Smarsly et al. | A decentralized approach towards autonomous fault detection in wireless structural health monitoring systems | |
Zurita et al. | Distributed neuro-fuzzy feature forecasting approach for condition monitoring | |
Saidi et al. | Particle filter-based prognostic approach for high-speed shaft bearing wind turbine progressive degradations | |
CN113962253B (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 | |
CN114462820A (zh) | 一种轴承状态监测与健康管理系统性能测试及优化方法和系统 | |
CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
Chacón et al. | Support vector machine for false alarm detection in wind turbine management | |
CN103675357A (zh) | 风速仪故障预警的方法和系统 |
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 |