CN117605627B - 一种风电齿轮箱冷却器芯体漏油检测系统及方法 - Google Patents

一种风电齿轮箱冷却器芯体漏油检测系统及方法 Download PDF

Info

Publication number
CN117605627B
CN117605627B CN202410086398.9A CN202410086398A CN117605627B CN 117605627 B CN117605627 B CN 117605627B CN 202410086398 A CN202410086398 A CN 202410086398A CN 117605627 B CN117605627 B CN 117605627B
Authority
CN
China
Prior art keywords
oil leakage
data
wind power
diffuse reflection
photoelectric signal
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.)
Active
Application number
CN202410086398.9A
Other languages
English (en)
Other versions
CN117605627A (zh
Inventor
曾雷
周国贞
杨芝刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Xunlian Hydraulic Technology Co ltd
Original Assignee
Nanjing Xunlian Hydraulic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Xunlian Hydraulic Technology Co ltd filed Critical Nanjing Xunlian Hydraulic Technology Co ltd
Priority to CN202410086398.9A priority Critical patent/CN117605627B/zh
Publication of CN117605627A publication Critical patent/CN117605627A/zh
Application granted granted Critical
Publication of CN117605627B publication Critical patent/CN117605627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/38—Investigating fluid-tightness of structures by using light
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及漏油检测系统技术领域，公开了一种风电齿轮箱冷却器芯体漏油检测系统及方法，包括设备层、数据库层和控制层，所述设备层包括输入设备和输出设备，所述输入设备包括数据采集装置，所述输出设备包括显示装置和漏油预警装置；所述数据库层用于存储所述系统工作过程中采集的数据；所述控制层包括CPU、漏油检测模块、漏油预测模块和通讯模块，所述漏油检测模块用于检测当前运行周期内风电齿轮箱冷却器芯体是否发生漏油，所述漏油预测模块用于预测下一个运行周期内风电齿轮箱冷却器芯体的各项数据，并检测预测数据中是否有潜在漏油模式。本发明能基于多种数据检测风电齿轮箱冷却器芯体是否漏油，并能预测未来是否会漏油。

Description

一种风电齿轮箱冷却器芯体漏油检测系统及方法
技术领域
本发明涉及漏油检测系统技术领域，特别涉及一种风电齿轮箱冷却器芯体漏油检测系统及方法。
背景技术
风电齿轮箱润滑冷却系统中的冷却器芯体，主要为齿轮箱等传动摩擦发热部件进行冷却降温，使设备始终保持在合理的温度范围内并可以正常运行，由于风电齿轮箱冷却器芯体使用工况恶劣，环境温度昼夜温差大，齿轮箱停机后再运行润滑系统时介质温度温差大，并且需要满足在低温下的连续使用，一旦冷却器芯体出现漏油，润滑系统的压力和流量会降低，齿轮箱及整个风机设备便无法正常工作。因此如何及时检测出风电齿轮箱冷却器芯体是否发生漏油是一项重要的工作。
如授权公告号为CN219573377U的专利提出的一种风电机组齿轮箱的油液泄露监测装置，包括液位计、数据采集处理单元、振荡单元、放大单元、报警单元和电源单元；液位计和数据采集处理单元的输入端连接；数据采集处理单元的第一输出端和振荡单元的输入端连接，其第二输出端和报警单元连接；振荡单元的输出端和放大单元的输入端连接；放大单元的输出端和电源单元连接。该风电机组齿轮箱的油液泄露监测装置通过液位传感器采集的信号状态来监测风电机组齿轮箱是否发生油液泄露，相比于视觉识别漏油，机械式传感器不需要模型训练，且识别精度高，实施简单。但是该专利无法充分利用多种数据检测当前运行周期内是否发生漏油，并基于采集到的数据预测下一个运行周期是否发生漏油。
以上专利均存在本背景技术提出的问题：现阶段的风电齿轮箱漏油检测系统无法可靠地利用多种数据检测是否发生漏油，并且也无法预测未来是否有漏油的风险。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
针对现有技术的不足，本发明的主要目的是提供一种风电齿轮箱冷却器芯体漏油检测系统及方法，能够有效解决背景技术中的问题：现阶段的配电网快速重构分析系统及方法没有充分利用到配电网的拓扑结构，并且也没有结合配电网的拓扑结构分配移动作业平台进行故障校对作业。本发明的具体技术方案如下：
一种风电齿轮箱冷却器芯体漏油检测系统，所述系统包括设备层、数据库层和控制层；所述设备层包括输入设备和输出设备，所述输入设备包括数据采集装置，所述数据采集装置用于采集风电齿轮箱冷却器芯体的数据，所述输出设备包括显示装置和漏油预警装置，所述显示装置用于显示所述系统的分析结果，所述漏油预警装置用于在风电齿轮箱冷却器芯体出现异常时进行预警；所述数据库层用于存储所述系统工作过程中采集的数据；所述控制层包括CPU、漏油检测模块、漏油预测模块和通讯模块。
本发明的进一步改进在于，所述CPU用于对所述系统的运行进行管理控制；所述漏油检测模块用于检测当前运行周期内风电齿轮箱冷却器芯体是否发生漏油；所述漏油预测模块用于预测下一个运行周期内风电齿轮箱冷却器芯体的各项数据，并检测预测数据中是否有潜在漏油模式；所述通讯模块用于在所述系统内部构建通讯网络。
本发明的进一步改进在于，所述数据采集装置被安装在风电齿轮箱冷却器芯体上，用于采集风电齿轮箱冷却器芯体的温度、流量、压力及漫反射光电信号数据，所述风电齿轮箱冷却器芯体的温度、流量、压力和漫反射光电信号数据为时间序列数据，设在一段运行周期内数据采集装置采集的温度、流量、压力和漫反射光电信号数据分别记为、/>、和/>，/>，其中/>表示维度为/>的实数空间，/>为正整数，，/>表示一段周期内包含的时间步总数。
本发明的进一步改进在于，所述漏油检测模块包括漫反射光电信号数据异常检测单元和关联系数检测单元，所述漫反射光电信号数据异常检测单元用于单独检测漫反射光电信号数据是否存在异常，所述漫反射光电信号数据异常检测单元构建一个自动编码器用于检测异常，/>由编码器部分/>和解码器部分/>构成，该自动编码器/>的输入数据为在一段运行周期内数据采集装置采集的漫反射光电信号数据，/>的工作过程如下：
；
；
其中表示编码器输出的编码结果，/>表示解码器输出的重构结果，/>的损失函数为均方误差函数，均方误差函数的工作过程如下：
；
其中表示均方误差函数，所述漫反射光电信号数据异常检测单元为自动编码器/>设置一个异常检测阈值/>用于异常检测，比较所述/>和/>，若/>，则说明当前运行周期的漫反射光电信号数据无异常，反之，若，则说明当前运行周期的漫反射光电信号数据有异常，使用所述输出设备中的漏油预警装置进行预警。
本发明的进一步改进在于，所述关联系数检测单元计算在一段运行周期内数据采集装置采集的温度、流量、压力和漫反射光电信号数据之间的关联系数，根据关联系数的数值确定是否漏油，关联系数计算公式采用皮尔逊相关系数，计算温度数据和漫反射光电信号数据/>之间的关联系数的公式如下：
；
计算流量数据和漫反射光电信号数据/>之间的关联系数的公式如下：
；
计算压力数据和漫反射光电信号数据/>之间的关联系数的公式如下：
；
其中，对于任意两个向量和/>，/>表示向量/>和/>的皮尔逊相关系数，/>，/>表示/>和/>之间的协方差，表示/>的标准差，所述关联系数检测单元设置一个关联系数检测阈值/>，比较所述/>和温度数据/>、流量数据/>、压力数据/>与漫反射光电信号数据/>之间的皮尔逊相关系数，若/>大于计算得到的皮尔逊相关系数，则说明当前运行周期未发生漏油，反之，若/>小于计算得到的皮尔逊相关系数，则说明当前运行周期发生漏油，使用所述输出设备中的漏油预警装置进行预警。
本发明的进一步改进在于，所述漏油预测模块构建一个多元时间序列预测模型，该多元时间序列预测模型以当前运行周期内的各项数据为输入数据，预测下一个运行周期的各项数据，设所述输入数据为，/>为一个矩阵，其中矩阵/>中的每一行分别为/>、、/>和/>，将/>表示为/>，所述多元时间序列预测模型的预测目标是基于/>，生成预测值/>预测。
本发明的进一步改进在于，所述多元时间序列预测模型包括卷积神经网络部分和递归神经网络部分，所述卷积神经网络部分由一层卷积神经网络层构成，所述卷积神经网络层使用一维卷积核进行卷积，输出结果为矩阵，/>，其中/>表示维度为的实数空间，其中/>表示所述卷积神经网络层的卷积核数量，所述卷积神经网络层部分的工作过程如下：
；
其中表示卷积神经网络层运算。
本发明的进一步改进在于，所述递归神经网络部分采用矩阵为输入数据，递归神经网络部分包含三层GRU网络层，设/>的第/>列为/>，/>，其中/>，/>为正整数，/>表示维度为/>的实数空间，将/>输入递归神经网络部分中，输出对应的隐含状态/>，/>，其中/>表示维度为/>的实数空间，/>为所述数据采集装置采集的数据种类总数，/>为所述递归神经网络部分的最终的预测结果，所述递归神经网络部分的工作过程如下：
；
其中表示三层GRU网络层运算。
本发明的进一步改进在于，所述多元时间序列预测模型在训练时使用所述数据采集装置采集的三个周期内的数据构建训练集，通过如下损失函数训练所述多元时间序列预测模型：
；
其中表示训练数据在/>时间步上的真实值，/>表示在/>时间步上的预测值，/>表示向量的F范数。
本发明的进一步改进在于，所述漏油预测模块在得到预测数据之后，使用预训练好的二分类支持向量机，分类预测数据为有异常或无异常，所述分类过程如下：
；
其中表示二分类支持向量机，/>表示分类结果，/>，当/>时，表示预测数据无异常，当/>时，表示预测数据有异常，使用所述输出设备中的漏油预警装置进行预警。
一种风电齿轮箱冷却器芯体漏油检测方法，所述方法包括以下具体步骤：
A1：通过数据采集装置采集当前运行周期内风电齿轮箱冷却器芯体的温度、流量、压力和漫反射光电信号数据；
A2：使用自动编码器检测A1中的漫反射光电信号数据是否有异常，若有异常，使用漏油预警装置进行预警；
A3：计算A1中的温度、流量、压力数据与漫反射光电信号数据的相关系数，根据相关系数判断是否有异常，若有异常，使用漏油预警装置进行预警；
A4：使用多元时间序列预测模型预测得到下一个运行周期内的风电齿轮箱冷却器芯体的预测数据；
A5：使用二分类支持向量机检测A4中的预测数据是否有异常，若有异常，使用漏油预警装置进行预警。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被执行时，实现所述的一种风电齿轮箱冷却器芯体漏油检测方法。
一种设备，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述设备执行实现所述的一种风电齿轮箱冷却器芯体漏油检测方法的操作。
与现有技术相比，本发明具有如下有益效果：
1、本发明通过数据采集装置所采集的风电齿轮箱冷却器芯体的数据，以多种方式可靠地检测风电齿轮箱冷却器芯体是否发生漏油；
2、本发明使用多元时间序列预测模型，可以基于当前运行周期的数据预测下一运行周期的数据，能够为监管人员提供参考；
3、本发明使用机器学习模型，对预测数据进行异常检测，能够有效地检测出预测数据中的异常情况，对在未来可能发生的漏油进行预警。
附图说明
图1为本发明一种风电齿轮箱冷却器芯体漏油检测系统的框架示意图。
图2为本发明一种风电齿轮箱冷却器芯体漏油检测方法的流程图。
图3为本发明一种风电齿轮箱冷却器芯体漏油检测系统及方法的模型结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，字符“/”，一般表示前后关联对象是一种“或”的关系。
实施例1
本实施例提供了一种风电齿轮箱冷却器芯体漏油检测系统，用以解决现阶段的风电齿轮箱漏油检测系统无法可靠地利用多种数据检测是否发生漏油，并且也无法预测未来是否有漏油风险的问题。具体方案为，如图1所示，一种风电齿轮箱冷却器芯体漏油检测系统，该系统包括设备层、数据库层和控制层。所述设备层包括输入设备和输出设备，所述输入设备包括数据采集装置，所述数据采集装置用于采集风电齿轮箱冷却器芯体的数据，所述输出设备包括显示装置和漏油预警装置，所述显示装置用于显示所述系统的分析结果，所述漏油预警装置用于在风电齿轮箱冷却器芯体出现异常时进行预警。所述数据库层用于存储所述系统工作过程中采集的数据。所述控制层包括CPU、漏油检测模块、漏油预测模块和通讯模块。
在本实施例中，所述CPU用于对所述系统的运行进行管理控制；所述漏油检测模块用于检测当前运行周期内风电齿轮箱冷却器芯体是否发生漏油；所述漏油预测模块用于预测下一个运行周期内风电齿轮箱冷却器芯体的各项数据，并检测预测数据中是否有潜在漏油模式；所述通讯模块用于在所述系统内部构建通讯网络。
在本实施例中，所述数据采集装置被安装在风电齿轮箱冷却器芯体上，用于采集风电齿轮箱冷却器芯体的温度、流量、压力及漫反射光电信号数据，所述风电齿轮箱冷却器芯体的温度、流量、压力和漫反射光电信号数据为时间序列数据，设在一段运行周期内数据采集装置采集的温度、流量、压力和漫反射光电信号数据分别记为、/>、/>和/>，，其中/>表示维度为/>的实数空间，/>为正整数，/>，/>表示一段周期内包含的时间步总数。
在本实施例中，所述漏油检测模块包括漫反射光电信号数据异常检测单元和关联系数检测单元，所述漫反射光电信号数据异常检测单元用于单独检测漫反射光电信号数据是否存在异常，所述漫反射光电信号数据异常检测单元构建一个自动编码器用于检测异常，/>由编码器部分/>和解码器部分/>构成，该自动编码器/>的输入数据为在一段运行周期内数据采集装置采集的漫反射光电信号数据/>，/>的工作过程如下：
；
；
其中表示编码器输出的编码结果，/>表示解码器输出的重构结果，/>的损失函数为均方误差函数，均方误差函数的工作过程如下：
；
其中表示均方误差函数，所述漫反射光电信号数据异常检测单元为自动编码器/>设置一个异常检测阈值/>用于异常检测，比较所述/>和/>，若/>，则说明当前运行周期的漫反射光电信号数据无异常，反之，若，则说明当前运行周期的漫反射光电信号数据有异常，使用所述输出设备中的漏油预警装置进行预警。
在本实施例中，所述关联系数检测单元计算在一段运行周期内数据采集装置采集的温度、流量、压力和漫反射光电信号数据之间的关联系数，根据关联系数的数值确定是否漏油，关联系数计算公式采用皮尔逊相关系数，计算温度数据和漫反射光电信号数据之间的关联系数的公式如下：
；
计算流量数据和漫反射光电信号数据/>之间的关联系数的公式如下：
；
计算压力数据和漫反射光电信号数据/>之间的关联系数的公式如下：
；
其中，对于任意两个向量和/>，/>表示向量/>和/>的皮尔逊相关系数，/>，/>表示/>和/>之间的协方差，表示/>的标准差，所述关联系数检测单元设置一个关联系数检测阈值/>，比较所述/>和温度数据/>、流量数据/>、压力数据/>与漫反射光电信号数据/>之间的皮尔逊相关系数，若/>大于计算得到的皮尔逊相关系数，则说明当前运行周期未发生漏油，反之，若/>小于计算得到的皮尔逊相关系数，则说明当前运行周期发生漏油，使用所述输出设备中的漏油预警装置进行预警。
在本实施例中，所述漏油预测模块构建一个多元时间序列预测模型，该多元时间序列预测模型以当前运行周期内的各项数据为输入数据，预测下一个运行周期的各项数据，设所述输入数据为，/>为一个矩阵，其中矩阵/>中的每一行分别为/>、/>、/>和/>，将/>表示为/>，所述多元时间序列预测模型的预测目标是基于/>，生成预测值/>预测/>。
在本实施例中，所述多元时间序列预测模型包括卷积神经网络部分和递归神经网络部分，所述卷积神经网络部分由一层卷积神经网络层构成，所述卷积神经网络层使用一维卷积核进行卷积，输出结果为矩阵，/>，其中/>表示维度为/>的实数空间，其中/>表示所述卷积神经网络层的卷积核数量，所述卷积神经网络层部分的工作过程如下：
；
其中表示卷积神经网络层运算。
在本实施例中，所述递归神经网络部分采用矩阵为输入数据，递归神经网络部分包含三层GRU网络层，设/>的第/>列为/>，/>，其中/>，/>为正整数，表示维度为/>的实数空间，将/>输入递归神经网络部分中，输出对应的隐含状态/>，/>，其中/>表示维度为/>的实数空间，/>为所述数据采集装置采集的数据种类总数，/>为所述递归神经网络部分的最终的预测结果，所述递归神经网络部分的工作过程如下：
；
其中表示三层GRU网络层运算。
在本实施例中，所述多元时间序列预测模型在训练时使用所述数据采集装置采集的三个周期内的数据构建训练集，通过如下损失函数训练所述多元时间序列预测模型：
；
其中表示训练数据在/>时间步上的真实值，/>表示在/>时间步上的预测值，/>表示向量的F范数。
在本实施例中，所述漏油预测模块在得到预测数据之后，使用预训练好的二分类支持向量机，分类预测数据为有异常或无异常，所述分类过程如下：
；
其中表示二分类支持向量机，/>表示分类结果，/>，当/>时，表示预测数据无异常，当/>时，表示预测数据有异常，使用所述输出设备中的漏油预警装置进行预警。
本实施例具有如下有益效果：
1、本实施例通过数据采集装置所采集的风电齿轮箱冷却器芯体的数据，以多种方式可靠地检测风电齿轮箱冷却器芯体是否发生漏油；
2、本实施例使用多元时间序列预测模型，可以基于当前运行周期的数据预测下一运行周期的数据，能够为监管人员提供参考；
3、本实施例使用机器学习模型，对预测数据进行异常检测，能够有效地检测出预测数据中的异常情况，对在未来可能发生的漏油进行预警。
实施例2
如图2所示，本实施例提供了一种风电齿轮箱冷却器芯体漏油检测方法，所述方法包括以下具体步骤：
A1：通过数据采集装置采集当前运行周期内风电齿轮箱冷却器芯体的温度、流量、压力和漫反射光电信号数据；
A2：使用自动编码器检测A1中的漫反射光电信号数据是否有异常，若有异常，使用漏油预警装置进行预警；
A3：计算A1中的温度、流量、压力数据与漫反射光电信号数据的相关系数，根据相关系数判断是否有异常，若有异常，使用漏油预警装置进行预警；
A4：使用多元时间序列预测模型预测得到下一个运行周期内的风电齿轮箱冷却器芯体的预测数据；
A5：使用二分类支持向量机检测A4中的预测数据是否有异常，若有异常，使用漏油预警装置进行预警。
实施例3
本实施例提供了一种计算机可读存储介质，使用专用的存储服务器、硬盘阵列或云服务来存储一种风电齿轮箱冷却器芯体漏油检测系统所需的计算机程序和数据，该计算机程序被处理器执行时，实现所述的一种风电齿轮箱冷却器芯体漏油检测方法。
实施例4
本实施例提供了一种设备，包括：
硬盘存储器，用于存储指令集、所述一种风电齿轮箱冷却器芯体漏油检测方法的模块、模型与算法；
高性能图像处理器，用于执行所述指令，使得所述设备执行实现所述的一种风电齿轮箱冷却器芯体漏油检测方法的操作，具备并行计算能力，适用于快速处理数据。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、系统、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (11)

1.一种风电齿轮箱冷却器芯体漏油检测系统，其特征在于，所述系统包括设备层、数据库层和控制层；所述设备层包括输入设备和输出设备，所述输入设备包括数据采集装置，所述数据采集装置用于采集风电齿轮箱冷却器芯体的数据，所述输出设备包括显示装置和漏油预警装置，所述显示装置用于显示所述系统的分析结果，所述漏油预警装置用于在风电齿轮箱冷却器芯体出现异常时进行预警；所述数据库层用于存储所述系统工作过程中采集的数据；所述控制层包括CPU、漏油检测模块、漏油预测模块和通讯模块；
所述数据采集装置被安装在风电齿轮箱冷却器芯体上，用于采集风电齿轮箱冷却器芯体的温度、流量、压力及漫反射光电信号数据，所述风电齿轮箱冷却器芯体的温度、流量、压力和漫反射光电信号数据为时间序列数据，设在一段运行周期内数据采集装置采集的温度、流量、压力和漫反射光电信号数据分别记为、/>、/>和/>，/>，其中表示维度为/>的实数空间，/>为正整数，/>，/>表示一段周期内包含的时间步总数；
所述漏油检测模块包括漫反射光电信号数据异常检测单元和关联系数检测单元，所述漫反射光电信号数据异常检测单元用于单独检测漫反射光电信号数据是否存在异常，所述漫反射光电信号数据异常检测单元构建一个自动编码器用于检测异常，/>由编码器部分/>和解码器部分/>构成，该自动编码器/>的输入数据为在一段运行周期内数据采集装置采集的漫反射光电信号数据/>，/>的工作过程如下：
；
；
其中表示编码器输出的编码结果，/>表示解码器输出的重构结果，/>的损失函数为均方误差函数，均方误差函数的工作过程如下：
；
其中表示均方误差函数，所述漫反射光电信号数据异常检测单元为自动编码器/>设置一个异常检测阈值/>用于异常检测，比较所述/>和/>，若，则说明当前运行周期的漫反射光电信号数据无异常，反之，若，则说明当前运行周期的漫反射光电信号数据有异常，使用所述输出设备中的漏油预警装置进行预警。
2.根据权利要求1所述的一种风电齿轮箱冷却器芯体漏油检测系统，其特征在于，所述CPU用于对所述系统的运行进行管理控制；所述漏油检测模块用于检测当前运行周期内风电齿轮箱冷却器芯体是否发生漏油；所述漏油预测模块用于预测下一个运行周期内风电齿轮箱冷却器芯体的各项数据，并检测预测数据中是否有潜在漏油模式；所述通讯模块用于在所述系统内部构建通讯网络。
3.根据权利要求2所述的一种风电齿轮箱冷却器芯体漏油检测系统，其特征在于，所述关联系数检测单元计算在一段运行周期内数据采集装置采集的温度、流量、压力和漫反射光电信号数据之间的关联系数，根据关联系数的数值确定是否漏油，关联系数计算公式采用皮尔逊相关系数，计算温度数据和漫反射光电信号数据/>之间的关联系数的公式如下：
；
计算流量数据和漫反射光电信号数据/>之间的关联系数的公式如下：
；
计算压力数据和漫反射光电信号数据/>之间的关联系数的公式如下：
；
其中，对于任意两个向量和/>，/>表示向量/>和/>的皮尔逊相关系数，/>，/>表示/>和/>之间的协方差，/>表示/>的标准差，所述关联系数检测单元设置一个关联系数检测阈值/>，比较所述/>和温度数据/>、流量数据/>、压力数据/>与漫反射光电信号数据/>之间的皮尔逊相关系数，若/>大于计算得到的皮尔逊相关系数，则说明当前运行周期未发生漏油，反之，若/>小于计算得到的皮尔逊相关系数，则说明当前运行周期发生漏油，使用所述输出设备中的漏油预警装置进行预警。
4.根据权利要求3所述的一种风电齿轮箱冷却器芯体漏油检测系统，其特征在于，所述漏油预测模块构建一个多元时间序列预测模型，该多元时间序列预测模型以当前运行周期内的各项数据为输入数据，预测下一个运行周期的各项数据，设所述输入数据为，/>为一个矩阵，其中矩阵/>中的每一行分别为/>、/>、/>和/>，将/>表示为，所述多元时间序列预测模型的预测目标是基于/>，生成预测值/>预测/>。
5.根据权利要求4所述的一种风电齿轮箱冷却器芯体漏油检测系统，其特征在于，所述多元时间序列预测模型包括卷积神经网络部分和递归神经网络部分，所述卷积神经网络部分由一层卷积神经网络层构成，所述卷积神经网络层使用一维卷积核进行卷积，输出结果为矩阵，/>，其中/>表示维度为/>的实数空间，其中/>表示所述卷积神经网络层的卷积核数量，所述卷积神经网络层部分的工作过程如下：
；
其中表示卷积神经网络层运算。
6.根据权利要求5所述的一种风电齿轮箱冷却器芯体漏油检测系统，其特征在于，所述递归神经网络部分采用矩阵为输入数据，递归神经网络部分包含三层GRU网络层，设/>的第/>列为/>，/>，其中/>，/>为正整数，/>表示维度为/>的实数空间，将/>输入递归神经网络部分中，输出对应的隐含状态/>，/>，其中/>表示维度为/>的实数空间，/>为所述数据采集装置采集的数据种类总数，/>为所述递归神经网络部分的最终的预测结果，所述递归神经网络部分的工作过程如下：
；
其中表示三层GRU网络层运算。
7.根据权利要求6所述的一种风电齿轮箱冷却器芯体漏油检测系统，其特征在于，所述多元时间序列预测模型在训练时使用所述数据采集装置采集的三个周期内的数据构建训练集，通过如下损失函数训练所述多元时间序列预测模型：
；
其中表示训练数据在/>时间步上的真实值，/>表示在/>时间步上的预测值，/>表示向量的F范数。
8.根据权利要求7所述的一种风电齿轮箱冷却器芯体漏油检测系统，其特征在于，所述漏油预测模块在得到预测数据之后，使用预训练好的二分类支持向量机，分类预测数据为有异常或无异常，所述分类过程如下：
；
其中表示二分类支持向量机，/>表示分类结果，/>，当/>时，表示预测数据无异常，当/>时，表示预测数据有异常，使用所述输出设备中的漏油预警装置进行预警。
9.一种风电齿轮箱冷却器芯体漏油检测方法，其基于如权利要求1-8中任一项所述的一种风电齿轮箱冷却器芯体漏油检测系统实现，其特征在于，所述方法包括以下具体步骤：
A1：通过数据采集装置采集当前运行周期内风电齿轮箱冷却器芯体的温度、流量、压力和漫反射光电信号数据；
A2：使用自动编码器检测A1中的漫反射光电信号数据是否有异常，若有异常，使用漏油预警装置进行预警；
A3：计算A1中的温度、流量、压力数据与漫反射光电信号数据的相关系数，根据相关系数判断是否有异常，若有异常，使用漏油预警装置进行预警；
A4：使用多元时间序列预测模型预测得到下一个运行周期内的风电齿轮箱冷却器芯体的预测数据；
A5：使用二分类支持向量机检测A4中的预测数据是否有异常，若有异常，使用漏油预警装置进行预警。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被执行时，实现如权利要求9中所述的一种风电齿轮箱冷却器芯体漏油检测方法。
11.一种设备，其特征在于，包括：存储器，用于存储指令；处理器，用于执行所述指令，使得所述设备执行实现如权利要求9中所述的一种风电齿轮箱冷却器芯体漏油检测方法的操作。
CN202410086398.9A 2024-01-22 2024-01-22 一种风电齿轮箱冷却器芯体漏油检测系统及方法 Active CN117605627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410086398.9A CN117605627B (zh) 2024-01-22 2024-01-22 一种风电齿轮箱冷却器芯体漏油检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410086398.9A CN117605627B (zh) 2024-01-22 2024-01-22 一种风电齿轮箱冷却器芯体漏油检测系统及方法

Publications (2)

Publication Number Publication Date
CN117605627A CN117605627A (zh) 2024-02-27
CN117605627B true CN117605627B (zh) 2024-03-19

Family

ID=89944659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410086398.9A Active CN117605627B (zh) 2024-01-22 2024-01-22 一种风电齿轮箱冷却器芯体漏油检测系统及方法

Country Status (1)

Country Link
CN (1) CN117605627B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444382A (zh) * 2021-12-09 2022-05-06 中广核(北京)新能源科技有限公司 基于机器学习算法的风电机组齿轮箱故障诊断分析方法
CN115446276A (zh) * 2022-10-05 2022-12-09 大连理工大学 基于卷积神经网络识别结晶器铜板v型黏结特征的连铸漏钢预警方法
CN116398418A (zh) * 2023-04-07 2023-07-07 西安交通大学 核电循环水泵在线异常监测及辨识方法
CN116451035A (zh) * 2023-04-25 2023-07-18 国网安徽省电力有限公司电力科学研究院 一种提高分布式光伏预测精度的数据特征工程处理方法
CN117287352A (zh) * 2023-07-14 2023-12-26 华北电力大学（保定） 一种风电机组状态监测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444382A (zh) * 2021-12-09 2022-05-06 中广核(北京)新能源科技有限公司 基于机器学习算法的风电机组齿轮箱故障诊断分析方法
CN115446276A (zh) * 2022-10-05 2022-12-09 大连理工大学 基于卷积神经网络识别结晶器铜板v型黏结特征的连铸漏钢预警方法
CN116398418A (zh) * 2023-04-07 2023-07-07 西安交通大学 核电循环水泵在线异常监测及辨识方法
CN116451035A (zh) * 2023-04-25 2023-07-18 国网安徽省电力有限公司电力科学研究院 一种提高分布式光伏预测精度的数据特征工程处理方法
CN117287352A (zh) * 2023-07-14 2023-12-26 华北电力大学（保定） 一种风电机组状态监测方法

Also Published As

Publication number Publication date
CN117605627A (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
Schlegel et al. Towards a rigorous evaluation of XAI methods on time series
Baptista et al. Relation between prognostics predictor evaluation metrics and local interpretability SHAP values
Wen et al. Degradation modeling and RUL prediction using Wiener process subject to multiple change points and unit heterogeneity
Lee et al. A convolutional neural network model for abnormality diagnosis in a nuclear power plant
JP2022500745A (ja) 異常検出および／または予知保全のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム
CN109947086A (zh) 基于对抗学习的机械故障迁移诊断方法及系统
Dai et al. A reliability evaluation model of rolling bearings based on WKN-BiGRU and Wiener process
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
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
CN113722985A (zh) 航空发动机健康状态评估和剩余寿命预测方法及系统
CN112581719B (zh) 基于时序生成对抗网络的半导体封装过程预警方法和装置
Wang et al. Remaining useful life prediction based on improved temporal convolutional network for nuclear power plant valves
CN113574480B (zh) 用于预测设备损坏的装置
CN113847950A (zh) 基于云计算的智能船舶设备状态监测系统及信息交互方法
Rajabi et al. Leak detection and localization in water distribution networks using conditional deep convolutional generative adversarial networks
Cheliotis et al. Bayesian and machine learning-based fault detection and diagnostics for marine applications
Shi et al. Intelligent fault diagnosis of rolling mills based on dual attention-guided deep learning method under imbalanced data conditions
CN115392782A (zh) 一种核电厂工艺系统健康状态监测和诊断方法及系统
Zheng et al. An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis
Żuławiński et al. Framework for stochastic modelling of long-term non-homogeneous data with non-Gaussian characteristics for machine condition prognosis
CN117170303B (zh) 一种基于多元时间序列预测的plc故障智能诊断维护系统
CN117605627B (zh) 一种风电齿轮箱冷却器芯体漏油检测系统及方法
Pei et al. A novel machinery RUL prediction method based on exponential model and cross-domain health indicator considering first-to-end prediction time
CN112525923A (zh) 一种共享果汁平台管道内壁检测方法、系统及可读存储介质
Al Rashdan et al. Development of a Technology Roadmap for Online Monitoring of Nuclear Power Plants

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
GR01 Patent grant
GR01 Patent grant