CN117664558A - 发电机齿轮箱异常检测方法、装置、设备及存储介质 - Google Patents

发电机齿轮箱异常检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117664558A
CN117664558A CN202311581704.8A CN202311581704A CN117664558A CN 117664558 A CN117664558 A CN 117664558A CN 202311581704 A CN202311581704 A CN 202311581704A CN 117664558 A CN117664558 A CN 117664558A
Authority
CN
China
Prior art keywords
data
temperature
model
gear box
generator gear
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
Application number
CN202311581704.8A
Other languages
English (en)
Inventor
赵子晗
王强
邵昌盛
陈宁
刘昕瑶
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.)
Southern Marine Science and Engineering Guangdong Laboratory Zhanjiang
Original Assignee
Southern Marine Science and Engineering Guangdong Laboratory Zhanjiang
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 Southern Marine Science and Engineering Guangdong Laboratory Zhanjiang filed Critical Southern Marine Science and Engineering Guangdong Laboratory Zhanjiang
Priority to CN202311581704.8A priority Critical patent/CN117664558A/zh
Publication of CN117664558A publication Critical patent/CN117664558A/zh
Pending legal-status Critical Current

Links

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
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • 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
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks

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)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及设备检测技术领域，并公开了一种发电机齿轮箱异常检测方法、装置、设备及存储介质，该方法包括：获取发电机齿轮箱的原始待检测数据；对原始待检测数据进行数据预处理，得到预处理数据；将预处理数据输入至温度预测模型中，得到温度预测值，温度预测模型基于Transformer模型和GRU模型构建；基于温度预测值和正常温度值判断发电机齿轮箱是否发生异常。本发明通过基于Transformer模型和GRU模型构建的温度预测模型来对发电机齿轮箱进行温度预测，并根据温度预测值和正常温度值判断发电机齿轮箱是否发生异常，从而消除了现有方法所带来的人为主观性，进而能够更为准确地对发电机齿轮箱进行异常检测。

Description

发电机齿轮箱异常检测方法、装置、设备及存储介质
技术领域
本发明涉及设备检测技术领域，尤其涉及一种发电机齿轮箱异常检测方法、装置、设备及存储介质。
背景技术
经过数十年的发展，海上风电已经成为全球清洁能源的重要来源之一。然而，海上风力机作业环境载荷复杂，故障率高，早期故障预警是智能运维的重要研究方向。大部分研究表明，风力机造成停机的故障多由发电机的齿轮箱故障造成。因此，如何对发电机的齿轮箱进行异常检测在行业内具有重要的实用价值和理论意义。
目前通常通过专家经验法(即根据行业内相关专业人员的经验)来对发电机齿轮箱进行异常检测，然而这种方法的不可控因素(如经验不足、错误判断、外界环境影响等)过多，这就使得目前发电机齿轮箱异常检测的检测结果存在较低的可信度。因此，目前行业内亟需一种能够准确对发电机齿轮箱进行异常检测的方法。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种发电机齿轮箱异常检测方法、装置、设备及存储介质，旨在解决现有技术无法准确对发电机齿轮箱进行异常检测的技术问题。
为实现上述目的，本发明提供了一种发电机齿轮箱异常检测方法，所述方法包括以下步骤：
获取发电机齿轮箱的原始待检测数据，所述原始待检测数据通过数据采集与监视控制系统采集；
对所述原始待检测数据进行数据预处理，得到预处理数据；
将所述预处理数据输入至温度预测模型中，得到温度预测值，所述温度预测模型基于Transformer模型和GRU模型构建；
基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常，所述正常温度值为所述发电机齿轮箱在正常工作下对应的温度值。
可选地，所述基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常的步骤，包括：
通过滑动时间窗口法获取所述温度预测值和正常温度值之间的残差序列；
确定所述残差序列对应的均方根误差与样本熵，并判断所述均方根误差和所述样本熵是否超过预设阈值；
若所述均方根误差和所述样本熵超过预设阈值，则确定所述发电机齿轮箱发生异常。
可选地，所述将所述预处理数据输入至温度预测模型中，得到温度预测值的步骤之前，还包括：
获取所述发电机齿轮箱在运行状态下对应的原始SCADA数据；
对所述原始SCADA数据进行数据剔除和/或数据填补，得到正常SCADA数据，所述正常SCADA数据为所述发电机齿轮箱在正常工作状态下对应的SCADA数据；
基于所述正常SCADA数据构建温度预测模型。
可选地，所述基于所述正常SCADA数据构建温度预测模型的步骤，包括：
通过滑动时间窗口法对所述正常SCADA数据进行数据分割，得到训练数据集、验证数据集与测试数据集；
搭建Transformer模型与GRU模型线性组合的预测神经网络模型，并基于所述预测神经网络模型、所述训练数据集、所述验证数据集与所述测试数据集构建温度预测模型。
可选地，所述基于所述预测神经网络模型、所述训练数据集、所述验证数据集与所述测试数据集构建温度预测模型的步骤，包括：
通过所述训练数据集对所述预测神经网络模型进行训练，得到训练后的神经网络模型；
通过所述验证数据集对所述训练后的神经网络模型进行超参数调优，得到调优后的神经网络模型；
通过所述测试数据集对所述调优后的神经网络模型进行最优测试，得到温度预测模型。
可选地，所述温度预测模型包括Transformer模型和GRU模型，所述将所述预处理数据输入至温度预测模型中，得到温度预测值的步骤，包括：
对所述预处理数据进行灰色关联度分析，得到特征集，所述特征集中包括多个温度特征；
对所述特征集进行拆分，并将拆分后的特征集输入至所述Transformer模型和所述GRU模型中，得到温度预测值。
可选地，所述GRU模型包括GRU1模型和GRU2模型，所述对所述特征集进行拆分，并将拆分后的特征集输入至所述Transformer模型和所述GRU模型中，得到温度预测值的步骤，包括：
将所述特征集拆分为包含了第一预设数量温度特征的第一特征集和包含了第二预设数量温度特征的第二特征集；
分别将所述第一特征集和所述第二特征集输入至所述Transformer模型和所述GRU1模型中，得到第一温度预测值和第二温度预测值；
将所述第一温度预测值和所述第二温度预测值输入至所述GRU2模型中，得到温度预测值。
此外，为实现上述目的，本发明还提出一种发电机齿轮箱异常检测装置，所述发电机齿轮箱异常检测装置包括：
数据获取模块，用于获取发电机齿轮箱的原始待检测数据，所述原始待检测数据通过数据采集与监视控制系统采集；
数据处理模块，用于对所述原始待检测数据进行数据预处理，得到预处理数据；
温度预测模块，用于将所述预处理数据输入至温度预测模型中，得到温度预测值，所述温度预测模型基于Transformer模型和GRU模型构建；
异常检测模块，用于基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常，所述正常温度值为所述发电机齿轮箱在正常工作下对应的温度值。
此外，为实现上述目的，本发明还提出一种发电机齿轮箱异常检测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的发电机齿轮箱异常检测程序，所述发电机齿轮箱异常检测程序配置为实现如上文所述的发电机齿轮箱异常检测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有发电机齿轮箱异常检测程序，所述发电机齿轮箱异常检测程序被处理器执行时实现如上文所述的发电机齿轮箱异常检测方法的步骤。
本发明通过获取发电机齿轮箱的原始待检测数据，所述原始待检测数据通过数据采集与监视控制系统采集；对所述原始待检测数据进行数据预处理，得到预处理数据；将所述预处理数据输入至温度预测模型中，得到温度预测值，所述温度预测模型基于Transformer模型和GRU模型构建；基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常，所述正常温度值为所述发电机齿轮箱在正常工作下对应的温度值。相比于现有技术通过专家经验法来实现发电机齿轮箱的异常检测，由于本发明上述方法通过基于Transformer模型和GRU模型构建的温度预测模型来对发电机齿轮箱进行温度预测，并根据温度预测值和正常温度值判断发电机齿轮箱是否发生异常，从而消除了现有的发电机齿轮箱异常检测方法所带来的人为主观性，进而能够更为准确地对发电机齿轮箱进行异常检测。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的发电机齿轮箱异常检测设备的结构示意图；
图2为本发明发电机齿轮箱异常检测方法第一实施例的流程示意图；
图3为本发明发电机齿轮箱异常检测方法第二实施例的流程示意图；
图4为本发明发电机齿轮箱异常检测方法第三实施例的流程示意图；
图5为本发明发电机齿轮箱异常检测方法温度预测值的获取流程示意图；
图6为本发明发电机齿轮箱异常检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的发电机齿轮箱异常检测设备结构示意图。
如图1所示，该发电机齿轮箱异常检测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对发电机齿轮箱异常检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及发电机齿轮箱异常检测程序。
在图1所示的发电机齿轮箱异常检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明发电机齿轮箱异常检测设备中的处理器1001、存储器1005可以设置在发电机齿轮箱异常检测设备中，所述发电机齿轮箱异常检测设备通过处理器1001调用存储器1005中存储的发电机齿轮箱异常检测程序，并执行本发明实施例提供的发电机齿轮箱异常检测方法。
本发明实施例提供了一种发电机齿轮箱异常检测方法，参照图2，图2为本发明发电机齿轮箱异常检测方法第一实施例的流程示意图。
本实施例中，所述发电机齿轮箱异常检测方法包括以下步骤：
步骤S10：获取发电机齿轮箱的原始待检测数据，所述原始待检测数据通过数据采集与监视控制系统采集。
需要说明的是，本实施例方法的执行主体可以是具有数据获取、数据处理以及程序运行功能的终端设备，例如智能手机、智能手表等，也可以是具有相同或相似功能的电子设备，例如上述发电机齿轮箱异常检测设备。以下以发电机齿轮箱异常检测设备(以下简称检测设备)为例对本实施例及下述各实施例进行说明。
可理解的是，上述发电机齿轮箱可以是一种能够将风轮旋转的低速轴的转速提高，以适应发电机的转速要求的装置。风力机的风轮通常会以较低的转速旋转，但发电机需要更高的转速才能产生电能。因此，发电机齿轮箱通过齿轮传动的方式，将风轮的低速旋转转换成适合发电机的高速旋转，从而实现高效地发电。发电机齿轮箱一般由高强度合金钢制成，以承受高扭矩和高速度的要求。
应理解的是，上述原始待检测数据可以通过风电场中的数据采集与监视控制系统(Supervisory Control and Data Acquisition，SCADA)进行采集。
步骤S20：对所述原始待检测数据进行数据预处理，得到预处理数据。
在具体实现中，由于上述原始待检测数据中可能存在对发电机齿轮箱的异常检测进程无影响的无效数据或存在负面影响(例如影响异常检测准确性、影响异常检测效率等)的负面数据。因此本实施例可以对上述原始待检测数据进行数据预处理，从而对原始待检测数据中的无效数据或负面数据进行剔除，得到预处理数据。其中，数据预处理可以包括数据清洗、数据查重、数据填充、数据转换等，本实施例对此不加以限制。
步骤S30：将所述预处理数据输入至温度预测模型中，得到温度预测值，所述温度预测模型基于Transformer模型和GRU模型构建。
需要说明的是，上述Transformer模型是一种基于自注意力机制的神经网络模型，它可以由Lenc个编码层堆叠形成的编码块和由Ldec个解码层堆叠形成的解码块组成。每一个编码层里都包含一个多头注意力层和一个全连接层以及相应的残差正则化层，每一个解码层则比编码层多一个多头注意力层，多头注意力可由u个注意力拼接后与参数矩阵WO相乘得到：
Multihead(H)＝concat(head1,head2,···,headu)WO
headi＝Attention(QWi Q,KWi K,VWi V)
其中，WQ,WK,WV均是模型参数矩阵。对于解码层的两个多头注意力层，其中第一个与编码层的一样，第二个注意力层中，K,V来自编码块的输出，Q则是前一注意力层的输出。Transformer在中的正则化层的结构则基本一致，主要是残差连接与正则化操作。
可理解的是，上述GRU模型可以是一种改进的循环神经网络模型，他可以包括两个门结构：更新门和重置门。首先输入矢量Xt与上一模块隐藏层状态矢量ht-1经过加权线形组合投入sigmoid激活函数中被压缩到0～1之间的结果，这就是更新门zt，用于控制前一时刻的状态信息被带入到当前状态中的程度。随后是一个与之类似的结构，同样是Xt与ht-1的线形加权组合用于sigmoid函数，但是加权的权重值不一样，这就是重置门rt，用于控制忽略前一时刻的状态信息的程度。直观地说：重置门决定了如何将新的输入信息与前面的记忆相结合，更新门定义了前面记忆保存到当前状态时的量。如果我们将重置门设置为1，更新门设置为0，那么我们将再次获得标准RNN模型。当前记忆内容则由重置门rt与当前输入Xt以及上一模块隐藏层状态ht-1经tanh激活函数确定。最终新的状态内容则由当前记忆内容/>与更新门zt以及上一模块状态ht-1得到。这样最终新的状态内容既有当下输入得到的新的信息，也有更新过后仍然需要保留的较长时间前的过去的信息。上述过程通过以下公式实现：
zt＝σ(W(z)·ht-1+U(z)·Xt)
rt＝σ(W(r)·ht-1+U(r)·Xt)
其中，U(z)，W(z)，U(r)，W(e)，U，W为训练是权重参数矩阵，表示zt与ht-1的复合关系。
步骤S40：基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常，所述正常温度值为所述发电机齿轮箱在正常工作下对应的温度值。
在具体实现中，由于温度参数最能直接反映发电机齿轮箱的工作状态，因此可以将上述温度预测值和正常温度值进行对比，从而基于对比结果来判断上述发电机齿轮箱是否发生异常。
本实施例通过获取发电机齿轮箱的原始待检测数据，所述原始待检测数据通过数据采集与监视控制系统采集；对所述原始待检测数据进行数据预处理，得到预处理数据；将所述预处理数据输入至温度预测模型中，得到温度预测值，所述温度预测模型基于Transformer模型和GRU模型构建；基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常，所述正常温度值为所述发电机齿轮箱在正常工作下对应的温度值。相比于现有技术通过专家经验法来实现发电机齿轮箱的异常检测，由于本实施例上述方法通过基于Transformer模型和GRU模型构建的温度预测模型来对发电机齿轮箱进行温度预测，并根据温度预测值和正常温度值判断发电机齿轮箱是否发生异常，从而消除了现有的发电机齿轮箱异常检测方法所带来的人为主观性，进而能够更为准确地对发电机齿轮箱进行异常检测。
参考图3，图3为本发明发电机齿轮箱异常检测方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，为了提升发电机齿轮箱异常检测的检测准确性，所述步骤S40，可以包括：
步骤S401：通过滑动时间窗口法获取所述温度预测值和正常温度值之间的残差序列。
在具体实现中，可以通过以下步骤来获取温度预测值和正常温度值之间的残差序列。第一步，残差计算：计算温度预测值和正常温度值之间的差值，这些差值表示了温度预测值和正常温度值拟合之间的差异，是模型未能解释的部分。第二步，滑动时间窗口：定义一个固定大小的时间窗口，在时间序列上按照固定步长进行滑动。第三步，获取残差序列：在每个时间窗口内，将该窗口内的残差数据提取出来，从而获得上述残差序列。
步骤S402：确定所述残差序列对应的均方根误差与样本熵，并判断所述均方根误差和所述样本熵是否超过预设阈值。
需要说明的是，上述均方根误差可以用于衡量预测值与真实值之间的偏差，上述样本熵可以用于衡量时间序列复杂性、数据离散性，越复杂的序列、越容易出现新的数据变化模式的序列其熵值越大。
步骤S403：若所述均方根误差和所述样本熵超过预设阈值，则确定所述发电机齿轮箱发生异常。
可理解的是，若所述均方根误差和所述样本熵均未超过预设阈值，则可以确定发电机齿轮箱为正常。
进一步地，在本实施例中，在所述步骤S10之前，还可以包括：
步骤S21：获取所述发电机齿轮箱在运行状态下对应的原始SCADA数据。
需要说明的是，上述原始SCADA(Supervisory Control And Data Acquisition)数据即为数据采集与监视控制系统数据。
步骤S22：对所述原始SCADA数据进行数据剔除和/或数据填补，得到正常SCADA数据，所述正常SCADA数据为所述发电机齿轮箱在正常工作状态下对应的SCADA数据。
步骤S23：基于所述正常SCADA数据构建温度预测模型。
基于上述第一实施例，在本实施例中，所述步骤S23，可以包括：
步骤S231：通过滑动时间窗口法对所述正常SCADA数据进行数据分割，得到训练数据集、验证数据集与测试数据集。
步骤S232：搭建Transformer模型与GRU模型线性组合的预测神经网络模型，并基于所述预测神经网络模型、所述训练数据集、所述验证数据集与所述测试数据集构建温度预测模型。
在具体实现中，考虑到基于机器学习与神经网络的发电机齿轮箱异常状态检测方法的本质是对齿轮箱正常工作状态下目标参数与特征参数间隐藏映射关系进行学习，并依据正常状态目标参数预测值与实际值之间残差分布特征设定异常状态残差阈值。同时，用训练过后模型预测后续可能存在异常状态的目标参数，通过对比目标参数的预测值与实际值间残差的分布是否超过阈值来评估齿轮箱工作状态是否异常。因此基于机器学习与神经网络的时序预测模型是齿轮箱异常状态检测的方法基础。此外，发电机齿轮箱故障通常是长期损耗，积累所致，是一个循序渐进的过程。因此随着时间推移要保持一定对正常工作状态的特征间潜在映射关系的学习能力，才能在早期及时检测到异常状态。因而对时间序列预测任务在长期依赖关系的捕捉上有一定要求。在此背景下，Transformer模型与GRU模型均是为处理长期依赖问题而提出的神经网络模型，且在时序预测方面均有较好的表现。此外两种模型基于两种不同的网络结构，原理相差较大，适合进行模型组合以获得更好的训练效果和模型性能。
本实施例通过滑动时间窗口法获取所述温度预测值和正常温度值之间的残差序列；确定所述残差序列对应的均方根误差与样本熵，并判断所述均方根误差和所述样本熵是否超过预设阈值；若所述均方根误差和所述样本熵超过预设阈值，则确定所述发电机齿轮箱发生异常；获取所述发电机齿轮箱在运行状态下对应的原始SCADA数据；对所述原始SCADA数据进行数据剔除和/或数据填补，得到正常SCADA数据，所述正常SCADA数据为所述发电机齿轮箱在正常工作状态下对应的SCADA数据；通过滑动时间窗口法对所述正常SCADA数据进行数据分割，得到训练数据集、验证数据集与测试数据集；搭建Transformer模型与GRU模型线性组合的预测神经网络模型，并基于所述预测神经网络模型、所述训练数据集、所述验证数据集与所述测试数据集构建温度预测模型。相较于传统的发电机齿轮箱异常检测方法，本实施例上述方法通过判断温度预测值和正常温度值之间的残差序列对应的均方根误差和样本熵是否超过预设阈值来判断发电机齿轮箱是否发生异常，从而提升了本实施例发电机齿轮箱异常检测方法的检测准确性。
参考图4，图4为本发明发电机齿轮箱异常检测方法第三实施例的流程示意图。
基于上述各实施例，在本实施例中所述步骤S232，可以包括：
步骤S2321：通过所述训练数据集对所述预测神经网络模型进行训练，得到训练后的神经网络模型。
步骤S2322：通过所述验证数据集对所述训练后的神经网络模型进行超参数调优，得到调优后的神经网络模型。
步骤S2323：通过所述测试数据集对所述调优后的神经网络模型进行最优测试，得到温度预测模型。
基于上述各实施例，在本实施例中，为了提升温度预测值的准确性，所述步骤S30，可以包括：
步骤S301：对所述预处理数据进行灰色关联度分析，得到特征集，所述特征集中包括多个温度特征。
需要说明的是，上述灰色关联度分析可以是一种多因素统计分析的方法。它可以使我们了解在灰色系统中所关注的某个项目(参考列)受其他因素影响(比较列)的相对强弱，并将这些因素排序，得到一个分析结果，以此帮助我们辨别所关注的项目与因素中的哪些更相关。其计算过程可分为5个步骤：确定分析序列、变量无量纲化、计算关联系数、计算关联度、关联度排序。
在具体实现中，由于本实施例是针对发电机齿轮箱在一段时间内出现齿轮箱发动机侧轴承频繁故障的问题开展的基于轴承温度的时间序列预测与异常状态检测，因此本实施例可以以齿轮箱发电机侧轴承温度为参考列进行灰色关联度分析。
步骤S302：对所述特征集进行拆分，并将拆分后的特征集输入至所述Transformer模型和所述GRU模型中，得到温度预测值。
进一步地，在本实施例中，所述步骤S302，可以包括：
步骤S3021：将所述特征集拆分为包含了第一预设数量温度特征的第一特征集和包含了第二预设数量温度特征的第二特征集。
步骤S3022：分别将所述第一特征集和所述第二特征集输入至所述Transformer模型和所述GRU1模型中，得到第一温度预测值和第二温度预测值。
步骤S3023：将所述第一温度预测值和所述第二温度预测值输入至所述GRU2模型中，得到温度预测值。
参考图5，图5为本发明发电机齿轮箱异常检测方法温度预测值的获取流程示意图。在图5中，假设对预处理数据进行灰色关联度分析后，选择了与目标相关性排序靠前的15个特征(即图5中的特征集)。本实施例可以将这15个特征组成的特征集保留前5个特征为Transformer模型与GRU1模型共用输入特征，后10个特征随机分为两部分，一部分5个特征作为Transformer模型的独有输入特征，另一部分作为GRU1模型的独有输入特征集。这样两种模型的结构与输入特征均存在差异，各自预测结果相关性较低，有利于提升组合模型性能。随后将Transformer模型的预测结果温度预测值y1与GRU1模型的预测结果温度预测值y2作为新的输入特征集输入GRU2模型预测权重向量w1与w2，最后计算预测结果y′＝w1·y1+w2·y2。其中y1与y2中距离真实值y更近者应当获得更大权重，因此：
w2＝1-w1。
本实施例通过所述训练数据集对所述预测神经网络模型进行训练，得到训练后的神经网络模型；通过所述验证数据集对所述训练后的神经网络模型进行超参数调优，得到调优后的神经网络模型；通过所述测试数据集对所述调优后的神经网络模型进行最优测试，得到温度预测模型；对所述预处理数据进行灰色关联度分析，得到特征集，所述特征集中包括多个温度特征；将所述特征集拆分为包含了第一预设数量温度特征的第一特征集和包含了第二预设数量温度特征的第二特征集；分别将所述第一特征集和所述第二特征集输入至所述Transformer模型和所述GRU1模型中，得到第一温度预测值和第二温度预测值；将所述第一温度预测值和所述第二温度预测值输入至所述GRU2模型中，得到温度预测值。相较于传统的发电机齿轮箱异常检测方法，由于本实施例上述方法对预处理数据进行灰色关联度分析，从而得到与温度预测值较为相关的特征集，然后将该特征集输入至Transformer模型和GRU模型中，从而得到更为准确的温度预测值，进而能够进一步地提升发电机齿轮箱异常检测的检测准确度。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有发电机齿轮箱异常检测程序，所述发电机齿轮箱异常检测程序被处理器执行时实现如上文所述的发电机齿轮箱异常检测方法的步骤。
参照图6，图6为本发明发电机齿轮箱异常检测装置第一实施例的结构框图。
如图6所示，本发明实施例提出的发电机齿轮箱异常检测装置包括：
数据获取模块601，用于获取发电机齿轮箱的原始待检测数据，所述原始待检测数据通过数据采集与监视控制系统采集；
数据处理模块602，用于对所述原始待检测数据进行数据预处理，得到预处理数据；
温度预测模块603，用于将所述预处理数据输入至温度预测模型中，得到温度预测值，所述温度预测模型基于Transformer模型和GRU模型构建；
异常检测模块604，用于基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常，所述正常温度值为所述发电机齿轮箱在正常工作下对应的温度值。
本实施例通过获取发电机齿轮箱的原始待检测数据，所述原始待检测数据通过数据采集与监视控制系统采集；对所述原始待检测数据进行数据预处理，得到预处理数据；将所述预处理数据输入至温度预测模型中，得到温度预测值，所述温度预测模型基于Transformer模型和GRU模型构建；基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常，所述正常温度值为所述发电机齿轮箱在正常工作下对应的温度值。相比于现有技术通过专家经验法来实现发电机齿轮箱的异常检测，由于本实施例上述方法通过基于Transformer模型和GRU模型构建的温度预测模型来对发电机齿轮箱进行温度预测，并根据温度预测值和正常温度值判断发电机齿轮箱是否发生异常，从而消除了现有的发电机齿轮箱异常检测方法所带来的人为主观性，进而能够更为准确地对发电机齿轮箱进行异常检测。
基于本发明上述发电机齿轮箱异常检测装置的第一实施例，提出本发明发电机齿轮箱异常检测装置的第二实施例。
在本实施例中，所述异常检测模块604，还用于通过滑动时间窗口法获取所述温度预测值和正常温度值之间的残差序列；确定所述残差序列对应的均方根误差与样本熵，并判断所述均方根误差和所述样本熵是否超过预设阈值；若所述均方根误差和所述样本熵超过预设阈值，则确定所述发电机齿轮箱发生异常。
进一步地，所述温度预测模块603，还用于获取所述发电机齿轮箱在运行状态下对应的原始SCADA数据；对所述原始SCADA数据进行数据剔除和/或数据填补，得到正常SCADA数据，所述正常SCADA数据为所述发电机齿轮箱在正常工作状态下对应的SCADA数据；基于所述正常SCADA数据构建温度预测模型。
进一步地，所述温度预测模块603，还用于通过滑动时间窗口法对所述正常SCADA数据进行数据分割，得到训练数据集、验证数据集与测试数据集；搭建Transformer模型与GRU模型线性组合的预测神经网络模型，并基于所述预测神经网络模型、所述训练数据集、所述验证数据集与所述测试数据集构建温度预测模型。
进一步地，所述温度预测模块603，还用于通过所述训练数据集对所述预测神经网络模型进行训练，得到训练后的神经网络模型；通过所述验证数据集对所述训练后的神经网络模型进行超参数调优，得到调优后的神经网络模型；通过所述测试数据集对所述调优后的神经网络模型进行最优测试，得到温度预测模型。
进一步地，所述温度预测模块603，还用于对所述预处理数据进行灰色关联度分析，得到特征集，所述特征集中包括多个温度特征；对所述特征集进行拆分，并将拆分后的特征集输入至所述Transformer模型和所述GRU模型中，得到温度预测值。
进一步地，所述温度预测模块603，还用于将所述特征集拆分为包含了第一预设数量温度特征的第一特征集和包含了第二预设数量温度特征的第二特征集；分别将所述第一特征集和所述第二特征集输入至所述Transformer模型和所述GRU1模型中，得到第一温度预测值和第二温度预测值；将所述第一温度预测值和所述第二温度预测值输入至所述GRU2模型中，得到温度预测值。
本发明发电机齿轮箱异常检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种发电机齿轮箱异常检测方法，其特征在于，所述方法包括以下步骤：
获取发电机齿轮箱的原始待检测数据，所述原始待检测数据通过数据采集与监视控制系统采集；
对所述原始待检测数据进行数据预处理，得到预处理数据；
将所述预处理数据输入至温度预测模型中，得到温度预测值，所述温度预测模型基于Transformer模型和GRU模型构建；
基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常，所述正常温度值为所述发电机齿轮箱在正常工作下对应的温度值。
2.如权利要求1所述的发电机齿轮箱异常检测方法，其特征在于，所述基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常的步骤，包括：
通过滑动时间窗口法获取所述温度预测值和正常温度值之间的残差序列；
确定所述残差序列对应的均方根误差与样本熵，并判断所述均方根误差和所述样本熵是否超过预设阈值；
若所述均方根误差和所述样本熵超过预设阈值，则确定所述发电机齿轮箱发生异常。
3.如权利要求1所述的发电机齿轮箱异常检测方法，其特征在于，所述将所述预处理数据输入至温度预测模型中，得到温度预测值的步骤之前，还包括：
获取所述发电机齿轮箱在运行状态下对应的原始SCADA数据；
对所述原始SCADA数据进行数据剔除和/或数据填补，得到正常SCADA数据，所述正常SCADA数据为所述发电机齿轮箱在正常工作状态下对应的SCADA数据；
基于所述正常SCADA数据构建温度预测模型。
4.如权利要求3所述的发电机齿轮箱异常检测方法，其特征在于，所述基于所述正常SCADA数据构建温度预测模型的步骤，包括：
通过滑动时间窗口法对所述正常SCADA数据进行数据分割，得到训练数据集、验证数据集与测试数据集；
搭建Transformer模型与GRU模型线性组合的预测神经网络模型，并基于所述预测神经网络模型、所述训练数据集、所述验证数据集与所述测试数据集构建温度预测模型。
5.如权利要求4所述的发电机齿轮箱异常检测方法，其特征在于，所述基于所述预测神经网络模型、所述训练数据集、所述验证数据集与所述测试数据集构建温度预测模型的步骤，包括：
通过所述训练数据集对所述预测神经网络模型进行训练，得到训练后的神经网络模型；
通过所述验证数据集对所述训练后的神经网络模型进行超参数调优，得到调优后的神经网络模型；
通过所述测试数据集对所述调优后的神经网络模型进行最优测试，得到温度预测模型。
6.如权利要求1所述的发电机齿轮箱异常检测方法，其特征在于，所述温度预测模型包括Transformer模型和GRU模型，所述将所述预处理数据输入至温度预测模型中，得到温度预测值的步骤，包括：
对所述预处理数据进行灰色关联度分析，得到特征集，所述特征集中包括多个温度特征；
对所述特征集进行拆分，并将拆分后的特征集输入至所述Transformer模型和所述GRU模型中，得到温度预测值。
7.如权利要求6所述的发电机齿轮箱异常检测方法，其特征在于，所述GRU模型包括GRU1模型和GRU2模型，所述对所述特征集进行拆分，并将拆分后的特征集输入至所述Transformer模型和所述GRU模型中，得到温度预测值的步骤，包括：
将所述特征集拆分为包含了第一预设数量温度特征的第一特征集和包含了第二预设数量温度特征的第二特征集；
分别将所述第一特征集和所述第二特征集输入至所述Transformer模型和所述GRU1模型中，得到第一温度预测值和第二温度预测值；
将所述第一温度预测值和所述第二温度预测值输入至所述GRU2模型中，得到温度预测值。
8.一种发电机齿轮箱异常检测装置，其特征在于，所述发电机齿轮箱异常检测装置包括：
数据获取模块，用于获取发电机齿轮箱的原始待检测数据，所述原始待检测数据通过数据采集与监视控制系统采集；
数据处理模块，用于对所述原始待检测数据进行数据预处理，得到预处理数据；
温度预测模块，用于将所述预处理数据输入至温度预测模型中，得到温度预测值，所述温度预测模型基于Transformer模型和GRU模型构建；
异常检测模块，用于基于所述温度预测值和正常温度值判断所述发电机齿轮箱是否发生异常，所述正常温度值为所述发电机齿轮箱在正常工作下对应的温度值。
9.一种发电机齿轮箱异常检测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的发电机齿轮箱异常检测程序，所述发电机齿轮箱异常检测程序配置为实现如权利要求1至7中任一项所述的发电机齿轮箱异常检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有发电机齿轮箱异常检测程序，所述发电机齿轮箱异常检测程序被处理器执行时实现如权利要求1至7中任一项所述的发电机齿轮箱异常检测方法的步骤。
CN202311581704.8A 2023-11-23 2023-11-23 发电机齿轮箱异常检测方法、装置、设备及存储介质 Pending CN117664558A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311581704.8A CN117664558A (zh) 2023-11-23 2023-11-23 发电机齿轮箱异常检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311581704.8A CN117664558A (zh) 2023-11-23 2023-11-23 发电机齿轮箱异常检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117664558A true CN117664558A (zh) 2024-03-08

Family

ID=90065372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311581704.8A Pending CN117664558A (zh) 2023-11-23 2023-11-23 发电机齿轮箱异常检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117664558A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118051743A (zh) * 2024-04-15 2024-05-17 北京航空航天大学 一种航空发动机气路故障诊断方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118051743A (zh) * 2024-04-15 2024-05-17 北京航空航天大学 一种航空发动机气路故障诊断方法和装置
CN118051743B (zh) * 2024-04-15 2024-06-28 北京航空航天大学 一种航空发动机气路故障诊断方法和装置

Similar Documents

Publication Publication Date Title
CN111914873B (zh) 一种两阶段云服务器无监督异常预测方法
CN112417954B (zh) 一种面向小样本数据集的轴承故障模式诊断方法及系统
Ma et al. Discriminative deep belief networks with ant colony optimization for health status assessment of machine
CN111339712A (zh) 质子交换膜燃料电池剩余寿命预测方法
CN116010900A (zh) 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法
CN117290800B (zh) 一种基于超图注意力网络的时序异常检测方法及系统
CN112132394B (zh) 一种电厂循环水泵预测性状态评估方法及系统
CN111459144A (zh) 一种基于深度循环神经网络的飞机飞控系统故障预测方法
CN117664558A (zh) 发电机齿轮箱异常检测方法、装置、设备及存储介质
CN114048688A (zh) 一种风力发电机轴承寿命预测方法
CN111709577B (zh) 基于长程相关性gan-lstm的rul预测方法
CN117473411A (zh) 基于改进Transformer模型的轴承寿命预测方法
CN117458955A (zh) 电机的运行控制方法及系统
CN118036479B (zh) 行星齿轮减速装置传动稳定性分析方法及系统
CN118013400B (zh) 电机故障诊断方法、装置、电子设备和存储介质
CN117290726A (zh) 一种基于CAE-BiLSTM的动设备故障预警方法
CN116821730B (zh) 风机故障检测方法、控制装置及存储介质
CN117744874A (zh) 设备故障预测方法、装置及电子设备
Yang et al. Detection of wind turbine blade abnormalities through a deep learning model integrating VAE and neural ODE
CN112560252A (zh) 一种航空发动机剩余寿命预测方法
CN117251788A (zh) 状态评估方法、装置、终端设备及存储介质
CN117232809A (zh) 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法
CN114580472B (zh) 工业互联网中因果与注意力并重的大型设备故障预测方法
CN116128882A (zh) 基于不平衡数据集的电机轴承故障诊断方法、设备及介质
CN113469263B (zh) 适于小样本的预测模型训练方法、装置及相关设备

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