[发明专利]基于深度神经网络和峭度特征的风电齿轮箱状态评估方法

权利要求书

1.一种基于深度神经网络和峭度特征的风电齿轮箱状态评估方法，其特征在于，包括以下步骤：

步骤1：在本风场风电机组齿轮箱低速轴、中速轴和高速轴加装振动传感器，采用振动传感器采集到的振动信号的峭度特征作为反应齿轮箱振动特征的输入值；

步骤2：确定要进行状态评估的齿轮箱型号、累计运行时间、当前运行状态信息、历史故障次数：

a、齿轮箱型号：通过设备档案查询进行确定；

b、累计运行时间：通过风场的SCADA系统调取即可获得该设备的累计运行时间；

c、当前运行状态：通过现场对设备进行测量获得其振动特征、温度特征的状态信息，并将实测数据与SCADA系统调取的数据进行比对，当二者不同时，以实测数据为准，对SCADA系统的数据进行矫正确保运行状态数据正确；

d、历史故障次数：通过SCADA系统查询其风电机组的历史故障信息，确定历史故障次数；

步骤3：通过SCADA系统，每10min记录一次期间的机组状态平均值，形成运行数据，将所有发生同一类型故障的风电机组进行分类汇总，集中调取发生故障风电机组在故障前0～48h内的运行数据进行采集，形成故障数据集；并对风场同一型号正常运行的风电机组的运行数据进行采集，形成正常数据集；

所述的运行数据包括：风速-v、功率(发电功率)-P、齿轮箱润滑油温度-T_g、齿轮箱主轴承温度-T_b、环境温度-T_e、低速轴径向振动信号峭度-V₁、中速轴径向振动信号峭度-V₂、高速轴径向振动信号峭度-V₃、低箱体齿圈处振动信号峭度-V₄；

步骤4：建立风电齿轮箱状态数据集

a、针对正常数据集和故障数据集，将运行数据中的参数作为输入矩阵的组成，根据参数的类型选择不同的方式进行归一化：

1)参数值较小时齿轮箱的状态较好

当参数为齿轮箱润滑油温度、齿轮箱主轴承温度、低速轴径向振动信号峭度、中速轴径向振动信号峭度、高速轴径向振动信号峭度、低箱体齿圈处振动信号峭度时，其数值越小，齿轮箱的运行越平稳、健康，其计算劣化度的公式为：

式中，x为所获得参数，x_min为该参数在机组正常运行的最小值，x_max为该参数在机组正常运行时最大值；

2)参数值位于某一范围内时齿轮箱状态较好

当参数为环境温度、功率、风速时，其位于某一区域内齿轮箱的状态运行最佳，其计算劣化度的公式为：

式中，x为所获得参数，x_min为该参数在机组正常运行的最小值，x_min为该参数在机组正常运行时最大值，[x_a,x_b]为该参数的最佳范围；

b、组成含有齿轮箱状态信息的矩阵

对于某一时刻i，齿轮箱的状态可以由状态参数归一化后组成如式1所示向量X(i)：

X(i)＝[v,P,T_g,T_e,T,V₁,V₂,V₃,V₄]^T (1)

式中，参数名称与参数符号的对应关系为：风速-v、功率-P、齿轮箱润滑油温度-T_g、齿轮箱主轴承温度-T_b、环境温度-T_e、低速轴径向振动信号峭度-V₁、中速轴径向振动信号峭度-V₂、高速轴径向振动信号峭度-V₃、低箱体齿圈处振动信号峭度-V₄；

由于齿轮箱的状态是一个发展的过程，为了让卷积神经网络能够全面把握齿轮箱的状态，将m个历史观测向量X(i)组成如式2所示状态矩阵D：

D＝[X(n+1),X(n+2),X(n+3)...X(n+m)] (2)

状态矩阵D是由从时刻n开始到时刻n+m间的m个齿轮箱状态向量组成，矩阵D能够代表在这m个时刻内设备的动态过程；

最终形成多个正常状态矩阵和多个故障状态矩阵；

步骤5：深度神经网络的训练

在Caffe框架下训练网络，训练中使用带有卷积结构的多层深度神经网络结构，将多个正常状态矩阵和故障状态矩阵导入，建立深度神经网络的训练和测试数据集，形成深度神经网络，其输入层为风电机组齿轮箱的状态矩阵D，输出层为齿轮箱处于故障状态的概率；

步骤6：风电机组齿轮箱状态评估

将要进行状态评估的风电机组状态数据组成的状态矩阵D输入深度神经网络输入层，进行齿轮箱状态的预测，进而对齿轮箱进行状态评估，输出的评估结果为0～1之间的参数k，参数k为深度神经网络输出的齿轮箱处于故障状态的概率，当k≥0.5时判断齿轮箱存在将要发生故障的可能，当k<0.5时判断此时齿轮箱能够稳定运行。