[发明专利]基于深度神经网络的风力涡轮机齿轮箱故障诊断方法

权利要求书

1.基于深度神经网络的风力涡轮机齿轮箱故障诊断方法，其特征在于：包括一数据驱动的诊断框架，由数据驱动的润滑油压力模型与故障监测技术两部分构成，所述数据驱动的诊断框架的构建方法为：

a、生成训练数据集：采集风力发电厂中正常运作涡轮机的SCADA系统数据，清洗无效数据与缺失数据，将处理后得到的SCADA系统数据分组，进而得到训练数据集；

b、构建润滑油压力模型：基于数据驱动方法，使用训练数据集构建模型对润滑油压力进行预测，采用网格搜索Grid Search算法选择最优的模型参数。

c、模型选择：根据构建的润滑油压力模型计算润滑油压力的预测误差，选择预测效果最准确的模型用于接下来的风力涡轮机齿轮箱监控。

d、在线监控：利用指数加权移动平均值EWMA控制图，根据选择的最优模型的预测误差得出齿轮箱即将发生故障的判别标准，并将其应用到齿轮箱状态的在线监控中。

2.根据权利要求1所述的基于深度神经网络的风力涡轮机齿轮箱故障诊断方法，其特征在于：以润滑油压力作为检测目标，使用深度神经网络DNN对SCADA采集的润滑油压力数据建模。

3.根据权利要求2所述的基于深度神经网络的风力涡轮机齿轮箱故障诊断方法，其特征在于：所述数据驱动的润滑油压力的构建模型包括DNN、KNN、Lasso、Ridge、SVM和NN。

4.根据权利要求3所述的基于深度神经网络的风力涡轮机齿轮箱故障诊断方法，其特征在于：所述数据驱动的润滑油压力构建模型采用DNN模型，具体步骤为：

通过DNN训练，构建了3层的深度神经网络，通过最小化平方误差估计每一层的权重W^(l)与偏差b^(l)，l为对应层数，计算方式为：

其中L是DNN总层数，n是训练集样本量；

使用的激活函数为双曲正切函数，计算方式为：

5.根据权利要求4所述的基于深度神经网络的风力涡轮机齿轮箱故障诊断方法，其特征在于：在构建DNN模型时为避免过拟合，采用了随即舍弃神经元方法，隐藏层中的每个神经元都有的概率被舍弃。

6.根据权利要求5所述的基于深度神经网络的风力涡轮机齿轮箱故障诊断方法，其特征在于：所述随机舍弃神经元的具体方法如下：

r_j^(l)～Bernoulli(p)，

y_i^(l+1)＝f_ac(z_i^(l+1))，

其中z^(l)和b^(l)分别是第l层的输入变量与输出变量，i是第层隐藏神经元序号，f_ac是激活函数，r^(l)是由独立同分布的伯努利随机变量构成的向量。在测试阶段，每层权重的计算公式为：

W_t^(l)＝pW^(l)。

7.根据权利要求1-6任一所述的基于深度神经网络的风力涡轮机齿轮箱故障诊断方法，其特征在于：所述DNN模型的每个隐藏层最多含有100个神经元，且使用并行的随机梯度下降SGD算法加速模型的收敛。

8.根据权利要求7所述的基于深度神经网络的风力涡轮机齿轮箱故障诊断方法，其特征在于：还包括比较模型，用于与DNN模型的润滑油压力建模效果与KNN、Lasso、Ridge、SVM和NN模型进行比较，比较模型预测效果的指标是平均绝对百分误差MAPE与绝对百分误差的标准差SDAPE，

APE的计算方式为：

MAPE的计算方式为：

SDAPE的计算方式为：

其中P是实际的润滑油压力，n_t是测试集样本量。