[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

说明书

本发明公开了现代工业中风能行业的风力涡轮机故障诊断技术领域的基于深度神经网络的风力涡轮机齿轮箱故障诊断方法，该方法由两部分组成，分别是基于SCADA系统采集的数据使用数据驱动的DNN模型对润滑油压力进行准确预测与使用EWMA控制图得到判断故障即将发生的准则；为验证DNN建模的有效性将其与另外5种常用数据驱动模型进行基准化分析；对以齿轮油温度为目标的模型也进行了基准化分析。经过实施例验证，本发明能在不误判情况下准确诊断出所有即将发生故障的齿轮箱，且计算速度快、效率高、可靠性强。

技术领域

本发明涉及现代工业中风能行业的风力涡轮机故障诊断领域，具体为基于深度神经网络的风力涡轮机齿轮箱故障诊断方法，通过处理即将发生故障的设备来减少停机时间与经济损失。

背景技术

风力涡轮机主要由齿轮箱、发电机与轴承构成。这些部件在使用中易受磨损，容易引发故障。齿轮箱在将机械能高速传送到发电机时，由于受到承重压力、制动的瞬时脉冲和灰尘的腐蚀，成为风力涡轮机最脆弱的部件之一。数据显示，变速箱故障占风力涡轮机故障的59％。随着风电场老化，风力涡轮机性能下降导致的故障将会引发意外的停机，增加运营与维护成本。因此，有效的齿轮箱状态监测与故障诊断方法是具有现实意义的。

现有技术主要通过分析振动信号进行齿轮箱故障诊断。基于震动信号的齿轮箱故障诊断已在许多研究中提出。提取噪声振动信号的特征是常用的一种诊断方法。例如利用自适应的随机共振(SR)方法、控制噪声的二阶增强随机共振方法提取噪声振动信号中的微弱特性；利用经验模态分解(EMD)分解振动信号；利用时频分析(JFTA)监测非平稳振动信号的组成频率分量。数据驱动的振动信号分析是另一种诊断方式。例如基于小波包系数的标准差构建神经网络(NN)对齿轮状况建模；通过对连续的振动激励进行检测监控齿轮箱状况等。

上述现有的通过分析齿轮箱振动信号进行故障诊断的方法存在以下缺陷：

(1)商用风力涡轮机并未配备能在齿轮箱上安装的振动信号传感器；

(2)振动信号传感器的安装需要额外的投资；

(3)齿轮箱与其它部件的耦合可能会使振动信号的检测精度降低。

大部分商业风电场已使用数据采集监控系统(SCADA)采集风力涡轮机数据。齿轮箱油的油温常被作为风力涡轮机状况的检测目标。但由于油温对周围环境变化敏感，SCADA采集的数据可能混有噪声。与齿轮箱油温相比，润滑油压力对外部环境的敏感性较低，可作为检测齿轮箱状态的替换目标。

在现有齿轮箱故障诊断技术的基础上，本发明以润滑油压力作为检测目标，提出一种数据驱动的风力涡轮机齿轮箱监控与故障诊断模型框架。使用深度神经网络(DNN)对SCADA采集的润滑油压力数据建模。

发明内容

本发明的目的在于提供基于深度神经网络的风力涡轮机齿轮箱故障诊断方法，基于SCADA系统采集的历史数据，用DNN建模，主动发现潜在的即将发生故障的风力涡轮机齿轮箱，及时处理以减少停机时间和经济损失。

为实现上述目的，本发明提供如下技术方案：基于深度神经网络的风力涡轮机齿轮箱故障诊断方法，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。