[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

摘要

本发明涉及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，技术方案是，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，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，便于进行齿轮箱的定量状态检测；通过增加振动传感器并以10min峭度特征值作为模型输入，不仅能够完善机组的SCADA系统所监测的数据，更能让风电机组的齿轮箱异常更容易反映在运行数据中；将深度神经网络用于对风电机组齿轮箱的实时监测，准确性强，并且计算时间速度快，能够统一部署在同一风场同一类型风电机组上，保障机组的运行安全。

主权项

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：/n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；/n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：/na、齿轮箱型号：通过设备档案查询进行确定；/nb、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；/nc、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；/nd、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；/n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；/n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