一种根据风况预测齿轮箱寿命的方法和系统技术方案

一种根据风况预测齿轮箱寿命的方法，包括按照预定时间间隔采集风场风速数据，连续采集第一预定时间；对风速数据进行统计，计算出风速变化率；对获取的第一累加次数、第二累加次数、第一累加时间、第二累加时间进行归一化处理得到第一训练样本元素、第二训练样本元素、第三训练样本元素、第四训练样本元素，作为神经网络的输入层；连续采集第一预定时间的齿轮箱的载荷谱；计算得到每个第二预定时间损失的齿轮寿命；将齿轮寿命归一化处理后得到的结果，作为神经网络的输出，构建神经网络；设置训练误差；在训练偏差小于训练误差时，确定神经网络训练成功；本发明专利技术提供一种根据风况预测齿轮箱寿命的方法和系统，科学准确地评估齿轮箱的疲劳寿命。

【技术实现步骤摘要】
一种根据风况预测齿轮箱寿命的方法和系统
本专利技术涉及风力发电机
，特别涉及一种根据风况预测齿轮箱寿命的方法和系统。
技术介绍
风能是一种清洁的可再生能源。作为风能利用的主要形式，风力发电是目前技术最成熟，最具规模化开发条件和商业化发展前景的可再生能源发电方式之一。在风力发电机组制造中，齿轮传动齿轮箱是一个关键部件，一旦突然失效，往往使用户措手不及，造成极大的经济损失，甚至导致灾难性后果。据统计，在各种机械故障中，齿轮失效占总数的60%，而机械零件的破坏50%-90%又是由于疲劳破坏造成。由于风电齿轮箱价格昂贵，且安装、调试时间长、管理复杂，因此，如何科学准确地评估齿轮箱的疲劳寿命，为齿轮箱的适时维护提供正确的理论指导，从而避免欠维护和过维护现象发生，最终实现提高工作效率，保证安全生产，提高风机的风资源可利用率等，都具有十分重要的意义。现有常用的齿轮箱寿命预测方法有S-N名义应力法，e-N局部应变法，LEFM裂纹扩展寿命法等。由于齿轮箱的寿命既受内部结构的控制，又受外部工作环境和工作状况的影响，具体有高度的非线性和复杂性，现有常用的齿轮箱寿命预测方法难以准确地预测齿轮箱的寿命。
技术实现思路
本专利技术要解决的技术问题是提供一种根据风况预测齿轮箱寿命的方法和系统，用于科学准确地评估齿轮箱的疲劳寿命，为齿轮箱的适时维护提供正确的理论指导。根据本专利技术实施例的第一方面，提供了一种根据风况预测齿轮箱寿命的方法，所述方法包括：按照预定时间间隔采集风场的风速得到风速数据，且连续采集第一预定时间；所述第一预定时间包括若干个第二预定时间；分别对每个所述第二预定时间内的风速数据进行统计，计算出[vin，vout]区间中的任何两个相邻风速的风速变化率Δv；其中，vin，vout分别为风电机组的切入和切出风速；统计每个所述第二预定时间内风速变化率Δv满足Δv1＜Δv＜Δv2条件的第一累加次数ni，1；统计每个所述第二预定时间内风速变化率Δv满足Δv2＜Δv条件的第二累加次数ni，2；统计每个所述第二预定时间内风速处于[vin，vrated]区间中的第一累加时间ti，1，其中vrated为额定风速；统计每个所述第二预定时间内风速处于(vrated,vout]区间中的第二累加时间ti，2；以第一累加次数ni，1、第二累加次数ni，2、第一累加时间ti，1、第二累加时间ti，2进行归一化处理得到第一训练样本元素xi，1、第二训练样本元素xi，2、第三训练样本元素xi，3、第四训练样本元素xi，4，作为神经网络的输入层参数；连续采集所述第一预定时间的齿轮箱的载荷谱；计算得到每个所述第二预定时间损失的齿轮寿命yi’；将所述损失的齿轮寿命yi’归一化处理后得到第五训练样本元素yi，作为神经网络的输出参数，构建所述神经网络；设置训练误差ε；训练所述神经网络，在训练偏差小于所述训练误差时，确定所述神经网络训练成功；利用往年风况数据，根据所述神经网络预测所述齿轮箱的使用寿命。优选地，所述以第一累加次数ni，1、第二累加次数ni,2、第一累加时间ti，1、第二累加时间ti,2进行归一化处理的采用公式：获得所述第一训练样本元素xi,1、第二训练样本元素xi,2、第三训练样本元素xi,3、第四训练样本元素xi,4。优选地，所述损失的齿轮寿命y’i的归一化处理采用公式：获得所述第五训练样本元素yi；其中，Y是利用名义应力法计算出每个所述第二预定时间损失的齿轮寿命yi’累加之和。优选地，所述方法进一步包括，设置所述神经网络的初始权值为[0,1]区间内的随机数。优选地，所述神经网络的隐含层节点数量为5或6。优选地，所述预定时间间隔为1秒，和/或，所述第一预定时间为12个月，和/或，所述第二预定时间为一个月。根据本专利技术实施例的第二方面，公开了一种根据风况预测齿轮箱寿命的系统，所述系统包括：风速采集单元，用于按照预定时间间隔采集风场的风速得到风速数据，且连续采集第一预定时间；所述第一预定时间包括若干个第二预定时间；第一计算单元，用于分别对每个所述第二预定时间内的风速数据进行统计，计算出[vin，vout]区间中的任何两个相邻风速的风速变化率Δv；其中，vin，vout分别为风电机组的切入和切出风速；统计单元，用于统计每个所述第二预定时间内风速变化率Δv满足Δv1＜Δv＜Δv2条件的第一累加次数ni，1；以及，用于统计每个所述第二预定时间内风速变化率Δv满足Δv2＜Δv条件的第二累加次数ni,2；以及，用于统计每个所述第二预定时间内风速处于[vin，vrated]区间中的第一累加时间ti，1，其中vrated为额定风速；以及，用于统计每个所述第二预定时间内风速处于(vrated,vout]区间中的第二累加时间ti,2；第一归一化处理单元，用于以第一累加次数ni,1、第二累加次数ni,2、第一累加时间ti，1、第二累加时间ti，2进行归一化处理得到第一训练样本元素xi，1、第二训练样本元素xi，2、第三训练样本元素xi，3、第四训练样本元素xi,4，作为神经网络的输入层参数；载荷谱采集单元，用于连续采集所述第一预定时间的齿轮箱的载荷谱；第二计算单元，用于计算得到每个所述第二预定时间（每月）损失的齿轮寿命yi’；第二归一化处理单元，用于将所述损失的齿轮寿命yi’归一化处理后得到第五训练样本元素yi，作为神经网络的输出参数，构建所述神经网络；训练误差设置单元，用于设置训练误差ε；神经网络训练单元，用于训练所述神经网络，在训练偏差小于所述训练误差时，确定所述神经网络训练成功；使用寿命预测单元，用于利用往年风况数据，根据所述神经网络预测所述齿轮箱的使用寿命。优选地，所述第一归一化处理单元按照公式：获得所述第一训练样本元素xi，1、第二训练样本元素xi，2、第三训练样本元素xi，3、第四训练样本元素xi，4。优选地，所述第二归一化处理单元按照公式：获得所述第五训练样本元素yi；其中，Y是利用名义应力法计算出每个所述第二预定时间损失的齿轮寿命yi’累加之和。优选地，所述系统进一步包括初始权值设置单元，用于设置所述神经网络的初始权值为[0,1]区间内的随机数。优选地，所述神经网络的隐含层节点数量为5或6。优选地，所述预定时间间隔为1秒，和/或，所述第一预定时间为12个月，和/或，所述第二预定时间为一个月。与现有技术相比，本专利技术具有以下优点：本专利技术提供的根据风况预测齿轮箱寿命的方法，由于根据风速和齿轮箱的使用寿命建立了神经网络，可以利用神经网络多模式的功能实现以高精度逼近任意非线性函数，实现齿轮箱寿命的科学准确预测。附图说明图1是本专利技术实施例所述根据风况预测齿轮箱寿命的方法流程图；图2是本专利技术实施例构建的所述神经网络示意图；图3是本专利技术实施例所述根据风况预测齿轮箱寿命的系统结构图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本专利技术的具体实施方式做详细的说明。本专利技术提供一种根据风况预测齿轮箱寿命的方法和系统，用于科学准确地评估齿轮箱的疲劳寿命，为齿轮箱的适时维护提供正确的理论指导。参见图1和图2，图1是本专利技术实施例所述根据风况预测齿轮箱寿命的方法流程图；图2是本专利技术实施例构建的所述神经网络示意图。本专利技术实施例所述根据风况预测齿轮箱寿命的方本文档来自技高网...

【技术保护点】
一种根据风况预测齿轮箱寿命的方法，其特征在于，所述方法包括：按照预定时间间隔采集风场的风速得到风速数据，且连续采集第一预定时间；所述第一预定时间包括若干个第二预定时间；分别对每个所述第二预定时间内的风速数据进行统计，计算出[vin，vout]区间中的任何两个相邻风速的风速变化率Δv；其中，vin，vout分别为风电机组的切入和切出风速；统计每个所述第二预定时间内风速变化率Δv满足Δv1＜Δv＜Δv2条件的第一累加次数ni，1；统计每个所述第二预定时间内风速变化率Δv满足Δv2＜Δv条件的第二累加次数ni，2；统计每个所述第二预定时间内风速处于[vin，vrated]区间中的第一累加时间ti，1，其中vrated为额定风速；统计每个所述第二预定时间内风速处于(vrated,vout]区间中的第二累加时间ti,2；以第一累加次数ni，1、第二累加次数ni，2、第一累加时间ti，1、第二累加时间ti，2进行归一化处理得到第一训练样本元素xi，1、第二训练样本元素xi，2、第三训练样本元素xi，3、第四训练样本元素xi,4，作为神经网络的输入层参数；连续采集所述第一预定时间的齿轮箱的载荷谱；计算得到每个所述第二预定时间损失的齿轮寿命yi’；将所述损失的齿轮寿命yi’归一化处理后得到第五训练样本元素yi，作为神经网络的输出参数，构建所述神经网络；设置训练误差ε；训练所述神经网络，在训练偏差小于所述训练误差时，确定所述神经网络训练成功；利用往年风况数据，根据所述神经网络预测所述齿轮箱的使用寿命。...

【技术特征摘要】
1.一种根据风况预测齿轮箱寿命的方法，其特征在于，所述方法包括：按照预定时间间隔采集风场的风速得到风速数据，且在第一预定时间内连续采集；所述第一预定时间包括若干个第二预定时间；分别对每个所述第二预定时间内的风速数据进行统计，计算出[vin,vout]区间中的任何两个相邻风速的风速变化率Δv；其中，vin,vout分别为风电机组的切入和切出风速；统计每个所述第二预定时间内、所述[vin,vout]区间中的任何两个相邻风速的风速变化率Δv满足Δv1＜Δv＜Δv2条件的第一累加次数ni,1；统计每个所述第二预定时间内、所述[vin,vout]区间中的任何两个相邻风速的风速变化率Δv满足Δv2＜Δv条件的第二累加次数ni,2；统计每个所述第二预定时间内风速处于[vin,vrated]区间中的第一累加时间ti,1，其中vrated为额定风速；统计每个所述第二预定时间内风速处于(vrated,vout]区间中的第二累加时间ti,2；以第一累加次数ni,1、第二累加次数ni,2、第一累加时间ti,1、第二累加时间ti,2进行归一化处理得到第一训练样本元素xi,1、第二训练样本元素xi,2、第三训练样本元素xi,3、第四训练样本元素xi,4，作为神经网络的输入层参数；连续采集所述第一预定时间的齿轮箱的载荷谱；计算得到每个所述第二预定时间损失的齿轮寿命y’i；将所述损失的齿轮寿命y’i归一化处理后得到第五训练样本元素yi，作为神经网络的输出参数，构建所述神经网络；设置训练误差ε；训练所述神经网络，在训练偏差小于所述训练误差时，确定所述神经网络训练成功；利用往年风况数据，根据所述神经网络预测所述齿轮箱的使用寿命。2.根据权利要求1所述的根据风况预测齿轮箱寿命的方法，其特征在于，所述以第一累加次数ni,1、第二累加次数ni,2、第一累加时间ti,1、第二累加时间ti,2进行归一化处理的采用公式：获得所述第一训练样本元素xi,1、第二训练样本元素xi,2、第三训练样本元素xi,3、第四训练样本元素xi,4。3.根据权利要求1所述的根据风况预测齿轮箱寿命的方法，其特征在于，所述损失的齿轮寿命y’i的归一化处理采用公式：获得所述第五训练样本元素yi；其中，Y是利用名义应力法计算出每个所述第二预定时间损失的齿轮寿命y’i累加之和。4.根据权利要求1所述的根据风况预测齿轮箱寿命的方法，其特征在于，所述方法进一步包括，设置所述神经网络的初始权值为[0,1]区间内的随机数。5.根据权利要求1所述的根据风况预测齿轮箱寿命的方法，其特征在于，所述神经网络的隐含层节点数量为5或6。6.根据权利要求1所述的根据风况预测齿轮箱寿命的方法，其特征在于，所述预定时间间隔为1秒，和/或，所述第一预定时间为12个月，和/或，所述第二预定时间为一个月。7.一种根据风况预测齿轮箱寿命的系统，其特征在于，所述系统包括：风速采集单元，...

【专利技术属性】
技术研发人员：翁艳，崔维涛，张海涛，
申请(专利权)人：北京三一自动化技术有限责任公司，
类型：发明
国别省市：北京;11