基于深度神经网络的风电机组齿轮箱故障监测方法及系统技术方案

本发明专利技术公开了基于深度神经网络的风电机组齿轮箱故障监测方法及系统，所述方法包括以下步骤：A.获取风电机组SCADA实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；B.将齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；C.计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；D.监视拟合误差以判断风电机组的齿轮箱状态，并在判断为故障状态时触发警报。本发明专利技术的齿轮箱故障监测方法及系统能够及时有效地监测齿轮箱故障，监测结果受外界环境影响小，准确性高。

Method and system for monitoring gearbox fault of wind turbine based on depth neural network

The invention discloses a wind power gear box fault monitoring method and system of unit depth based on neural network, the method comprises the following steps: acquiring A. gearbox state data of wind turbine SCADA real-time data, including gear lubricating oil pressure, oil temperature, gear box, gear box bearing temperature and power output B.; gear lubricating oil temperature, the temperature of the bearings and gear box unit output power input depth prediction model based on neural network prediction for gear lubricating oil pressure prediction model output value; C. calculation of gear box lubricating oil pressure fitting error between the predicted and actual values of gear lubricating oil pressure value D.; monitor the fitting error to determine the wind turbine gearbox condition, and in judging the fault status when the alarm is triggered. The gear box fault monitoring method and the system of the invention can monitor the gear box fault in time and effectively, and the monitoring result is less affected by the external environment, and the accuracy is high.

【技术实现步骤摘要】
基于深度神经网络的风电机组齿轮箱故障监测方法及系统
本专利技术涉及风电机组故障预警
，特别是涉及基于深度神经网络的风电机组齿轮箱故障监测方法及系统。
技术介绍
随着风电场使用年限的增加，风电场运维成本控制变得更加重要。风电机组的几个主要子系统，如齿轮箱、发电机、轴承等，都是状态监测和故障预警的主要应用对象。随着故障提前预警，风电场运营人员可以通过有效调整运行方式，提前进行设备维护更换，能显著降低运营成本。对于占有风电机组大部分成本份额的齿轮箱，发生故障会造成过多的停机时间，因此，精准并且高效的齿轮箱故障检测模型的开发是必不可少的。齿轮箱故障监测的传统方法是通过对一定频率范围内的振动信号分析实现的，但需要对监测齿轮箱逐一加装振动传感器，该方法由于施工麻烦、成本过高而很难被风电行业广泛应用。近年来，SCADA数据监测齿轮箱状态的方法也已经被予以应用，基于SCADA数据的齿轮箱故障监测理念，是通过连接风电机组的SCADA系统将齿轮箱传感器采集到的实时状态数据进行模型监测，达到齿轮箱预警目的，该方法较采集振动信号的方式更加低成本，具有高实用性。监测时齿轮箱润滑油油温是齿轮箱的主要监测指标，但齿轮箱油温容易受到周围环境及噪声的影响，从而影响监测结果。因此，亟待发展一种新的风电机组齿轮箱故障监测方法，使之能够避免监测结果受外界环境影响，提高齿轮箱故障监测结果的准确性。
技术实现思路
本专利技术的目的是提供基于深度神经网络的风电机组齿轮箱故障监测方法及系统，所述的方法及系统能够及时有效地监测齿轮箱故障，监测结果受外界环境影响小，准确性高。为实现上述目的，本专利技术采用如下技术方案：基于深度神经网络的风电机组齿轮箱故障监测方法，包括以下步骤：A.获取风电机组SCADA实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；B.将所述齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；C.计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；D.监视所述拟合误差以判断所述风电机组的齿轮箱状态，并在判断为故障状态时触发警报。作为进一步地改进，所述步骤B中的预测模型通过以下步骤构建：获取风电场正常风电机组的SCADA数据中的齿轮箱状态相关数据，建立训练数据集，所述齿轮箱状态相关数据包括齿轮箱润滑油压力Pl、齿轮箱润滑油温度T0、齿轮箱轴承温度Ts和机组输出功率P0；基于深度神经网络建立如下预测模型：其中，表示模型输出值，即齿轮箱润滑油压力的预测值；利用所述训练数据集中的数据，对所述预测模型进行训练，获得模型参数。所述步骤C中的拟合误差采用相对误差e表示，通过下式计算：式中表示齿轮箱润滑油压力的预测值，Pl表示齿轮箱润滑油压力的实际值。所述步骤D中通过采用EWMA控制图监视所述的拟合误差。所述步骤D中当所述拟合误差连续一段时间超出EWMA控制图的上下限时判断所述风电机组的齿轮箱为故障状态。基于深度神经网络的风电机组齿轮箱故障监测系统，包括：数据获取模块，用于获取风电机组SCADA实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；模型计算模块，用于将所述齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；误差计算模块，用于计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；预警模块，用于监视所述拟合误差以判断所述风电机组的齿轮箱状态，并在判断为故障状态时触发警报。作为进一步地改进，所述预测模型通过以下步骤构建：获取风电场正常风电机组的SCADA数据中的齿轮箱状态相关数据，建立训练数据集，所述齿轮箱状态相关数据包括齿轮箱润滑油压力Pl、齿轮箱润滑油温度T0、齿轮箱轴承温度Ts和机组输出功率P0；基于深度神经网络建立如下预测模型：其中，表示模型输出值，即齿轮箱润滑油压力的预测值；利用所述训练数据集中的数据，对所述预测模型进行训练，获得模型参数。所述拟合误差采用相对误差e表示，通过下式计算：式中表示齿轮箱润滑油压力的预测值，Pl表示齿轮箱润滑油压力的实际值。所述预警模块通过采用EWMA控制图监视所述的拟合误差。所述预警模块在当所述拟合误差连续一段时间超出EWMA控制图的上下限时判断所述风电机组的齿轮箱为故障状态。由于采用上述技术方案，本专利技术至少具有以下优点：(1)本专利技术采用从被周围环境影响较小的齿轮箱润滑油油压指标入手，通过运用神经网络算法，为监测齿轮箱油压进行建模，并通过监视拟合误差对齿轮箱状态进行监测，监测结果受外界环境影响小，准确性高，能够实现及时有效地监测齿轮箱故障。(2)齿轮箱状态预测模型考虑了三个齿轮箱状态相关变量参数To,Ts,Po，不仅体现了对齿轮箱润滑油油压指标的监测，也体现了对此三个相关变量参数的监测。(3)采用EWMA控制图对过程监控更加灵敏，能够有效识别观测值的微小移动。附图说明上述仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，以下结合附图与具体实施方式对本专利技术作进一步的详细说明。图1是本专利技术的基于深度神经网络的风电机组齿轮箱故障监测方法流程图。具体实施方式本专利技术提供了基于深度神经网络的风电机组齿轮箱故障监测方法及系统，所述的方法及系统能够及时有效地监测齿轮箱故障，监测结果受外界环境影响小，准确性高。请参阅图1所示，本专利技术的齿轮箱故障监测方法，主要包括以下步骤：获取风电机组SCADA实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；将所述齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；监视所述拟合误差以判断所述风电机组的齿轮箱状态，并在判断为故障状态时触发警报。具体地，本专利技术所述的齿轮箱故障监测方法主要涉及如下两个部分：1.齿轮箱油压预测模型；2.齿轮箱状态监测。其中，齿轮箱油压预测模型的建立运用了深度神经网络(DNN)技术，相较于经典的神经网络(NeuralNetworks，NNs)，深度神经网络(DeepNeuralNetwork，DNN)部署了多隐藏层来为复杂关系建模。由于齿轮箱润滑油用于为齿轮箱降温，齿轮箱润滑油压力的变化将遵循输出功率的变化。相较于齿轮箱润滑油温度，齿轮箱润滑油的压力指标对环境影响带来的冲击更具有抵抗力。如果齿轮箱存在机械损耗，废铁屑将会融入齿轮箱润滑油中使压力值发生变化。对此，本专利技术将齿轮箱润滑油压力Pl作为主要被监测目标，同时还伴随了三个相关变量参数的监测：齿轮箱油温T0、机组输出功率P0和齿轮箱轴承温度TS。在本专利技术中，DNN运用了三个隐藏层为上述三个输入量(齿轮箱油温T0、机组输出功率P0和齿轮箱轴承温度TS)到输出量(齿轮箱润滑油压力)建立了模型。该模型是具有输入层、三重隐层和输出层的深度神经网络模型，模型如下公式所示：式中表示模型输出值，即齿轮箱润滑油压力的预测值。模型参数通过数据训练获得。其本文档来自技高网...

【技术保护点】
基于深度神经网络的风电机组齿轮箱故障监测方法，其特征在于，包括以下步骤：A.获取风电机组SCADA实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；B.将所述齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；C.计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；D.监视所述拟合误差以判断所述风电机组的齿轮箱状态，并在判断为故障状态时触发警报。

【技术特征摘要】
1.基于深度神经网络的风电机组齿轮箱故障监测方法，其特征在于，包括以下步骤：A.获取风电机组SCADA实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；B.将所述齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；C.计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；D.监视所述拟合误差以判断所述风电机组的齿轮箱状态，并在判断为故障状态时触发警报。2.根据权利要求1所述的基于深度神经网络的风电机组齿轮箱故障监测方法，其特征在于，所述步骤B中的预测模型通过以下步骤构建：获取风电场正常风电机组的SCADA数据中的齿轮箱状态相关数据，建立训练数据集，所述齿轮箱状态相关数据包括齿轮箱润滑油压力Pl、齿轮箱润滑油温度T0、齿轮箱轴承温度Ts和机组输出功率P0；基于深度神经网络建立如下预测模型：其中，表示模型输出值，即齿轮箱润滑油压力的预测值；利用所述训练数据集中的数据，对所述预测模型进行训练，获得模型参数。3.根据权利要求1所述的基于深度神经网络的风电机组齿轮箱故障监测方法，其特征在于，所述步骤C中的拟合误差采用相对误差e表示，通过下式计算：式中表示齿轮箱润滑油压力的预测值，Pl表示齿轮箱润滑油压力的实际值。4.根据权利要求1所述的基于深度神经网络的风电机组齿轮箱故障监测方法，其特征在于，所述步骤D中通过采用EWMA控制图监视所述的拟合误差。5.根据权利要求4所述的基于深度神经网络的风电机组齿轮箱故障监测方法，其特征在于，所述步骤D中当所述拟合误差连续一段时间超出EWMA控制图的上下限时判断所述风电机组的齿轮箱为故障状态。6.基于深度神...

【专利技术属性】
技术研发人员：刘瑞华，胥佳，李韶武，朱孟喆，
申请(专利权)人：龙源北京风电工程技术有限公司，
类型：发明
国别省市：北京,11