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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。