一种风电机组齿轮箱的故障预警方法技术

本发明专利技术公开了一种风电机组齿轮箱的故障预警方法，包括如下步骤：S1、利用三维姿态传感器和振动传感器采集风电机组齿轮箱齿轮的振动信号、姿态信号；S2、基于CCIPCA算法实现振动信号、姿态信号数据特征的提取；S3、基于LSSVM基于数据特征实现目标数据的分类；S4、当分类结果落入预设预警门限时，根据分类结果调用对应的Inception V2深度神经网络模型实现当前故障风险评估。本发明专利技术可以实现风电齿轮箱故障的预警和仿真分析，基于姿态信号和振动信号同时进行风电机组齿轮箱故障监测，大大提高了故障风险评估结果的精确度。

A fault early warning method for gearbox of wind turbine

【技术实现步骤摘要】
一种风电机组齿轮箱的故障预警方法
本专利技术涉及机械故障诊断领域，具体涉及一种风电机组齿轮箱的故障预警方法。
技术介绍
风电机组由风轮、低速轴、齿轮箱、高速轴、发电机、塔筒等部件组成，齿轮箱作为风电机组转速转换中间装置，对整个机组的正常运行至关重要。齿轮箱发生故障往往会造成整个风电机组的停机，直接影响风电机组性能与安全。由于风电机组齿轮箱通常运行于几十米的高空中，相比于其他旋转机械，其更容易发生故障，针对其进行维修也更为困难。风电场设备运行质量状况调查报告表明，齿轮箱故障是导致风电机组停机时间最长的设备。所以，对风电机组齿轮箱故障进行快速而准确的分析与诊断，有利于减少风电机组由于齿轮箱故障引起的停机时间，提高风电机组安全运行与生产效益。目前对齿轮箱故障的研究多为故障诊断方面，即第一时间对初始故障加以判定或者是对严重故障的短时预测，不能够做到提前预测设备状态并优化维修决策。
技术实现思路
为解决上述问题，本专利技术提供了一种风电机组齿轮箱的故障预警方法，可以实现风电机组齿轮箱故障的预警。为实现上述目的，本专利技术采取的技术方案为：一种风电机组齿轮箱的故障预警方法，包括如下步骤：S1、利用三维姿态传感器和振动传感器采集风电机组齿轮箱齿轮的振动信号、姿态信号；S2、基于CCIPCA算法实现振动信号、姿态信号数据特征的提取；S3、基于LSSVM基于数据特征实现目标数据的分类；S4、当分类结果落入预设预警门限时，根据分类结果调用对应的InceptionV2深度神经网络模型实现当前故障风险评估。进一步地，还包括采用最近邻分类器根据故障风险评估结果输出对应维修措施的步骤。进一步地，还包括采用Simulink建立风电机组齿轮箱的物理模型；在所得的物理模型中构建一用于驱动物理模型各元素变化并实现各种目标参数计算的虚拟作动器，以及用于显示目标参数计算结果的虚拟传感器，通过虚拟作动器进行仿真分析的步骤。进一步地，所述虚拟传感器为在物理模型中插入的一系列用于直接获取相应的结果或信息的逻辑单元。进一步地，所述虚拟作动器与物理模型中的各元素建立关系后，可以在指定的范围内对参数进行变动，从而可以驱动仿真分析方法针对不同的参数进行计算求解。进一步地，还包括基于数学形态学构造自适应LMS算法的广义形态滤波器，对振动信号进行去噪处理的步骤。进一步地，还包括通过EXCEL表格的形式实现风险评估结果的汇总的步骤，风险评估结果包括数据源名称、故障风险评估的结果以及输出的故障维修措施。本专利技术具有以下有益效果：1）基于姿态信号和振动信号同时进行风电机组齿轮箱故障监测，大大提高了故障风险评估结果的精确度。2）基于物理模型、虚拟作动器和虚拟传感器可以实现故障风险的仿真分析和预测，从而可以及时发现安全隐患。3）基于CCIPCA算法、LSSVM、以及不同的InceptionV2深度神经网络模型实现数据的处理分析，在可以提高数据处理效率的同时，可以提高故障风险评估结果的精确度。附图说明图1为本专利技术实施例1的流程图。图2为本专利技术实施例2的流程图。图3为本专利技术实施例3的流程图。图4为本专利技术实施例4的流程图。图5为本专利技术实施例5的流程图。具体实施方式下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变形和改进。这些都属于本专利技术的保护范围。实施例1如图1所示，一种风电机组齿轮箱的故障预警方法，包括如下步骤：S1、利用三维姿态传感器和振动传感器采集风电机组齿轮箱齿轮的振动信号、姿态信号；S2、基于CCIPCA算法实现振动信号、姿态信号数据特征的提取；S3、基于LSSVM基于数据特征实现目标数据的分类；S4、当分类结果落入预设预警门限时，根据分类结果调用对应的InceptionV2深度神经网络模型实现当前故障风险评估。实施例2如图2所示，一种风电机组齿轮箱的故障预警方法，包括如下步骤：S1、利用三维姿态传感器和振动传感器采集风电机组齿轮箱齿轮的振动信号、姿态信号；S2、基于CCIPCA算法实现振动信号、姿态信号数据特征的提取；S3、基于LSSVM基于数据特征实现目标数据的分类；S4、当分类结果落入预设预警门限时，根据分类结果调用对应的InceptionV2深度神经网络模型实现当前故障风险评估；S5、采用最近邻分类器根据故障风险评估结果输出对应维修措施。实施例3如图3所示，一种风电机组齿轮箱的故障预警方法，包括如下步骤：S1、利用三维姿态传感器和振动传感器采集风电机组齿轮箱齿轮的振动信号、姿态信号；S2、基于CCIPCA算法实现振动信号、姿态信号数据特征的提取；S3、基于LSSVM基于数据特征实现目标数据的分类；S4、当分类结果落入预设预警门限时，根据分类结果调用对应的InceptionV2深度神经网络模型实现当前故障风险评估；S5、采用最近邻分类器根据故障风险评估结果输出对应维修措施；S6、采用Simulink建立风电机组齿轮箱的物理模型；在所得的物理模型中构建一用于驱动物理模型各元素变化并实现各种目标参数计算的虚拟作动器，以及用于显示目标参数计算结果的虚拟传感器，通过虚拟作动器进行仿真分析的步骤；所述虚拟传感器为在物理模型中插入的一系列用于直接获取相应的结果或信息的逻辑单元；所述虚拟作动器与物理模型中的各元素建立关系后，可以在指定的范围内对参数进行变动，从而可以驱动仿真分析方法针对不同的参数进行计算求解。实施例4如图4所示，一种风电机组齿轮箱的故障预警方法，包括如下步骤：S1、利用三维姿态传感器和振动传感器采集风电机组齿轮箱齿轮的振动信号、姿态信号；S2、基于数学形态学构造自适应LMS算法的广义形态滤波器，对振动信号进行去噪处理，并基于CCIPCA算法实现振动信号、姿态信号数据特征的提取；S3、基于LSSVM基于数据特征实现目标数据的分类；S4、当分类结果落入预设预警门限时，根据分类结果调用对应的InceptionV2深度神经网络模型实现当前故障风险评估。S5、采用最近邻分类器根据故障风险评估结果输出对应维修措施；S6、通过EXCEL表格的形式实现风险评估结果的汇总的步骤，风险评估结果包括数据源名称、故障风险评估的结果以及输出的故障维修措施。实施例5如图5所示，一种风电机组齿轮箱的故障预警方法，包括如下步骤：S1、利用三维姿态传感器和振动传感器采集风电机组齿轮箱齿轮的振动信号、姿态信号；S2、基于数学形态学构造自适应LMS算法的广义形态滤波器，对本文档来自技高网...

【技术保护点】
1.一种风电机组齿轮箱的故障预警方法，其特征在于：包括如下步骤：/nS1、利用三维姿态传感器和振动传感器采集风电机组齿轮箱齿轮的振动信号、姿态信号；/nS2、基于CCIPCA算法实现振动信号、姿态信号数据特征的提取；/nS3、基于LSSVM基于数据特征实现目标数据的分类；/nS4、当分类结果落入预设预警门限时，根据分类结果调用对应的Inception V2深度神经网络模型实现当前故障风险评估。/n

【技术特征摘要】
1.一种风电机组齿轮箱的故障预警方法，其特征在于：包括如下步骤：
S1、利用三维姿态传感器和振动传感器采集风电机组齿轮箱齿轮的振动信号、姿态信号；
S2、基于CCIPCA算法实现振动信号、姿态信号数据特征的提取；
S3、基于LSSVM基于数据特征实现目标数据的分类；
S4、当分类结果落入预设预警门限时，根据分类结果调用对应的InceptionV2深度神经网络模型实现当前故障风险评估。


2.如权利要求1所述的一种风电机组齿轮箱的故障预警方法，其特征在于：还包括采用最近邻分类器根据故障风险评估结果输出对应维修措施的步骤。


3.如权利要求1所述的一种风电机组齿轮箱的故障预警方法，其特征在于：还包括采用Simulink建立风电机组齿轮箱的物理模型；在所得的物理模型中构建一用于驱动物理模型各元素变化并实现各种目标参数计算的虚拟作动器，以及用于显示目标参数计算结果的虚拟传...

【专利技术属性】
技术研发人员：崔慧娟，仙阿曼，李锁牢，金莹，张娟荣，
申请(专利权)人：咸阳职业技术学院，
类型：发明
国别省市：陕西;61