风电机组齿轮箱输出轴故障监测预警方法技术

本发明专利技术提供了一种风电机组齿轮箱输出轴故障监测预警方法，包括：提取了关于齿轮箱输出轴某一时间段内的多个特征的时间序列分钟级原始数据并对其进行数据清洗预处理；根据相关部件故障记录表,筛选出运行状态正常的数据,利用多种算法模型进行变量重要性排序，最终筛选出排名靠前的十个特征变量作为模型最终输入变量；建立基于XGBoost算法的故障监测模型，计算预定时间窗中实测温度曲线与模型预测温度曲线的残差均值，作为时间窗输出值，若时间窗输出值大于预警阈值，则发出警报。本发明专利技术准确度相对较高，计算速度较快，大大节省时间成本，保证故障排查的时效性。

【技术实现步骤摘要】
风电机组齿轮箱输出轴故障监测预警方法
本专利技术涉及风电领域，特别涉及一种风电机组齿轮箱输出轴故障监测预警方法。
技术介绍
风电机组的大型故障都是从初现到发展，再逐渐演变到故障的，在故障产生前的一段时间，我们可以通过对特征数据的趋势变化来预测可能会出现的故障，从而达到故障预警的目的。当风机的实时数据与预测的数据有一定偏差且持续一定时间时，我们就可以给出相应的诊断意见，为维修人员争取更多的时间和主动性，减少不必要的经济损失和安全隐患，使风机的经济效益达到最大化。目前常见的方法如下：(1)粒子群优化算法(PSO)对支持向量机(SVM)的核参数进行优化，构成基于WPA-PSO-SVM的风机故障诊断模型，对各风电机组工况进行智能模式识别，从而达到监控效果。但是，粒子群优化算法对于离散的优化问题处理不佳，容易陷入局部最优，导致模型最终并不能适用于广泛的现实场景。(2)基于统计模式识别的齿轮箱退化状态评估与识别模型，利用小波包能量谱实现对风机关键部位振动信号的特征提取。提出分阶段的人工免疫-自适应调节混合网络预测算法，建立关于齿轮箱的温度预测模型，实现了对风机重要部位的故障预测与诊断。但是，由于统计模式对其数量要求大，对结构复杂的模式抽取特征困难，成本消耗较大，对风机故障的预测与诊断能力有很大的提升空间，若条件受限，则并不利于故障的准确诊断。(3)采用改进深度信念网络对机械设备齿轮箱与相关重要轴承故障类别进行分类，引入高斯伯努利受限玻尔兹曼机模型基于采集的振动信号数据学习概率分布生成网络，最终对机械的故障状态进行分类识别。但是，该神经网络模型对于训练的振动信号、频率数据要求较高，网络模型对大批量数据处理效率较低。
技术实现思路
本专利技术提供了一种风电机组齿轮箱输出轴故障监测预警方法，以解决至少一个上述技术问题。为解决上述问题，作为本专利技术的一个方面，提供了一种风电机组齿轮箱输出轴故障监测预警方法，包括：步骤1，从SCADA数据库中提取了关于齿轮箱输出轴某一时间段内的多个特征的时间序列分钟级原始数据并对其进行数据清洗预处理，以筛选出并网状态产生的数据作用输入数据；步骤2，根据相关部件故障记录表,筛选出运行状态正常的数据,利用多种算法模型进行变量重要性排序，最终筛选出排名靠前的十个特征变量作为模型最终输入变量，从而达到降维的效果；步骤3，将排名靠前的十个特征变量进行划分，随机划分80％数据作为模型的训练集数据，剩下20％数据作为模型的检验集数据用于验证模型的优劣性；步骤4，建立基于XGBoost算法的故障监测模型，将上述划分的20％的检验集数据输入到由训练集数据训练完成的监测模型中，得到检验样本对应的齿轮箱输出轴温度预测曲线，结合齿轮箱输出轴温度实际曲线，计算出二者残差；步骤5，对残差曲线进行分析,选出包含故障时间段以及故障发生前一天的数据，观察其波动情况，并提取各个故障前一天的残差曲线数据分别进行平均值处理，取其中的最小值作为故障预警阈值以有效降低故障漏报率；步骤6，预警阈值设定之后，计算预定时间窗中实测温度曲线与模型预测温度曲线的残差均值，作为时间窗输出值，若时间窗输出值大于预警阈值，则发出警报；步骤7，设置均方误差、平均绝对误差、平均相对误差绝对值、调整的可决系数等作为模型的评价指标，使用检验集中实际记录数据与模型预测值计算出评价指标。优选地，步骤1针对由齿轮箱输出轴温度异常导致的故障进行预警，考虑到故障发生前一段时间内温度上升的前瞻性和故障发生后一段时间温度的突变性，需要对故障前后的一段数据进行筛选舍弃，以得到最佳的训练模型。优选地，步骤1中，删除故障时间段前后各24小时数据。优选地，步骤2中的利用多种算法模型进行变量重要性排序，最终筛选出排名靠前的十个特征变量作为模型最终输入变量包括：使用Pearson相关系数公式可以计算出变量间相关系数，可根据相关系数进行排序；将原始数据输入随机森林算法、XGBoost算法、LightGBM算法和CatBoost算法进行训练，可得到各变量重要性排序结果；针对于影响齿轮箱输出轴温度的特征变量的重要性进行加权计分、排序筛选，各算法权重各占0.2，最终筛选出排名靠前的十个特征变量作为模型最终输入变量。优选地，步骤4中模型训练主要设定的参数包括：树的深度、树的个数、学习率、样本采样率、惩罚项系数、最小叶子节点样本权重和。优选地，步骤6中的预定时间窗通过下述方式确定：取多种时间窗进行实验，分别为4小时，6小时，8小时，10小时，12小时，为有效降低漏报率同时控制误报率，结果表明，取6小时为一个时间窗口最佳。由于采用了上述技术方案，本专利技术具有以下有益效果：(1)引入XGBoost算法建立模型，准确度相对较高，计算速度较快，比通过传统神经网络的方式更加灵活有效，大大节省时间成本，保证故障排查的时效性。(2)残差分析用于模型，根据反馈信息及时发现系统性因素出现的征兆。模型通过对输入变量预测，与实际温度曲线作残差进行分析就可实现对过程异常状态的识别，从而达到故障监测功能。(3)时间窗口的合理设定，在较好地保证不漏报的情况下，最大限度地降低误报率。尽早发现故障并提前预警，为人工检修排除故障争取到了更多的时间，减少风机停机次数，提高工作效率，为企业争取到更大利益。附图说明图1示意性地示出了模型预测温度曲线与实际温度曲线对比图；图2示意性地示出了检验样本模型预测与实际温度残差图；图3示意性地示出了齿轮箱输出轴故障监测及故障预警详细流程图。具体实施方式以下对本专利技术的实施例进行详细说明，但是本专利技术可以由权利要求限定和覆盖的多种不同方式实施。为了进一步准确判断风力齿轮箱故障发生的可能性以及引起故障的原因并及早预警，本专利技术提供了一种基于XGBoost算法的风机齿轮箱故障监测与预警方法，以便较早发现故障，提醒人工尽快检修，极大程度降低风机故障导致停机而带来的经济利益损失。下面，对本专利技术中的于XGBoost算法的风机齿轮箱故障监测与预警方法的具体内容进行详细说明：(1)基于山东某风场的二十号风机进行建模研究，从SCADA数据库中提取了关于齿轮箱输出轴(gearbox_temperature_output_shaft2)2018年1月至2020年7月的数据共130万条、37个特征的时间序列分钟级原始数据,随后进行数据预处理，首先，主要针对由齿轮箱输出轴温度异常导致的故障进行预警，考虑到故障发生前一段时间内温度上升的前瞻性和故障发生后一段时间温度的突变性，需要对故障前后的一段数据进行筛选舍弃，以得到最佳的训练模型。其次，提取的数据中会存在许多的与建模无关的冗余时序数据，如风机待机、停机时的数据。为此，本专利技术删除故障时间段前后各24小时数据，以齿轮箱控制状态列为依据筛选出并网状态产生的数据并展开研究，最终确定输入数据约79万条。(2)根据公司风控中心相关部件本文档来自技高网...

【技术保护点】
1.一种风电机组齿轮箱输出轴故障监测预警方法，其特征在于，包括：/n步骤1，从SCADA数据库中提取了关于齿轮箱输出轴某一时间段内的多个特征的时间序列分钟级原始数据并对其进行数据清洗预处理，以筛选出并网状态产生的数据作用输入数据；/n步骤2，根据相关部件故障记录表,筛选出运行状态正常的数据,利用多种算法模型进行变量重要性排序，最终筛选出排名靠前的十个特征变量作为模型最终输入变量，从而达到降维的效果；/n步骤3，将排名靠前的十个特征变量进行划分，随机划分80％数据作为模型的训练集数据，剩下20％数据作为模型的检验集数据用于验证模型的优劣性；/n步骤4，建立基于XGBoost算法的故障监测模型，将上述划分的20％的检验集数据输入到由训练集数据训练完成的监测模型中，得到检验样本对应的齿轮箱输出轴温度预测曲线，结合齿轮箱输出轴温度实际曲线，计算出二者残差；/n步骤5，对残差曲线进行分析,选出包含故障时间段以及故障发生前一天的数据，观察其波动情况，并提取各个故障前一天的残差曲线数据分别进行平均值处理，取其中的最小值作为故障预警阈值以有效降低故障漏报率；/n步骤6，预警阈值设定之后，计算预定时间窗中实测温度曲线与模型预测温度曲线的残差均值，作为时间窗输出值，若时间窗输出值大于预警阈值，则发出警报；/n步骤7，设置均方误差、平均绝对误差、平均相对误差绝对值、调整的可决系数等作为模型的评价指标，使用检验集中实际记录数据与模型预测值计算出评价指标。/n...

【技术特征摘要】
1.一种风电机组齿轮箱输出轴故障监测预警方法，其特征在于，包括：
步骤1，从SCADA数据库中提取了关于齿轮箱输出轴某一时间段内的多个特征的时间序列分钟级原始数据并对其进行数据清洗预处理，以筛选出并网状态产生的数据作用输入数据；
步骤2，根据相关部件故障记录表,筛选出运行状态正常的数据,利用多种算法模型进行变量重要性排序，最终筛选出排名靠前的十个特征变量作为模型最终输入变量，从而达到降维的效果；
步骤3，将排名靠前的十个特征变量进行划分，随机划分80％数据作为模型的训练集数据，剩下20％数据作为模型的检验集数据用于验证模型的优劣性；
步骤4，建立基于XGBoost算法的故障监测模型，将上述划分的20％的检验集数据输入到由训练集数据训练完成的监测模型中，得到检验样本对应的齿轮箱输出轴温度预测曲线，结合齿轮箱输出轴温度实际曲线，计算出二者残差；
步骤5，对残差曲线进行分析,选出包含故障时间段以及故障发生前一天的数据，观察其波动情况，并提取各个故障前一天的残差曲线数据分别进行平均值处理，取其中的最小值作为故障预警阈值以有效降低故障漏报率；
步骤6，预警阈值设定之后，计算预定时间窗中实测温度曲线与模型预测温度曲线的残差均值，作为时间窗输出值，若时间窗输出值大于预警阈值，则发出警报；
步骤7，设置均方误差、平均绝对误差、平均相对误差绝对值、调整的可决系数等作为模型的评价指标，使用检验集中实际记录数据与模型预测值计算出评价指标。


2.根据权利要求1所述的风电机组齿轮箱输出轴故障监测预警方法，其特征在于，步骤1针对由齿...

【专利技术属性】
技术研发人员：刘广臣，苏国良，李国庆，杨立平，柯超，
申请(专利权)人：华风数据深圳有限公司，国电电力内蒙古新能源开发有限公司，
类型：发明
国别省市：广东;44