【技术实现步骤摘要】
基于机器学习的风电齿轮箱轴承健康状态评估方法与系统
[0001]本专利技术涉及风电机组健康监测的
，尤其是指一种基于机器学习的风电齿轮箱轴承健康状态评估方法与系统。
技术介绍
[0002]风电机组运行的内部结构复杂，外部环境恶劣，导致机组故障频发，尤其是关键部件的故障会导致整机停机检修，从而造成巨大的发电量损失和经济损失。在风电机组中，齿轮箱作为旋转机械中的核心部件，将风轮在风力作用下所产生的动力传递给发电机，使风能转变为电能，同时，也是风电机组故障发生率最高的子系统之一，而齿轮箱轴承故障是导致故障时间最长、经济损失最大的关键故障原因。因此，亟需发展一种风电齿轮箱轴承健康状态评估方法，及时发现风电齿轮箱轴承的潜在故障征兆，这对提高风电机组的安全性、可靠性和经济性具有重要的意义。
[0003]目前，针对齿轮箱轴承健康的评估方法主要有模糊综合评价法、灰色综合评价法和云模型，这些方法需要丰富的运维经验和专家知识以确定参数的阈值和评估指标的权重，导致结果受主观意识的影响，准确性难以保证。此外，固定的阈值和权重难以适应多...
【技术保护点】
【技术特征摘要】
1.基于机器学习的风电齿轮箱轴承健康状态评估方法，其特征在于，包括以下步骤：S1、获取风电场内每个机组在不同运行状况下的数据；S2、对步骤S1获取的数据进行预处理，得到历史健康数据；S3、利用机组处理后的历史健康数据，基于机器学习的随机森林模型构建参数模型；利用参数模型提取机组处理后的历史健康数据中的特征参数，采用两层级联结构的长短期记忆网络挖掘齿轮箱轴承健康数据的深层特征，训练得到健康模型；S4、将机组运行的实时数据输入到参数模型提取特征参数数据，再对特征参数数据进行步骤S2的预处理操作，利用训练好的健康模型对处理后的特征参数数据进行预测，得到预测的健康数据，再与实时数据进行对比得到预测偏差，构建健康状态评估模型，对实时数据的健康状态进行评价。2.根据权利要求1所述的基于机器学习的风电齿轮箱轴承健康状态评估方法，其特征在于，在步骤S1中，利用风电场数据采集与监视控制系统SCADA获取风电场内每个机组在不同运行状况下的数据，包括台风、高温、暴雨、暴雪的复杂环境。3.根据权利要求1所述的基于机器学习的风电齿轮箱轴承健康状态评估方法，其特征在于，在步骤S2中，对步骤S1获取的数据进行预处理，包括：对机组运行数据进行清洗，删除非正常发电数据和错误数据；其中，非正常发电数据包括待机、启动、升速和限功率的运行状态数据，错误数据包括风速、转速和功率小于0的数据；对清洗后的数据进行变换和插补操作；其中，数据变换是将原始的秒级数据转化为分钟级的时间序列，包括1分钟、10分钟和15分钟数据；数据插补是对变换后的数据采用线性插值法对缺失的数据进行插补；对插补后的数据进行归一化操作，将数据映射到[0,1]区间内，公式为：式中，x'为归一化的数据，x
min
为序列的最小值，x
max
为序列的最大值。4.根据权利要求1所述的基于机器学习的风电齿轮箱轴承健康状态评估方法，其特征在于，在步骤S3中，对于参数模型，执行以下操作：对参数模型进行训练得到各个特征参数的权值系数，并根据权值系数从大到小排序，选择累计权重贡献率达99％以上的特征参数，剔除不相关或冗余参数，从海量的风电场数据采集与监视控制系统SCADA标签中筛选出能够有效表征齿轮箱轴承健康状态的特征参数，以减少特征参数的个数，提高结果的准确性和运行效率。5.根据权利要求1所述的基于机器学习的风电齿轮箱轴承健康状态评估方法，其特征在于，在步骤S3中，所述两层级联结构的长短期记忆网络具体为：在两层级联结构的长短期记忆网络中，每层的神经元个数为100，学习率为0.01，优化器为Adam，迭代次数为10，激活函数为ReLU。6.根据权利要求1所述的基于机器学习的风电齿轮箱轴承健康状态评估方法，其特征在于，在步骤S3中，所述健康模型具有更高的复杂结构表达能力，能够从不同运行条件下...
【专利技术属性】
技术研发人员：李秀昊，刘怀西，张敏，吴迪，苗得胜，
申请(专利权)人：明阳智慧能源集团股份公司，
类型：发明
国别省市：
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。