一种风力发电机关键部件多工况剩余寿命预测方法技术

本发明专利技术涉及风力发电设备预测维护技术领域，尤其涉及了一种风力发电机关键部件多工况剩余寿命预测方法，构建源域样本集D

【技术实现步骤摘要】
一种风力发电机关键部件多工况剩余寿命预测方法


[0001]本专利技术涉及风力发电设备预测维护
，具体为一种风力发电机关键部件多工况剩余寿命预测方法。

技术介绍

[0002]风能是一种具有巨大潜力的可再生能源，得到了世界各国的广泛关注。风力发电机是风力发电系统的核心部件，实现机械能到电能的转换。风力发电机大多安装在海上、高原、山区等偏远、恶劣环境中，运行工况极端苛刻，造成风力发电机零部件的性能容易退化。目前，随着风力发电的装机容量不断增加，风力发电机轴承故障导致的损失也日益增加。确保风电机组稳定、安全、可靠的运行成为风力发电行业面临的首要问题。剩余使用寿命预测，也称为剩余服役寿命预测，是指设备在规定的运行工况下，能够保证机器安全、可靠运行的时间。及时了解设备关键部件的剩余使用寿命，是减少生产损失的重要方法，可以节省全寿命周期的维护成本。因此，对风力发电机关键部件的剩余使用寿命进行预测，将保证机组安全可靠的运行、降低严重事故导致的停机，从而提高机组运行的经济性。随着全球风力发电产业的快速发展，风力发电机关键部件剩余使用寿命预测技术将越来越重要。
[0003]从目前公开的资料来看，已有相关研究通过机器学习或深度学习方法实现风力发电机关键部件剩余使用寿命预测，例如风力发电机轴承剩余使用寿命预测模型的构建方法专利号：CN202010416839.9)，基于多通道可分离残差神经网络的风机剩余寿命预测方法(专利号：CN202210031823.5)等。现有技术方案仍然存在以下缺点：
[0004]1.现有方法多采用时域分析，频域分析提取信号的特征参数，利用拟合手段进行寿命回归分析。但提取特征与轴承寿命相关性不强，预测性能有限；
[0005]2.现有方法采用深度学习从振动信号中自适应挖掘隐含退化特征。但是风力发电机工况多变，由于工况多变引起的分布变化差异会影响模型的泛化性能。

技术实现思路

[0006]本专利技术的目的在于克服上述现有技术存在的缺陷，提供一种风力发电机关键部件多工况剩余寿命预测方法，旨在提高多工况条件下风机关键部件剩余寿命预测模型的预测精度和泛化能力。
[0007]为实现上述目的，本专利技术提供如下技术方案：一种风力发电机关键部件多工况剩余寿命预测方法，包括以下步骤：
[0008]S1：构建源域样本集D
S
和目标域样本集D
T
：
[0009]从历史数据库中选取风力发电机关键部件在两种不同工况下数据作为训练集和测试集。训练集数据由标记源域数据D
S
和未标记的目标域数据D
T
组成。测试集数据由无标记的目标域数据组成；
[0010]S2：构建特征提取器模块M
F
；
[0011]S3：构建多表征自适应模块M
MR
；
[0012]S4：构建可迁移性注意力机制模块；
[0013]S5：构建剩余使用寿命预测器模块M
RP
；
[0014]S6：构建域适应模块M
DA
；
[0015]计算S4中提取的加权深度退化特征AF的条件分布差异损失，获得条件分布差异损失L
DA
；
[0016]S7：训练剩余使用寿命预测模型；
[0017]S8：对目标域工况下风力发电机关键部件进行剩余使用寿命预测，将目标域测试样本集输入到建立的网络模型中，输出关键部件各个时刻的剩余使用寿命预测结果。
[0018]优选的，所述S2中构建特征提取器模块，具体包括以下步骤：
[0019](2a)搭建一个由四个结构相同的子模块堆叠连接的卷积神经网络作为特征提取器模块M
F
，每个子模块的结构均由分离卷积层、批量归一化层、非线性激活函数层、池化层组成；
[0020](2b)将源域样本集D
S
和目标域样本集D
T
输入特征提取器模块M
F
，提取深度退化特征F。
[0021]优选的，所述S3中构建多表征自适应模块，具体包括以下步骤：
[0022](3a)搭建一个由四个不同尺度并行连接的InceptionA网络作为多表征自适应模块M
MR
；
[0023](3b)将深度退化特征F输入多表征自适应模块M
MR
，获得四个不同尺度的深度退化特征F
s1
，F
s2
，F
s3
和F
s4
。
[0024]优选的，所述S4中构建可迁移性注意力机制模块，具体包括以下步骤：
[0025](4a)搭建4个由4层的全连接网络和Softmax激活函数层组成的域分类器；
[0026](4b)S3中提取的尺度i深度退化特征F
si
输入该尺度对应的域分类器，获得域分类概率P
d
和域分类标签l
d
；
[0027](4c)将S3中提取的尺度i深度退化特征F
si
进行梯度翻转，并利用熵值H，计算公式如下：
[0028]H(F
si
)＝
‑
∑P
d
·
log(P
d
)
[0029](4d)将熵值H转换为注意力权重W
si
，计算公式如下：
[0030]W
si
＝1
‑
H(F
si
)
[0031](4e)将深度退化特征F
si
和该深度退化特征F
si
对应的注意力权重W
si
+1相乘获得加权深度退化特征AF
si
；
[0032](4f)通过负对数似然损失，域分类标签l
d
和域实际类别标签计算可迁移注意力损失L
A
。
[0033]优选的，所述S5中构建剩余使用寿命预测器模块，具体包括以下步骤：
[0034](5a)搭建1个由1层的全连接网络组成的剩余使用寿命预测器；
[0035](5b)将S4中提取的源域的加权深度退化特征AF输入剩余使用寿命预测器，获得预测的源域剩余使用寿命预测值Y
S
；
[0036](5c)利用均方误差将源域中预测的剩余使用寿命预测值Y
S
和真实的剩余使用寿命预测值Y
SR
进行对比，获得预测损失L
R
。
[0037]优选的，所述S7中训练剩余使用寿命预测模型，具体包括以下步骤：
[0038](7a)设置学习率和模型迭代次数；
[0039](7b)将源域样本集D
S
和目标域样本集D
T
的状态监测信号依次输入特征提取器模块Gf获得深度源域特征和目标域特征F，进而依次分别输入特征提取器模块M<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风力发电机关键部件多工况剩余寿命预测方法，其特征在于：包括以下步骤：S1：构建源域样本集D
S
和目标域样本集D
T
：从历史数据库中选取风力发电机关键部件在两种不同工况下数据作为训练集和测试集。训练集数据由标记源域数据D
S
和未标记的目标域数据D
T
组成。测试集数据由无标记的目标域数据组成；S2：构建特征提取器模块M
F
；S3：构建多表征自适应模块M
MR
；S4：构建可迁移性注意力机制模块；S5：构建剩余使用寿命预测器模块M
RP
；S6：构建域适应模块M
DA
；计算S4中提取的加权深度退化特征AF的条件分布差异损失，获得条件分布差异损失L
DA
；S7：训练剩余使用寿命预测模型；S8：对目标域工况下风力发电机关键部件进行剩余使用寿命预测，将目标域测试样本集输入到建立的网络模型中，输出关键部件各个时刻的剩余使用寿命预测结果。2.根据权利要求1所述的一种风力发电机关键部件多工况剩余寿命预测方法，其特征在于：所述S2中构建特征提取器模块，具体包括以下步骤：(2a)搭建一个由四个结构相同的子模块堆叠连接的卷积神经网络作为特征提取器模块M
F
，每个子模块的结构均由分离卷积层、批量归一化层、非线性激活函数层、池化层组成；(2b)将源域样本集D
S
和目标域样本集D
T
输入特征提取器模块M
F
，提取深度退化特征F。3.根据权利要求1所述的一种风力发电机关键部件多工况剩余寿命预测方法，其特征在于：所述S3中构建多表征自适应模块，具体包括以下步骤：(3a)搭建一个由四个不同尺度并行连接的InceptionA网络作为多表征自适应模块M
MR
；(3b)将深度退化特征F输入多表征自适应模块M
MR
，获得四个不同尺度的深度退化特征F
s1
，F
s2
，F
s3
和F
s4
。4.根据权利要求1所述的一种风力发电机关键部件多工况剩余寿命预测方法，其特征在于：所述S4中构建可迁移性注意力机制模块，具体包括以下步骤：(4a)搭建4个由4层的全连接网络和Softmax激活函数层组成的域分类器；(4b)S3中提取的尺度i深度退化特征F
si
输入该尺度对应的域分类器，获得域分类概率P
d
和域分类标签l
d
；(4c)将S3中提取的尺度i深度退化特征F
si
进行梯度翻转，并利用熵值H，计算公式如下：H(F
si
)＝
‑
∑P
d
·
log(P
d
)(4d)将熵值H转换为注意力权重W

【专利技术属性】
技术研发人员：孔宪光，程涵，杨胜康，林颖，梁漱洋，殷磊，
申请(专利权)人：陕西瀚光数字科技有限公司，
类型：发明
国别省市：