一种基于风电机组故障机理的虚拟样本生成方法技术

本发明专利技术涉及一种基于风电机组故障机理的虚拟样本生成方法，包括采集风电齿轮箱故障时的风电齿轮箱故障信号，生成风电齿轮箱故障机理特征；将风电齿轮箱故障机理特征进行信号分解，解耦生成不同尺度的子信号；根据不同尺度的子信号生成虚拟子信号；将虚拟子信号重构为虚拟样本。本发明专利技术的方法采集风电齿轮箱的状态信号中不同物理含义与时间尺度的多源多尺度的故障信号，并使用了自适应信号分解技术，有效分离了故障信号中的干扰信号，使生成的虚拟样本可以从多维度分别有效表征风机故障状态，然后将多维度的信息再次融合生成虚拟样本，从给定小规模真实训练样本产生虚拟训练样本，克服参数建模过程中缺乏覆盖多工况、短缺和非完备样本问题。备样本问题。备样本问题。

【技术实现步骤摘要】
一种基于风电机组故障机理的虚拟样本生成方法


[0001]本专利技术属于风力发电
，具体涉及一种基于风电机组故障机理的虚拟样本生成方法。

技术介绍

[0002]大型风场往往构建在风能丰富的沿海、高山、戈壁等地区，风场湍流分布复杂，集群排布欠优，机组故障频发。长期恶劣流场环境的影响下，风电齿轮箱中轴承、齿轮等关键传动部件常受到突变载荷的影响，易导致齿轮箱应力集中产生局部损伤。齿轮箱故障会降低机组的发电效益，更甚者会发生发电机烧毁、轴承断裂等重大安全事故。因此，如何保障风电齿轮箱的安全可靠运行，是风电领域亟需解决的痛点问题。
[0003]现有研究中，深度学习作为目前实现风机智能故障识别的重要手段，有大量学者对此展开研究，并获得了大量的研究成果，实现了风电齿轮箱的高精度识别与预测。然而，由于风机安装的客观因素，以及故障发生或重复的几率较低、样本获取成本高等问题，导致可供模型训练的样本数据有限。此外，小样本数据集除了样本数量不足外,且存在样本分布不均、不平衡等问题，导致训练模型的学习泛化性能不佳、预测精度较低、质量不佳。因此，在阵列机组尾流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于风电机组故障机理的虚拟样本生成方法，其特征在于，包括：S1、构建风机翼型的几何模型并进行数值模拟，生成流场特征；S2、使用一维卷积神经网络将所述流场特征降维至时间尺度；S3、根据降维后的流场特征判断风电齿轮箱故障，并采集风电齿轮箱故障时的风电齿轮箱故障信号，生成风电齿轮箱故障机理特征；所述分布式风电机组边端故障诊断模型用于根据风电机组齿轮箱的振动加速度、振声信号、温度信号判断风电机组故障状态；S4、将所述风电齿轮箱故障机理特征进行信号分解，解耦生成不同尺度的子信号；S5、根据所述不同尺度的子信号生成虚拟子信号；S6、将所述虚拟子信号重构为虚拟样本。2.如权利要求1所述的一种基于风电机组故障机理的虚拟样本生成方法，其特征在于，所述流场特征包括翼形几何特征、流速场特征、温度场特征与压力场特征。3.如权利要求1所述的一种基于风电机组故障机理的虚拟样本生成方法，其特征在于，...

【专利技术属性】
技术研发人员：马泽鹏，柴昊祺，张立彬，傅雷，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：