【技术实现步骤摘要】
本专利技术属于风力发电领域，具体涉及一种基于dae-lstm-kde模型的风电齿轮箱故障预警方法。
技术介绍
1、齿轮箱是风力发电系统的重要部件之一，由于复杂多变的环境长期运行在交变负荷工况下，导致故障的几率大大增加。数据显示，由系统跳闸引起的电气和控制系统等频发故障一般都可以通过远程复位解决，而齿轮箱发生故障的频率虽然不高，但为此导致的停机时间却是最久的。为了降低设备的维护成本并尽量减少因停机造成的经济损失，实现在齿轮箱故障早期就发出预警信号的监测技术对于确保风电机组的安全、可靠运行显得尤为重要。
2、人工智能技术的发展使得基于机器学习的数据驱动方法成为齿轮箱故障预警高效和低成本的解决方案，但是目前大部分方法都是人为的选择输入参数，主观性较强，所建立的模型并不一定准确反映所包含的故障信息且现有的大多数研究在预测过程中只关注输入变量的选择，但忽略了从输入变量中提取的特征对模型输出的影响。
3、目前，以卷积神经网络和深度自编码器(deep autoencoder,dae)为代表的深度学习算法在挖掘数据的深层特征方面凸显优势。但是现有技术中scada系统中的数据是包含多传感器在单一时空尺度上信息，不能充分挖掘能够反映机组运行状况下的本质特征。
4、专利技术目的
5、本专利技术的目的就是应对现有技术中的不足，提出了一种基于dae-lstm-kde模型的风电齿轮箱故障预警方法。
技术实现思路
1、本专利技术提供了一种基于dae-lstm-kd
2、步骤1、采用深度自编码器dae提取隐藏在历史数据中的时序特征，构建基于lstm神经网络的风电机组齿轮箱正常状态下的监测模型，在获取输出变量预测残差的基础上利用核密度估计kde方法设定报警阈值；对scada系统中的原始数据进行异常值的清洗、归一化；
3、步骤2、通过dae编码过程完成特征提取，将输入信号x通过非线性关系映射为隐含特征z，同时限制隐含层的维数低于原始输入数据的维数来保证算法的有效性，运算公式如式(1)所示：
4、
5、式中，是非线性函数，w是权重矩阵，b是偏置矩阵；
6、步骤3、将步骤2中提取的特征输入至lstm神经网络，构建dae-lstm状态预测模型并对其进行训练，进一步包括以下子步骤：
7、子步骤3-1：采用滑动窗口收集提取后的特征数据作为预测模型输入，通过调整窗口长度以捕获小范围内的数据变化；
8、子步骤3-2：将粒子群pso算法用于lstm网络中隐含层神经元数量、滑动时间窗口步长和初始化学习率等最优超参数组合；
9、子步骤3-3：通过遗忘门和输入门来限制信息流动，其中，遗忘门决定从细胞状态遗忘的信息，输入门则是让新输入的信息选择性通过，来保留其中的有效信息，运算公式如式(2)-(5)所示：
10、ft＝σ(wfxt+wfht-1+bf) (2)，
11、it＝σ(wixt+wiht-1+bi) (3)，
12、
13、
14、其中，ft、it分别代表遗忘门和输入门，为该时刻候选单元的状态，ct为该时刻更新后单元状态；xt为当前时刻的输入信息，ht-1为前一时刻的输入，ct-1为上一时刻状态；wf、wi、wc和bf、bi、bc分别是遗忘门和输入门的权重和偏置，*代表点积；
15、子步骤3-4：通过输出门确定下一个隐藏状态的值，运算公式如式(6)-(7)所示：
16、ot＝σ(wpxt+wpht-1+bi) (6)，
17、ht＝ot*tanh(ct) (7)，
18、其中，ot代表输出门，wp和bp分别是输出门的权重和偏置；
19、子步骤3-5：设置lstm网络层数分别为3和1，激活函数选择relu，并在输出层前加入含有dropout策略的全连接层，以sigmoid函数作为该全层激活函数，通过adam优化器训练并更新网络权重并对该模型进行训练；
20、步骤4、利用核密度估计kde方法计算正常工作时的残差统计特性并确定相应的报警阈值，进一步包括以下子步骤：
21、步骤4-1：采用gaussian函数作为核函数，利用基于非参数统计kde方法对绝对残差序列进行概率统计，运算如下：
22、
23、
24、
25、其中，为残差序列的概率分布密度，n是样本的数量，h为核函数的最优带宽参数，ei为残差序列的第i个样本，s是它的标准差，q是样本75％和25％分位数之间的差值；
26、步骤4-2：将正常模型下的预测残差的概率密度分布用作参考，得到在满足置信度为1-α条件下故障阈值er，表示为如式(11)所示：
27、p(e-er)＝1-α (11)；
28、步骤5：将在线数据输入入训练好的dae-lstm模型得到预测残差，在该模型下得到状态变量输出预测的绝对残差值，具体运算被表示为如式(11)所示：
29、
30、当预测残差超出设定的故障阈值时，表示此时齿轮箱的运行已经偏离了正常的工作状态，则发出预警信号。
本文档来自技高网...【技术保护点】
1.一种基于DAE-LSTM-KDE模型的风电齿轮箱故障预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于DAE-LSTM-KDE模型的风电齿轮箱故障预警方法，其特征在于，步骤3进一步包括以下子步骤：
3.根据权利要求1所述的一种基于DAE-LSTM-KDE模型的风电齿轮箱故障预警方法，其特征在于，步骤4进一步包括以下子步骤：
【技术特征摘要】
1.一种基于dae-lstm-kde模型的风电齿轮箱故障预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于dae-lstm-kde模型的风电齿轮箱故障预警...
【专利技术属性】
技术研发人员：吕游，齐欣宇，周民，张志勇，许世森，陈钢，王玲，张淼，黄鹏，
申请(专利权)人：华北电力大学，
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。