【技术实现步骤摘要】
本专利技术属于新能源中的风力发电，涉及一种深度学习下的风电机组齿轮箱剩余寿命预测方法。
技术介绍
1、在全球能源危机和气候变暖的势态下，风能逐渐成为重要的清洁可再生能源，风电机组的齿轮箱是确保其稳定运行的关键部件，在不稳定的风力环境下，齿轮箱的性能下降和系统故障的早期识别变得极其困难，齿轮箱的使用寿命难以预测，具有长期不确定性。通过构建一种基于数据驱动的风电机组齿轮箱剩余寿命预测模型，可以更精确地评估齿轮箱的剩余寿命，及时预警和解决问题。
2、基于数学物理模型来描述机械的退化，受多变的现实环境影响，难以建立准确的预测模型，该方法不适用于实际应用，缺乏通用性。基于数据驱动剩余寿命预测模型是通过传感器数据中的潜在特征来预测设备剩余寿命。相较于依靠人工建立的数学描述物理模型，此方法重点在于揭示现象与原因之间的内在联系，特别是对于复杂的、易受现实因素影响的模型，例如风电机齿轮箱模型。但在现实应用中风电机组设备长期处于正常运行状态，故障状况下的数据不充分，数据严重不平衡，整体预测会偏向于正常状态，故障寿命预测准确性较差，且风电机组设备多在高噪声的恶劣环境中运行，对寿命预测模型的预测精度要求较高。
技术实现思路
1、本专利技术的目的是提供一种深度学习下风电机组齿轮箱剩余寿命预测方法，解决了目前风电机组齿轮箱剩余寿命预测中存在的预测不准确的问题。
2、本专利技术所采用的技术方案是，深度学习下的风电机组齿轮箱剩余寿命预测方法，包括如下过程：首先，构建齿轮箱数据集，并将该齿轮
3、本专利技术的特点还在于：
4、具体包括如下步骤：
5、步骤1，通过发动机单元传感器，获取风电机组零部件相关运行数据，利用数据增强模块增强数据，形成齿轮箱数据集，将形成的数据集划分为测试集和训练集；
6、步骤2，通过对比学习编码器模块对步骤1得到的增强后的训练集多维时间序列向量x进行特征提取，得到特征向量z，取得到的特征向量z中的最后一个维度特征zout作为输出，对特征zout进行归一化处理得到特征表示向量znorm；
7、步骤3，将步骤2归一化后的特征表示向量znorm输入寿命预测模型中，进行寿命预测，得到剩余使用寿命的预测值；
8、步骤4，在步骤2、3使用训练集数据进行一次前向传播，得到了模型参数初值，使用adamw作为优化函数，将损失函数进行反向传播，更新预测模型的权重，得到训练好的对比学习编码器模型modelendcoer和寿命预测模型modelpredictor，从而得到由对比学习编码器模型和寿命预测模型组成的剩余寿命预测模型，将测试集输入训练好的剩余寿命预测模型，得到最终的预测值。
9、步骤2的具体过程为：
10、步骤2.1，通过输入投影层将步骤1中的训练集序列向量映射到高维隐空间向量学习潜在的特征表示，具体公式为：
11、h＝linear(x) (1)
12、其中，l表示输入时间序列长度，dimin和dimhidden分别表示输入的时间序列维度和高维隐空间向量维度；
13、步骤2.2，在时间戳屏蔽模块中运用二进制掩码沿时间轴随机屏蔽步骤2.1得到的高维隐空间向量h，得到经过屏蔽的向量
14、步骤2.3，在时序卷积网络特征提取层中应用非线性变换，提取高维隐空间向量hmask的特征向量z，取向量z的最后一个维度特征zout作为输出；
15、步骤2.4，将步骤2.3的输出zout进行归一化处理，得到的znorm为对比学习编码器模块的输出，归一化公式如下式所示：
16、
17、其中，zouti是剩余特征向量，dimhidden是隐含层个数。
18、步骤3的具体过程为：
19、步骤3.1，将步骤2输出的特征znorm通过两次线性层和线性整流函数relu，得到加入非线性因素的激活函数的输出向量m1，如下公式(3)所示：
20、m1＝relu(relu(znorm*w1+b1)*w2+b2) (3)
21、其中，w1和b1为第一层全连接层的系数和误差值，w2和b2为第二层全连接层的系数和误差值；
22、步骤3.2，将步骤3.1的输出向量m1与步骤2输出的特征znorm进行残差连接，得到输出m2，如下公式(4)所示：
23、m2＝m1+znorm (4)
24、步骤3.2，由layernorm和残差连接组成全连接前馈网络，输出m3，对m3进行线性映射得到剩余寿命预测值具体公式如下：
25、m3＝layernorm(m2) (5)
26、
27、步骤4的具体过程为：
28、步骤4.1，计算对比学习编码器模块相应的损失函数值，并进行网络参数更新；
29、步骤4.2，根据步骤3.3得到训练集的预测剩余寿命与训练集剩余寿命真实值进行比较，便可通过损失函数，计算寿命预测模块的损失值；
30、步骤4.3，根据步骤4.1和步骤4.2更新参数分别进行对比学习编码器模型和寿命预测模型进行优化，得到训练好的对比学习编码器模型modelendcoer和寿命预测模型modelpredictor，从而得到由对比学习编码器模型和寿命预测模型组成的剩余寿命预测模型，将测试集输入训练好的剩余寿命预测模型，得到最终的预测值。
31、本专利技术的有益效果如下：
32、1.本专利技术提出的对比学习模型与现有的监督剩余寿命预测方法不同。模型直接学习数据样本之间的表示向量，这使得模型更注重数据本身的特征信息，减少了对类别较多的样本过度关注，从而在一定程度上缓解风电机组齿轮箱剩余寿命预测中收集数据不平衡的问题，使其对处于非健康状况的数据同样有很高的准确性。
33、2.本专利技术提出一种以时序卷积网络为基础的对比学习编码器结构，不同于常用的对比学习编码器resnet等，可以更好的解决在时序问题中的卷积网络存在的信息泄露问题。
本文档来自技高网...【技术保护点】
1.深度学习下的风电机组齿轮箱剩余寿命预测方法，其特征在于：包括如下过程：首先，构建齿轮箱数据集，并将该齿轮箱数据集划分为训练集和测试集，利用训练集依次训练对比学习编码器模型和寿命预测模型，得到最终的剩余寿命预测模型，将测试集输入剩余寿命预测模型中对齿轮箱寿命进行预测。
2.根据权利要求1所述的深度学习下的风电机组齿轮箱剩余寿命预测方法，其特征在于：具体包括如下步骤：
3.根据权利要求2所述的深度学习下的风电机组齿轮箱剩余寿命预测方法，其特征在于：所述步骤2的具体过程为：
4.根据权利要求3所述的深度学习下的风电机组齿轮箱剩余寿命预测方法，其特征在于：所述步骤3的具体过程为：
5.根据权利要求4所述的深度学习下的风电机组齿轮箱剩余寿命预测方法，其特征在于：所述步骤4的具体过程为：
【技术特征摘要】
1.深度学习下的风电机组齿轮箱剩余寿命预测方法，其特征在于：包括如下过程：首先，构建齿轮箱数据集，并将该齿轮箱数据集划分为训练集和测试集，利用训练集依次训练对比学习编码器模型和寿命预测模型，得到最终的剩余寿命预测模型，将测试集输入剩余寿命预测模型中对齿轮箱寿命进行预测。
2.根据权利要求1所述的深度学习下的风电机组齿轮箱剩余寿命预测方法，其特征在于：具体...
【专利技术属性】
技术研发人员：李宁，魏佳喜，董杰，柴浩凯，周永东，张鑫，王茹月，李贺，
申请(专利权)人：西安理工大学，
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。