【技术实现步骤摘要】
本专利技术属于风电齿轮箱故障诊断，具体涉及一种风电齿轮箱状态识别模型的建立方法、系统及装置。
技术介绍
1、风电行业的迅速发展已经让很多国家将风电作为新型能源的重要组成部分。但是风电机组在运维方面面临巨大的挑战，而齿轮箱作为风电机组中最为关键的部分，一旦出现故障，将会导致长时间的停机维护，带来严重的经济损失。
2、风电机组常在恶劣的自然环境中运行，复杂多变的运行工况使其在运行期间易发生故障，而风电机组的关键部件齿轮箱的故障率在各部件中位列第四，一旦出现故障不仅会导致较长时间的停机检修，也会因停机产生经济损失。因此及时准确的对齿轮箱运行状态进行识别是确保风电机组安全平稳运行的关键。由于在实际工况中，采集到的齿轮箱振动信号往往伴随噪声干扰，加之齿轮箱故障信号相对微弱。因此在强噪声背景下准确提取振动信号中的故障特征并对其状态精确识别，保证机组安全运行，具有重要的科研和工程意义，为此我们提出了一种风电齿轮箱状态识别模型的建立方法、系统及装置。
技术实现思路
1、本专利技术的目的在于提供一种风电齿轮箱状态识别模型的建立方法、系统及装置，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种风电齿轮箱状态识别模型的建立方法，包括有以下步骤：
3、s1、对风电齿轮箱进行数据采集：选择一部分风电齿轮箱进行训练和测试，通过加速度传感器采集风电齿轮箱的不同状态的一维振动信号；
4、s2、一维振动信号转换二维彩色时频图：将s
5、s3、风电齿轮箱状态识别模型的建立：设计swin transformer模型，并且将状态样本集分类为训练集和测试集，使用训练集进行模型的训练并保存所有训练中的最优模型；
6、s4、选择训练中的最优模型进行风电齿轮箱状态识别：使用最优模型对测试集进行验证测试，实现对风电齿轮箱状态的准确识别，然后在运行的时候，通过加速度传感器对风电齿轮箱进行一维振动信号数据采集，并且通过连续小波变换进行转换成二维彩色时频图，最后通过最优模型进行检测实时的检测；
7、s5、风电齿轮箱转态的识别：采用bp神经网络、rnn神经网络和lstm神经网络方法独立建立风电齿轮箱的正常模型和异常模型，并对比模型训练精度；
8、所述bp神经网络的算法如下：
9、设输入的神经元为x1，x2，...xj，输入常为对系统模型关键影响的自变量，w1、w2、…、wj为连接权值调节各个输入量的占重比，选取最便捷的线性加权求和可得neti神经元净输入，公式如下：
10、
11、θi表示该神经元的阈值，将netin与θj进行比较，然后通过激活函数处理以产生神经元的输出，
12、yj＝f(netin-θj)，
13、简化，设第一个输入永远值为θ，权值为-1，则得到公式：
14、
15、其中w0＝-1，x0＝θj，其中f为选择的激活函数；
16、所述rnn神经网络的算法如下：
17、
18、其中，xt是输入层的输入；
19、st是隐藏层的输出，其中s0是计算第一个隐藏层所需要的，通常初始化为全零；
20、ot是输出层的输出；
21、rnn网络的关键一点是st的值不仅取决于xt，还取决于st-1。
22、假设：f是隐藏层激活函数，通常是非线性的，如tanh函数或relu函数；
23、g是输出层激活函数，是softmax函数；
24、s6、通过风电齿轮箱转态的正常模型和异常模型进行安全决策：分别计算正常模型和异常模型的输出与测试集数据之间的残差特征向量，利用该残差特征向量建立基于随机森林算法的齿轮箱状态决策模型，并对测试机组齿轮箱运行状态进行仿真分析。
25、较佳的，所述s2中的一维振动信号进行连续小波变换，所述一维振动信号转换成所述二维彩色时频图，且小波变换的公式为：
26、
27、式中：x(t)为原始时域信号，ψ为连续母小波，ψ*为复共轭母小波，a为尺度因子，用于控制伸缩，b为时移因子，用于控制平移，t为时间，dt为时间微分。
28、较佳的，所述s2中的状态样本集和历史数据信息用于完成对后续的swintransformer模型进行计算处理，并且通过历史数据信息进行校准采集的状态样本集，然后预处理包括有数据质量筛查、去除停机数据点并对数据做归一化处理。
29、较佳的，所述数据质量筛查用于实现对数据信息中的无用信息和错误信息进行除去，首先利用统计分析的方法对出现的错误值进行识别，然后才能对错误数据进行清除，所述去除停机数据点是对于不一致的数据，基于关联数据之间的一致性来检测数据潜在的错误，并进行清理；
30、所述数据做归一化处理采用的是min-max归一化，具体的计算公式如下：
31、也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0-1]之间，转换函数如下：
32、其中xmax为样本数据的最大值，xmin为样本数据的最小值，x为状态样本集。
33、较佳的，所述s3中的swin transformer模型包括有1个输入层、1个卷积层、3个patch merging下采样层、4个swin transformer block堆叠层、1个layer norm归一化层、1个池化层、1个全连接层和1个输出层。
34、较佳的，所述步骤5中所提出的swin transformer网络的建立过程包括以下步骤：
35、s501、输入层：对故障样本集中的时频样本图进行裁剪调整为h*w*3，h、w为图像的高和宽，输入异常模型，作为整个模型的输入层；
36、s502、卷积层c1：输入的channel设置为3，输出的channel设置为c，channel指通道，c为常数，采用扩张系数为2的4*4卷积核，步长为4，将输入层的故障图像进行卷积操作，得到(h/4)*(w/4)*c的特征图，组成卷积层c1；
37、s503、swin transformer block堆叠层b1：通过层内的layer norm归一化层、w-msa窗口多头自注意力计算层单元、多层感知机和跳跃连接完成基于窗口的多头自注意力计算，再通过layer norm归一化层、sw-msa移动窗口多头自注意力计算层单元、mlp多层感知机层和跳跃连接完成基于移动窗口的多头自注意力计算，组成swin transformer block堆叠层b1；
38、s504、patch merging下采样层p1：将(h/4)*(w/4)*c特征图以(h/8)*(w/8)的相邻像素划分为4个特征图，然后在深度方向进行拼接，深度从c变为4c；然后本文档来自技高网...
【技术保护点】
1.一种风电齿轮箱状态识别模型的建立方法，其特征在于：包括有以下步骤：
2.根据权利要求1所述的一种风电齿轮箱状态识别模型的建立方法，其特征在于：所述S2中的一维振动信号进行连续小波变换，所述一维振动信号转换成所述二维彩色时频图，且小波变换的公式为：
3.根据权利要求1所述的一种风电齿轮箱状态识别模型的建立方法，其特征在于：所述S2中的状态样本集和历史数据信息用于完成对后续的Swin Transformer模型进行计算处理，并且通过历史数据信息进行校准采集的状态样本集，然后预处理包括有数据质量筛查、去除停机数据点并对数据做归一化处理。
4.根据权利要求3所述的一种风电齿轮箱状态识别模型的建立方法，其特征在于：所述数据质量筛查用于实现对数据信息中的无用信息和错误信息进行除去，首先利用统计分析的方法对出现的错误值进行识别，然后才能对错误数据进行清除，所述去除停机数据点是对于不一致的数据，基于关联数据之间的一致性来检测数据潜在的错误，并进行清理；
5.根据权利要求1所述的一种风电齿轮箱状态识别模型的建立方法，其特征在于：所述S3中的Swi
6.根据权利要求5所述的一种风电齿轮箱状态识别模型的建立方法，其特征在于：所述步骤5中所提出的Swin Transformer网络的建立过程包括以下步骤：
7.根据权利要求6所述的一种风电齿轮箱状态识别模型的建立方法，其特征在于：所述S503中所提出的Swin Transformer Block堆叠层网络的建立过程包括以下步骤：
8.根据权利要求1所述的一种风电齿轮箱状态识别模型的建立方法，其特征在于：所述S3中的样本集按一定比例划分，随机抽取70％的样本作为训练集对Swin Transformer模型进行训练，剩余30％的样本作为测试集对Swin Transformer模型进行测试，并且将历史数据信息完全归化为测试集；且将样本集中的小波时频图大小进行调整为S×S，S为图像像素大小。
9.一种风电齿轮箱状态识别模型的建立系统，其特征在于，包括：
10.一种风电齿轮箱状态识别模型的建立装置，其特征在于，包括：
...【技术特征摘要】
1.一种风电齿轮箱状态识别模型的建立方法，其特征在于：包括有以下步骤：
2.根据权利要求1所述的一种风电齿轮箱状态识别模型的建立方法，其特征在于：所述s2中的一维振动信号进行连续小波变换，所述一维振动信号转换成所述二维彩色时频图，且小波变换的公式为：
3.根据权利要求1所述的一种风电齿轮箱状态识别模型的建立方法，其特征在于：所述s2中的状态样本集和历史数据信息用于完成对后续的swin transformer模型进行计算处理，并且通过历史数据信息进行校准采集的状态样本集，然后预处理包括有数据质量筛查、去除停机数据点并对数据做归一化处理。
4.根据权利要求3所述的一种风电齿轮箱状态识别模型的建立方法，其特征在于：所述数据质量筛查用于实现对数据信息中的无用信息和错误信息进行除去，首先利用统计分析的方法对出现的错误值进行识别，然后才能对错误数据进行清除，所述去除停机数据点是对于不一致的数据，基于关联数据之间的一致性来检测数据潜在的错误，并进行清理；
5.根据权利要求1所述的一种风电齿轮箱状态识别模型的建立方法，其特征在于：所述s3中的swin transformer模型包括有1个输入层、1个卷积层...
【专利技术属性】
技术研发人员：陈捷，周舟，刘连华，潘裕斌，
申请(专利权)人：南京工大数控科技有限公司，
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。