System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及风力发电机组故障诊断,更具体的说是涉及一种基于数字孪生的风力发电机组轴承故障诊断方法。
技术介绍
1、要实现“双碳”目标,重要手段之一就是大力发展风能,用清洁能源代替传统的能源。而处于户外的风力发电机组,直接遭受极端天气,使其故障率高,对于风力发电机组的状态监测与故障诊断就十分重要。
2、目前,风力发电机组故障诊断技术取得了诸多进展,但风力发电机组运行早期,其运行数据不完备、故障数据量少,使得需要大量数据进行训练的深度学习方法受到限制,被训练的模型没有数据、数据特征作为支撑,导致无法训练完善的故障诊断模型。
3、因此,如何实现对早期故障进行精确诊断,是本领域技术人员亟需解决的问题。
技术实现思路
1、鉴于上述问题,本专利技术提供一种基于数字孪生的风力发电机组轴承故障诊断方法,以至少解决上述
技术介绍
中提到的部分技术问题。
2、为了实现上述目的,本专利技术采用如下技术方案:
3、一种基于数字孪生的风力发电机组轴承故障诊断方法,包括如下步骤:
4、s1、构建风力发电机组轴承的数字孪生模型;
5、s2、采用所述数字孪生模型,生成所述风力发电机组轴承的历史故障孪生振动数据;
6、s3、基于所述历史故障孪生振动数据,对所述数字孪生模型进行调整;
7、s4、通过调整后的数字孪生模型,生成所述风力发电机组轴承的早期故障孪生振动数据;并对所述早期故障孪生振动数据进行预处理;
8、
9、s6、使用训练好的故障诊断模型,对待诊断的风力发电机组轴承进行故障诊断。
10、进一步地,所述步骤s1具体包括:
11、分别构建风力发电机组轴承的几何模型、物理模型、行为模型和规则模型;并将所述几何模型、所述物理模型、所述行为模型和所述规则模型组合形成数字孪生模型。
12、进一步地,所述步骤s2具体包括:
13、获取风力发电机组轴承的实际故障振动数据;
14、根据所述实际故障振动数据,对所述几何模型中的几何参数进行设置;
15、根据设置好的几何参数,通过所述物理模型,采用ansys软件对风力发电机组轴承故障进行仿真,生成风力发电机组轴承在历史故障运行时产生的历史故障孪生振动数据。
16、进一步地,所述步骤s3具体包括:
17、基于所述行为模型,分别对所述历史故障孪生振动数据和所述实际故障振动数据进行频域分析,获得对应的第一频域分析结果和第二频域分析结果;
18、对所述第一频域分析结果和所述第二频域分析结果进行对比,并根据对比结果,调整所述几何模型中的几何参数,以及调整所述ansys软件中的网格参数。
19、进一步地,所述步骤s4具体包括:
20、通过调整后的数字孪生模型,对所述风力发电机组轴承的早期故障进行仿真,生成早期故障孪生振动数据;
21、将所述历史故障孪生振动数据与所述早期故障孪生振动数据进行混合,获得混合振动数据;
22、将所述混合振动数据拆分为预设长度的多个样本数据,获得样本数据集;
23、对所述样本数据集进行归一化处理,并对其中每个所述样本数据设定对应的故障标签。
24、进一步地,所述步骤s5具体包括:
25、s51、构建cnn-lstm模型;
26、s52、对鲸鱼优化算法进行改进;
27、s53、使用改进后的鲸鱼优化算法对所述cnn-lstm模型中的超参数进行优化;
28、s54、通过所述样本数据集和对应的故障标签,对优化后的cnn-lstm模型进行训练,生成故障诊断模型。
29、进一步地,所述步骤s52具体包括:
30、使用混沌映射对鲸鱼种群进行初始化;
31、在鲸鱼优化算法中引入非线性收敛因子;
32、在更新鲸鱼位置时,引入自适应权重。
33、进一步地,所述步骤s53具体包括:
34、s531、设置改进后的鲸鱼优化算法的参数,并初始化鲸鱼位置参数;
35、s532、接收鲸鱼位置参数,并训练所述cnn-lstm模型;
36、s533、计算适应度,并更新鲸鱼位置参数;
37、s534、判断是否达到最大迭代次数或获得最佳适应度,如是,则输出当前鲸鱼位置参数,并将当前鲸鱼位置参数作为cnn-lstm模型的超参数;如否,则重复s532—s534。
38、进一步地,所述步骤s54具体包括:
39、通过所述cnn-lstm模型中的cnn网络对所述样本数据集中的混合振动数据进行特征提取;
40、将提取出的特征作为输入,将对应的故障标签作为输出,对所述cnn-lstm模型中的lstm网络进行训练,生成风力发电机组轴承故障诊断模型。
41、经由上述的技术方案可知,与现有技术相比,本专利技术公开提供了一种基于数字孪生的风力发电机组轴承故障诊断方法,具有如下有益效果:
42、本专利技术通过建立数字孪生模型,可以快速生成风力发电机组轴承的早期故障孪生振动数据,便于后续快速诊断。
43、本专利技术在训练诊断模型过程中,通过风力发电机组的历史故障孪生振动数据来对数字孪生模型生成的早期故障孪生振动数据进行预处理,可以真实反映风力发电机组的运行状态,提高后续模型诊断准确率。
44、本专利技术中通过改进后的鲸鱼优化算法来设置故障诊断模型的超参数,进一步提高了模型诊断准确率。
45、本专利技术的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
46、下面通过附图和实施例,对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种基于数字孪生的风力发电机组轴承故障诊断方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于数字孪生的风力发电机组轴承故障诊断方法,其特征在于,所述步骤S1具体包括:
3.根据权利要求2所述的一种基于数字孪生的风力发电机组轴承故障诊断方法,其特征在于,所述步骤S2具体包括:
4.根据权利要求3所述的一种基于数字孪生的风力发电机组轴承故障诊断方法,其特征在于,所述步骤S3具体包括:
5.根据权利要求1所述的一种基于数字孪生的风力发电机组轴承故障诊断方法,其特征在于,所述步骤S4具体包括:
6.根据权利要求5所述的一种基于数字孪生的风力发电机组轴承故障诊断方法,其特征在于,所述步骤S5具体包括:
7.根据权利要求6所述的一种基于数字孪生的风力发电机组轴承故障诊断方法,其特征在于,所述步骤S52具体包括:
8.根据权利要求6所述的一种基于数字孪生的风力发电机组轴承故障诊断方法,其特征在于,所述步骤S53具体包括:
9.根据权利要求6所述的一种基于数字孪生的风力发电机组轴承
...【技术特征摘要】
1.一种基于数字孪生的风力发电机组轴承故障诊断方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于数字孪生的风力发电机组轴承故障诊断方法,其特征在于,所述步骤s1具体包括:
3.根据权利要求2所述的一种基于数字孪生的风力发电机组轴承故障诊断方法,其特征在于,所述步骤s2具体包括:
4.根据权利要求3所述的一种基于数字孪生的风力发电机组轴承故障诊断方法,其特征在于,所述步骤s3具体包括:
5.根据权利要求1所述的一种基于数字孪生的风力发电机组轴承故障诊断方法...
【专利技术属性】
技术研发人员:张艾萍,马庚,胡光宗,王立冬,刘洪伟,
申请(专利权)人:东北电力大学,
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。