CN110794683A - 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法 - Google Patents

Abstract

本发明涉及基于深度神经网络和峭度特征的风电齿轮箱状态评估方法，技术方案是，采用振动传感器采集到的振动信号的峭度特征作为反应齿轮箱振动特征的输入值，将要进行状态评估的风电机组状态数据组成的状态矩阵D输入深度神经网络输入层，进行齿轮箱状态的预测，进而对齿轮箱进行状态评估，便于进行齿轮箱的定量状态检测；通过增加振动传感器并以10min峭度特征值作为模型输入，不仅能够完善机组的SCADA***所监测的数据，更能让风电机组的齿轮箱异常更容易反映在运行数据中；将深度神经网络用于对风电机组齿轮箱的实时监测，准确性强，并且计算时间速度快，能够统一部署在同一风场同一类型风电机组上，保障机组的运行安全。

Description

基于深度神经网络和峭度特征的风电齿轮箱状态评估方法

技术领域

本发明涉及一种基于深度神经网络和峭度特征的风电机组齿轮箱状态评估方法。

背景技术

大型风电机组作为户外发电设备，其运行状态受自然环境如风速、风向、温度等影响，往往较为恶劣。齿轮箱作为风电机组的关键设备，承受变速变载荷和恶劣的工作环境，其一旦发生故障造成风电机组停机时间长，发电量损失较大。如果能够利用状态检测技术对机组SCADA(Supervisory Control And Data Acquisition)***的数据进行监测和分析，评估机组齿轮箱运行状态并提前发现齿轮箱的异常征兆，能够有效降低齿轮箱的故障时间，提高风电机组可靠性及风电场的经济效益。因此，在风电机组齿轮箱发生故障的早期如果能够判断提前判断齿轮箱的状态，发出故障预警对风电场的运行和生产至关重要。

发明内容

针对上述情况，为克服现有技术之不足，本发明之目的就是提供一种基于深度神经网络和峭度特征的风电机组齿轮箱状态评估方法，可以有效解决风电齿轮箱状态评估的问题。

本发明解决的技术方案是：

一种基于深度神经网络和峭度特征的风电齿轮箱状态评估方法，包括以下步骤：

步骤1：在本风场风电机组齿轮箱低速轴、中速轴和高速轴加装振动传感器，采用振动传感器采集到的振动信号的峭度特征作为反应齿轮箱振动特征的输入值；

步骤2：确定要进行状态评估的齿轮箱型号、累计运行时间、当前运行状态信息、历史故障次数：

a、齿轮箱型号：通过设备档案查询进行确定；

b、累计运行时间：通过风场的SCADA***调取即可获得该设备的累计运行时间；

c、当前运行状态：通过现场对设备进行测量获得其振动特征、温度特征的状态信息，并将实测数据与SCADA***调取的数据进行比对，当二者不同时，以实测数据为准，对SCADA***的数据进行矫正确保运行状态数据正确；

d、历史故障次数：通过SCADA***查询其风电机组的历史故障信息，确定历史故障次数；

步骤3：通过SCADA***，每10min记录一次期间的机组状态平均值，形成运行数据，将所有发生同一类型故障的风电机组进行分类汇总，集中调取发生故障风电机组在故障前0～48h内的运行数据进行采集，形成故障数据集；并对风场同一型号正常运行的风电机组的运行数据进行采集，形成正常数据集；

所述的运行数据包括：风速-v、功率(发电功率)-P、齿轮箱润滑油温度-T_g、齿轮箱主轴承温度-T_b、环境温度-T_e、低速轴径向振动信号峭度-V₁、中速轴径向振动信号峭度-V₂、高速轴径向振动信号峭度-V₃、低箱体齿圈处振动信号峭度-V₄；

步骤4：建立风电齿轮箱状态数据集

a、针对正常数据集和故障数据集，将运行数据中的参数作为输入矩阵的组成，根据参数的类型选择不同的方式进行归一化：

1)参数值较小时齿轮箱的状态较好

当参数为齿轮箱润滑油温度、齿轮箱主轴承温度、低速轴径向振动信号峭度、中速轴径向振动信号峭度、高速轴径向振动信号峭度、低箱体齿圈处振动信号峭度时，其数值越小，齿轮箱的运行越平稳、健康，其计算劣化度的公式为：

式中，x为所获得参数，x_min为该参数在机组正常运行的最小值，x_max为该参数在机组正常运行时最大值；

2)参数值位于某一范围内时齿轮箱状态较好

当参数为环境温度、功率、风速时，其位于某一区域内齿轮箱的状态运行最佳，其计算劣化度的公式为：

式中，x为所获得参数，x_min为该参数在机组正常运行的最小值，x_min为该参数在机组正常运行时最大值，[x_a,x_b]为该参数的最佳范围；

b、组成含有齿轮箱状态信息的矩阵

对于某一时刻i，齿轮箱的状态可以由状态参数归一化后组成如式1所示向量X(i)：

X(i)＝[v,P,T_g,T_e,T,V₁,V₂,V₃,V₄]^T (1)

式中，参数名称与参数符号的对应关系为：风速-v、功率-P、齿轮箱润滑油温度-T_g、齿轮箱主轴承温度-T_b、环境温度-T_e、低速轴径向振动信号峭度-V₁、中速轴径向振动信号峭度-V₂、高速轴径向振动信号峭度-V₃、低箱体齿圈处振动信号峭度-V₄；

由于齿轮箱的状态是一个发展的过程，为了让卷积神经网络能够全面把握齿轮箱的状态，将m个历史观测向量X(i)组成如式2所示状态矩阵D：

D＝[X(n+1),X(n+2),X(n+3)...X(n+m)] (2)

状态矩阵D是由从时刻n开始到时刻n+m间的m个齿轮箱状态向量组成，矩阵D能够代表在这m个时刻内设备的动态过程；

最终形成多个正常状态矩阵和多个故障状态矩阵；

步骤5：深度神经网络的训练

在Caffe框架下训练网络，训练中使用带有卷积结构的多层深度神经网络结构，将多个正常状态矩阵和故障状态矩阵导入，建立深度神经网络的训练和测试数据集，形成深度神经网络，其输入层为风电机组齿轮箱的状态矩阵D，输出层为齿轮箱处于故障状态的概率；

步骤6：风电机组齿轮箱状态评估

将要进行状态评估的风电机组状态数据组成的状态矩阵D输入深度神经网络输入层，进行齿轮箱状态的预测，进而对齿轮箱进行状态评估，输出的评估结果为0～1之间的参数k，参数k为深度神经网络输出的齿轮箱处于故障状态的概率，当k≥0.5时判断齿轮箱存在将要发生故障的可能，当k<0.5时判断此时齿轮箱能够稳定运行。

与现有技术相比，本发明方法具有以下有益的技术效果：

(1)能够实时的输出一个表示齿轮箱状态的0～1之间参数k，当k≥0.5时判断齿轮箱存在将要发生故障的可能，当k<0.5时判断此时齿轮箱能够稳定运行，便于进行齿轮箱的定量状态检测；

(2)通过增加振动传感器并以10min峭度特征值作为模型输入，不仅能够完善机组的SCADA***所监测的数据，更能让风电机组的齿轮箱异常更容易反映在运行数据中；

(3)将深度神经网络用于对风电机组齿轮箱的实时监测，准确性强，并且计算时间速度快，能够统一部署在同一风场同一类型风电机组上，保障机组的运行安全。

附图说明

图1为试验中测试样本通过本发明方法输出对应识别故障状态的概率值示意图。

具体实施方式

以下结合实施例对本发明的具体实施方式作进一步详细说明。

一种基于深度神经网络和峭度特征的风电齿轮箱状态评估方法，包括以下步骤：

步骤1：在本风场风电机组齿轮箱低速轴、中速轴和高速轴加装振动传感器，同时考虑到振动信号随着风速、风向等多种因素变化，因此采用振动传感器采集到的振动信号的峭度特征作为反应齿轮箱振动特征的输入值；

由于振动传感器和SCADA***采用频率差异较大，因此对获得的振动信号每1s计算一次峭度特征值，取10min内特征值较大的前30％求平均值作为特征变量输入；

振动信号的峭度是量纲一的时域参数,定义为振动信号的归一化4阶中心矩,其数学描述为：

其中：x_q为峭度；x_i为i时刻的振动信号值；

为振动信号平均值；N为信号长度，σ⁴为振动信号方差。

峭度指标能很好地反映振动信号中的冲击成分，冲击越重则其峭度越大。

步骤2：确定要进行状态评估的齿轮箱型号、累计运行时间(小时)、当前运行状态信息、历史故障次数：

a、齿轮箱型号：通过设备档案查询进行确定；

b、累计运行时间：通过风场的SCADA***调取即可获得该设备的累计运行时间；

c、当前运行状态：通过现场对设备进行测量获得其振动特征、温度特征的状态信息，并将实测数据与SCADA***调取的数据进行比对，当二者不同时，以实测数据为准，对SCADA***的数据进行矫正确保运行状态数据正确；

d、历史故障次数：通过SCADA***查询其风电机组的历史故障信息，确定历史故障次数；

步骤3：通过SCADA***，每10min记录一次期间的机组状态平均值，将所有发生同一类型故障的风电机组进行分类汇总，集中调取发生故障风电机组在故障前0～48h内的运行数据进行采集，形成故障数据集；并对风场同一型号正常运行的风电机组的运行数据进行采集，形成正常数据集；

所述的运行数据包括：风速-v、功率(发电功率)-P、齿轮箱润滑油温度-T_g、齿轮箱主轴承温度-T_b、环境温度-T_e、低速轴径向振动信号峭度-V₁、中速轴径向振动信号峭度-V₂、高速轴径向振动信号峭度-V₃、低箱体齿圈处振动信号峭度-V₄；

步骤4：建立风电齿轮箱状态数据集

a、针对正常数据集和故障数据集，将运行数据中的参数作为输入矩阵的组成，根据参数的类型选择不同的方式进行归一化：

1)参数值较小时齿轮箱的状态较好

当参数为齿轮箱润滑油温度、齿轮箱主轴承温度、低速轴径向振动信号峭度、中速轴径向振动信号峭度、高速轴径向振动信号峭度、低箱体齿圈处振动信号峭度时，其数值越小，齿轮箱的运行越平稳、健康，其计算劣化度的公式为：

式中，x为所获得参数，x_min为该参数在机组正常运行的最小值，x_max为该参数在机组正常运行时最大值；

2)参数值位于某一范围内时齿轮箱状态较好

当参数为环境温度、功率、风速时，其位于某一区域内齿轮箱的状态运行最佳，其计算劣化度的公式为：

式中，x为所获得参数，x_min为该参数在机组正常运行的最小值，x_min为该参数在机组正常运行时最大值，[x_a,x_b]为该参数的最佳范围，可根据对应型号查询《风电机组运行规范》确立最佳范围；

b、组成含有齿轮箱状态信息的矩阵

对于某一时刻i，齿轮箱的状态可以由状态参数归一化后组成如式1所示向量X(i)：

X(i)＝[v,P,T_g,T_e,T,V₁,V₂,V₃,V₄]^T (1)

式中，参数名称与参数符号的对应关系为：风速-v、功率-P、齿轮箱润滑油温度-T_g、齿轮箱主轴承温度-T_b、环境温度-T_e、低速轴径向振动信号峭度-V₁、中速轴径向振动信号峭度-V₂、高速轴径向振动信号峭度-V₃、低箱体齿圈处振动信号峭度-V₄；

由于齿轮箱的状态是一个发展的过程，为了让卷积神经网络(CNN)能够全面把握齿轮箱的状态，将m个历史观测向量X(i)组成如式2所示状态矩阵D：

D＝[X(n+1),X(n+2),X(n+3)...X(n+m)] (2)

状态矩阵D是由从时刻n开始到时刻n+m间的m个齿轮箱状态向量组成，矩阵D能够代表在这m个时刻内设备的动态过程；

最终形成多个正常状态矩阵和多个故障状态矩阵；

步骤5：深度神经网络的训练

在Caffe框架下训练网络，训练中使用带有卷积结构的多层深度神经网络结构，将多个正常状态矩阵和故障状态矩阵导入，建立深度神经网络的训练和测试数据集，通过试错寻找最优的网络结构；通过调整网络参数使得深度神经网络的获得较高的准确率；建立了一种具有4层卷积层、3层池化层和1层全连接层的深度神经网络，其输入层为风电机组齿轮箱的状态矩阵D，输出层为齿轮箱处于故障状态的概率；

具体操作时，将多个正常状态矩阵和故障状态矩阵D分别作为样本保存在“.CSV”文件中，并添加其正常与故障的标签，通过Caffe程序读取“.CSV”文件建立深度神经网络的训练和测试数据集，通过试错寻找最优的网络结构参数；通过调整网络参数使得深度神经网络的获得较高的准确率；

步骤6：风电机组齿轮箱状态评估

将要进行状态评估的风电机组状态数据组成的状态矩阵D输入深度神经网络输入层，进行齿轮箱状态的预测，进而对齿轮箱进行状态评估，输出的评估结果为0～1之间的参数k，参数k为深度神经网络输出的齿轮箱处于故障状态的概率，当k≥0.5时判断齿轮箱存在将要发生故障的可能，当k<0.5时判断此时齿轮箱能够稳定运行。

本发明经过对风电场同一型号不同机组的试验并取得了较好结果。试验内容下：

以某风场的某号机组作为测试样本，提取该机组某段时期运行数据作为输入，风电机组齿轮箱样本状态如下表所示：

风电机组齿轮箱样本状态

将该机组的SCADA***和振动传感器测量的峭度特征值组成齿轮箱实时的状态矩阵D。

依照上述方法建立齿轮箱状态矩阵规则，选取了最后时刻为故障发生前10min到4h的齿轮箱箱状态矩阵以及正常运行的齿轮箱状态矩阵，然后使用本方法步骤5建立的深度神经网络模型进行识别，输出对应识别故障状态的概率值如图1所示。

由图中可以看出，在距离故障发生时刻较超前时，模型判断齿轮箱状态为故障的概率均在0.5以下，因此识别齿轮箱为正常状态，随着状态矩阵的时刻距离故障时间更近，模型判断齿轮箱为故障状态的概率开始增大，最终超过了0.5，因此模型将判断齿轮箱为故障状态。同时，可以发现相比与齿轮箱供油故障，齿轮磨损故障被更早的识别出来。而在实地检查中发现供油故障中是由于齿轮润滑油粘度较大引起的油泵过载，这和当时环境温度密切相关，因此具有一定的突然性。而随后发生的齿轮磨损故障则能更多从振动信号特征和其他特征表现出来，因此能更早的发出故障状态的判断。由此能够说明模型可以在一定程度上对此风场的风电机组进行故障预警和状态监测，避免因齿轮箱故障造成机组更大的损失。

Claims (1)

1.一种基于深度神经网络和峭度特征的风电齿轮箱状态评估方法，其特征在于，包括以下步骤：

步骤1：在本风场风电机组齿轮箱低速轴、中速轴和高速轴加装振动传感器，采用振动传感器采集到的振动信号的峭度特征作为反应齿轮箱振动特征的输入值；

步骤2：确定要进行状态评估的齿轮箱型号、累计运行时间、当前运行状态信息、历史故障次数：

a、齿轮箱型号：通过设备档案查询进行确定；

b、累计运行时间：通过风场的SCADA***调取即可获得该设备的累计运行时间；

c、当前运行状态：通过现场对设备进行测量获得其振动特征、温度特征的状态信息，并将实测数据与SCADA***调取的数据进行比对，当二者不同时，以实测数据为准，对SCADA***的数据进行矫正确保运行状态数据正确；

d、历史故障次数：通过SCADA***查询其风电机组的历史故障信息，确定历史故障次数；

步骤3：通过SCADA***，每10min记录一次期间的机组状态平均值，形成运行数据，将所有发生同一类型故障的风电机组进行分类汇总，集中调取发生故障风电机组在故障前0～48h内的运行数据进行采集，形成故障数据集；并对风场同一型号正常运行的风电机组的运行数据进行采集，形成正常数据集；

所述的运行数据包括：风速-v、功率(发电功率)-P、齿轮箱润滑油温度-T_g、齿轮箱主轴承温度-T_b、环境温度-T_e、低速轴径向振动信号峭度-V₁、中速轴径向振动信号峭度-V₂、高速轴径向振动信号峭度-V₃、低箱体齿圈处振动信号峭度-V₄；

步骤4：建立风电齿轮箱状态数据集

a、针对正常数据集和故障数据集，将运行数据中的参数作为输入矩阵的组成，根据参数的类型选择不同的方式进行归一化：

1)参数值较小时齿轮箱的状态较好

当参数为齿轮箱润滑油温度、齿轮箱主轴承温度、低速轴径向振动信号峭度、中速轴径向振动信号峭度、高速轴径向振动信号峭度、低箱体齿圈处振动信号峭度时，其数值越小，齿轮箱的运行越平稳、健康，其计算劣化度的公式为：

式中，x为所获得参数，x_min为该参数在机组正常运行的最小值，x_max为该参数在机组正常运行时最大值；

2)参数值位于某一范围内时齿轮箱状态较好

当参数为环境温度、功率、风速时，其位于某一区域内齿轮箱的状态运行最佳，其计算劣化度的公式为：

式中，x为所获得参数，x_min为该参数在机组正常运行的最小值，x_min为该参数在机组正常运行时最大值，[x_a,x_b]为该参数的最佳范围；

b、组成含有齿轮箱状态信息的矩阵

对于某一时刻i，齿轮箱的状态可以由状态参数归一化后组成如式1所示向量X(i)：

X(i)＝[v,P,T_g,T_e,T,V₁,V₂,V₃,V₄]^T (1)

式中，参数名称与参数符号的对应关系为：风速-v、功率-P、齿轮箱润滑油温度-T_g、齿轮箱主轴承温度-T_b、环境温度-T_e、低速轴径向振动信号峭度-V₁、中速轴径向振动信号峭度-V₂、高速轴径向振动信号峭度-V₃、低箱体齿圈处振动信号峭度-V₄；

由于齿轮箱的状态是一个发展的过程，为了让卷积神经网络能够全面把握齿轮箱的状态，将m个历史观测向量X(i)组成如式2所示状态矩阵D：

D＝[X(n+1),X(n+2),X(n+3)...X(n+m)] (2)

状态矩阵D是由从时刻n开始到时刻n+m间的m个齿轮箱状态向量组成，矩阵D能够代表在这m个时刻内设备的动态过程；

最终形成多个正常状态矩阵和多个故障状态矩阵；

步骤5：深度神经网络的训练

在Caffe框架下训练网络，训练中使用带有卷积结构的多层深度神经网络结构，将多个正常状态矩阵和故障状态矩阵导入，建立深度神经网络的训练和测试数据集，形成深度神经网络，其输入层为风电机组齿轮箱的状态矩阵D，输出层为齿轮箱处于故障状态的概率；

步骤6：风电机组齿轮箱状态评估

将要进行状态评估的风电机组状态数据组成的状态矩阵D输入深度神经网络输入层，进行齿轮箱状态的预测，进而对齿轮箱进行状态评估，输出的评估结果为0～1之间的参数k，参数k为深度神经网络输出的齿轮箱处于故障状态的概率，当k≥0.5时判断齿轮箱存在将要发生故障的可能，当k<0.5时判断此时齿轮箱能够稳定运行。

Images