CN114417514A - 一种风电机组齿轮箱故障诊断***、方法、计算机设备、存储介质 - Google Patents

一种风电机组齿轮箱故障诊断***、方法、计算机设备、存储介质 Download PDF

Info

Publication number
CN114417514A
CN114417514A CN202111447475.1A CN202111447475A CN114417514A CN 114417514 A CN114417514 A CN 114417514A CN 202111447475 A CN202111447475 A CN 202111447475A CN 114417514 A CN114417514 A CN 114417514A
Authority
CN
China
Prior art keywords
fault diagnosis
gear box
data
fault
wind speed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111447475.1A
Other languages
English (en)
Inventor
焦冲
蔡安民
蔺雪峰
李媛
张俊杰
许扬
金强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaneng Clean Energy Research Institute
Original Assignee
Huaneng Clean Energy Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaneng Clean Energy Research Institute filed Critical Huaneng Clean Energy Research Institute
Priority to CN202111447475.1A priority Critical patent/CN114417514A/zh
Publication of CN114417514A publication Critical patent/CN114417514A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及风力发电技术领域，公开了一种风电机组齿轮箱故障诊断方法，包括以下步骤：获取齿轮箱前端温度、齿轮箱后端温度、齿轮箱油温、轮毂转速、机舱风速、桨距角及发电机功率；对机舱风速和发电机功率进行数据预处理，得到风速‑功率曲线；对齿轮箱前后端温度、齿轮箱油温、轮毂转速、桨距角及风速‑功率曲线进行故障特征提取，得到故障特征提取值，建立故障诊断网络模型，则故障诊断网络模型训练成功；将待诊断的运行数据处理后，输入至故障诊断网络模型中，得到故障诊断结果。不依赖于齿轮箱振动数据，而是提取7个参数特征值，利用神经网络算法实现了对齿轮箱故障的实时预测。

Description

一种风电机组齿轮箱故障诊断***、方法、计算机设备、存储 介质
技术领域
本发明涉及风力发电技术领域，特别涉及一种风电机组齿轮箱故障诊断系 统、方法、计算机设备、存储介质。
背景技术
风电机组的常见故障类型包括电气***故障、传感器和叶片/变桨装置故 障、齿轮箱故障等。据统计，我国风场齿轮箱损坏率高达40％～50％，是机组 中故障率最高的部件，也是引起风电机组停机的最主要原因。因此，在齿轮箱 故障早期进行齿轮箱状态检测，并以此进行故障诊断和分析，可以在早期对故 障进行有效诊断，有利于减少维修时间和降低由于齿轮箱故障引起的经济损失， 对提高风电场的经济效益和安全性具有重大意义。
振动信号分析作为旋转机械状态监测中最有效的一种信号处理方法，广泛 应用于风电齿轮箱的故障诊断中。然而，风电齿轮箱的齿轮箱故障信号往往淹 没在背景噪声中。传统的信号处理方法如小波分解、经验模态分解将信号中的 不同分量分离，这些信号处理方法易受到信号时序畸变、间断等影响，导致其 对应的特征点发生突变，使得分解信号的时序畸变较大。特别是经验模态分解 会受到间断点、突变点的影响，使得包络线与其对应的极值点发生扭曲，分解 得到的本征模态函数分量也会受到畸变点的干扰，使得分解得到的模态函数出 现混叠现象，最终导致诊断结果不准确。
发明内容
本发明的目的在于提供一种风电机组齿轮箱故障诊断***、***及方法， 解决了目前基于振动信号对齿轮箱进行故障诊断方法诊断结果不准确的问题。
本发明是通过以下技术方案来实现：
一种风电机组齿轮箱故障诊断方法，包括以下步骤：
S1、获取齿轮箱状态信号，齿轮箱状态信号包括齿轮箱前端温度、齿轮箱 后端温度、齿轮箱油温、轮毂转速、机舱风速、桨距角及发电机功率；
S2、对机舱风速和发电机功率进行数据预处理，得到每个风速下对应的功 率中位点，建立风速-功率曲线；
S3、对齿轮箱前端温度、齿轮箱后端温度、齿轮箱油温、轮毂转速、桨距 角及风速-功率曲线进行故障特征提取，得到故障特征提取值；
S4、将故障特征提取值划分为训练样本集和测试样本集，建立故障诊断网 络模型，利用训练样本集对故障诊断网络模型进行训练；将测试样本集输入初 步训练好的故障诊断网络模型中，进行验证，直至达到预设准确率，则故障诊 断网络模型训练成功；
S5、将待诊断的运行数据采用S2～S3处理后，输入至训练好的故障诊断网 络模型中，得到故障诊断结果。
进一步，S2具体为：
1.1、删除无效数据，同时对保留的数据进行平均处理，用短时间平均值替 代瞬时值；
1.2选取切入风速与切出风速之间的数据带，并根据不同风速将数据带划 分为若干组；
1.3根据总体密度函数，筛掉分布异常功率数据；
1.4通过平均处理，计算得到每个风速下对应的功率中位点，得到风速功 率曲线。
进一步，1.3中，采用核密度-均值法构建总体密度函数，具体为；
设K()为核函数，h为窗宽，X1，X2，X3，…，Xn为一元连续样本，则在 任意点x处的总体密度函数f(x)的核密度估计为：
Figure BDA0003384274020000031
式中，K(x)≥0，
Figure BDA0003384274020000032
进一步，在S3中，对故障特征提取值做归一化处理，归一化处理具体为： 分别以每个故障特征提取值对应的参数数据的最小值和最大值作为界限，以该 参数数据平均值作为基准，将每个具体数值按比例归一化至[0，1]，对应公式 为：
Figure BDA0003384274020000033
式中：
Figure BDA0003384274020000034
为初始样本数据的平均值；U为初始样本中某一具体数值；U* 为变换后的样本数据；Umax为初始样本数据的最大值；Umin为初始样本数据 的最小值。
进一步，故障诊断网络模型包括输入层、输出层和隐含层。
进一步，输入层为6个输入指标，包括齿轮箱油温特征指标、齿轮箱前端 温度特征指标、齿轮箱前端温度特征指标、轮毂转速特征指标、风速-功率特 征指标和桨距角特征指标；
输出层输出的诊断结果为正常状态、磨损状态或断齿状态。
进一步，设数据集为：
Figure BDA0003384274020000035
则齿轮箱故障状态定义为:
Figure BDA0003384274020000036
式中：n＝1，2，3；当输出为000时代表机组处于正常状态，输出为010 时代表齿轮箱处于磨损状态，输出为100时代表齿轮箱处于断齿状态。
本发明还公开了一种风电机组齿轮箱故障诊断***，包括：
数据采集模块，用于获取齿轮箱状态信号；
数据预处理模块，用于对机舱风速和发电机功率进行数据预处理，筛掉分 布异常的功率数据，得到每个风速下对应的功率中位点，得到风速-功率曲线；
故障特征提取模块，用于对齿轮箱前端温度、齿轮箱后端温度、齿轮箱油 温、轮毂转速、桨距角及风速-功率曲线进行故障特征提取，得到故障特征提 取值；
故障诊断模块，用于将故障特征提取值输入至训练好的故障诊断网络模型 中，得到故障诊断结果。
本发明还公开了一种计算机设备，包括存储器、处理器以及存储在所述存 储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程 序时实现所述风电机组齿轮箱故障诊断方法的步骤。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储 有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述风电机 组齿轮箱故障诊断方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明公开了一种风电机组齿轮箱故障诊断方法，不依赖于齿轮箱振动数 据，而是提取齿轮箱前端温度、齿轮箱后端温度、齿轮箱油温、轮毂转速、机 舱风速、桨距角及发电机功率组成的参数特征值，该7个参数为齿轮箱核心参 数，它们的参数值能够代表齿轮箱运行特征，利用神经网络算法实现了对齿轮 箱故障的实时预测，实践证明该方法操作简单，通过仿真结果和实际运行数据 进行对比，预测比较准确，对齿轮箱故障诊断有一定的指导意义。
附图说明
图1为本发明的故障诊断建模和实施流程图；
图2为本发明的神经网络诊断模型。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的 解释而不是限定。
风力发电机组齿轮箱常见故障按发生部位分主要有齿轮损伤，轴承损坏， 断轴等。齿轮损伤主要包括：齿面磨损、齿面胶合和擦伤、齿面接触疲劳、弯 曲疲劳与断齿。轴承损坏主要包括磨损失效、疲劳失效、腐蚀失效、断裂失效、 压痕失效、胶合失效。轴的故障主要有轴弯曲，轴向窜动，轴不对中等。
根据多个风电场运行记录显示，偏航齿轮箱故障主要分为磨损和断齿2类。
根据不同的磨损机理，可将齿轮的磨损划分为四个基本类型：磨粒磨损、 粘着磨损、疲劳磨损和腐蚀磨损。磨粒磨损主要是梨沟和微观切削作用，粘着 磨损与表面分子作用力和摩擦热密切相关。疲劳磨损是在循环应力作用下表面 疲劳裂纹萌生和扩展的结果，而腐蚀磨损则是由环境介质的化学作用产生。
在齿轮运行过程中，齿轮由于工作中严重的冲击、偏载以及材质不均匀也 可能会引起断齿。根据裂纹扩展的情况和断齿原因。断齿包括过载折断(包括 冲击折断)、疲劳折断以及随机断裂等，断齿常由细微裂纹逐步扩展而成。
本发明提出一种基于运行数据特征提取的风电机组齿轮箱故障诊断方法， 包括以下步骤：
S1、获取齿轮箱状态信号，齿轮箱状态信号包括齿轮箱前端温度、齿轮箱 后端温度、齿轮箱油温、轮毂转速、机舱风速、桨距角及发电机功率；
S2、对机舱风速和发电机功率进行数据预处理，得到每个风速下对应的功 率中位点，得到风速-功率曲线；
S3、对齿轮箱前端温度、齿轮箱后端温度、齿轮箱油温、轮毂转速、桨距 角及风速-功率曲线进行故障特征提取，得到故障特征提取值，将故障特征提 取值划分为训练样本集和测试样本集；
S4、建立故障诊断网络模型，利用训练样本集对故障诊断网络模型进行训 练；将测试样本集输入初步训练好的故障诊断网络模型中，进行验证，直至达 到预设准确率，则故障诊断网络模型训练成功；
S5、将待诊断的运行数据采用S1～S3处理后，输入至训练好的故障诊断网 络模型中，得到故障诊断结果。
首先对运行***中已有参数的筛选，再进行数据预处理(即数据清洗)，最 后对已选特征参数进行故障特征提取，得到用于神经网络诊断模型寻找参数间 关系的训练样本集以及用于验证模型准确度的测试样本集。
如图1所示，模型分为两大步骤:(1)建模流程，训练出能反映参数间关系 的模型，再用样本集去测试模型精度。(2)实施流程，将实时数据导入训练好的 模型，得到预测结果。
数据预处理过程分为以下步骤:
(1)删除无效数据，同时对数据进行平均处理，用短时间平均值替代瞬 时值；
(2)选取切入风速与切出风速之间的数据带，并根据不同风速将数据带 划分为若干组；
(3)根据总体密度函数f(x)，筛掉分布异常功率数据；
(4)通过平均处理，计算得到每个风速下对应的功率中位点。
进一步地，采用核密度-均值法构建总体密度函数，具体为：
设K()为核函数，h为窗宽，X1，X2，X3，…，Xn为一元连续样本，则在 任意点x处的总体密度函数f(x)f(x)的核密度估计为：
Figure BDA0003384274020000071
式中，K(x)≥0，
Figure BDA0003384274020000072
进一步地，对数据进行归一化处理，将数据格式转换或统一成适合建模的 形式，分别以每个参数数据的最小值和最大值作为界限，以该参数数据平均值 作为基准，将每个具体数值按比例归一化至[0，1]，对应公式如(2)：
Figure BDA0003384274020000073
式中：
Figure BDA0003384274020000074
为初始样本数据的平均值；U为初始样本中某一具体数值；U* 为变换后的样本数据；Umax为初始样本数据的最大值；Umin为初始样本数据 的最小值。
利用ReliefF算法对齿轮箱状态信号提取，该算法通过分析和比较各类参 数间的权重值来选取参数的一种方法，其中该权重值表示参数间相关程度。该 算法的基本思想为:找到同类样本集合，将同类样本归为一起，并分类不同样 本集合，再通过权重计算公式更新特征权重。
本发明从所列的运行参数中选定7个参数作为齿轮箱状态信号参数，即齿 轮箱前端温度、齿轮箱后端温度、齿轮箱油温、轮毂转速、机舱风速、桨距角、 发电机功率。
S3中，采用故障提取特征模型提取6个参数对应的特征值。
故障诊断神经网络设计：
BP神经网络基本结构包括输入、输出和隐含层3层结构，本发明利用 Matlab软件平台建立3层BP神经网络模型，用以预测齿轮箱故障，输入层为6个输入指标:齿轮箱油温特征指标、齿轮箱前端温度特征指标、齿轮箱前端温 度特征指标、轮毂转速特征指标、风速-功率特征指标和桨距角特征指标。 设处理选取的运行参数数据后的集合为:
Figure BDA0003384274020000081
则偏航齿轮箱故障状态定义为:
Figure BDA0003384274020000082
式中:n＝1，2，3；当输出为000时代表机组处于正常状态，输出为010时 代表齿轮箱处于磨损状态，输出为100时代表齿轮箱发生断齿故障，应紧急处 理。神经网络输出结果见表1，神经网络图见附图2，X代表输入，z代表输出。
表1神经网络输出诊断结果表
模式 输出结果 结果说明
正常运行 000 齿轮箱正常
磨损状态 010 齿面出现磨损
断齿状态 100 齿面断裂，停机
本发明还公开了一种风电机组齿轮箱故障诊断***，包括：
数据采集模块，用于获取齿轮箱状态信号；
数据预处理模块，用于对机舱风速和发电机功率进行数据预处理，筛掉分 布异常的功率数据，得到每个风速下对应的功率中位点，得到风速-功率曲线；
故障特征提取模块，用于对齿轮箱前端温度、齿轮箱后端温度、齿轮箱油 温、轮毂转速、桨距角及风速-功率曲线进行故障特征提取，得到故障特征提 取值；
故障诊断模块，用于将故障特征提取值输入至训练好的故障诊断网络模型 中，得到故障诊断结果。
本发明的一种风电机组齿轮箱故障诊断方法可采用完全硬件实施例、完全 软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一 个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于 磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明的一种风电机组齿轮箱故障诊断方法如果以软件功能单元的形式实 现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。 基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通 过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机 可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施 例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码 可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可 读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或 技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或 其他数据。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖 区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立 法和专利实践，计算机可读介质不包括电载波信号和电信信号。其中，所述计 算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但 不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如 CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、 非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
在示例性实施例中，还提供计算机设备，包括存储器、处理器以及存储在 所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计 算机程序时实现所述风电机组齿轮箱故障诊断方法的步骤。处理器可能是中央 处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处 理器(DigitalSignalProcessor，DSP)、专用集成电路 (ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列 (Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶 体管逻辑器件、分立硬件组件等。
本发明基于数据采集与运行数据的基础上，对机组齿轮箱神经网络诊断模 型。利用ReliefF算法和核密度-均值法提取能反映出齿轮箱运行工况的7个运 行参数，并提取出6种故障特征指标作为神经网络诊断模型输入量，来诊断偏 航齿轮箱的正常状态、磨损故障以及断齿故障共3种运行状态。该方法操作简 单，预测准确，对齿轮箱故障诊断有一定的指导意义。

Claims (10)

1.一种风电机组齿轮箱故障诊断方法，其特征在于，包括以下步骤：
S1、获取齿轮箱状态信号，齿轮箱状态信号包括齿轮箱前端温度、齿轮箱后端温度、齿轮箱油温、轮毂转速、机舱风速、桨距角及发电机功率；
S2、对机舱风速和发电机功率进行数据预处理，得到每个风速下对应的功率中位点，建立风速-功率曲线；
S3、对齿轮箱前端温度、齿轮箱后端温度、齿轮箱油温、轮毂转速、桨距角及风速-功率曲线进行故障特征提取，得到故障特征提取值；
S4、将故障特征提取值划分为训练样本集和测试样本集，建立故障诊断网络模型，利用训练样本集对故障诊断网络模型进行训练；将测试样本集输入初步训练好的故障诊断网络模型中，进行验证，直至达到预设准确率，则故障诊断网络模型训练成功；
S5、将待诊断的运行数据采用S2～S3处理后，输入至训练好的故障诊断网络模型中，得到故障诊断结果。
2.根据权利要求1所述的一种风电机组齿轮箱故障诊断方法，其特征在于，S2具体为：
1.1、删除无效数据，同时对保留的数据进行平均处理，用短时间平均值替代瞬时值；
1.2选取切入风速与切出风速之间的数据带，并根据不同风速将数据带划分为若干组；
1.3根据总体密度函数，筛掉分布异常功率数据；
1.4通过平均处理，计算得到每个风速下对应的功率中位点，得到风速功率曲线。
3.根据权利要求2所述的一种风电机组齿轮箱故障诊断方法，其特征在于，1.3中，采用核密度-均值法构建总体密度函数，具体为；
设K()为核函数，h为窗宽，X1，X2，X3，…，Xn为一元连续样本，则在任意点x处的总体密度函数f(x)的核密度估计为：
Figure FDA0003384274010000021
式中，K(x)≥0，
Figure FDA0003384274010000022
4.根据权利要求1所述的一种风电机组齿轮箱故障诊断方法，其特征在于，在S3中，对故障特征提取值做归一化处理，归一化处理具体为：分别以每个故障特征提取值对应的参数数据的最小值和最大值作为界限，以该参数数据平均值作为基准，将每个具体数值按比例归一化至[0，1]，对应公式为：
Figure FDA0003384274010000023
式中：
Figure FDA0003384274010000024
为初始样本数据的平均值；U为初始样本中某一具体数值；U*为变换后的样本数据；Umax为初始样本数据的最大值；Umin为初始样本数据的最小值。
5.根据权利要求1所述的一种风电机组齿轮箱故障诊断方法，其特征在于，故障诊断网络模型包括输入层、输出层和隐含层。
6.根据权利要求5所述的一种风电机组齿轮箱故障诊断方法，其特征在于，输入层为6个输入指标，包括齿轮箱油温特征指标、齿轮箱前端温度特征指标、齿轮箱前端温度特征指标、轮毂转速特征指标、风速-功率特征指标和桨距角特征指标；
输出层输出的诊断结果为正常状态、磨损状态或断齿状态。
7.根据权利要求1所述的一种风电机组齿轮箱故障诊断方法，其特征在于，设数据集为：
Figure FDA0003384274010000031
则齿轮箱故障状态定义为:
Figure FDA0003384274010000032
式中：n＝1，2，3；当输出为000时代表机组处于正常状态，输出为010时代表齿轮箱处于磨损状态，输出为100时代表齿轮箱处于断齿状态。
8.一种风电机组齿轮箱故障诊断***，其特征在于，包括：
数据采集模块，用于获取齿轮箱状态信号；
数据预处理模块，用于对机舱风速和发电机功率进行数据预处理，筛掉分布异常的功率数据，得到每个风速下对应的功率中位点，得到风速-功率曲线；
故障特征提取模块，用于对齿轮箱前端温度、齿轮箱后端温度、齿轮箱油温、轮毂转速、桨距角及风速-功率曲线进行故障特征提取，得到故障特征提取值；
故障诊断模块，用于将故障特征提取值输入至训练好的故障诊断网络模型中，得到故障诊断结果。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述风电机组齿轮箱故障诊断方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述风电机组齿轮箱故障诊断方法的步骤。
CN202111447475.1A 2021-11-30 2021-11-30 一种风电机组齿轮箱故障诊断***、方法、计算机设备、存储介质 Pending CN114417514A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111447475.1A CN114417514A (zh) 2021-11-30 2021-11-30 一种风电机组齿轮箱故障诊断***、方法、计算机设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111447475.1A CN114417514A (zh) 2021-11-30 2021-11-30 一种风电机组齿轮箱故障诊断***、方法、计算机设备、存储介质

Publications (1)

Publication Number Publication Date
CN114417514A true CN114417514A (zh) 2022-04-29

Family

ID=81266376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111447475.1A Pending CN114417514A (zh) 2021-11-30 2021-11-30 一种风电机组齿轮箱故障诊断***、方法、计算机设备、存储介质

Country Status (1)

Country Link
CN (1) CN114417514A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117609692A (zh) * 2023-11-14 2024-02-27 中节能风力发电股份有限公司 一种风力发电机组齿轮箱平行级故障诊断方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117609692A (zh) * 2023-11-14 2024-02-27 中节能风力发电股份有限公司 一种风力发电机组齿轮箱平行级故障诊断方法及装置
CN117609692B (zh) * 2023-11-14 2024-04-30 中节能风力发电股份有限公司 一种风力发电机组齿轮箱平行级故障诊断方法及装置

Similar Documents

Publication Publication Date Title
Saufi et al. Challenges and opportunities of deep learning models for machinery fault detection and diagnosis: A review
CN111089726B (zh) 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法
CN110674842A (zh) 一种风电机组主轴轴承故障预测方法
WO2023035869A1 (zh) 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法
CN103645052B (zh) 一种风电机组齿轮箱远程在线状态监测及寿命评估方法
Saufi et al. Low-speed bearing fault diagnosis based on ArSSAE model using acoustic emission and vibration signals
CN104713728B (zh) 基于多维数据驱动的大型回转支承剩余寿命在线预测方法
CN108090427A (zh) 基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法
CN113390631A (zh) 一种柴油机齿轮箱故障诊断方法
CN109060347B (zh) 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法
CN112461934B (zh) 一种基于声发射的航空发动机叶片裂纹源定位方法
Elforjani et al. Detection of faulty high speed wind turbine bearing using signal intensity estimator technique
Cao et al. Deterioration state diagnosis and wear evolution evaluation of planetary gearbox using vibration and wear debris analysis
Márquez et al. An overview of wind turbine maintenance management
CN116089813A (zh) 一种基于机器学习的风电机组传动链故障诊断方法
CN114417514A (zh) 一种风电机组齿轮箱故障诊断***、方法、计算机设备、存储介质
CN113240022A (zh) 多尺度单分类卷积网络的风电齿轮箱故障检测方法
CN114964769A (zh) 一种风电齿轮箱振动信号故障诊断方法
CN113919102A (zh) 一种风电机组主传动***载荷传递特性分析方法及***
CN112686279A (zh) 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法
Yang et al. Intelligent diagnosis technology of wind turbine drive system based on neural network
CN114184375A (zh) 齿轮箱常见故障智能诊断方法
CN113447267B (zh) 一种基于振动信号分析的齿轮箱整机状态评估方法和***
CN115130508A (zh) 一种基于时间幅频积熵的旋转机械故障诊断方法
CN115326393A (zh) 一种基于温度信息的风电机组轴承对故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination