[发明专利]一种基于残差网络的风电齿轮箱监测方法

说明书

本发明提供一种基于残差网络的风电齿轮箱的监测方法，包括如下步骤：搭建基于深度残差网络的监控模型，将监控模型植入FPGA板上，根据智能相机采集的油温状态、润滑状态、齿轮状态和轴承状态数据信息对风电齿轮箱状态进行分析，并将分析结果通过网络反馈至远程监控中心。本发明与现有技术相比具有检测的准确率高，结构简单，使用方便，实时性高，为风电齿轮箱的故障诊断和预警提供有效的支持。

技术领域

本发明属于风力发电设备与技术监控领域，主要涉及一种基于残差网络的风电齿轮箱监测方法。

背景技术

风力发电机组的变速齿轮箱是风力发电机组中故障率较高的子系统。如果出现故障停机，从检修到恢复正常运行，需要较长的时间。如果在风速较好的时间段发生了故障停机，将大大影响风机的发电量，从而给企业造成巨大的经济损失。如果能在风机故障发生时，通过风电机组的状态监测技术，对齿轮箱的运行进行监测和分析后快速找到故障原因，确定检修方式，将会大大提高风机的可利用率。基于以上因素，对风力发电机组的故障原因进行快速准确的定位，形成故障诊断机制，对提高风电场运行的经济性和安全性有积极重要的意义。

传统的以温度、振动传感器为主的监控系统无法将现场的图像数据传送回监控中心，无法让监控人员对异常情况进行分析和判别。在恶劣的工作环境下，误报率较高。

发明内容

本发明的目的是针对现有技术的不足而设计的一种基于残差网络的风电齿轮箱监控方法，该监控方法依托的装置包括设置在齿轮箱内的智能相机和FPGA板，监控方法包括如下步骤：

1)搭建基于深度残差网络的监控模型，该监控模型的搭建方法如下：

1-1)搭建监控初始模型，该初始模型包括卷积层、池化层、全连接层、BN层、softmax层和损失层；

1-2)采用智能相机采集的历史数据形成训练集和验证集；

1-3)以损失函数最小为目标，利用训练集对初始模型进行反复训练，直至形成满足条件的监控模型，并采用验证集进行验证；

2)将步骤1-3)中得到的监控模型植入FPGA板上，根据智能相机采集的油温状态、润滑状态、齿轮状态和轴承状态数据信息对风电齿轮箱状态进行分析，并将分析结果通过网络反馈至远程监控中心。

进一步的，所述卷积层的计算方法为：

l表示网络层数，k表示卷积核，B^l表示偏置向量，表示f层输出，表示l层输入，f表示激励图数。

进一步的，所述的激励函数f为ReLU。

进一步的，所述的池化层的算法采用最大池化法，最大值池化方法的计算公式为：

l表示网络层数，B^l表示偏置向量，表示f层输出，表示l层输入，f表示激励函数。

进一步的，所述的BN层用于在神经网络的训练过程中对每层的输入数据增加标准化处理，处理方法为：

式中，x_i为输入，μ_x为输入x的均值，σ_x²为输入x的方差，γ、β为正则项，保证规则化后的输出满足均值为0，方差为1的标准高斯分布。

进一步的，使用2层的网络层数来学习残差。

进一步的，所述的softmax层softmax值S_i的计算公式为：

S_i表示输入属于对应类别的概率，w表示序列。