[发明专利]一种齿轮箱轴承剩余寿命的预测方法

说明书

本发明公开了一种齿轮箱轴承剩余寿命的预测方法，利用加速度传感器采集齿轮箱轴承的多通道振动信号，通过电流钳从发电机输出端获取多通道定子电流信号，得到原始的多通道振动信号和多通道定子电流信号，并进行数据预处理；设计卷积网络空间特征提取模块，分别提取振动信号和电流信号的空间特征，并在通道维度上进行拼接；设计动态加权融合层，融合振动信号和电流信号的空间特征；再通过双向长短时记忆网络从融合后的时序特征向量序列中提取时序特征，最后通过回归层对轴承的剩余寿命进行预测。本发明能够自适应学习并动态融合振动和电流之间时空关联特征信息，提高了退化特征提取能力和寿命预测精度。

技术领域

本发明涉及风力发电机组齿轮箱轴承剩余寿命预测技术领域，尤其是一种齿轮箱轴承剩余寿命的预测方法。

背景技术

齿轮箱是大型双馈风电机组的重要组成部分，是实现能量传递与转换的关键。实际中，它既是风电机组安全运行的关键系统之一，也是风电机组高发故障的主要来源之一。齿轮箱内部结构复杂，长期工作在低速、重载、交变载荷作用以及强阵风冲击等复杂工况下，轴承等关键部件易发生磨损和性能退化，甚至演化成严重故障直至失效，如果不能及时处理轴承等关键部件的故障，将可能引发连锁反应，导致整个系统停机，造成巨大的经济损失和恶劣的社会影响。因此，开展风电齿轮箱健康监测与寿命预测方法研究，并准确预测轴承等关键部件的剩余使用寿命(Remaining Useful Life,RUL)，可以为预知维修决策提供依据，防止维护过度和维护不及时的情况，对于降低维护成本，提高发电效益有着重要的意义和社会价值。

目前，国内外相关研究机构和学者针对风电齿轮箱关键部件的寿命预测问题开展了大量的研究工作，概括起来所研究的剩余预测方法主要分为两类：基于模型的预测方法和数据驱动的预测方法。基于模型的预测方法需要大量的专家先验知识，且由于风电齿轮箱结构复杂，故障机理多样，该方法需要做一些简化假设，预测精度受到限制，在实际应用中也受到一定的局限性。基于数据驱动的剩余寿命预测方法已成为当前学术界和工业界研究的热点。

现有研究大多数只针对单一传感器的单通道信号进行部件退化特征的提取，没有考虑到部件的退化是各部位耦合作用的结果，不同测点或类型传感器信息能为传动系统状态评估提供给更为全面的信息空间。目前的基于多通道信号的轴承寿命预测研究仅仅基于单一振动进行特征提取和退化状态建模分析，没有考虑到其他类型如电流信号等传感器，然而，仅仅依赖于单一类型的传感器信号不足以准确描述系统的潜在退化机制，从而导致寿命预测结果不准确。

发明内容

本发明需要解决的技术问题是提供能够有效的提高风力发电机齿轮箱轴承剩余寿命预测准确率，从而及时对风力发电机齿轮箱进行处理和维护，避免风力发电机部件的深度伤害，保持风力发电机齿轮传动系统的健康和延长寿命的一种齿轮箱轴承剩余寿命的预测方法。

为解决上述技术问题，本发明所采用的技术方案是：

一种齿轮箱轴承剩余寿命的预测方法，包括以下步骤：

步骤S1：利用加速度传感器采集齿轮箱轴承的多通道振动信号，通过电流钳从发电机输出端获取多通道定子电流信号，并进行数据预处理；

步骤S2：针对多通道振动信号和多通道定子电流信号分别设计深度卷积网络空间特征学习模块，对每一个时间点进行多传感器特征的融合提取，得到多通道振动信号和多通道定子电流信号的特征时序序列，并在通道维度上进行拼接；

步骤S3：设计基于注意力机制的加权融合层，动态加权融合特征；

步骤S4：将融合后的特征序列输入到双向长短时记忆网络中，进一步提取时间维度的特征，输出多视角时空融合特征；

步骤S5：构建Dense回归层，将多视角时空融合特征输入到Dense回归层中，输出得到齿轮箱轴承的剩余寿命预测结果。

本发明技术方案的进一步改进在于：所述步骤S1包括如下具体步骤：