[发明专利]一种基于工况相似性评估的齿轮箱故障预警方法及系统

说明书

本发明公开了一种基于工况相似性评估的齿轮箱故障预警方法及系统，能够自动识别与齿轮箱当前工况最为相近的历史工况，通过与齿轮箱历史运行监测数据进行纵向对比，分析在同工况或相近工况下历史监测数据与当前监测数据间的相近度来实现齿轮箱监测参量的故障预警；基于提出的历史数据纵向对比分析方法，分别建立齿轮箱油液温度预警模型、前端轴承温度预警模型、齿箱后端轴承温度预警模型、齿箱泵出口压力预警模型和齿箱进口压力预警模型，通过融合各预警模型的输出结果，实现对齿轮箱运行状态的综合评估。本发明算法复杂度低，计算效率高，模型通用性强，对各种双馈式机型、不同环境条件和不同工况下的齿轮箱运行监测数据均能适用。

技术领域

本发明属于故障诊断技术领域，具体涉及一种基于工况相似性评估的齿轮箱故障预警方法及系统。

背景技术

齿轮箱是双馈式风力发电机组重要组成部分，主要由锁紧盘、行星架、太阳轴、中间级行星架、中间级太阳轮轴、高速机齿轮、输入级齿轮等部件组成，其内的齿轮、轴系等零部件之间紧密的耦合在一起，且常处于复杂的环境下运行，因此导致齿轮箱的故障率较高。齿轮箱作为风电机组中主传动链上的重要组成部分，其正常与否对风电机组的安全稳定运行有着直接的影响。

近年来，研究人员针对齿轮箱的故障预警提出了多种方法。文献1采用一种温度趋势分析的方法对风电机组齿轮箱进行运行状态监测。利用非线性状态估计(nonlinearstate estimate technology,NSET)方法建立齿轮箱正常工作状态下的温度模型并用其进行温度预测。文献2提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法，网络的收敛速度快，减小了陷入局部极小点的风险。文献3提出利用多变量状态估计方法对齿轮箱温度数据进行状态监测，通过筛选出机组正常运行状态下的有效数据进行模型训练，对模型各参数之间的关系进行定义，再通过相关性分析来建立正常运行状态下多个相关变量的内在非线性模型。文献4采用神经网络模型多层感知机建立齿轮箱正常工作状态温度模型，当齿轮箱温度的实际测量值超出模型的预测置信区间时，进行故障告警。文献5提出了基于增量代价敏感支持向量机(ICSVM)的齿轮箱故障预警方法，建立了以误差分类代价最小化为目标的代价敏感支持向量机模型用于对齿轮箱故障预警。文献6利用数据采集与监视控制系统(SCADA)，使用多层神经网络算法对齿轮箱和发电机进行了建模，根据温度参数设定阂值，采用Multi Agent系统对不同部件的诊断结果进行了综合分析来进行故障预测。文献7基于风电机组齿轮箱的历史运行温度，结合正态云模型和趋势状态分析法构建了齿轮箱状态评估云模型，该模型应用云理论对温度边界具有的模糊性和不确定进行了有效处理，能够提前发现齿轮箱的异常状态。

从上面的分析可以看出，目前基于SCADA数据的齿轮箱故障预警大多采用非线性状态估计、神经网络、支持向量机等机器学习方法，利用历史数据进行训练建立预测模型，通过分析模型预测值与实际测量值间的残差来实现故障预警。但是这些方法算法复杂、耗时较长，且对样本的选取要求较高。由于风电机组的运行工况复杂多变，采用机器学习方法对历史数据进行训练很难覆盖所有工况，难以建立起覆盖所有工况的预测模型，导致训练出的预测模型泛化能力差，可能会出现由于工况的变化而出现误报的现象。此外，风电机组的SCADA数据大多为非平衡数据，故障数据往往淹没在海量的正常数据之中，由于无法对故障数据进行有效标记，导致在训练过程中很难建立起准确的故障状态与运行监测数据间的映射关系，使得训练出的模型故障报出能力差，可能会存在一定的故障漏报现象。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于工况相似性评估的齿轮箱故障预警方法及系统，能够自动识别与齿轮箱当前运行工况最为相近的历史工况下的数据，通过分析各监测参量的当前数据与历史数据间的相近度，结合历史数据的状态信息，计算各监测参量的异常系数，并根据异常系数大小实现齿轮箱的故障预警。

本发明采用以下技术方案：

本发明一种基于工况相似性评估的齿轮箱故障预警方法，包括以下步骤：