[发明专利]一种风电机组齿轮箱状态监测方法

说明书

本发明属于状态监测领域，具体涉及一种风电机组齿轮箱状态监测方法；该方法包括：获取SCADA数据并对SCADA数据进行预处理；采用风电机组齿轮箱状态监测网络模型对预处理好的SCADA数据进行处理，得到SCADA数据的预测值；根据SCADA数据的实际值和预测值计算均方根残差，并根据均方根残差反向传播更新参数，得到训练好的风电机组齿轮箱状态监测网络模型；根据模型的均方根残差，采用EWMA控制图算法计算状态警报值和警报上下限阈值，根据状态警报值和警报上下限阈值判断风电机组齿轮箱状态是否异常并输出风电机组齿轮箱状态监测结果；本发明状态监测结果准确，预警及时，实用性高。

技术领域

本发明属于状态监测领域，具体涉及一种风电机组齿轮箱状态监测方法。

背景技术

齿轮箱是风电机组传递功率的关键环节之一，齿轮箱故障会导致长时间停机并产生巨额维修费用，因此需要开展风电机组齿轮箱状态监测方法研究以避免齿轮箱故障的发生。中大型风电机组都强制安装了数据采集与监控系统(supervisory control and dataacquisition,SCADA)，实时采集风电机组运行状态数据。SCADA监测量中的油液温度、有功功率等蕴含了丰富的齿轮箱运行状态信息，目前已有研究通过融合SCADA监测量来实现风电机组齿轮箱状态监测。

深度学习因其具有更深的网络结构，拥有传统浅层模型难以企及的多层非线性特征提取能力，能够更好地挖掘SCADA数据中蕴含的齿轮箱状态信息。诸如长短时记忆网络(Long Short-Term Memory,LSTM)、门控循环网络(Gate Recurrent Unit,GRU)、卷积神经网络(Convolutional Neural Network,CNN)与LSTM融合的时空网络等方法都已经广泛应用于风电机组齿轮箱状态监测领域中，并且发挥了较好的性能。然而，上述深度学习网络直接将SCADA数据放入一个统一的GRU模型，无法在GRU时序传递中保存来自其他监测量间的耦合信息，导致基于残差的齿轮箱状态监测效果欠佳。

因此，解决如何让网络有效学习SCADA监测量的历史状态信息以及时序传递过程中与其他监测量的耦合信息成为了本领域技术人员急需解决的问题。

发明内容

针对现有技术存在的不足，本发明提出了一种风电机组齿轮箱状态监测方法，该方法包括：实时获取风电机组齿轮箱状态监测数据即SCADA数据，对SCADA数据进行预处理，将预处理好的SCADA数据输入到训练好的风电机组齿轮箱状态监测网络模型中，得到风电机组齿轮箱状态监测结果；

对风电机组齿轮箱状态监测网络模型进行训练的过程包括：

S1：获取SCADA数据并对SCADA数据进行预处理，得到预处理好的SCADA数据；

S2：采用风电机组齿轮箱状态监测网络模型对SCADA数据进行处理，得到SCADA数据的预测值；风电机组齿轮箱状态监测网络模型包括基于自注意力的协同学习模型和多路GRU协同模型；

S3：根据SCADA数据的实际值和预测值计算均方根残差，并根据均方根残差调整风电机组齿轮箱状态监测网络模型参数，得到训练好的风电机组齿轮箱状态监测网络模型；

S4：根据模型的均方根残差，采用EWMA控制图算法计算状态警报值和警报上下限阈值，根据状态警报值和警报上下限阈值判断风电机组齿轮箱状态是否异常并输出得到风电机组齿轮箱状态监测结果。

优选的，对SCADA数据进行预处理的过程包括：对SCADA数据进行机理分析，从原SCADA数据中选择多个最有必要的参数；计算参数的Pearson相关系数，根据Pearson相关系数从多个最有必要的参数中选择与齿轮箱油液温度系数相关性最大的多个参数；对与齿轮箱油液温度系数相关性最大的多个参数进行归一化处理，得到预处理好的SCADA数据。

进一步的，计算Pearson相关系数的公式为：