本发明涉及风电机组故障预警技术领域，特别是涉及基于深度神经网络的风电机组齿轮箱故障监测方法及系统。
背景技术：
随着风电场使用年限的增加，风电场运维成本控制变得更加重要。风电机组的几个主要子系统，如齿轮箱、发电机、轴承等，都是状态监测和故障预警的主要应用对象。随着故障提前预警，风电场运营人员可以通过有效调整运行方式，提前进行设备维护更换，能显著降低运营成本。对于占有风电机组大部分成本份额的齿轮箱，发生故障会造成过多的停机时间，因此，精准并且高效的齿轮箱故障检测模型的开发是必不可少的。
齿轮箱故障监测的传统方法是通过对一定频率范围内的振动信号分析实现的，但需要对监测齿轮箱逐一加装振动传感器，该方法由于施工麻烦、成本过高而很难被风电行业广泛应用。
近年来，scada数据监测齿轮箱状态的方法也已经被予以应用，基于scada数据的齿轮箱故障监测理念，是通过连接风电机组的scada系统将齿轮箱传感器采集到的实时状态数据进行模型监测，达到齿轮箱预警目的，该方法较采集振动信号的方式更加低成本，具有高实用性。监测时齿轮箱润滑油油温是齿轮箱的主要监测指标，但齿轮箱油温容易受到周围环境及噪声的影响，从而影响监测结果。因此，亟待发展一种新的风电机组齿轮箱故障监测方法，使之能够避免监测结果受外界环境影响，提高齿轮箱故障监测结果的准确性。
技术实现要素：
本发明的目的是提供基于深度神经网络的风电机组齿轮箱故障监测方法及系统，所述的方法及系统能够及时有效地监测齿轮箱故障，监测结果受外界环境影响小，准确性高。
为实现上述目的，本发明采用如下技术方案：
基于深度神经网络的风电机组齿轮箱故障监测方法，包括以下步骤：a.获取风电机组scada实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；b.将所述齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；c.计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；d.监视所述拟合误差以判断所述风电机组的齿轮箱状态，并在判断为故障状态时触发警报。
作为进一步地改进，所述步骤b中的预测模型通过以下步骤构建：获取风电场正常风电机组的scada数据中的齿轮箱状态相关数据，建立训练数据集，所述齿轮箱状态相关数据包括齿轮箱润滑油压力pl、齿轮箱润滑油温度t0、齿轮箱轴承温度ts和机组输出功率p0；基于深度神经网络建立如下预测模型：
所述步骤c中的拟合误差采用相对误差e表示，通过下式计算：
所述步骤d中通过采用ewma控制图监视所述的拟合误差。
所述步骤d中当所述拟合误差连续一段时间超出ewma控制图的上下限时判断所述风电机组的齿轮箱为故障状态。
基于深度神经网络的风电机组齿轮箱故障监测系统，包括：数据获取模块，用于获取风电机组scada实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；模型计算模块，用于将所述齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；误差计算模块，用于计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；预警模块，用于监视所述拟合误差以判断所述风电机组的齿轮箱状态，并在判断为故障状态时触发警报。
作为进一步地改进，所述预测模型通过以下步骤构建：获取风电场正常风电机组的scada数据中的齿轮箱状态相关数据，建立训练数据集，所述齿轮箱状态相关数据包括齿轮箱润滑油压力pl、齿轮箱润滑油温度t0、齿轮箱轴承温度ts和机组输出功率p0；基于深度神经网络建立如下预测模型：
所述拟合误差采用相对误差e表示，通过下式计算：
所述预警模块通过采用ewma控制图监视所述的拟合误差。
所述预警模块在当所述拟合误差连续一段时间超出ewma控制图的上下限时判断所述风电机组的齿轮箱为故障状态。
由于采用上述技术方案，本发明至少具有以下优点：
(1)本发明采用从被周围环境影响较小的齿轮箱润滑油油压指标入手，通过运用神经网络算法，为监测齿轮箱油压进行建模，并通过监视拟合误差对齿轮箱状态进行监测，监测结果受外界环境影响小，准确性高，能够实现及时有效地监测齿轮箱故障。
(2)齿轮箱状态预测模型考虑了三个齿轮箱状态相关变量参数to,ts,po，不仅体现了对齿轮箱润滑油油压指标的监测，也体现了对此三个相关变量参数的监测。
(3)采用ewma控制图对过程监控更加灵敏，能够有效识别观测值的微小移动。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明的基于深度神经网络的风电机组齿轮箱故障监测方法流程图。
具体实施方式
本发明提供了基于深度神经网络的风电机组齿轮箱故障监测方法及系统，所述的方法及系统能够及时有效地监测齿轮箱故障，监测结果受外界环境影响小，准确性高。
请参阅图1所示，本发明的齿轮箱故障监测方法，主要包括以下步骤：获取风电机组scada实时数据中的齿轮箱状态相关数据，包括齿轮箱润滑油压力、齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率；将所述齿轮箱润滑油温度、齿轮箱轴承温度和机组输出功率输入基于深度神经网络的预测模型，获得预测模型输出的齿轮箱润滑油压力的预测值；计算齿轮箱润滑油压力的实际值与齿轮箱润滑油压力的预测值之间的拟合误差；监视所述拟合误差以判断所述风电机组的齿轮箱状态，并在判断为故障状态时触发警报。
具体地，本发明所述的齿轮箱故障监测方法主要涉及如下两个部分：1.齿轮箱油压预测模型；2.齿轮箱状态监测。其中，齿轮箱油压预测模型的建立运用了深度神经网络(dnn)技术，相较于经典的神经网络(neuralnetworks，nns)，深度神经网络(deepneuralnetwork，dnn)部署了多隐藏层来为复杂关系建模。
由于齿轮箱润滑油用于为齿轮箱降温，齿轮箱润滑油压力的变化将遵循输出功率的变化。相较于齿轮箱润滑油温度，齿轮箱润滑油的压力指标对环境影响带来的冲击更具有抵抗力。如果齿轮箱存在机械损耗，废铁屑将会融入齿轮箱润滑油中使压力值发生变化。对此，本发明将齿轮箱润滑油压力pl作为主要被监测目标，同时还伴随了三个相关变量参数的监测：齿轮箱油温t0、机组输出功率p0和齿轮箱轴承温度ts。
在本发明中，dnn运用了三个隐藏层为上述三个输入量(齿轮箱油温t0、机组输出功率p0和齿轮箱轴承温度ts)到输出量(齿轮箱润滑油压力)建立了模型。该模型是具有输入层、三重隐层和输出层的深度神经网络模型，模型如下公式所示：
式中
模型参数通过数据训练获得。其中，训练数据集来自于风电场正常机组的scada数据中的齿轮箱润滑油压力pl、齿轮箱油温t0、机组输出功率p0和齿轮箱轴承温度ts，搜集原始数据后，排除无效数据并合并有效数据来建立训练数据集。
基于训练数据集中的数据对上述基于深度神经网络的预测模型进行训练，训练过程主要是为了推测wn和bn，两者分别代表着第n个隐藏层的权重和偏移量，本例中，通过对
式中m代表隐藏层层数，而n代表训练数据集的样本数。
本模型的激活函数用的是双曲正切函数：
上式中e是自然常数，约为2.71828，是一个无限不循环数。
进一步地，基于上述齿轮箱油压预测模型，本发明通过监测拟合误差来实现对齿轮箱状态的监测。具体地，这里的拟合误差由如下“相对误差表达式”(ape)表达：
式中，
在本发明的监测步骤中，一种统计过程控制算法：指数加权平均数(ewma)模型，用于获取被监测拟合误差的上下限，ewma图中的上下控制限是基于正常机组的拟合误差而获得。具体地，基于采集的正常机组相关scada数据，通过上述预测模型计算对应于各机组的拟合误差，拟合误差实际反映了该预测模型作为数据挖掘算法模型的计算能力。再基于风电机组的拟合误差，建立统计过程控制图，给出控制范围的上下限。不正常的机组将会产生超越误差检测范围的情况。
emwa的静态测试，zt计算为：
zt＝λet+(1-λ)zt-1,t＝1，2，…n
其中t是时间索引，et是在t时刻的误差，λ是满足0<λ<1的常数，而初始量z0取初始训练数据误差值e的均值。本研究中，λ设置为0.2，是典型的emwa控制图设置值。
emwa的静态测试公式中，zt的均值和方差可以分别由以下公式得到：
式中，μe和σe分别为误差e的平均值和方差。
ewma控制图的控制限度是基于±lsigma限度，其中l根据shewart控制图限度而设置为3。当上下ewma控制限随着时间变化形成函数时，如下公式所示：
上式中的n指代样本个数，l是用于调节置信区间的，一般取3，如上置信为3sigma。也可以取4。
上述过程中，齿轮箱状态预测模型运用半监督学习法，模型通过scada的齿轮箱状态数据进行训练，训练结果与正常齿轮箱状态误差进行比对。基于该误差比对方法，对运行结果参数的上下限进行监测，并建立控制图。如果风电机组的拟合误差超越了控制范围上下限，齿轮箱故障预警警报将会触发。
由于齿轮箱的失效是一个连续的过程，早期的失效可以通过需要被监测的拟合误差来表示。通过考虑误差范围和时间因素，ewma控制图可以直接监测拟合误差。在一个确定时期内，发生连续的大拟合误差表示为异常状态并使计划维修警报等级提高。因此实际应用时，一种较佳的情况是：如果拟合误差超过了控制上下限，并且有长时间段的高拟合误差在ewma图中被发现时，才被认为是齿轮箱故障状态从而触发报警。
综上所述，本发明通过从被周围环境影响较小的齿轮箱润滑油油压指标入手，运用深度神经网络算法，建立以齿轮箱润滑油压力作为测量目标的监测模型，并通过统计控制图表对齿轮箱中所存在的异常状态进行监测。实现了准确、有效、及时的故障监测。
基于本发明上述的齿轮箱故障监测方法拟建系统框架，并主要通过以下两个阶段实现齿轮箱故障监测系统的构建。第一个阶段是通过运用深度神经网络建立齿轮箱润滑油压预测模型。预测模型基于代表正常机组的scada数据进行训练。所有正常以及非正常的机组的拟合误差将会被预测出来。第二个阶段是建立ewma控制图。ucl和lcl将被用于对齿轮箱的损坏进行报警。构建的齿轮箱故障监测系统通过两个齿轮箱失效案例进行了验证。最后在监测结果中显示，齿轮箱未失效的机组的拟合误差都在检测范围之内，而齿轮箱失效的机组可以在两到三天前提前报警，这表明，本发明的齿轮箱故障监测方法及系统将为风电场工作人员提供足够的时间对齿轮箱状态进行检测并制定维护计划。进一步，整个检测过程通过并行sgd算法在几分钟之内完成计算，迅速、准确。因此，本发明的齿轮箱故障监测方法及系统在工业中应用完全可行。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。