一种风电机组齿轮箱的故障预警方法与流程

本发明涉及风电机组齿轮箱早期故障诊断预警领域，尤其涉及风电机组齿轮箱的故障预警方法。

背景技术：

目前对齿轮箱故障的研究主要包括通过建立故障演变模型加以分析以及利用人工智能算法对故障信号加以处理两个方面。尤其是近些年来，伴随着其他领域中各类专业传感器的出现以及人工智能算法的蓬勃发展，利用计算机进行齿轮箱的实时监测，能准确诊断出故障部位，但在齿轮箱故障预诊方面很少有成功应用的经验。

目前对齿轮箱故障的研究多为故障诊断方面，即第一时间对初始故障加以判定或者是对严重故障的短时预测，不能够做到提前预测设备状态并优化维修决策。同时，故障模型不精确，不能充分考虑各种工况，故障预警时间短、故障指标预测精度低等难题。

技术实现要素：

本发明的目的是为克服上述问题，提出一种风电机组齿轮箱的故障预警方法，通过建立新型齿轮箱温度预测模型，能够更加精确的预测其在不同工况下的未来温度变化，从而得到温度预警曲线，为风机齿轮箱的故障预警办法提供判断依据，实现提前发现故障征兆，进而针对性的采取维护动作的目的，增加可靠性，同时为运维人员制定预防性维护计划提供科学支持，使得风机齿轮箱甚至其他关键部件的维护资源得到充分利用。。

本发明所提出的一种风电机组齿轮箱的故障预警方法建立在齿轮箱关键部件的温度预警模型之上，主要通过对这些关键部件的温度预测，其次是以预测温度与实际温度之间的区间残差作为故障判断条件。其具体步骤为：

第一步，数据采集，终端通过设置在齿轮箱内的硬接触温度传感器、软接触温度传感器以及温度采集卡采集或者通过风电场记录数据中调取风机功率、环境温度、风速的历史数据，所述数据的时间跨度覆盖整个故障演变区间；

第二步，数据处理，对输入数据归一化处理，验证其完整性，从中删除异常数据、残缺数据并建立包括ais-sa混合网络预测算法的bp神经网络，以此确定网络规模及各初始连接权值、阈值；

第三步，数据寻优，将网络的初始权值、阈值作为待优化量编码后输入算法的ais部分进行寻优，bp网络的学习率进行自适应调节；

第四步，预警计算，使用优化后的网络对采集的温度数据进行预测，风速则结合数值天气预报进行近似代入，得到未来一定时间内的温度预测变换曲线；计算预测温度与实际温度的残差，以若干个记录点为一个预警区间，计算出该区间内两种温度的残差均值与标准差；

第五步，信息更新，将预警区间顺延一个温度记录点，更新预警区间。

进一步的，为了便于预警，在预警计算步骤中ais-sa混合网络预测算法得到齿轮箱各组件的温度预警曲线，通过结合部件温度变化真值建立包含若干温度记录点的预警区间；之后通过分析当前阶段内的温度残差均值e及标准差s，判断真实温度是否发生异常变化，从而判定故障发生部件；其中，故障预警阈值点满足

温度预警系数a、b满足如下判断条件

附图说明

图1是本发明ais-sa混合网络算法流程图。

图2是本发明ais-sa混合网络预测结果与bp算法预测结果对比图。

图3是本发明预警区间残差均值分布图。

图4是本发明预警区间残差标准差分布图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合图示，进一步阐述上述技术方案。

如图所示的一种风电机组齿轮箱的故障预警方法，

利用如图1所示的人工免疫—学习率自适应调节(ais-sa)混合网络提高齿轮箱中心油液的温度预测精度，其中ais算法起到了优化网络初始参数的目的，而sa算法起到减小振荡、加速收敛的目的。其中自适应调节部分的原则是:对近似最优的权值、阈值添加一个“扰动值”，然后根据扰动后误差变化大小进行学习率调节，调节的幅度与误差变化量的直接相关。

以及由ais-sa混合网络预测算法得到齿轮箱各部件的温度预警曲线，在结合部件温度变化真值，建立包含数个温度记录点的预警区间来分析当前阶段内的残差均值e及其标准差s，用以判断真实温度是否发生异常变化，从而判定故障发生部件。根据得到的故障预警阈值点及故障判别条件，对齿轮箱预测期间内是否存在潜在故障进行判断。由于温度变化是实时预测/记录的，故将预警区间顺延即可提前发现异常部件温度演变趋势，实现提前预警目的。其具体步骤为

步骤1：数据采集。需要采集的数据包括风机功率、环境温度、风速、采集点前五个时刻的历史温度数据，共同作为网络输入，可以从风电场记录数据中直接调取，数据时间跨度尽量覆盖整个故障演变区间。

步骤2：数据预处理。主要包含三个内容，异常、残缺数据的删除，数据库数据完整性的处理；输入量归一化处理。

步骤3：建立bp神经网络，确定网络规模及各初始连接权值、阈值，神经网络规模按照图1设置。

步骤4：算法ais部分寻优。将网络的初始权值、阈值作为待优化量编码后输入算法的ais部分，根据图1给出的流程进行寻优，直到满足结束条件。

步骤5：bp网络的学习率进行自适应调节，也就是算法的sa部分，直到满足该算法停止条件。

步骤6：用优化后的网络对采集的温度数据进行预测，风速则结合数值天气预报进行近似代入，得到未来一定时间内的温度预测变换曲线。

步骤7：计算预测温度与实际温度的残差，以10个记录点为一个预警区间，计算出该区间内两种温度的残差均值与标准差。

步骤8：将预警区间顺延一个温度记录点，更新预警区间。

效果说明

发明有效规避了传统bp算法的两个局限性：初始参数对网络训练影响大，不易确定；可能陷入局部最优。下面用实验模拟实际风机运行情况，用以验证本方法的有效性。

实验设置。实验以齿轮箱中齿轮副为研究对象，实验设置如图2所示，其中：齿轮箱——上海佳迈传动机械厂生产的速比1:1.36齿轮箱；风机载荷——南通南苑公司生产的fzj6系列磁粉制动器，功率0.5kw；电动机——型号为jb/t7118-2004的变频调速三相异步电动机作为动力源，额定功率0.75kw，恒转矩频率范围5～50hz，恒功率频率范围50～100hz；变频器——型号为ev500-0037g/0055p-t4，分辨率为0.01hz；温度信号采集器——型号为dam-pt04，连接两个pt100温度传感器分别采集齿轮箱中心油液温度与实验室温度。

实验过程。实验中电机的频率是变化的，最低值为7hz，最高值为35hz，精确度0.01hz；连续采集了2000组温度数据。将采集的状态量分为1600组训练数据及395组测试数据，其人工免疫算法的抗体规模为15，每抗体长度为100，记忆细胞群包括10个个体，抗体进化代数上限为20，精英保留策略中精英设置为3，多样性评价指标为0.95，相似度阈值设为0.7，温度预警系数a、b分别为3和2。

(3)实验结果。本方法中的预测算法与传统bp神经网络算法对齿轮箱温度的拟合效果如图3所示，预警区间则如图4所示。根据分析，其温度预警阈值为ew＝±0.4347,sw＝0.0997，且该时间段内无故障发生。可以看出本方法确实提高了温度预测精度，能够实现故障的提前预警，具有切实可行的实际意义。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。