本公开涉及风电齿轮箱故障检测技术领域,特别是涉及一种风电齿轮箱故障检测方法、系统、设备及介质。
背景技术:
本部分的陈述仅仅是提高了与本公开相关的背景技术,并不必然构成现有技术。
近年来,随着环境污染、能源危机问题的不断加剧以及人们环保意识的逐渐增强,风能作为一种清洁可再生能源正在日益受到全社会的重视,这也使得风力发电技术在近些年得到了快速的发展。
在我国,风电场的大量建设和投入使用,是实现传统能源向新能源转换的具体体现,是响应政府改善能源结构的号召。风电机组一般坐落在交通不便、环境恶劣的郊区或是沿海地区,且机舱一般安装在离地几十米甚至上百米的高空,这就造成了风机的日常运维、检修困难重重,维护成本昂贵。随着风力发电机组装机容量的不断增加以及累计运行时间的不断增长,风电机组的维护问题变得日益突出。
一方面,风电机组故障主要集中在叶片、齿轮箱、主轴、发电机、变流器等核心部件上,一旦因为这些故障而造成风机停机,其损失不可估量;另一方面,风电机组状态检测极易受到风雨、冰雪等天气因素的干扰,导致单类型检测周期较长,并且风电机组检测数据量庞大,目前尚未形成完备的检测技术标准。因此如何快速、准确的进行风电故障检测成为行业亟需解决的关键问题。
目前主要是采用单一的神经网络算法来对风电机组齿轮箱进行故障诊断,这种方法主要存在两个方面的问题。一方面,虽然神经网络算法具有预测精度高、分布式处理能力强等优点,但是也存在学习时间过长、当样本数据量庞大时网络结构过于复杂以及需要提前设置大量阈值和权值等缺点,这对数据量庞大、时间要求较高的系统是极为不利的;另一方面,对于风力发电这种影响因素较多的工业生产系统,运行单一分类器的的故障检测系统可靠性不高,运行条件的变化极有可能会导致误报警。
技术实现要素:
为了解决现有技术的不足,本公开提供了一种风电齿轮箱故障检测方法、系统、设备及介质,其具有易于操作、成本低廉、检测精度高的效果;
第一方面,本公开提供了一种风电齿轮箱故障检测方法;
一种风电齿轮箱故障检测方法,包括:
采集风电机组齿轮箱运行数据和运行数据标签,所述运行数据标签,包括正常数据标签和故障数据标签;将采集的运行数据进行归一化处理,将运行数据输入到relief-f算法中;输出每个运行数据的权重,然后根据权重对运行数据按照从大到小进行排序,选择排序靠前的m个运行数据作为数据特征;将所有数据特征分别输入到四个分类器中,对每个分类器进行训练;然后利用训练好的分类器对测试数据进行检测,输出四个检测结果;最后,将四个检测结果进行融合,输出最终的检测结果。
作为可能的一些实现方式,将所有数据特征分别输入到四个分类器中,对每个分类器进行训练的具体步骤为:
将所有数据特征和对应的标签输入到支持向量机svm分类器中,对支持向量机svm分类器进行训练,得到训练好的支持向量机svm分类器;
将所有数据特征和对应的标签输入到神经网络中,对神经网络进行训练,得到训练好的神经网络;
将所有数据特征和对应的标签输入到学习矢量量化网络中,对学习矢量量化网络进行训练,得到训练好的学习矢量量化网络;
将所有数据特征和对应的标签输入到自适应神经模糊推理系统中,对自适应神经模糊推理系统进行训练,得到训练好的自适应神经模糊推理系统。
作为可能的一些实现方式,利用训练好的分类器对测试数据进行检测,输出四个检测结果的具体步骤为:
将待测的风电机组齿轮箱运行数据进行归一化处理和特征提取,得到待测特征;
将待测特征输入到训练好的支持向量机svm分类器中,输出第一分类结果;
将待测特征输入到训练好的神经网络中,输出第二分类结果;
将待测特征输入到训练好的学习矢量量化网络中,输出第三分类结果;
将待测特征输入到训练好的自适应神经模糊推理系统中,输出第四分类结果。
作为可能的一些实现方式,所述运行数据,包括:齿轮箱前轴承温度、齿轮箱后轴承温度、发电机前轴承温度、发电机后轴承温度、齿轮箱油池温度、齿轮箱油温、齿轮箱油压、风向机舱夹角、有功功率、无功功率、发电机转速、风轮转速、电流、电压、发电机定子温度、偏航角度、主轴温度和主轴转速。
作为可能的一些实现方式,所述归一化采用最大最小值归一化算法实现。
作为可能的一些实现方式,训练次数为p次,收敛误差为q,如果训练次数大于等于p次或是收敛误差小于等于q,则停止训练,否则继续训练。
作为可能的一些实现方式,将四个检测结果进行融合,输出最终的检测结果的具体步骤为:
如果第一分类结果、第二分类结果、第三分类结果和第四分类结果均是正常,则最终结果就是正常;
如果第一分类结果、第二分类结果、第三分类结果和第四分类结果均是异常,则最终结果就是异常;
如果第一分类结果、第二分类结果、第三分类结果和第四分类结果中有三个是正常,则最终结果是正常;或者有三个是异常,则最终结果就是异常;
如果第一分类结果、第二分类结果、第三分类结果和第四分类结果中有两个是正常有两个是异常,则利用ds证据理论中的yager规则来进行融合以确定最终的检测结果。
作为可能的一些实现方式,利用ds证据理论中的yager规则来进行融合以确定最终的检测结果的具体步骤为:
每个分类结果中不仅包括正常或异常的判断,还包括正常概率和异常概率;
将第一分类结果、第二分类结果、第三分类结果和第四分类结果中的概率作为ds证据理论中的yager规则的输入值,输出值即为检测结果。
作为可能的一些实现方式,利用ds证据理论中的yager规则来进行融合以确定最终的检测结果的具体步骤为:
基于混淆矩阵对四个分类器进行性能从高到低进行排序,假设从高到低分别是分类器a、分类器b、分类器c和分类器d;
将分类器a和分类器d作为一个组合,将分类器a的输出概率与分类器d的输出概率作为ds证据理论中的yager规则的输入值,输出值记为e;
将分类器b和分类器c作为一个组合,将分类器b的输出概率与分类器c的输出概率作为ds证据理论中的yager规则的输入值,输出值记为f;
如果e为正常,f也为正常,则最终结果是正常;
如果e是异常,f也为异常,则最终结果是异常;
如果e是正常,f为异常;或者,如果e是异常,f为正常;则将e中的输出概率和f中的输出概率作为ds证据理论中的yager规则的输入值,输出值即为最终结果。
第二方面,本公开还提供了一种风电齿轮箱故障检测系统;
一种风电齿轮箱故障检测系统,包括:
训练数据特征提取模块:采集风电机组齿轮箱运行数据和运行数据标签,所述运行数据标签,包括正常数据标签和故障数据标签;将采集的运行数据进行归一化处理,将运行数据输入到relief-f算法中;输出每个运行数据的权重,然后根据权重对运行数据按照从大到小进行排序,选择排序靠前的m个运行数据作为数据特征;
分类器训练模块:将所有数据特征分别输入到四个分类器中,对每个分类器进行训练;
检测模块:利用训练好的分类器对测试数据进行检测,输出四个检测结果;
融合模块:将四个检测结果进行融合,输出最终的检测结果。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面任一可能的实现方式中的方法。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面任一可能的实现方式中方法的步骤。
与现有技术相比,本公开的有益效果是:
提出了一种基于支持向量机(svm)、神经网络模式识别(nnpr)、学习矢量量化(lvq)网络、自适应神经模糊推理系统(anfis)的智能混合方法。该方法利用四种分类器并行地来构造一种故障检测的智能混合系统,最后利用yager规则将不同分类器的结果组合在一起,既利用了神经网络的优点,又克服了单一分类器的缺点,对于风电齿轮箱的故障检测有较好的效果;
提供一种易于操作、成本低廉、检测精度高的风电齿轮箱故障检测的方法,该方法利用多个分类器来进行故障检测,不同分类器的结果通过yager融合规则组合在一起来构建一个可靠、高质量的分类器,克服了单一方法的缺陷与不足,提高了风机设备故障诊断的准确度。
将四种分类器的分类性能排好序,性能最好的分类器和性能最差的分类器组合,然后将性能次好的分类器和性能次差的分类器组合,以弥补彼此的优缺点。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为一个或多个实施方式的svm分类器的结构图;
图2为一个或多个实施方式的四层结构的nnpr示意图;
图3为一个或多个实施方式的anfis分类器的结构;
图4为一个或多个实施方式的风电齿轮箱故障检测整体流程图;
图5为一个或多个实施方式的风电齿轮箱故障检测系统整体结构图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
专业术语解释:支持向量机:supportvectormachine,svm;
神经网络模式识别:neuralnetworkpatternrecognition,nnpr;
学习矢量量化网络:learningvectorquantizationnetwork,lvq;
自适应神经模糊推理系统:adaptiveneuro-fuzzyinferencesystem,anfis。
如图4和图5所示,一种风电齿轮箱故障检测方法,包括如下步骤:
采集风电机组齿轮箱运行数据,数据包括故障数据和正常数据,其中数据的76%作为训练数据,24%作为测试数据;
将采集的数据进行归一化处理,运用relief-f方法对特征进行排序,选取前5%的特征数据;
分别利用svm、nnpr、lvq、anfis四种分类器对训练数据提取出的特征信息进行训练,将训练好的分类器利用测试数据进行测试,验证分类器的分类性能;
对未知故障的齿轮箱运行数据进行特征提取,然后利用训练好的分类器进行故障检测;
为了提高故障检测方法的可靠性,对于四种分类器的检测结果利用yager融合规则进行合并,得到最终的检测结果。
进一步的,所述特征归一化方法的公式如下:
归一化后所有的特征值映射到[0,1]区间。
进一步的,所述利用relief-f对特征进行排序的步骤如下:
给定风电机组齿轮箱特征数据集{(x1,y1),(x2,y2),…,(xm,ym)},对每个示例xi,relief-f首先在xi的同类样本中寻找其最近邻xi,nh,称为“猜中近邻”(near-hit);
然后再从xi的异类样本中寻找其最近邻xi,nm,称为“猜错近邻”(near-miss);
然后相关统计量对应于属性j的分量为
其中,
进一步的,所述利用svm对特征进行分类的步骤如下:
令d为风电机组训练数据样本点的个数,令集合
定义(w,b)为svm分类器,其中w是权重向量,b是偏置值;令w0为最优权重向量,b0为最优偏置值,并且
通过求解最优化问题
来确定w0和b0的值。其中ξ是松弛变量,
通过求解k(ci,cj)=exp(-γ||ci-cj||2)来确定核函数
svm分类器的结构如图1所示。
进一步的,所述利用nnpr对特征进行分类的步骤如下:
以图2具有四层结构的nnpr分类器为例,隐含层和输出层的激励函数分别为:
其中q、p、m分别为每层神经元的个数;
利用反向传播技术来训练nnpr,并且均方误差
进一步的,所述利用lvq对特征进行分类的步骤如下:
令d={(x1,y1),(x2,y2),…,(xm,ym)}为风电机组训练数据样本集,每个样本均由n个属性描述,即xj=(xj1,xj2,…,xjn),yi∈y是样本xj的类别标记,j=1,2,…,m,ti为初始化的原型向量标记,ti∈y,i=1,2,…,k,lvq的学习目标是得到k个n维原型向量q1,q2,…,qk;
选择满足yj=tj条件的某个样本xj作为qj的初始值;
从d中任意选择一个样本xj,找到与此样本距离最近的原型向量qi;
若yj=ti,则令q′=qj+η·(xj-qi),否则q′=qi-η·(xj-qi),其中η∈(0,1)为学习率;
令qi=q′,如果达到最大迭代次数λ或是原型向量更新幅度小于阈值γ则停止迭代,输出原型向量,否则继续迭代。
进一步的,所述利用anfis对特征进行分类的步骤如下:
将输入变量模糊化,输出对应模糊集的隶属度;实现前提部分模糊集的运算;将各条规则的激励强度归一化;计算所有传来信号之和作为总输出。
anfis分类器的结构如图3所示。
进一步的,所述利用yager规则对检测结果进行融合的步骤如下:
故障检测过程中可能发生以下四种情况:
1:四种分类器的检测结果都是齿轮箱状态正常,此时最终结果就是状态正常;
2:四种分类器的检测结果都是齿轮箱状态异常,此时最终结果就是状态异常;
3:四种分类器中只有一种的检测结果与其他三种不同,此时最终结果依照“少数服从多数”的原则;
4:四种分类器的检测结果恰好两两平分,此时利用yager规则来进行融合以确定最终的检测结果。
定义重要因素的权重为δi,冲突因素的权重为φi,有[δi,φi]∈mi,φi=1-δi;
其中q(a)表示事件a发生的概率;
将四种分类器的分类性能排好序,性能最好的分类器和性能最差的分类器以及性能次好的分类器和性能次差的分类器两两组合,以弥补彼此的优缺点。
进一步的,所述作出最终决策的方法如下:如果,最终经过yager规则融合之后的结果,齿轮箱状态正常的概率≥50%,则不报警;否则,报警。
本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成方法中的各个操作,为了简洁,在此不再赘述。
应理解,在本公开中,该处理器可以是中央处理单元cpu,该处理器还算可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic,现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能的划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外一点,所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:u盘、移动硬盘、只读存储器(rom,read-onlymemory)、随机存取存储器(ram,randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。