一种齿轮箱运行状态检测方法、装置、设备及介质与流程

本技术涉及风力发电机组齿轮箱检测领域，特别是涉及一种齿轮箱运行状态检测方法、装置、设备及介质。

背景技术：

1、作为新能源发电的重要组成，风力发电得到各国政府的重点关注。在现代大型风力发电机组中，长叶片桨叶在风力的推动下缓慢转动，再通过齿轮箱放大转速，传递到下游的发电机组系统产生电能。作为桨叶和发电机组之间传导能量的桥梁，齿轮箱在风力发电机组中发挥极其重要的作用。

2、风力发电机组中齿轮箱部件往往承受较大的载荷，在常年累月的工作中，齿轮箱部件容易出现损伤，甚至失效，严重影响风力发电机组的正常运行。目前存在通过物理建模的方式对齿轮箱进行状态检测，由于齿轮箱运行的工况复杂，该方式状态检测的效果并不理想。

3、因此，如何在线检测齿轮箱的运行状态，以保证风力发电机组的安全稳定运行，是本领域技术人员亟待解决的技术问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种齿轮箱运行状态检测方法、装置、设备及介质，能够实现齿轮箱行为的精确建模，为齿轮箱运行状态的在线检测提供数据支撑，可得到较为精确的齿轮箱运行状态。其具体方案如下：

2、一种齿轮箱运行状态检测方法，包括：

3、采集scada系统记录的历史健康数据集；所述历史健康数据集包括齿轮箱处于健康运行状态时产生的时序数据；

4、构建包含混合膨胀卷积结构和图卷积结构的图神经网络；

5、利用所述历史健康数据集训练所述图神经网络，得到用于获取预测值并记录所述预测值与所述历史健康数据集之间的残差值的目标行为模型；

6、将待测齿轮箱的实时运行数据集输入至所述目标行为模型，获取预测数据并计算所述预测数据与所述实时运行数据集之间的残差；

7、根据计算的所述残差与记录的残差值的比较结果，得到所述待测齿轮箱的运行状态。

8、优选地，在本发明实施例提供的上述齿轮箱运行状态检测方法中，在所述采集scada系统记录的历史健康数据集之后，还包括：

9、对所述历史健康数据集中的时序数据进行变量筛选处理，得到用于表征齿轮箱运行健康状况的目标变量以及相关变量，并添加时间周期辅助特征；

10、对应地，所述利用所述历史健康数据集训练所述图神经网络，包括：

11、将添加所述时间周期辅助特征的所述目标变量和所述相关变量作为所述图神经网络的初始输入，训练所述图神经网络。

12、优选地，在本发明实施例提供的上述齿轮箱运行状态检测方法中，所述添加时间周期辅助特征，包括：

13、选择一个基本时间单位，统计从过去一个所述基本时间单位到当前时刻内时序数据的均值，作为当前数据的一个所述时间周期辅助特征；所述时间周期辅助特征的表达式为：

14、

15、其中，xi为在时间为i时刻的时序数据，m为在选择的一个所述基本时间单位内scada系统获取的采样点数，x′t为在时间为t时刻的所述时间周期辅助特征的值。

16、优选地，在本发明实施例提供的上述齿轮箱运行状态检测方法中，构建所述混合膨胀卷积结构的过程中，包括：

17、构建多分支不同膨胀系数的所述混合膨胀卷积结构；

18、在每一个分支中，先输入数据通过核大小为1×1的卷积核进行降维，再通过由三层膨胀率大小不同的混合膨胀卷积层，得到分支处理后的数据；

19、将每一个分支处理后的数据进行拼接，拼接后的数据通过sigmoid激活函数得到所述混合膨胀卷积结构的输出数据。

20、优选地，在本发明实施例提供的上述齿轮箱运行状态检测方法中，构建所述图卷积结构的过程中，包括：

21、将每个变量视作图的顶点，变量之间的相关关系视作所述顶点的连边，通过所述邻接矩阵描述所述顶点之间的关系；

22、将所述邻接矩阵和所述邻接矩阵的转置矩阵输入到独立的两个所述图卷积网络中，统计每个顶点的出度和入度信息；

23、将两个所述图卷积网络最后一层的结果进行线性加权作为所述图卷积结构的输出数据。

24、优选地，在本发明实施例提供的上述齿轮箱运行状态检测方法中，构建所述图神经网络的过程中，包括：

25、构建交替排列的所述混合膨胀卷积结构和所述图卷积结构；各所述混合膨胀卷积结构的输入和后端连接的所述图卷积结构的输出通过残差连接结构进行连接；

26、将交替排列的所述混合膨胀卷积结构和所述图卷积结构的最终输出结果经过1×1卷积降维处理，以获取所述预测值。

27、优选地，在本发明实施例提供的上述齿轮箱运行状态检测方法中，训练所述图神经网络的过程中，包括：

28、采用损失函数迭代调整所述图神经网络的参数；所述损失函数的表达式为：

29、

30、其中，为所述目标变量在(t+1)时刻的预测值，为所述目标变量在(t+1)时刻的真实值，为正则化项。

31、本发明实施例还提供了一种齿轮箱运行状态检测装置，包括：

32、数据采集模块，用于采集scada系统记录的历史健康数据集；所述历史健康数据集包括齿轮箱处于健康运行状态时产生的时序数据；

33、网络构建模块，用于构建包含混合膨胀卷积结构和图卷积结构的图神经网络；

34、网络训练模块，用于利用所述历史健康数据集训练所述图神经网络，得到用于获取预测值并记录所述预测值与所述历史健康数据集之间的残差值的目标行为模型；

35、模型推理模块，用于将待测齿轮箱的实时运行数据集输入至所述目标行为模型，获取预测数据并计算所述预测数据与所述实时运行数据集之间的残差；

36、状态检测模块，用于根据计算的所述残差与记录的残差值的比较结果，得到所述待测齿轮箱的运行状态。

37、本发明实施例还提供了一种齿轮箱运行状态检测设备，包括处理器和存储器，其中，所述处理器执行所述存储器中存储的计算机程序时实现如本发明实施例提供的上述齿轮箱运行状态检测方法。

38、本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如本发明实施例提供的上述齿轮箱运行状态检测方法。

39、从上述技术方案可以看出，本发明所提供的一种齿轮箱运行状态检测方法，包括：采集scada系统记录的历史健康数据集；历史健康数据集包括齿轮箱处于健康运行状态时产生的时序数据；构建包含混合膨胀卷积结构和图卷积结构的图神经网络；利用历史健康数据集训练图神经网络，得到用于获取预测值并记录预测值与历史健康数据集之间的残差值的目标行为模型；将待测齿轮箱的实时运行数据集输入至目标行为模型，获取预测数据并计算预测数据与实时运行数据集之间的残差；根据计算的残差与记录的残差值的比较结果，得到待测齿轮箱的运行状态。

40、本发明提供的上述齿轮箱运行状态检测方法，以混合膨胀卷积结构和图卷积结构为基础构建图神经网络，其中基于混合膨胀卷积结构可以更好地描述数据的时序关系，基于图卷积结构可以更好地提取变量的关联关系，并且利用scada系统记录的历史健康数据集对该图神经网络进行训练，能够解决实际工况样本不均衡的问题，实现齿轮箱行为的精确建模，通过比较预测值和采集值的差异，为齿轮箱运行状态的在线检测提供数据支撑，可得到较为精确的齿轮箱运行状态，进而为工业系统状态分析提供可靠依据，保证风力发电机组的安全稳定运行。

41、此外，本发明还针对齿轮箱运行状态检测方法提供了相应的装置、设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该装置、设备及计算机可读存储介质具有相应的优点。