一种风力发电机组齿轮箱轴承故障诊断方法及系统

本发明涉及风力发电机故障诊断，更具体的说是涉及一种风力发电机组齿轮箱轴承故障诊断方法及系统。

背景技术：

1、风能是一种清洁能源，目前我国风力发电日趋广泛使用与大力发展。而风力发电机组长期运行在恶劣的环境中导致齿轮箱轴承故障高发；风力发电机组等大型设备的维修，耗费大量的人力、物力和财力资源，机械结构故障所需的维修时间更长，降低了发电效率，提升了维护成本。因此，对设备进行故障监测与诊断对保证整机稳定运行起着关键性作用。

2、随着技术的发展，状态监测与故障诊断技术有了诸多进展，但是传统的单一特征量的方法难以得到准确的故障定位，因此多参数信息融合的关键部位故障诊断成为重要的方法与趋势。多参数信息融合通常需要对数据信息进行甄别筛选，选择合适的参数，目前对于数据的特征选择往往是通过经验人为的做出选择，这种方法存在局限性，风力发电机组高维、大量的数据特点也会增加数据筛选的难度与时间成本；导致风力发电机组齿轮箱轴承故障诊断效率和准确率较低。

3、因此，如何更加高效、准确的筛选数据特征，融合数据特征使其保留更多的信息，提升风力发电机组齿轮箱轴承故障诊断效率和准确率，是本领域技术人员亟需解决的技术问题。

技术实现思路

1、有鉴于此，本发明提供至少解决上述部分技术问题的一种风力发电机组齿轮箱轴承故障诊断方法及系统，可以提升风力发电机组齿轮箱轴承故障诊断效率和准确率。

2、为实现上述目的，本发明采取的技术方案为：

3、第一方面，本发明实施例提供一种风力发电机组齿轮箱轴承故障诊断方法，该方法包括以下步骤：

4、s1、获取风力发电机组scada数据与齿轮箱振动数据，并对数据进行预处理；

5、s2、通过rfe-cv对预处理后的scada数据进行特征筛选；

6、s3、基于模型级融合策略与多层卷积神经网络-长短时记忆网络，构建故障诊断模型；

7、s4、将筛选后的scada数据和预处理后的齿轮箱振动数据输入所述故障诊断模型中，完成特征提取和特征融合，使用融合特征训练故障诊断模型；

8、s5、利用训练好的故障诊断模型对风力发电机组齿轮箱轴承进行故障诊断。

9、在一个可选的实施方式中，所述步骤s1中，获取风力发电机组scada数据与齿轮箱振动数据，并对数据进行预处理，包括：

10、获取风力发电机组scada数据与齿轮箱振动数据，其中scada数据每十分钟采集一次，振动数据采样频率为12000、样本长度约为480000；

11、选取与风力发电机组齿轮箱轴承密切关联的scada数据，包括：有功功率、发电机转速、环境温度、机舱内温度和风速等参数，依据预设判别标准剔除无效数据，并将数据按照参数类别分为温度相关参数、电学相关参数、其他运行学及力学相关参数的三组scada数据；

12、将获取的振动数据拆分为长度为1000的样本组成振动数据集；

13、根据故障类型与故障位置设置标签，并在三组scada数据和振动数据集中加入标签。

14、在一个可选的实施方式中，所述步骤s2中，通过rfe-cv对预处理后的scada数据进行特征筛选，包括：

15、构建rfe-cv特征选择模型，通过rfe-cv特征选择模型对三组scada数据进行特征筛选，剔除非重要参数特征，保留重要参数特征；生成新的三组scada数据。

16、在一个可选的实施方式中，所述步骤s3中，基于模型级融合策略与多层卷积神经网络-长短时记忆网络构建的故障诊断模型，包括：数据输入模块、特征提取模块、特征学习模块、特征融合模块和故障诊断结果输出模块；其中：

17、所述数据输入模块，用于接收不同类型数据；

18、所述特征提取模块，用于使用卷积神经网络对输入的数据进行特征提取；

19、所述特征学习模块，用于使用长短时记忆网络对卷积神经网络提取的特征进行学习，得到长短时记忆网络的隐藏层状态；

20、所述特征融合模块，用于将长短时记忆网络的隐藏层状态与卷积神经网络提取的特征进行逐层融合，得到融合特征；

21、所述故障诊断结果输出模块，用于使用最终的融合特征训练长短时记忆网络，输出对应数据的故障类别。

22、在一个可选的实施方式中，所述步骤s4，具体包括：

23、所述步骤s4，具体包括：

24、s41、将筛选后的scada数据和预处理后的齿轮箱振动数据输入到故障诊断模型中；

25、s42、对输入的数据进行归一化处理，将数据划分为训练集与测试集；

26、s43、对数据进行特征提取和特征融合；

27、s44、使用融合特征训练故障诊断模型的长短时记忆网络，使其能准确识别故障类型。

28、在一个可选的实施方式中，所述步骤s43中，对数据进行特征提取和特征融合，包括：

29、将三组scada数据和振动数据作为四种类型数据，分别输入到模型的不同网络层中；

30、将第一种数据输入到第一层网络中，通过cnn得到第一种数据的特征一，将特征一输入到lstm1中得到其隐藏层状态；

31、将第二种数据输入到第二层网络中，通过cnn得到特征二，将特征二与lstm1隐藏层状态拼接后，输入到lstm2中得到其隐藏层状态；

32、将第三种数据输入到第三层网络中，通过cnn得到特征三，将特征三与lstm2隐藏层状态拼接后，输入到lstm3中得到其隐藏层状态；

33、将第四种数据输入到第四层网络中，通过cnn得到特征四，将特征四与lstm3隐藏层状态拼接后，输入到lstm4中得到最终的融合特征。

34、在一个可选的实施方式中，剔除无效数据的预设判别标准，包括：功率不大于0、风速不大于0、温度为绝对零度。

35、第二方面，本发明实施例还提供一种风力发电机组齿轮箱轴承故障诊断系统，应用上述的一种风力发电机组齿轮箱轴承故障诊断方法，进行风力发电机组齿轮箱轴承故障诊断，该系统包括：

36、数据获取模块，用于获取风力发电机组scada数据与齿轮箱振动数据，并对数据进行预处理；

37、特征筛选模块，用于通过rfe-cv对预处理后的scada数据进行特征筛选；

38、故障诊断模型构建模块，用于基于模型级融合策略与多层卷积神经网络-长短时记忆网络，构建故障诊断模型；

39、故障诊断模型训练模块，用于将筛选后的scada数据和预处理后的齿轮箱振动数据输入所述故障诊断模型中，完成特征提取和特征融合，使用融合特征训练故障诊断模型；

40、故障诊断模型应用模块，用于利用训练好的故障诊断模型对风力发电机组齿轮箱轴承进行故障诊断。

41、与现有技术相比，本发明至少具有如下有益效果：

42、本发明提供了一种风力发电机组齿轮箱轴承故障诊断方法及系统，使用rfe-cv对scada数据进行特征选择，剔除不重要的参数、保留和目标相关的特征；并基于模型级融合策略与多层卷积神经网络-长短时记忆网络构建故障诊断模型；将筛选降维后scada数据与风力发电机组轴承振动数据输入到故障诊断模型中，进而实现对风力发电机组齿轮箱轴承故障的快速精准诊断。本发明便于有效提升对风力发电机组齿轮箱轴承故障诊断的效率和准确率，有利于及时发现风力发电机组齿轮箱轴承故障，有助于风力发电机组的长期稳定运行。

43、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

44、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。