一种风电机组齿轮箱轴承状态预测方法与流程

本发明属于风力电发电，具体涉及一种风电机组齿轮箱轴承状态预测方法，尤其涉及一种基于降噪自编码与高斯过程回归的风电机组齿轮箱轴承状态预测方法。

背景技术：

1、风力发电利用清洁的可再生能源进行发电，能有效减少常规能源尤其是煤炭资源的消耗，减少污染物排放，保护生态环境。风力发电技术日趋成熟让清洁能源发电日益普及，成为人类日常生活不可或缺的一部分。

2、齿轮箱作为风电机组最重要的子部件之一，由于其内部构造复杂，且故障难以在早期发现，导致齿轮箱故障发生率始终居高不下，齿轮箱故障高频发生导致机组停机损失，运维成本也相应增加。分析齿轮箱内部构造发现，齿轮箱的高速轴长时间在高温环境下始终保持高速运转状态，使其因轴温过高导致高故障率的问题。通过对齿轮箱轴承状态的监测来提前识别齿轮箱的故障能够实现齿轮箱故障提前预警，是一种广泛应用于齿轮箱轴承状态监测的技术手段。

3、目前基于风电机组监控与数据采集(scada)系统记录的风电机组运行参数来分析齿轮箱轴承状态的方法是一种广泛应用于齿轮箱轴承状态监测的技术手段。然而，基于scada数据分析的建模方法仍存在模型精度低，无法实现齿轮箱轴承状态实时监测等问题。因此，利用scada系统采集数据建立齿轮箱轴承状态监测的模型并提高模型精度对实现齿轮箱故障预警，在造成更严重的停机事故和经济损失之前为故障抢修提供可能，对风力发电技术发展具有较大的工程实际应用价值。

技术实现思路

1、本发明针对现有风电机组齿轮箱轴承状态监测模型精度低、实时监测效果不佳，导致故障预警不准确、不及时，造成风电机组停机损失和运维成本上升等问题，提供一种风电机组齿轮箱轴承状态预测方法，尤其涉及一种基于降噪自编码与高斯过程回归的风电机组齿轮箱轴承状态预测方法。

2、具体技术方案是：一种风电机组齿轮箱轴承状态预测方法，包括如下步骤：

3、s1：互信息筛选建模变量：基于风电机组监控与scada数据采集系统采集的机组运行数据，利用互信息法初选与齿轮箱高速轴轴承温度相关性强的变量，根据互信息值选择与高速轴轴承温度中等相关和强相关的变量，作为后续建模输入变量；

4、s2：堆栈降噪自编码网络实现变量降维：堆栈降噪自编码网络由两个或多个降噪自编码网络搭建形成，通过降噪自编码网络训练，对建模输入变量进行加噪处理，并在训练过程中去除噪声干扰和冗余变量，重构输入信息，在保留重要特征的同时去除冗余变量，从而降低输入变量的维数；

5、s3：高斯过程回归建模：用高斯过程回归对经过堆栈降噪自编码网络处理后的变量进行建模，建立高速轴轴承状态预测模型；

6、s4：预测残差趋势监测及故障预警：在堆栈降噪自编码-高斯过程回归模型输出轴承温度的预测值之后，利用序贯概率比检验方法监测高速轴轴承温度的预测残差变化趋势，快速识别轴承温度异常，并发出报警信号。

7、进一步，步骤s1中所述互信息法计算变量与齿轮箱高速轴轴承温度之间互信息值的公式如下：

8、

9、式中，p(ξ，η)表示非独立随机变量x和y的联合概率分布函数，p(ξ)和p(η)分别为非独立随机变量x和y的边缘概率分布函数。

10、进一步，互信息值在[1/3，2/3)区间时，认为变量与高速轴轴承温度中等相关，互信息值在[2/3，1]区间时，认为变量与高速轴轴承温度强相关，故选择互信息值大于等于1/3的变量作为建模输入变量。

11、进一步，与高速轴轴承温度中等相关和强相关的变量包括风速、功率、发电机转速、转子转速、发电机相电流、齿轮箱油温、齿轮箱低速轴轴温7个变量。

12、进一步，步骤s2中堆栈降噪自编码网络为两个降噪自编码网络搭建形成时，将两个降噪自编码网络进行单独训练，同时将第一个降噪自编码网络的隐藏层编码向量作为第二个降噪自编码网络的输入变量，以此对输入向量进行降维处理。

13、进一步，堆栈降噪自编码网络的参数{w，b}初始化为服从高斯分布的随机较小值，网络初始学习率为0.1，更新速率为0.001，加噪比为0.1，计算得出第一层降噪自编码网络隐含层维数为4、第二层降噪自编码网络隐含层维数为3时，堆栈降噪自编码网络能获得最小的重构误差，即能在最大程度保留模型的大部分输入信息的同时有效降维。

14、进一步，步骤s3中所述高斯过程回归建模的具体方法如下：

15、(1)选取齿轮箱正常运行状态下的scada数据，抽取步骤s1筛选出的建模变量组成样本数据；

16、(2)按照建模变量的上下限分别对样本数据的各个变量进行归一化处理后得到模型训练样本；

17、(3)将训练样本作为堆栈降噪自编码-高斯过程回归模型输入变量训练模型，得到模型超参数，基于堆栈降噪自编码-高斯过程回归的齿轮箱轴承状态预测模型建立完毕；

18、(4)再次输入验证数据，则训练好的模型会产生对应的轴承温度的预测值。

19、进一步，步骤s4中所述序贯概率比检验方法用于监测高速轴轴承温度的预测残差变化趋势，该方法提出两种假设：

20、(1)假设h0，当机组高速轴轴承状态正常时，模型的预测残差均值为μ0，方差为

21、(2)假设h1，当机组高速轴轴承状态异常时，轴承的温度特性与输入变量正常时段的关系发生变化，该模型的预测残差均值为μ1，方差为

22、在h0和h1分别成立的条件下对于顺序n个样本的预测残差的随机序列联合概率密度分别为：

23、

24、

25、序贯概率比即似然比为

26、

27、通过比较rm与报警下限值a和报警上限值b来选择是否接受h0或是否接受h1，a和b均与检测误报警率α和漏报警率β相关，具体关系如下式：

28、

29、具体的决策规则如下：

30、①如果则接受假设h0为真，即为接受风电机组齿轮箱高速轴轴承状态正常的判断；

31、②如果则接受假设h1为真，即为接受风电机组齿轮箱高速轴轴承状态异常的判断，此时系统发出报警信号；

32、③如果a＜rm＜b，无法得出结论，继续采样观察，直至得到结论(1)或结论(2)。

33、本发明的有益效果：本发明以风电机监控与数据采集系统采集的机组运行数据作为基础数据，经过互信息法筛选出与齿轮箱轴承状态相关性强的变量作为堆栈降噪自编码网络结构的输入变量，并对其进行降维处理，再通过高斯过程回归对经过堆栈降噪自编码网络处理后的变量进行建模，建立齿轮箱轴承状态预测模型，然后利用序贯概率比检验方法监测高速轴轴承温度的预测残差变化趋势，从而快速识别齿轮箱高速轴轴承温度的异常并发出报警信号。该模型能够对建模变量进行有效的降维处理，显著提高模型预测精度，从而实现齿轮箱异常状态的早期预警，对避免风电机组齿轮箱轴承故障引起的风电机组停机造成经济损失具有重要意义。

技术特征：

1.一种风电机组齿轮箱轴承状态预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种风电机组齿轮箱轴承状态预测方法，其特征在于，步骤s1中所述互信息法计算变量与齿轮箱高速轴轴承温度之间互信息值的公式如下：

3.根据权利要求2所述的一种风电机组齿轮箱轴承状态预测方法，其特征在于，互信息值在[1/3，2/3)区间时，认为变量与高速轴轴承温度中等相关，互信息值在[2/3，1]区间时，认为变量与高速轴轴承温度强相关，故选择互信息值大于等于1/3的变量作为建模输入变量。

4.根据权利要求3所述的一种风电机组齿轮箱轴承状态预测方法，其特征在于，与高速轴轴承温度中等相关和强相关的变量包括风速、功率、发电机转速、转子转速、发电机相电流、齿轮箱油温、齿轮箱低速轴轴温7个变量。

5.根据权利要求1所述的一种风电机组齿轮箱轴承状态预测方法，其特征在于，步骤s2中堆栈降噪自编码网络为两个降噪自编码网络搭建形成时，将两个降噪自编码网络进行单独训练，同时将第一个降噪自编码网络的隐藏层编码向量作为第二个降噪自编码网络的输入变量，以此对输入向量进行降维处理。

6.根据权利要求5所述的一种风电机组齿轮箱轴承状态预测方法，其特征在于，堆栈降噪自编码网络的参数{w，b}初始化为服从高斯分布的随机较小值，网络初始学习率为0.1，更新速率为0.001，加噪比为0.1，计算得出第一层降噪自编码网络隐含层维数为4、第二层降噪自编码网络隐含层维数为3时，堆栈降噪自编码网络能获得最小的重构误差，即能在最大程度保留模型的大部分输入信息的同时有效降维。

7.根据权利要求1所述的一种风电机组齿轮箱轴承状态预测方法，其特征在于，步骤s3中所述高斯过程回归建模的具体方法如下：

8.根据权利要求1所述的一种风电机组齿轮箱轴承状态预测方法，其特征在于，步骤s4中所述序贯概率比检验方法用于监测高速轴轴承温度的预测残差变化趋势，该方法提出两种假设：

技术总结
本发明涉及一种风电机组齿轮箱轴承状态预测方法，本发明以风电机监控与数据采集系统采集的机组运行数据作为基础数据，经过互信息法筛选出与齿轮箱轴承状态相关性强的变量作为堆栈降噪自编码网络结构的输入变量，并对其进行降维处理，再通过高斯过程回归对经过堆栈降噪自编码网络处理后的变量进行建模，建立齿轮箱轴承状态预测模型，然后利用序贯概率比检验方法监测高速轴轴承温度的预测残差变化趋势，从而快速识别齿轮箱高速轴轴承温度的异常并发出报警信号。该模型能够对建模变量进行有效的降维处理，显著提高模型预测精度，从而实现齿轮箱异常状态的早期预警，对避免风电机组齿轮箱轴承故障引起的风电机组停机造成经济损失具有重要意义。

技术研发人员：彭会荣,范守元,朱向东,付剑波,李七九,宁德正,张怀孔,马东平,白宝华,潘基书,王斯伟,周丰,姚凯旋,仝旭波,施宏,宁海涛,尹鸿儒,文兴宇,杨祖照,黄劲明,谢松,周倩,陈冬梅,柘淳天,李运龙
受保护的技术使用者：中国能源建设集团云南省电力设计院有限公司
技术研发日：
技术公布日：2024/2/8