一种风机齿轮箱温度预测方法、装置、设备和介质与流程

本发明涉及计算机，特别涉及一种风机齿轮箱温度预测方法、装置、设备和介质。

背景技术：

1、目前，随着全球变暖的进一步加剧，风能、太阳能等清洁能源能够显著减少温室气体的排放，减缓全球变暖进程，近年来，我国风力发电产业发展迅速，风机的高故障率成为限制风电产业进一步发展的一大桎梏。其中，在风机故障中，以齿轮箱故障最为常见。风机在运行过程中，风机齿轮箱运行温度是监测风机健康状态的一个重要指标，能够反映风机运行状态。例如，风机齿轮箱在异常温度状态下运行，将导致风机齿轮箱内部润滑油粘度下降，进而加剧风机齿轮箱运行过程中部件之间的磨损，进而继续导致温度的异常上升，最终将造成部件严重的损伤，轻则停机检修，造成发电量损失，严重的可能对企业造成巨大的经济损失甚至危害运维人员生命安全。因此对风机齿轮箱设备进行先验维护与处理，能够及时、高效的检出机械设备中可能存在的故障隐患，防止设备故障加剧。

2、现有技术中，通常通过两种方法进行温度预测，其一是通过数学回归模型，找寻温度变化过程中的数学规律，构建线性回归模型进行温度预测，此种方法具有难度大，较为依赖专家经验等弊端，且在自然界中，温度受多种因素共同影响，因此通过此种方法预测的温度精度较低，难以满足实际工程中的精度需求。其二是基于机器学习的温度预测方法，通过构建的机器学习模型，借助计算机的计算能力提取数据中的信号特征，并进行预测工作，通过机器学习的方法能够避免对专家经验的依赖，且针对温度信号这种非线性信号，基于机器学习的方法能够更好地提取信号特征，在非线性信号的处理上较传统数学方法有着较大的优势，获得的温度预测结果也更为精确。

3、但是，现有基于机器学习的温度预测方法，算法模型通常采用增加模型深度的方式来提取数据的深层特征，而随着模型深度的增加会导致梯度消失或梯度爆炸，从而降低模型的稳定性和温度预测精度。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种风机齿轮箱温度预测方法、装置、设备和介质。

2、本说明书采用下述技术方案：

3、本说明书提供了一种风机齿轮箱温度预测方法，包括：

4、获取风机齿轮箱运行过程中不同时刻的历史温度数据，并将历史温度数据根据预设时刻进行分割，将预设时刻之前的历史温度数据作为样本数据，将预设时刻之后的历史温度数据标注为样本数据对应的未来真实温度；

5、根据深度可分卷积神经网络模型和双向长短期记忆神经网络模型并行组成的残差块形成残差网络；

6、通过深度可分卷积神经网络模型提取样本数据中的时空特征，通过双向长短期记忆神经网络模型提取样本数据中的周期性特征，对时空特征和周期性特征进行一维拼接得到拼接特征，以及将拼接特征输入残差网络的全连接层进行回归分析以确定预测温度；

7、以最小化预测温度和未来真实温度之间的偏差为优化目标，对残差网络进行训练；并通过训练后的残差网络进行实时风机齿轮箱温度预测。

8、可选地，所述方法还包括：

9、将历史温度数据进行升序排列，确定排序后的历史温度数据的上四分位数和下四分位数；

10、根据上四分位数和下四分位数，预测历史温度数据正常数据的正常最大值和正常最小值；

11、去除大于正常最大值或小于正常最小值的历史温度数据。

12、可选地，所述方法还包括：

13、通过下式对历史温度数据进行数据归一化：

14、；

15、其中，为归一化后的历史温度数据，为未归一化的历史温度数据，为历史温度数据中的最小值，为历史温度数据的最大值。

16、可选地，所述将历史温度数据根据预设时刻进行分割，将预设时刻之前的历史温度数据作为样本数据，将预设时刻之后的历史温度数据标注为样本数据对应的未来真实温度，具体包括：

17、将历史温度数据根据预设时刻进行分割，按照预设样本数量，将预设时刻之前的连续多个时刻的历史温度数据划分为样本数据，并将预设时刻之后的下一历史温度数据标注为样本数据对应的未来真实温度；

18、采用滑窗法对样本数据和其对应的未来真实温度的窗口进行滑动，进行多次划分。

19、可选地，所述通过深度可分卷积神经网络模型提取样本数据中的时空特征，具体包括：

20、通过一维的分离卷积层和池化层的交替提取样本数据中的温度分布时空特征；

21、根据下式进行批归一化：

22、；

23、并根据下式通过激活函数进行激活：

24、；

25、其中，和为分离卷积层和池化层提取得到的温度分布时空特征的均值和方差，为无穷小数，为尺度因子，为平移因子，为激活函数。

26、可选地，所述通过双向长短期记忆神经网络模型提取样本数据中的周期性特征，具体包括：

27、通过正向长短期记忆神经网络模型从正向提取样本数据中的正向温度分布周期性特征，以及通过反向长短期记忆神经网络模型从反向提取样本数据中的反向温度分布周期性特征；

28、将正向温度分布周期性特征和反向温度分布周期性特征进行拼接得到温度分布周期性特征。

29、可选地，所述方法还包括：

30、判断训练后的残差网络预测得到的若干预测温度的均值是否大于预设预警温度；

31、若是，则进行警报以提示监控用户对风机进行检测。

32、本说明书提供了一种风机齿轮箱温度预测装置，包括：

33、获取模块，用于获取风机齿轮箱运行过程中不同时刻的历史温度数据，并将历史温度数据根据预设时刻进行分割，将预设时刻之前的历史温度数据作为样本数据，将预设时刻之后的历史温度数据标注为样本数据对应的未来真实温度；

34、构造模块，用于根据深度可分卷积神经网络模型和双向长短期记忆神经网络模型并行组成的残差块形成残差网络；

35、特征提取模块，用于通过深度可分卷积神经网络模型提取样本数据中的时空特征，通过双向长短期记忆神经网络模型提取样本数据中的周期性特征，对时空特征和周期性特征进行一维拼接得到拼接特征，以及将拼接特征输入残差网络的全连接层进行回归分析以确定预测温度；

36、训练模块，用于以最小化预测温度和未来真实温度之间的偏差为优化目标，对残差网络进行训练；并通过训练后的残差网络进行实时风机齿轮箱温度预测。

37、本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述风机齿轮箱温度预测方法。

38、本说明书提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述风机齿轮箱温度预测方法。

39、本说明书采用的上述至少一个技术方案能够达到以下有益效果：

40、先获取风机齿轮箱运行过程中的历史温度数据，并划分样本数据和标签。然后通过由深度可分卷积神经网络模型和双向长短期记忆神经网络模型并行组成的残差块形成残差网络，通过通过深度可分卷积神经网络模型提取样本数据中的时空特征，通过双向长短期记忆神经网络模型提取样本数据中的周期性特征，对时空特征和周期性特征进行一维拼接得到拼接特征，以及将拼接特征输入残差网络的全连接层进行回归分析并确定预测温度，以最小化预测温度和未来真实温度之间的偏差为优化目标，对残差网络进行训练，最后通过训练后的残差网络进行实时风机齿轮箱温度预测。

41、通过由可分卷积神经网络模型和双向长短期记忆神经网络模型并行组成的残差块形成残差网络进行特征提取，可同时得到样本数据中的时空特征和周期性特征，避免了单一模型提取单一特征导致样本数据中的特征丢失。同时通过使用残差结构，使得模型在向更深层次前进的过程中，还有保留特征的能力，从而避免了模型深度增加后出现梯度消失或梯度爆炸的情况，提高了模型的稳定性和温度预测精度。