基于机器学习的风电齿轮箱轴承健康状态评估方法与系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115935805A(43)申请公布日2023.04.07(21)申请号202211480422.4G06F113/06(2020.01)(22)申请日2022.11.24(71)申请人明阳智慧能源集团股份公司地址528437广东省中山市火炬开发区火炬路22号(72)发明人李秀昊刘怀西张敏吴迪苗得胜(74)专利代理机构广州市华学知识产权代理有限公司44245专利代理师冯炳辉(51)Int.Cl.G06F30/27(2020.01)G06N20/10(2019.01)G06F119/02(2020.01)G06F119/04(2020.01)权利要求书2页说明书5页附图1页(54)发明名称基于机器学习的风电齿轮箱轴承健康状态评估方法与系统(57)摘要本发明公开了一种基于机器学习的风电齿轮箱轴承健康状态评估方法与系统，包括：S1、获取风电场内每个机组在不同运行状况下的数据；S2、对数据进行预处理；S3、基于机器学习的随机森林模型构建参数模型；采用两层级联结构的长短期记忆网络挖掘齿轮箱轴承健康数据的深层特征，训练得到健康模型；S4、将机组运行的实时数据输入参数模型提取特征参数数据，再对特征参数数据预处理操作，利用健康模型对特征参数数据进行预测，得到预测的健康数据，再与实时数据对比得到预测偏差，构建健康状态评估模型，对实时数据的健康状态进行评价。本发明能够保证机组在不同运行条件下评价结果的准确性、可靠性和稳定性，实现风电齿轮箱轴承状态的实时动态监测。CN115935805ACN115935805A权利要求书1/2页1.基于机器学习的风电齿轮箱轴承健康状态评估方法，其特征在于，包括以下步骤：S1、获取风电场内每个机组在不同运行状况下的数据；S2、对步骤S1获取的数据进行预处理，得到历史健康数据；S3、利用机组处理后的历史健康数据，基于机器学习的随机森林模型构建参数模型；利用参数模型提取机组处理后的历史健康数据中的特征参数，采用两层级联结构的长短期记忆网络挖掘齿轮箱轴承健康数据的深层特征，训练得到健康模型；S4、将机组运行的实时数据输入到参数模型提取特征参数数据，再对特征参数数据进行步骤S2的预处理操作，利用训练好的健康模型对处理后的特征参数数据进行预测，得到预测的健康数据，再与实时数据进行对比得到预测偏差，构建健康状态评估模型，对实时数据的健康状态进行评价。2.根据权利要求1所述的基于机器学习的风电齿轮箱轴承健康状态评估方法，其特征在于，在步骤S1中，利用风电场数据采集与监视控制系统SCADA获取风电场内每个机组在不同运行状况下的数据，包括台风、高温、暴雨、暴雪的复杂环境。3.根据权利要求1所述的基于机器学习的风电齿轮箱轴承健康状态评估方法，其特征在于，在步骤S2中，对步骤S1获取的数据进行预处理，包括：对机组运行数据进行清洗，删除非正常发电数据和错误数据；其中，非正常发电数据包括待机、启动、升速和限功率的运行状态数据，错误数据包括风速、转速和功率小于0的数据；对清洗后的数据进行变换和插补操作；其中，数据变换是将原始的秒级数据转化为分钟级的时间序列，包括1分钟、10分钟和15分钟数据；数据插补是对变换后的数据采用线性插值法对缺失的数据进行插补；对插补后的数据进行归一化操作，将数据映射到[0,1]区间内，公式为：式中，x'为归一化的数据，xmin为序列的最小值，xmax为序列的最大值。4.根据权利要求1所述的基于机器学习的风电齿轮箱轴承健康状态评估方法，其特征在于，在步骤S3中，对于参数模型，执行以下操作：对参数模型进行训练得到各个特征参数的权值系数，并根据权值系数从大到小排序，选择累计权重贡献率达99％以上的特征参数，剔除不相关或冗余参数，从海量的风电场数据采集与监视控制系统SCADA标签中筛选出能够有效表征齿轮箱轴承健康状态的特征参数，以减少特征参数的个数，提高结果的准确性和运行效率。5.根据权利要求1所述的基于机器学习的风电齿轮箱轴承健康状态评估方法，其特征在于，在步骤S3中，所述两层级联结构的长短期记忆网络具体为：在两层级联结构的长短期记忆网络中，每层的神经元个数为100，学习率为0.01，优化器为Adam，迭代次数为10，激活函数为ReLU。6.根据权利要求1所述的基于机器学习的风电齿轮箱轴承健康状态评估方法，其特征在于，在步骤S3中，所述健康模型具有更高的复杂结构表达能力，能够从不同运行条件下的历史健康数据中自动学习健康特征，从而排除了依赖于运维经验和专家知识所带来主观差2CN115935805A权利要求书2/2页异的影响，有效适用于机组不同的运行条件和不同的部件。7.根据权利要求1所述的基于机器学习的风电齿轮箱轴承健康状态评估方法，其特征在于，在步骤S4中，所述