风机齿轮箱散热故障的早期诊断模型构建方法及诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110940514A(43)申请公布日2020.03.31(21)申请号201811103784.5(22)申请日2018.09.20(71)申请人中车株洲电力机车研究所有限公司地址412001湖南省株洲市石峰区时代路田心工业园(72)发明人陈刚陈亚楠闫慧丽胡凯凯(74)专利代理机构湖南兆弘专利事务所(普通合伙)43008代理人周长清蒋维特(51)Int.Cl.G01M13/021(2019.01)权利要求书2页说明书6页附图4页(54)发明名称风机齿轮箱散热故障的早期诊断模型构建方法及诊断方法(57)摘要本发明公开了一种风机齿轮箱散热故障的早期诊断模型构建方法及诊断方法，诊断模型构建方法包括如下步骤：S1.获取风电机组与散热故障相关的有效历史数据；S2.将所述有效历史数据按照预设的第一时间周期进行分组，并按照所述分组分别计算每组有效历史数据的敏感特征值，并标记敏感特征值的故障状态，所述故障状态包括故障和非故障；S3.构建诊断模型，并按照所述分组的敏感特征值及其故障状态构建训练集，通过所述训练集对所述诊断模型进行训练，得到诊断模型。具有不需要额外加装设备，成本低，并充分考虑了风机有功功率对油温的影响，能够及时、准确的诊断出故障的早期特征等优点。CN110940514ACN110940514A权利要求书1/2页1.一种风机齿轮箱散热故障的早期诊断模型构建方法，其特征在于：包括如下步骤：S1.获取风电机组与散热故障相关的有效历史数据；S2.将所述有效历史数据按照预设的第一时间周期进行分组，并按照所述分组分别计算每组有效历史数据的敏感特征值，并标记敏感特征值的故障状态，所述故障状态包括故障和非故障；S3.构建诊断模型，并按照所述分组的敏感特征值及其故障状态构建训练集，通过所述训练集对所述诊断模型进行训练，得到诊断模型。2.根据权利要求1所述的风机齿轮箱散热故障的早期诊断模型构建方法，其特征在于：所述有效历史数据中的每条数据包括多个数据项，所述数据项包括风电机组的齿轮箱进口油温、齿轮箱油池温度、风电机组有功功率；所述有效历史数据是根据预设的第一筛选规则从历史数据中去除无效数据后得到的数据。3.根据权利要求2所述的风机齿轮箱散热故障的早期诊断模型构建方法，其特征在于：所述预设的第一筛选规则包括：当所述齿轮箱油池温度低于温控阀开启温度，则该条数据为无效数据；当所述风电机组有功功率为0或大于额定功率值，则该条数据为无效数据；当所述齿轮箱油池温度、和/或所述齿轮箱进口油温、和/或所述风电机组有功功率缺失，则该条数据为无效数据。4.根据权利要求3所述的风机齿轮箱散热故障的早期诊断模型构建方法，其特征在于：所述敏感特征值包括皮尔逊相关系数和油池温度水平；所述油池温度水平通过如下方式确定：对所述风电机组有功功率按照预设的宽度进行分箱处理，分别计算各分箱内齿轮箱油池温度的平均值，对所述平均值进行拟合，得到功率-温度曲线，计算所述功率-温度曲线与功率轴所围面积值得到油池温度水平。5.根据权利要求4所述的风机齿轮箱散热故障的早期诊断模型构建方法，其特征在于：所述诊断模型为基于逻辑回归分类算法的诊断模型；所述诊断模型的预测函数为如式(1)所示的Sigmoid函数：式(1)中，h(x)为预测函数计算得到的预测值，x＝(a；b)，x为样本特征，a为皮尔逊相关系数，b为油池温度水平，θ为模型参数，T为转置运算；所述诊断模型的代价函数如式(2)所示：式(2)中，l(θ)为代价函数的计算值，xi＝(ai；bi)，xi为样本特征，ai为皮尔逊相关系数，bi为油池温度水平，yi为由所述故障状态确定的样本标签，θ为模型参数，m为样本特征数。6.根据权利要求5所述的风机齿轮箱散热故障的早期诊断模型构建方法，其特征在于：在所述步骤S3中还包括通过ROC曲线来优化所述诊断模型的分类阈值，具体包括：按照预先确定的步长，设置从0至1的多个分类阈值，并以按照所述分组的敏感特征值及其故障状态2CN110940514A权利要求书2/2页构建验证集，以所述诊断模型对所述验证集中的数据进行分类，得到相应的ROC曲线，以所述ROC曲线中最靠近(0，1)点所对应的阈值为最优分类阈值，以所述最优分类阈值来优化所述诊断模型。7.根据权利要求6所述的风机齿轮箱散热故障的早期诊断模型构建方法，其特征在于：所述验证集和所述训练集之间没有交集。8.根据权利要求7所述的风机齿轮箱散热故障的早期诊断模型构建方法，其特征在于：所述预设的第一时间周期为一周。9.一种风机齿轮箱散热故障的早期诊断方法，其特征在于：SA.获取风电机组在一个预设的第二时间周期内的运行数据，并按照预设的第二筛选规则去除其中的无效数据，得到有效运行数据；SB.计算所