[發明專利]風力發電機軸承剩余使用壽命預測模型的構建方法

有效

• 申請號: 202010416839.9
• 申請日: 2020-05-18
• 公開（公告）號: CN111581888B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 李驍猛;王昭;李娜;賀志學;段志強
• 申請（專利權）人: 中車永濟電機有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/00;G06N3/04;G01M13/045;G06F119/02
• 代理公司: 太原科衛專利事務所(普通合伙) 14100
• 代理人: 朱源

本發明涉及風力發電機軸承剩余使用壽命預測模型的構建方法，具體為基于長短時記憶網絡的風力發電機軸承剩余使用壽命預測模型的構建方法。本發明的目的在于利用深度學習中的長短期記憶網絡，給出基于長短期記憶網絡的風力發電機軸承剩余使用壽命預測模型的構建方法，進而實現風力發電機軸承剩余使用壽命的預測。本發明提出的方法可以大大提高剩余使用壽命預測的準確性，易于實現現有各型號的風力發電機軸承的剩余使用壽命預測。本發明所述方法由如下步驟實現：步驟1、采集軸承振動數據；步驟2、數據預處理；步驟3、構建長短期記憶網絡并配置網絡參數、指定訓練選項；步驟4、訓練網絡；步驟5、預測模型的驗證。

技術領域

本發明涉及風力發電機軸承剩余使用壽命預測模型的構建方法，具體為基于長短時記憶網絡的風力發電機軸承剩余使用壽命預測模型的構建方法。

背景技術

風能是一種具有巨大潛力的可再生能源，得到了世界各國的廣泛關注。風力發電有助于解決經濟社會發展與環境污染之間的矛盾，因此在調整能源結構方面起到重要的作用。風力發電系統一般主要包括風力發電機、齒輪箱、葉片、功率變換器等部件，其中風力發電機是風力發電系統的核心部件，實現機械能到電能的轉換。風力發電機大多安裝在海上、高原、山區等偏遠、惡劣環境中，運行工況極端苛刻，造成風力發電機零部件的性能容易退化。目前，隨著風力發電的裝機容量不斷增加，風力發電機軸承故障導致的損失也日益增加。確保風電機組穩定、安全、可靠的運行成為風力發電行業面臨的首要問題。

剩余使用壽命預測，也稱為剩余服役壽命預測，是指設備在規定的運行工況下，能夠保證機器安全、可靠運行的時間。 及時了解設備的剩余使用壽命，是減少生產損失的重要方法，可以節省全壽命周期的維護成本。由于風力發電機軸承是風力發電機組的主要故障源之一，因此，對風力發電機軸承的剩余使用壽命進行預測，將保證機組安全可靠的運行、降低嚴重事故導致的停機，從而提高機組運行的經濟性。隨著全球風力發電產業的快速發展，風力發電機組的故障診斷和剩余使用壽命預測技術將越來越重要。

人工智能（Artificial Intelligence，AI）是指以機器為載體，模擬、延伸和擴展人類或其他生物的智能，使機器能勝任通常需要人類智能才能完成的復雜工作。人工智能具有多學科綜合、高度復雜的特征以及滲透力和支撐力強等特點。當前人工智能迎來以深度學習技術為代表的第三次發展浪潮，正在引領新一輪科學技術革命和產業變革。人工智能以及相關技術的發展和產業應用對于全球人類的生活、經濟和政治正在產生重大而深遠的影響。

機器學習是人工智能研究的核心問題之一，是當前人工智能理論研究和實際應用最重要的領域。機器學習研究機器如何模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構并不斷改進自身的性能。深度學習是機器學習的一個重要類型，深度學習模型直接從圖像、文本或聲音中自動學習有效的特征表示來執行分類或者回歸任務。深度學習是通過多層的特征轉換，把原始數據變成為更高層次、更抽象的表示。通常使用各種神經網絡架構實現深度學習，網絡中的層數越多，網絡越深。傳統的神經網絡只包含 2 層或 3 層，而深度網絡可能有幾百層。隨著模型深度的不斷增加，其特征表示的能力也越來越強，從而使后續的預測更加容易。應用于機器健康監測領域的深度學習架構主要包括自動編碼器（Auto-encoder，AE）、深度信念網絡（Deep Belief Network，DBN）、卷積神經網絡（Convolutional Neural Network，CNN）、遞歸神經網絡（Recurrent NeuralNetwork，RNN），以及以上四種深層體系結構的變體。

長短期記憶網絡（Long Short Term Memory Network，LSTM）是一種特殊的 RNN類型，可以學習長期依賴信息。LSTM擅長于處理振動、聲音等序列數據，可以有效應用于風力發電機軸承的剩余使用壽命預測。