风电机组齿轮箱性能退化评估方法及系统与流程

本申请涉及风电机组齿轮箱性能退化预测领域，尤指一种风电机组齿轮箱性能退化评估方法及系统。

背景技术：

1、随着先进传感监测技术与物联网技术的快速发展，实时获取随机退化设备的多源传感监测数据已成为现实，如何有效融合多源传感监测数据以实现随机退化设备剩余寿命的精准预测成为剩余寿命预测领域的研究前沿。齿轮箱是风力发电机传动链中的关键传动部件，因为它们承受着高度波动和恶劣的工作条件。因此，对风电机组齿轮箱的退化状态有足够的了解不仅可以减少停机时间，而且可以提供经济有效的操作。

2、振动信号一般被用于监测风电机组齿轮箱健康状态，然而采集到的振动信号都带有噪声，难以提取有效的特征用于性能退化分析。由于风电机组齿轮箱承受着高度波动和恶劣的工作环境，因此产生的振动信号本质上是来自多个盲源的非线性和非平稳的混合信号，其中齿轮、轴承和轴产生的信号是纯加性的。

3、由于复杂的信号传输路径引起的衰减和干扰，使用单一传感器难以获取有效的故障信息。因此，将多个传感器数据融合以便获得可靠的齿轮箱健康信息。剩余寿命预测(rul)的许多算法容易陷入局部极小值，在许多应用中由于不适当的学习步骤而非常耗时，但其中极限学习机(elm)不需要对网络参数进行迭代微调。然而，elm的主要缺点是连接权值、隐含层阈值的随机性，使得回归模型容易出现泛化性能低、稳定性不理想等问题。

技术实现思路

1、本申请目的在于提供一种风电机组齿轮箱性能退化评估方法及系统，予以解决风电机组齿轮箱性能退化过程中多个传感器多源异构数据降噪和融合问题以及预测精度低的问题。

2、为达上述目的，本申请所提供的风电机组齿轮箱性能退化评估方法，具体包含：获取风电机组齿轮箱全寿命的振动数据，通过完全自适应噪声集合经验模态分解对所述振动数据获得特征信号数据；通过核主成分分析方法融合所述特征信号数据提取健康指标数据；根据所述健康指标数据训练果蝇算法优化极限学习机模型构建的预测模型获得健康预测模型；通过所述健康预测模型分析待测风电机组齿轮箱获得退化评估结果。

3、在上述风电机组齿轮箱性能退化评估方法中，可选的，通过完全自适应噪声集合经验模态分解对所述振动数据获得特征信号数据包含：通过集合经验模态分解将所述振动数据分解为多个本征模态函数；将所述本征模态函数映射为高维特征，根据所述高维特征的协方差矩阵获得载荷矩阵，通过载荷矩阵计算获得霍特林统计量；根据所述霍特林统计量通过所述退化信息占比筛选一个或多个所述本征模态函数生成特征信号数据。

4、在上述风电机组齿轮箱性能退化评估方法中，可选的，通过集合经验模态分解将所述振动数据分解为多个本征模态函数包含：通过在所述振动数据中加入高斯白噪声获得预处理信号，对所述预处理信号进行集合经验模态分解获得模态函数分量；当所述模态函数分量的残差信号为常数或单调函数时，根据所述模态函数分量和所述残差信号获得本征模态函数。

5、在上述风电机组齿轮箱性能退化评估方法中，可选的，根据所述霍特林统计量通过所述退化信息占比筛选一个或多个所述本征模态函数生成特征信号数据包含：将所述霍特林统计量与预设阈值比较获得差异数据，根据所述差异数据获得所述本征模态函数的退化信息占比；根据所述退化信息占比筛选一个或多个所述本征模态函数生成特征信号数据。

6、在上述风电机组齿轮箱性能退化评估方法中，可选的，通过核主成分分析方法融合所述特征信号数据提取健康指标数据包含：将所述特征信号数据划分为预设段数的重构信号，根据所述重构信号构建重构矩阵；根据所述重构矩阵通过特征降维获得降维矩阵，通过核主成分分析方法计算降维矩阵获得霍特林统计量；根据所述霍特林统计量获得健康指标数据。

7、在上述风电机组齿轮箱性能退化评估方法中，可选的，通过所述健康预测模型分析待测风电机组齿轮箱获得退化评估结果包含：获取待测风电机组齿轮箱的多传感器提供的待测振动信号；通过完全自适应噪声集合经验模态分解和核主成分分析方法提取所述待测振动信号的待测健康指标数据；根据所述待测健康指标数据和所述健康预测模型分析获得待测风电机组齿轮箱的退化评估结果。

8、在上述风电机组齿轮箱性能退化评估方法中，可选的，通过所述健康预测模型分析待测风电机组齿轮箱获得退化评估结果还包含：通过预设测试数据集对所述健康预测模型进行准确率测试获得测试结果；根据所述测试结果调整所述健康预测模型。

9、本申请还提供一种风电机组齿轮箱性能退化评估系统，所述系统包含故障信息提取模块、健康指标提取模块、模型训练模块和退化分析模块；所述故障信息提取模块用于获取风电机组齿轮箱全寿命的振动数据，通过完全自适应噪声集合经验模态分解对所述振动数据获得特征信号数据；所述健康指标提取模块用于通过核主成分分析方法融合所述特征信号数据提取健康指标数据；所述模型训练模块用于根据所述健康指标数据训练果蝇算法优化极限学习机模型构建的预测模型获得健康预测模型；所述退化分析模块用于通过所述健康预测模型分析待测风电机组齿轮箱获得退化评估结果。

10、本申请还提供一种电子设备，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计算机程序时实现上述方法。

11、本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。

12、本申请还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述方法的步骤。

13、本申请的有益技术效果在于：(1)在信号去噪和特征提取方面，利用了核主成分分析(kpca)多变量监测方法提取有用信息的优点和自适应噪声的完备集合经验模态分解(ceemdan)方法处理多尺度信号的优点，即使在非线性和非平稳条件下，特征向量也保持了较高的重合度，能够更好的处理齿轮箱振动信号的高度非线性、非平稳信号。(2)综合考虑运行时间和分类精度，果蝇算法优化极限学习机模型(foa–elm)方法耗时更少，精度更高，对于剩余寿命预测(rul)的预测更加精准。(3)利用了多个传感器的多源异构数据进行数据融合与降维，能够获取更为全面的风电机组齿轮箱的数据信息，构建的评估模型更为准确。

技术特征：

1.一种风电机组齿轮箱性能退化评估方法，其特征在于，所述方法包含：

2.根据权利要求1所述的风电机组齿轮箱性能退化评估方法，其特征在于，通过完全自适应噪声集合经验模态分解对所述振动数据获得特征信号数据包含：

3.根据权利要求2所述的风电机组齿轮箱性能退化评估方法，其特征在于，通过集合经验模态分解将所述振动数据分解为多个本征模态函数包含：

4.根据权利要求2所述的风电机组齿轮箱性能退化评估方法，其特征在于，根据所述霍特林统计量通过退化信息占比筛选一个或多个所述本征模态函数生成特征信号数据包含：

5.根据权利要求1所述的风电机组齿轮箱性能退化评估方法，其特征在于，通过核主成分分析方法融合所述特征信号数据提取健康指标数据包含：

6.根据权利要求1所述的风电机组齿轮箱性能退化评估方法，其特征在于，通过所述健康预测模型分析待测风电机组齿轮箱获得退化评估结果包含：

7.根据权利要求1所述的风电机组齿轮箱性能退化评估方法，其特征在于，通过所述健康预测模型分析待测风电机组齿轮箱获得退化评估结果还包含：

8.一种风电机组齿轮箱性能退化评估系统，其特征在于，所述系统包含故障信息提取模块、健康指标提取模块、模型训练模块和退化分析模块；

9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读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权利要求1至7任一所述的方法。

11.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至7任一所述方法的步骤。

技术总结本申请提供了一种风电机组齿轮箱性能退化评估方法及系统，所述方法包含：获取风电机组齿轮箱全寿命的振动数据，通过完全自适应噪声集合经验模态分解对所述振动数据获得特征信号数据；通过核主成分分析方法融合所述特征信号数据提取健康指标数据；根据所述健康指标数据训练果蝇算法优化极限学习机模型构建的预测模型获得健康预测模型；通过所述健康预测模型分析待测风电机组齿轮箱获得退化评估结果。技术研发人员：张扬帆,杨伟新,赵洪山,吴林林,刘辉,徐海翔,王耀函,丁然,田云峰,林诗雨,梁恺,刘欣雨受保护的技术使用者：国网冀北电力有限公司电力科学研究院技术研发日：技术公布日：2024/10/17