风机齿轮箱的故障检测方法、装置、电子设备及存储介质与流程

本发明涉及风机检测，具体涉及风机齿轮箱的故障检测方法、装置、电子设备及存储介质。

背景技术：

1、齿轮箱是风电机组传动链的重要组成部分，其齿轮的健康状况直接影响风电机组的发电效率和生产安全。在现代大型风电机组的运行过程中，通过scada(supervisorycontrol and data acquisition，数据采集与监视控制)系统在线采集齿轮箱的运行状态数据，在齿轮箱的运行状态数据中隐含着齿轮箱的工况信息和故障信息。而目前根据scada数据检测齿轮箱是否故障的方式，其检测准确度较低。

技术实现思路

1、有鉴于此，本发明提供了一种风机齿轮箱的故障检测方法、装置、电子设备及存储介质，以解决齿轮箱故障检测准确度低的问题。

2、第一方面，本发明提供了一种风机齿轮箱的故障检测方法，包括：

3、获取齿轮箱的数据样本，对所述数据样本进行预处理；所述数据样本包括测试集数据和训练集数据；

4、将预处理后的训练集数据输入至自编码模型中进行模型训练，计算所述训练集数据的异常评分；

5、基于所述训练集数据的异常评分，使用指数加权移动平均控制图平滑所述异常评分，确定所述齿轮箱的故障阈值；

6、将预处理后的所述测试集数据输入至训练后的所述自编码模型中，得到所述测试集数据的异常评分；

7、基于所述测试集数据的异常评分和所述齿轮箱的故障阈值，判断所述齿轮箱是否故障。

8、有益效果：通过获取齿轮箱的测试集数据和训练集数据，并对测试集数据和训练集数据进行预处理，从而加快优化过程，可以在训练模型时提高模型的精度。将经过预处理后的训练集数据输入至自编码模型中，通过训练集数据对自编码模型进行训练，进一步可以通过训练后的模型计算训练集数据的异常评分；再根据训练集数据的异常评分，使用指数加权移动平均控制图平滑异常评分，从确定齿轮箱的故障阈值；通过对正常的训练集数据的学习和分析，建立起判断异常的标准；将预处理后的测试集数据输入至训练后的自编码模型中，可以得到有关测试集数据的异常评分，通过将测试集数据的异常评分与齿轮箱的故障阈值进行对比，当测试集数据的异常评分不在齿轮箱的故障阈值范围内时，则可以快速且准确的判断齿轮箱出现故障，以及时提醒工作人员对齿轮箱进行维修，避免因齿轮箱损坏造成风机停机。

9、在一种可选的实施方式中，所述获取齿轮箱的数据样本，对所述数据样本进行预处理，包括：

10、基于数据采集与监视控制系统获取所述齿轮箱的数据样本；

11、采用四分法对数据采集与监视控制数据样本进行筛选，去除所述数据采集与监视控制数据样本中的异常值；

12、对去除异常值后的所述数据采集与监视控制数据样本进行归一化。

13、在一种可选的实施方式中，所述将预处理后的训练集数据输入至自编码模型中进行模型训练，包括：

14、基于所述自编码模型的输入层对预处理后的训练集数据进行编码；

15、将编码后的训练集数据输入至所述自编码模型的隐含层；

16、在所述隐含层中对预处理后的训练集数据进行解码重构；

17、基于所述自编码模型的输出层输出重构后的训练集数据。

18、在一种可选的实施方式中，所述计算所述训练集数据的异常评分的表达式为：

19、

20、其中，scorei为风机失效程度的异常评分；xi，k为输入的训练集数据，为重构输出的训练集数据。

21、在一种可选的实施方式中，所述基于所述训练集数据的异常评分，使用指数加权移动平均控制图平滑所述异常评分，确定所述齿轮箱的故障阈值的表达式为：

22、

23、其中，ucl(t)为阈值上限；lcl(t)为阈值下限；μ为训练集数据得分的均值；和ε为训练集数据得分的标准差；k为常数；λ为历史得分的权重；t为时间指数。

24、在一种可选的实施方式中，所述将预处理后的所述测试集数据输入至训练后的所述自编码模型中，得到所述测试集数据的异常评分的表达式为：

25、set＝λ·scoret+(1-λ)·set-1

26、其中，t为时间指数；λ为历史得分的权重；set为第t时刻测试集数据的异常评分；scoret为测试集数据的当前得分；set-1为历史测试集数据的异常评分。

27、第二方面，本发明还提供了一种风机齿轮箱的故障检测装置，包括：

28、预处理模块，用于获取齿轮箱的数据样本，对所述数据样本进行预处理；所述数据样本包括测试集数据和训练集数据；

29、第一计算模块，用于将预处理后的训练集数据输入至自编码模型中进行模型训练，计算所述训练集数据的异常评分；

30、第二计算模块，用于基于所述训练集数据的异常评分，使用指数加权移动平均控制图平滑所述异常评分，确定所述齿轮箱的故障阈值；

31、第三计算模块，用于将预处理后的所述测试集数据输入至训练后的所述自编码模型中，得到所述测试集数据的异常评分；

32、判断模块，用于基于所述测试集数据的异常评分和所述齿轮箱的故障阈值，判断所述齿轮箱是否故障。

33、在一种可选的实施方式中，所述第一计算模块，包括：

34、编码单元，用于基于所述自编码模型的输入层对预处理后的训练集数据进行编码；

35、输入单元，用于将编码后的训练集数据输入至所述自编码模型的隐含层；

36、解码单元，用于在所述隐含层中对预处理后的训练集数据进行解码重构；

37、输出单元，用于基于所述自编码模型的输出层输出重构后的训练集数据。

38、第三方面，本发明还提供了一种电子设备，包括：存储器、处理器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

39、所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述的风机齿轮箱的故障检测方法的操作。

40、第四方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在电子设备/风机齿轮箱的故障检测装置上运行时，使得电子设备/风机齿轮箱的故障检测装置执行如上述的风机齿轮箱的故障检测方法的操作。

41、上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

技术特征：

1.一种风机齿轮箱的故障检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的风机齿轮箱的故障检测方法，其特征在于，所述获取齿轮箱的数据样本，对所述数据样本进行预处理，包括：

3.根据权利要求1所述的风机齿轮箱的故障检测方法，其特征在于，所述将预处理后的训练集数据输入至自编码模型中进行模型训练，包括：

4.根据权利要求1所述的风机齿轮箱的故障检测方法，其特征在于，所述计算所述训练集数据的异常评分的表达式为：

5.根据权利要求1所述的风机齿轮箱的故障检测方法，其特征在于，所述基于所述训练集数据的异常评分，使用指数加权移动平均控制图平滑所述异常评分，确定所述齿轮箱的故障阈值的表达式为：

6.根据权利要求1所述的风机齿轮箱的故障检测方法，其特征在于，所述将预处理后的所述测试集数据输入至训练后的所述自编码模型中，得到所述测试集数据的异常评分的表达式为：

7.一种风机齿轮箱的故障检测装置，其特征在于，包括：

8.根据权利要求7所述的风机齿轮箱的故障检测装置，其特征在于，所述第一计算模块，包括：

9.一种电子设备，其特征在于，包括：存储器、处理器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令在电子设备/风机齿轮箱的故障检测装置上运行时，使得电子设备/风机齿轮箱的故障检测装置执行如权利要求1-6任一项所述的风机齿轮箱的故障检测方法的操作。

技术总结
本发明涉及风机检测技术领域，公开了一种风机齿轮箱的故障检测方法、装置、电子设备及存储介质，包括：获取齿轮箱的数据样本，对数据样本进行预处理；数据样本包括测试集数据和训练集数据；将预处理后的训练集数据输入至自编码模型中进行模型训练，计算训练集数据的异常评分；基于训练集数据的异常评分，使用指数加权移动平均控制图平滑异常评分，确定齿轮箱的故障阈值；将预处理后的测试集数据输入至训练后的自编码模型中，得到测试集数据的异常评分；基于测试集数据的异常评分和齿轮箱的故障阈值，判断齿轮箱是否故障。本发明通过将测试集数据的异常评分与齿轮箱的故障阈值进行对比，可以快速且准确的判断齿轮箱是否出现故障，提高检测效率。

技术研发人员：王罗,胡景朋,苏营,吴海飞,孙勇
受保护的技术使用者：长江三峡集团实业发展（北京）有限公司
技术研发日：
技术公布日：2024/12/5