(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111674258.6 (22)申请日 2021.12.31 (66)本国优先权数据 202111501998.X 2021.12.09 CN (71)申请人 中广核(北京)新能源科技有限公司 地址 100000 北京市丰台区南四环西路186 号汉威国际二区5号楼 (72)发明人 王宁　苏宝定　王恩路　韩则胤　 韩国强　 (74)专利代理 机构 陕西佳禾宏盛知识产权代理 事务所 (特殊普通合伙) 61280 专利代理师 宁文涛 (51)Int.Cl. G06F 30/27(2020.01)G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06F 119/08(2020.01) (54)发明名称 基于机器学习算法的风电机组齿轮箱故障 诊断分析方法 (57)摘要 本发明公开了一种基于机器学习算法的风 电机组齿轮箱故障诊断分析方法， 包括： 采用 SCADA系统收集的某风电场的实际运营数据进行 分析， 每十分钟采集一次数据， 数据类别包含风 速、 风功率、 齿轮箱油温、 风向、 偏航角、 桨距角、 电压、 电流等； 数据预处理： 空值和异常值处理； 通过皮尔逊相关系数选择出这些数据中与齿轮 箱高速轴承相关性较高的特征； 利用ResNet网络 构建齿轮箱故障预测模型， 进行齿轮箱高速轴承 温度预测。 通过齿轮箱高速轴承温度预测值和实 际值之间的残差对齿轮箱偏离正常状态的程度 进行评估， 根据3 ‑sigma准则设置残差上下 限值 进行齿轮箱高速轴成温度 异常故障预警， 工作人 员根据故障预 警数据结合现场情况， 进行预警诊 断分析。 权利要求书2页 说明书10页 附图3页 CN 114444382 A 2022.05.06 CN 114444382 A 1.一种基于机器学习算法的风电机组齿轮箱故障诊断分析方法， 其特征在于， 包括以 下步骤： S101稀疏数据构 建： 按照设定的第一时间频率， 在历史数据和实时数据中， 获取第一时 间频率内与风电机组齿轮箱相关的若干类运营参数； S102数据预处 理： 对每类运营参数分别进行空值处 理和异常值处 理； S103相关性分析： 通过皮尔逊相关系数， 选择出若干类运营参数中与齿轮箱高速轴承 相关性较高的运营参数； S104风电机组齿轮箱高速轴承温度预测模型的构 建： 利用Resnet18网络以及相关性较 高的运营参数， 构建出风电机组齿轮箱高速轴承温度预测模型， 用于 输出预测值； S105预警规则构建： 利用通过齿轮箱高速轴承温度的预测值和实际值之间的残差对齿 轮箱偏离正常状态的程度进行预警规则构建， 并根据3 ‑sigma准则设置残差上下限值进行 齿轮箱高速轴成 温度异常故障预警； S106预警诊断分析： 工作人员根据故障预警数据结合现场情况， 进行 预警诊断分析。 2.根据权利要求1所述的一种基于机器学习算法的风电机组齿轮箱故障诊断分析方 法， 其特征在于， 所述S101稀疏数据构建具体是： 以8 ‑15min为第一时间频率， 获取风场现场 的全部特征作为若干类的运营参数， 所述全部特征包括风速、 风功 率、 齿轮箱油温、 风向、 偏 航角、 桨距角、 电压、 电流、 发电机瞬时转速、 电网有功功 率、 齿轮箱中间轴驱动端轴承温度、 齿轮箱中间轴非驱动端轴承温度、 电机侧齿轮箱高速轴轴承温度、 齿轮箱润滑油油池温度、 齿轮箱润滑油入口温度以及齿轮箱油路滤网前油压 。 3.根据权利要求1所述的一种基于机器学习算法的风电机组齿轮箱故障诊断分析方 法， 其特征在于， 所述步骤S101稀 疏数据构建之后， 步骤S102数据预处理之前还包括运营参 数的处理， 具体为： 取每一类运营参数在第一时间频率内的平均值、 最大值和最小值。 4.根据权利要求1所述的一种基于机器学习算法的风电机组齿轮箱故障诊断分析方 法， 其特征在于， 所述步骤S102数据预处理中， 所述空值处理具体为： 每类运营参数按行进 行整理， 对于每行中连续超过5个空值的， 直接采取 行删除处 理， 否则用0值 替换。 5.根据权利要求1所述的一种基于机器学习算法的风电机组齿轮箱故障诊断分析方 法， 其特征在于， 所述步骤S102数据预处理中， 所述异常值处理采用KNN聚类算法， 以K为半 径， 所述K为大于等于3的自然 数， 选取距离待 预测运营参数距离最近的K个运营参数进 行类 的区分， 若待预测运营参数不属于不属于运营参数中的任何一类， 则作为异常值进行删除 处理。 6.根据权利要求5所述的一种基于机器学习算法的风电机组齿轮箱故障诊断分析方 法， 其特征在于， 所述异常值处 理具体包括以下步骤： 第一步K值的选取： 以历史数据为样本数据， 并将其按照比例拆分出训练数据和验证数 据， 通过交叉验证， 选取合 适的K值， 其中K为大于等于 3， 小于等于 30的自然数； 第二步数据输入： 以历史数据中的若干类运营参数为标签数据， 进行输入； 第三步运营参数的处 理： 对于每一类中的每一个运营参数x， 进行类别判断， 具体包括： 3.1距离计算： 以任意一个运营参数x， 计算其与其他标签数据之间的距离数据集q， 所 述q＝[q1,q2,...,qm]， 其中q1表 示第一个标签参数与运营参数x的距离， qm表示最后一个标 签参数与运营参数x的距离；权　利　要　求　书 1/2 页 2 CN 114444382 A 23.2排序： 对于获得的距离数据集q， 按照从小到大的顺序排序， 并选出位于前K个的标 签数据； 3.3分类： 将运营参数x进行归类， 归类为A， 所述A为K个标签数据， 出现次数最多的运营 参数的类； 第四步异常数据的处理： 循环进行第三步， 将不属于任何一类运营参数的运营参数作 为异常数据， 并进行删除处 理。 7.根据权利要求1所述的一种基于机器学习算法的风电机组齿轮箱故障诊断分析方 法， 其特征在于， 所述 步骤S103相关性分析包括以下步骤： 假设样本中存在两个 变量， 则 其中， xi和yi分别为i时刻变量x和y的值， 和 分别为x和y的平均值， xi为i时刻的齿轮 箱高速轴承温度， yi为i时刻的某类运营参数， ri为i时刻xi与的yi之间的相关程度， 计算出 相关程度r大于 0.6的运营参数。 8.根据权利要求1所述的一种基于机器学习算法的风电机组齿轮箱故障诊断分析方 法， 其特征在于， S104 风电机组齿轮箱高速轴承温度预测模型的构建具体为： 第一步： 以运营参数为输入特 征数据， 对其标准 化处理， 0均值， 1方差 。 第二步： 以至少五个卷积层、 一个最大池化层以及平均池化层构 建Resnet 18网络， 所述 Resnet18网络中， 以标准化处理后的运营参数为输入， 得到sigmod函数形式的输出值， 作为 预测值。 9.根据权利要求8所述的一种基于机器学习算法的风电机组齿轮箱故障诊断分析方 法， 其特征在于， 所述步骤S104中还包括短连接的增加， 具体为： 在激活函数ReLU激活前的 若干卷积层中， 以第一个和最后一个卷积层为连接， 插 入短连接 。 10.根据权利要求1所述的一种基于机器学习算法的风电机组齿轮箱故障诊断分析方 法， 其特征在于， 所述 步骤S105预警规则构建具体为： 第一步： 以历史数据为样本， 输入风电机组齿轮箱高速轴承温度 预测模型中， 得到加速 度轴承温度预测值， 将其与真实值做差得到温度残差； 第二步： 利用3 ‑sigma准则计算残差上下限， 对齿轮偏离正常状态的程度进行评估， 在 第二时间频率内出现n次及n次以上超出残差上下限的风电机组齿轮箱， 则发出预警信息， 所述n为大于等于 3的自然数。权　利　要　求　书 2/2 页 3 CN 114444382 A 3