一种齿轮箱油温异常检测方法、装置及设备

技术领域

本发明涉及油温异常检测技术领域，特别是指一种齿轮箱油温异常检测方法、装置及设备。

背景技术

齿轮箱是风电机组中将机械能转化为电能的主要部件，连接着主轴和发电机。由于其长期处于高转速、高负载的运行状态，长期运行容易发生故障，为风电场带来巨大经济损失。齿轮箱润滑油有着减少齿轮摩擦，为齿轮箱降温的作用，当齿轮箱内部机械结构出现故障(如磨损严重、断齿等)或者温度控制系统出现问题(如降温风扇失控、齿轮箱油压力不足等)会导致齿轮箱油温异常。

目前风电场的检修人员一般采用的是使用手机对监控系统全场机组温度拍照，(温度是实时变化的数据，需要靠拍照定格在同一时间)，然后横向对比温度的高低，这样做的缺点是缺乏实时监测，并且也没有考虑不同机组工况的不同。

发明内容

本发明要解决的技术问题是提供一种齿轮箱油温异常检测方法、装置及设备，可以实现对齿轮箱油温的实时监测。

为解决上述技术问题，本发明的技术方案如下：

一种齿轮箱油温异常检测方法，所述方法包括：

获取齿轮箱油温时序数据；

根据所述齿轮箱油温时序数据生成目标散点图，所述目标散点图中散点的直径大小差异小于一预设值，散点图为齿轮箱所在机组的功率与齿轮箱油温的对应关系图；

将所述目标散点图输入训练好的健康度预测模型进行预测处理，得到齿轮箱油温的健康度预测结果；

根据所述健康度预测结果对齿轮箱油温进行预警。

可选的，根据所述齿轮箱油温时序数据生成目标散点图，包括：

对所述齿轮箱油温时序数据进行预处理，得到预处理结果；

对所述预处理结果中的数据进行过滤处理，得到过滤处理结果；

对所述过滤处理结果中的数据进行散点直径调整，得到目标散点图。

可选的，对所述预处理结果中的数据进行过滤处理，得到过滤处理结果，包括：

根据P(μ-3σ＜x≤μ+3σ)＝λ％对所述预处理结果中的异常数据进行过滤处理，得到过滤处理结果，其中，μ为预处理结果中的数据的均值，σ为预处理结果中的数据的方差，λ为常数。

可选的，对所述过滤处理结果中的数据进行散点直径调整，得到目标散点图，包括：

根据

可选的，所述健康度预测模型通过以下过程进行训练：

对一段时间内的历史齿轮箱油温时序数据进行处理，得到训练散点图；

将所述训练散点图与齿轮箱油温的健康度进行匹配，形成训练数据集；

将所述训练数据集输入卷积神经网络进行训练，确定卷积神经网络的超参数和损失函数，得到训练好的健康度预测模型。

可选的，将所述训练散点图与齿轮箱油温的健康度进行匹配，形成训练数据集，包括：

对健康度低于一预设值的散点图进行图像平移，得到平移后的散点图；

在所述平移后的散点图中进行随机采样，得到样本数据；

对样本数据中的散点图变换散点半径大小，得到变换后的散点图；

根据所述变换后的散点图以及健康度大于所述预设值的散点图，形成训练数据集。

可选的，所述损失函数为：

L(Y|f(X))＝(Y-f(X))

其中，f(X)表示经过卷积神经网络的输出值，Y表示训练集中用于测试的数据集的标签，所述标签表示用于测试的数据集中的数据对应的散点图是否健康，L(Y|f(X))表示损失函数。

本发明还提供一种齿轮箱油温异常检测装置，所述装置包括：

获取模块，用于获取齿轮箱油温时序数据；

处理模块，用于根据所述齿轮箱油温时序数据生成目标散点图，所述目标散点图中散点的直径大小差异小于一预设值，散点图为齿轮箱所在机组的功率与齿轮箱油温的对应关系图；将所述目标散点图输入训练好的健康度预测模型进行预测处理，得到齿轮箱油温的健康度预测结果；根据所述健康度预测结果对齿轮箱油温进行预警。

本发明还提供一种电子设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。

本发明还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。

本发明的上述方案至少包括以下有益效果：

本发明的上述方案，通过获取齿轮箱油温时序数据；根据所述齿轮箱油温时序数据生成目标散点图，所述目标散点图中散点的直径大小差异小于一预设值，散点图为齿轮箱所在机组的功率与齿轮箱油温的对应关系图；将所述目标散点图输入训练好的健康度预测模型进行预测处理，得到齿轮箱油温的健康度预测结果；根据所述健康度预测结果对齿轮箱油温进行预警。可以实现根据不同机组的工况对齿轮箱油温进行实时监控以及齿轮箱油温异常检测。

附图说明

图1是本发明实施例提供的齿轮箱油温异常检测方法的流程图；

图2是本发明实施例的第一机组对应的散点图；

图3是本发明实施例的第二机组对应的散点图；

图4是本发明实施例的第三机组对应的散点图；

图5是本发明实施例的第四机组的散点图；

图6是本发明实施例的第五机组的散点图；

图7是本发明实施例的第六机组对应的散点图；

图8是本发明实施例的第一机组对应的训练散点图与齿轮箱油温的健康度进行匹配的示意图；

图9是本发明实施例的第二机组对应的训练散点图与齿轮箱油温的健康度进行匹配的示意图；

图10是本发明实施例的第三机组对应的训练散点图与齿轮箱油温的健康度进行匹配的示意图；

图11是本发明实施例的第四机组对应的训练散点图与齿轮箱油温的健康度进行匹配的示意图；

图12是本发明实施例的第五机组对应的训练散点图与齿轮箱油温的健康度进行匹配的示意图；

图13是本发明实施例的第六机组对应的训练散点图与齿轮箱油温的健康度进行匹配的示意图；

图14是本发明实施例的卷积神经网络的示意图；

图15是本发明实施例的健康度预测结果的示意图；

图16是本发明实施例的齿轮箱油温异常检测方法具体的流程图；

图17是本发明实施例的齿轮箱油温异常检测装置的模块图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

如图1所示，本发明的实施例提供一种齿轮箱油温异常检测方法，所述方法包括：

步骤11，获取齿轮箱油温时序数据；

步骤12，根据所述齿轮箱油温时序数据生成目标散点图，所述目标散点图中散点的直径大小差异小于一预设值，散点图为齿轮箱所在机组的功率与齿轮箱油温的对应关系图；

步骤13，将所述目标散点图输入训练好的健康度预测模型进行预测处理，得到齿轮箱油温的健康度预测结果；

这里，所述健康度预测模型可以是卷积神经网络模型；

步骤14，根据所述健康度预测结果对齿轮箱油温进行预警。

本发明的该实施例中，根据获取的齿轮箱油温时序数据，生成目标散点图，将目标散点图输入至训练好的健康度预测模型中进行预测，得到齿轮箱油温的健康度预测结果，根据预测结果齿轮箱油温的健康度预测结果对齿轮箱油温进行预警，这样可以根据不同机组的工况实现齿轮箱油温的实时监控以及齿轮箱油温异常检测，减少经济损失以及设备损耗。

如图2至图7所示，本发明一可选的实施例中，步骤12可以包括：

步骤121，对所述齿轮箱油温时序数据进行预处理，得到预处理结果；

步骤122，对所述预处理结果中的数据进行过滤处理，得到过滤处理结果；

步骤123，对所述过滤处理结果中的数据进行散点直径调整，得到目标散点图。

这里，步骤121中，对所述齿轮箱油温时序数据进行预处理，可以包括：离群点处理、数据重采样以及去除异常工况数据；

其中，离群点处理包括：将数据的离群点筛选出来进行删除处理，可以避免异常数据对总体数据的影响；

数据重采样包括：将秒级数据重采样为分钟级别的数据，可以减低传感器零漂等现象对数据的干扰；

去除异常工况数据包括：将限电、停机等异常工况数据删除，以使留下的数据都是处于正常工作状态的机组产生的数据。

该实施例中，由于所述齿轮箱油温时序数据(即SCADA数据)是通过多个传感器采集而来的，经常受到极端环境和通讯异常等因素的影响，因此通过对齿轮箱油温时序数据进行预处理、过滤处理以及散点直径调整处理，得到目标散点图，这样能够更好的反映出机组的实际状态。

本发明又一可选的实施例中，步骤122具体包括：

步骤1221，根据P(μ-3σ＜x≤μ+3σ)＝λ％对所述预处理结果中的异常数据进行过滤处理，得到过滤处理结果，其中，μ为预处理结果中的数据的均值，σ为预处理结果中的数据的方差，λ为常数，优选的，λ为99.7，但不限于该值。

本实施例中，当有某台机组在一段时间内处于运维停机等状态时，会导致其产生的数据与其他正常运行状态下的机组产生的数据差异较大的问题，由于一段时间内每台机组的数据是不同的，最终绘制出来的散点图具有较大的差异，不能代表机组的状态，因此通过P(μ-3σ＜x≤μ+3σ)＝λ％计算出正常数据所在的区间，过滤掉不在此区间内的异常数据，这样可以减小数据之间的差异，使得生成的目标散点图精度更高。

本发明又一可选的实施例中，步骤123具体包括：

步骤1231，根据

该实施例中，通过对过滤处理结果中的数据进行散点直径调整，在绘制目标散点图时，根据机组的数据量调整目标散点图中点的大小，可以进一步保证散点图的统一性。

本发明又一可选的实施例中，步骤13所述的健康度预测模型通过以下过程进行训练：

步骤13-1，对一段时间内的历史齿轮箱油温时序数据进行处理，得到训练散点图；

步骤13-2，将所述训练散点图与齿轮箱油温的健康度进行匹配，形成训练数据集；

步骤13-3，将所述训练数据集输入卷积神经网络进行训练，确定卷积神经网络的超参数和损失函数，得到训练好的健康度预测模型。

本发明一可选的具体实施例中，步骤13-1中，训练集的生成过程可以包括：

过程1：采集预设时间段(可以是半个月或者一个月)的齿轮箱油温时序数据，选择预设功率范围(可以为[300kW，1200kW])；

过程2：对所述齿轮箱油温时序数据分别进行离群点处理、数据重采样处理以及去除异常工况数据处理，得到处理结果；

过程3：根据P(μ-3σ＜x≤μ+3σ)＝λ％对所述处理结果中的异常数据进行过滤处理，得到过滤处理结果；

过程4：对所述过滤处理结果中的数据通过

本实施例中，通过历史齿轮箱油温时序数据生成的训练散点图对健康度预测模型进行训练，可以提高健康度预测模型的预测精度，这样将实时的齿轮箱油温时序数据生成的目标散点图输入至健康度预测模型，输出预测结果，使得健康度预测模型可以用于齿轮箱油温的健康度的预测。

本发明又一可选的实施例中，步骤13-2，可以包括：

步骤13-21，对健康度低于一预设值的散点图进行图像平移，得到平移后的散点图；

步骤13-22，在所述平移后的散点图中进行随机采样，得到样本数据；

步骤13-23，对样本数据中的散点图变换散点半径大小，得到变换后的散点图；

步骤13-24，根据所述变换后的散点图以及健康度大于所述预设值的散点图，形成训练数据集，该训练数据集中的散点图如图8至图13所示，其中，图8中的0.87为该散点图的健康度，图9中的0.85为该散点图的健康度，图10中的0.57为该散点图的健康度，图11中的0.71为该散点图的健康度，图12中的0.81为该散点图的健康度，图13中的0.77为该散点图的健康度。

该实施例中，在实际获取散点图时，由于大部分机组都是正常工作状态，只有少数处于异常工作状态，导致得到的数据存在严重的不平衡，导致最终模型预测出现问题，因此通过对健康度低于一预设值的散点图进行图像平移处理、随机采样处理以及变换散点半径大小处理后，根据变换后的散点图以及健康度大于所述预设值的散点图，形成训练数据集，这样可以解决数据存在严重不平衡的问题，从而提高健康度预测模型的预测精度。

本发明又一可选的实施例中，步骤13-3所述的损失函数为：

L(Y|f(X))＝(Y-f(X))

其中，f(X)表示经过卷积神经网络的输出值，Y表示训练集中用于测试的数据集的标签，所述标签表示用于测试的数据集中的数据对应的散点图是否健康，L(Y|f(X))表示损失函数。

该实施例中，通过构建损失函数，可以进一步减小因数据不平衡对预测模型的训练产生的影响。

本发明又一可选的具体实施例中，健康度预测模型的构建过程可以包括：

过程1：获取一段时间内的历史齿轮箱油温时序数据，对历史齿轮箱油温时序数据进行处理，得到训练散点图；

过程2：将训练散点图与齿轮箱油温的健康度进行匹配，形成训练数据集；

过程2-1：将健康度低于一预设值(小于60)的散点图按照y＝f(x±a)(a＞0)进行左右平移后，按照y＝f(x)±b(b＞0)进行上下平移，其中x表示散点图的像素坐标，a、b均可以等于5；

过程2-2：对平移后的散点图中的数据进行随机采样，减少10％的数据后，重新计算散点的半径，得到变换后的散点图；

过程2-3：根据变换后的散点图以及健康度大于所述预设值的散点图，形成训练数据集；

这样可以将健康度低于60的数据扩充为原来的4倍的同时，保证健康度的标签保持不变；

过程3：将训练数据集按照3：1：1的比例随机划分为用于训练健康度预测模型的训练集、用于调参的测试集以及用于评估模型的验证集，按照图14所示构建卷积神经网络；

过程4：将所述训练数据集的训练集输入卷积神经网络进行训练，利用测试集以及验证集对所述卷积神经网络进行调参和评估，确定卷积神经网络的超参数为：学习率0.01，优化器可以使用AdaGrad，每次小批量输入64张散点图，迭代次数为1000，确定损失函数为L(Y|f(X))＝(Y-f(X))

本发明又一可选的实施例中，步骤14，可以包括：

将所述健康度预测结果与预设阈值进行比较，确定所述齿轮箱油温的预警等级；

具体地，若所述健康度预测结果的值位于第一阈值区间，确定所述对齿轮箱油温是第一预警等级；

若所述健康度预测结果的值位于第二阈值区间，确定所述对齿轮箱油温是第二预警等级；

若所述健康度预测结果的值位于第三阈值区间，确定所述对齿轮箱油温是第三预警等级；

若所述健康度预测结果的值位于第四阈值区间，确定所述对齿轮箱油温是第四预警等级。

如图15所示，将齿轮箱油温健康度预测结果，与表1所示的预测健康度阈值进行对比，根据所述齿轮箱油温健康度预测结果所处的预测健康度阈值，可以确定齿轮箱油温健康等级，对齿轮箱油温进行对应的调整，保证齿轮箱油温处于健康的状态，所述表1如下所示：

表1

如图16所示，本发明又一可选的具体实施例中，齿轮箱油温异常检测方法的具体实现过程包括：

过程1：采集预设时间段(可以是半个月或者一个月)的齿轮箱油温时序数据，选择预设功率范围(可以为[300kW，1200kW])；

过程2：对所述齿轮箱油温时序数据分别进行离群点处理、数据重采样处理以及去除异常工况数据处理，得到处理结果；

过程3：根据P(μ-3σ＜x≤μ+3σ)＝λ％对所述处理结果中的异常数据进行过滤处理，得到过滤处理结果；

过程4：对所述过滤处理结果中的数据通过

过程5：获取一段时间内的历史齿轮箱油温时序数据，对历史齿轮箱油温时序数据进行处理，得到训练散点图；

过程6：将训练散点图与齿轮箱油温的健康度进行匹配，形成训练数据集；

过程6-1：将健康度低于一预设值(小于60)的散点图按照y＝f(x±a)(a＞0)进行左右平移后，按照y＝f(x)±b(b＞0)进行上下平移，其中x表示散点图的像素坐标，a、b均可以等于5；

过程6-2：对平移后的散点图中的数据进行随机采样，减少10％的数据后，重新计算散点的半径，得到变换后的散点图；

过程6-3：根据变换后的散点图以及健康度大于所述预设值的散点图，形成训练数据集；

这样可以将健康度低于60的数据扩充为原来的4倍的同时，保证健康度的标签保持不变；

过程7：将训练数据集按照3：1：1的比例随机划分为用于训练健康度预测模型的训练集、用于调参的测试集以及用于评估模型的验证集，构建卷积神经网络；

过程8：将所述训练数据集的训练集输入卷积神经网络进行训练，利用测试集以及验证集对所述卷积神经网络进行调参和评估，确定卷积神经网络的超参数为：学习率0.01，优化器可以使用AdaGrad，每次小批量输入64张散点图，迭代次数为1000，确定损失函数为L(Y|f(X))＝(Y-f(X))

过程10：将齿轮箱油温健康度预测结果，与预测健康度阈值进行对比，根据所述齿轮箱油温健康度预测结果所处的预测健康度阈值，对齿轮箱油温进行预警。

本发明的上述实施例中，将每台机组的功率—齿轮箱温度散点图处理为灰度图像，通过计算每台机组的灰度图像与基准机组灰度图像的相似度实现异常识别；具体的，将齿轮箱油温异常这一健康预警问题由SCADA时序数据转换为图像数据，使用卷积神经网络进行训练；通过控制散点图半径，一定程度上解决了因为数据量不同导致散点图标准不一致的问题；通过平移图像和随机采样扩充了健康度较低的数据，保证了数据的平衡，增强了模型的预测效果；考虑到数据不平衡问题，为了提高对健康度较低的数据预测的准确度，设计了新的损失函数，提升了模型的效果。

如图17所示，本发明的实施例还提供一种齿轮箱油温异常检测装置170，所述装置170包括：

获取模块171，用于获取齿轮箱油温时序数据；

处理模块172，用于根据所述齿轮箱油温时序数据生成目标散点图，所述目标散点图中散点的直径大小差异小于一预设值，散点图为齿轮箱所在机组的功率与齿轮箱油温的对应关系图；将所述目标散点图输入训练好的健康度预测模型进行预测处理，得到齿轮箱油温的健康度预测结果；根据所述健康度预测结果对齿轮箱油温进行预警。

可选的，根据所述齿轮箱油温时序数据生成目标散点图，包括：

对所述齿轮箱油温时序数据进行预处理，得到预处理结果；

对所述预处理结果中的数据进行过滤处理，得到过滤处理结果；

对所述过滤处理结果中的数据进行散点直径调整，得到目标散点图。

可选的，对所述预处理结果中的数据进行过滤处理，得到过滤处理结果，包括：

根据P(μ-3σ＜x≤μ+3σ)＝λ％对所述预处理结果中的异常数据进行过滤处理，得到过滤处理结果，其中，μ为预处理结果中的数据的均值，σ为预处理结果中的数据的方差，λ为常数。

可选的，对所述过滤处理结果中的数据进行散点直径调整，得到目标散点图，包括：

根据

可选的，所述健康度预测模型通过以下过程进行训练：

对一段时间内的历史齿轮箱油温时序数据进行处理，得到训练散点图；

将所述训练散点图与齿轮箱油温的健康度进行匹配，形成训练数据集；

将所述训练数据集输入卷积神经网络进行训练，确定卷积神经网络的超参数和损失函数，得到训练好的健康度预测模型。

可选的，将所述训练散点图与齿轮箱油温的健康度进行匹配，形成训练数据集，包括：

对健康度低于一预设值的散点图进行图像平移，得到平移后的散点图；

在所述平移后的散点图中进行随机采样，得到样本数据；

对样本数据中的散点图变换散点半径大小，得到变换后的散点图；

根据所述变换后的散点图以及健康度大于所述预设值的散点图，形成训练数据集。

可选的，所述损失函数为：

L(Y|f(X))＝(Y-f(X))

其中，f(X)表示经过卷积神经网络的输出值，Y表示训练集中用于测试的数据集的标签，所述标签表示用于测试的数据集中的数据对应的散点图是否健康，L(Y|f(X))表示损失函数。

需要说明的是，该装置是与上述方法对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。

本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。

本发明的实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。

因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。