一种风机变桨轴承全生命周期剩余寿命预测方法及相关设备与流程

本发明涉及风力发电，具体涉及一种风机变桨轴承全生命周期剩余寿命预测方法及相关设备。

背景技术：

1、风机变桨轴承是风力发电机组中连接叶片与轮毂的关键核心部件，其在复杂交变载荷和恶劣环境条件下长期运行，极易发生疲劳磨损、点蚀、裂纹等渐进性退化失效，直接影响风电机组的安全性与发电效率。因此，准确预测变桨轴承的剩余寿命，对于实现风电场状态检修、降低运维成本具有重要的工程意义。

2、现有技术中，风机变桨轴承的剩余寿命预测方法主要分为两类。一类是基于物理模型的预测方法，通过建立轴承疲劳裂纹扩展或磨损演化的物理方程来推算剩余寿命，然而变桨轴承实际运行工况复杂多变，物理模型难以精确描述其全生命周期内不同阶段的退化机理差异。另一类是基于数据驱动的预测方法，利用振动、温度等多源监测信号提取退化特征，并结合神经网络、支持向量回归等模型进行寿命预测。然而，现有数据驱动方法多采用单一预测模型对整个全生命周期进行统一建模，未充分考虑变桨轴承在健康阶段、早期退化阶段、中期退化阶段和加速退化阶段呈现出的不同退化速率和退化规律差异，导致单一模型难以在全生命周期各阶段均保持较高的预测精度。

3、因此，现有技术中存在未充分考虑变桨轴承在健康阶段、早期退化阶段、中期退化阶段和加速退化阶段呈现出的不同退化速率和退化规律差异的难题亟需解决。

技术实现思路

1、本发明的目的在于提供一种风机变桨轴承全生命周期剩余寿命预测方法及相关设备，以克服现有技术中存在的问题，本发明能够实现健康阶段、早期退化阶段、中期退化阶段和加速退化阶段的精准、自动划分。

2、为达到上述目的，本发明所采用的技术方案如下：

3、第一方面，本发明提供了一种风机变桨轴承全生命周期剩余寿命预测方法，包括以下步骤：

4、获取风机变桨轴承全生命周期的多源监测数据，所述多源监测数据包括振动信号、温度信号、变桨力矩信号、转速信号及scada系统运行参数数据；

5、将多源监测数据输入至预先训练好的阶段分类模型中，通过阶段分类模型输出退化阶段标签；

6、根据退化阶段标签，从预先构建的模型库中调用与退化阶段标签对应的剩余寿命预测子模型；其中，所述模型库基于若干独立的训练通道构建；

7、将多源监测数据输入至调用的剩余寿命预测子模型中，通过剩余寿命预测子模型输出风机变桨轴承的剩余寿命预测结果。

8、在一些实施例中，所述将多源监测数据输入至预先训练好的阶段分类模型中，通过阶段分类模型输出退化阶段标签，具体包括：

9、将多源监测数据依次按时间戳对齐、归一化整理后，输入至预先训练好的阶段分类模型中；

10、阶段分类模型的输入层接收多源监测数据，经若干层特征提取后，通过阶段分类模型的输出层通过softmax激活函数计算当前监测数据分别属于健康阶段、早期退化阶段、中期退化阶段和加速退化阶段的概率值向量，取最大概率值向量对应的阶段标签作为输出的退化阶段标签。

11、在一些实施例中，所述根据退化阶段标签，从预先构建的模型库中调用与退化阶段标签对应的剩余寿命预测子模型，具体包括：

12、将退化阶段标签作为索引标识，与预先构建的模型库中各剩余寿命预测子模型的阶段标签映射关系进行匹配，其中，所述模型库中存储有分别对应健康阶段、早期退化阶段、中期退化阶段和加速退化阶段的四个剩余寿命预测子模型，各剩余寿命预测子模型与对应的退化阶段标签形成一一映射关系；

13、根据匹配结果，从模型库中调用与所述退化阶段标签相对应的剩余寿命预测子模型。

14、在一些实施例中，所述通过剩余寿命预测子模型输出风机变桨轴承的剩余寿命预测结果，具体包括：

15、剩余寿命预测子模型的输入层接收当前多源监测数据，经前向传播计算后，由剩余寿命预测子模型的输出层输出风机变桨轴承从当前时刻起至失效阈值的剩余寿命时长预测值。

16、在一些实施例中，在输出风机变桨轴承的剩余寿命预测结果之后，还包括：

17、将剩余寿命预测结果与预设的多级预警阈值进行比较，根据比较结果输出不同等级的预警信号；

18、其中，所述多级预警阈值包括一级预警阈值、二级预警阈值和三级预警阈值，所述一级预警阈值对应于剩余寿命预测值占比大于50%，所述二级预警阈值对应于剩余寿命预测值占比为20%～50%，所述三级预警阈值对应于剩余寿命预测值占比小于20%。

19、在一些实施例中，所述模型库的构建步骤，具体包括：

20、获取各退化阶段标签对应的各阶段历史监测数据样本集，将各阶段历史监测数据样本集按照退化阶段标签分别分配至四个独立的训练通道；

21、在各训练通道中，以当前阶段的历史监测数据样本集作为输入特征，以阶段后续真实退化轨迹作为监督标签，分别训练与当前阶段退化规律相匹配的剩余寿命预测子模型；

22、将训练完成的四个剩余寿命预测子模型按照退化阶段标签进行封装，得到构建好的模型库，所述模型库中的各剩余寿命预测子模型与各退化阶段标签一一对应。

23、在一些实施例中，所述训练通道包括健康阶段训练通道、早期退化阶段训练通道、中期退化阶段训练通道以及加速退化阶段训练通道；

24、健康阶段训练通道基于威布尔分布的统计模型，早期退化阶段训练通道和中期退化阶段训练通道分别基于长短期记忆网络的深度学习模型，加速退化阶段训练通道基于粒子滤波的退化跟踪模型，得到训练完成的四个剩余寿命预测子模型。

25、第二方面，本发明提供了一种风机变桨轴承全生命周期剩余寿命预测系统，包括：

26、多源监测数据获取模块，用于获取风机变桨轴承全生命周期的多源监测数据，所述多源监测数据包括振动信号、温度信号、变桨力矩信号、转速信号及scada系统运行参数数据；

27、阶段分类模块，用于将多源监测数据输入至预先训练好的阶段分类模型中，通过阶段分类模型输出退化阶段标签；

28、剩余寿命预测子模型调用模块，用于根据退化阶段标签，从预先构建的模型库中调用与退化阶段标签对应的剩余寿命预测子模型；其中，所述模型库基于若干独立的训练通道构建；

29、剩余寿命预测结果输出模块，用于将多源监测数据输入至调用的剩余寿命预测子模型中，通过剩余寿命预测子模型输出风机变桨轴承的剩余寿命预测结果。

30、第三方面，本发明提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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风机变桨轴承全生命周期剩余寿命预测方法的步骤。

31、第四方面，本发明提供了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计算机程序，所述计算机程序被处理器执行时实现上述风机变桨轴承全生命周期剩余寿命预测方法的步骤。

32、上述技术方案具有如下优势或者有益效果：

33、第一方面，本发明提供了一种风机变桨轴承全生命周期剩余寿命预测方法，通过构建阶段分类模型对当前监测数据进行实时阶段识别，有效解决了现有技术中退化阶段划分依赖人工经验、主观性强的问题，实现了健康阶段、早期退化阶段、中期退化阶段和加速退化阶段的精准、自动划分；其次，针对不同退化阶段分别构建与之退化规律匹配的专用剩余寿命预测子模型，克服了现有单一模型难以兼顾全生命周期各阶段不同退化速率的缺陷，健康阶段采用威布尔统计模型描述初始退化趋势、早期和中期阶段采用长短期记忆网络捕捉非线性退化演变、加速阶段采用粒子滤波跟踪快速劣化过程，各司其职，显著提升了全生命周期各阶段的预测精度；另外，通过模型库的预先构建与阶段标签索引调用机制，在实际应用时仅需执行模型前向计算即可获得预测结果，无需在线迭代训练，大幅降低了计算开销与响应延迟，满足了风电场现场实时预测与快速决策的工程需求。综上，本发明有效解决了现有技术中阶段划分主观性强、单一模型预测精度不足和在线计算成本高的技术难题，为风机变桨轴承的状态检修提供了可靠、高效的智能化解决方案。

34、第二方面，本发明提供了一种风机变桨轴承全生命周期剩余寿命预测系统，通过多源监测数据获取模块、阶段分类模块、剩余寿命预测子模型调用模块及剩余寿命预测结果输出模块的协同配合，实现了从数据采集、阶段识别、模型调用到寿命预测的全流程自动化执行。阶段分类模块自动完成退化阶段的精准划分，克服了人工经验划分主观性强的缺陷；剩余寿命预测子模型调用模块基于阶段标签索引从模型库中调用对应的专用子模型，保证了各阶段均采用与之退化规律匹配的最优预测模型，显著提升了全生命周期各阶段的预测精度和鲁棒性。各模块之间数据流转清晰、逻辑衔接紧密，共同构成了一套完整的、可实时部署的智能化剩余寿命预测系统，为风机变桨轴承的状态检修提供了高效、可靠的工程化解决方案。

35、第三方面，本发明提供了一种计算机设备，通过处理器执行特定的计算机程序，能够高效地实现本发明方法的步骤，计算机设备在执行数据处理任务时，能够精准进行数值计算和逻辑判断，避免了人为因素导致的误差；同时，由于计算机程序具有高度的稳定性和可靠性，因此可以确保数据处理结果的准确性和一致性。

36、第四方面，本发明提供了一种计算机可读存储介质，通过将本发明方法的步骤编程为计算机程序并存储在计算机可读存储介质上，用户可以轻松地将这些程序加载到任何兼容的计算机设备上并执行，而无需重新编写或转换代码，大大提高了程序执行的便捷性和灵活性。