1.本发明涉及振动监测装置，尤其涉及一种用于海上风电齿轮箱剩余寿命预测的试验装置及方法。
背景技术：2.目前，海上风电项目的飞速发展所带来的维护压力也日益增加。长期以来，海上风电装备的维修维护采用计划维护或者是出现故障后才进行维修。前者容易导致维护不及时或者零部件更换过早造成经济损失，后者则导致长时间的风机停运，会造成更大的经济损失。
3.海上风电机组齿轮箱在出现细小故障时，就会在振动参数上有所反应，对振动提前检测，采取恰当的手段，可以预测齿轮箱的剩余使用寿命，根据剩余寿命提前制定维护计划，进而降低设备损耗和维护成本。而揭示齿轮箱的振动信号和剩余寿命之间的关系，则需要建立一个振动实验平台来研究。
4.关于振动实验平台，中国新型实用专利“一种振动实验平台装置”(专利号：cn207300523u)，公开了一种用于监测振动的实验装置，属于监测技术领域。但是，这种振动实验平台，对于微小振动数据精度不足，而如何放大振动信号，使监测到的微小振动数据精度提高，成为亟待解决的技术问题。
技术实现要素：5.发明目的：本发明的目的是针对上述的现有技术的不足，提供一种用于海上风电齿轮箱剩余寿命预测的试验装置及方法，通过模拟自然环境下的可放大振动信号的试验装置，利用获取齿轮箱运行时的振动数据，同时利用机械结构放大振动信号，使监测到的微小振动数据的精度提高，同时为齿轮箱的剩余寿命预测提供数据支持。
6.技术方案：本发明用于海上风电齿轮箱剩余寿命预测的试验装置包括齿轮箱振动模块、振动信号放大器和底座；
7.齿轮箱振动模块包括行星齿轮箱、输入轴联轴器、配重物、驱动电机和温度传感器；
8.振动信号放大器包括加速度传感器、传动杆和输出轴联轴器；
9.振动信号放大器通过输出轴联轴器与行星齿轮箱连接。
10.本发明对海上风电齿轮箱剩余寿命预测的方法包括以下步骤：
11.(1)在行星齿轮箱内安装温度传感器并加注冷却液，利用蓝牙将温度传感器与计算机连接；
12.(2)将加速度传感器与计算机连接进行测量；
13.(3)将负载挂载于输入轴联轴器上；
14.(4)启动驱动电机并调整转速至计算的转速值，其中驱动电机的转速公式为n＝9550p/t，p是驱动电机的输出功率，t为驱动电机扭矩，此处驱动电机扭矩t与模拟实际负载
相同；
15.(5)记录并保存加速度传感器测得的数据和温度传感器测得的数据；
16.(6)利用卷积神经网络进行特征提取，对同一时间下的加速度传感器产的加速度数据与温度传感器产生的温度数据进行数据融合，构建寿命预测数据集；
17.(7)利用长短期记忆神经网络构建深度学习剩余寿命预测模型，选择网络层数、学习率、批次与迭代次数进行训练，直至剩余寿命预测模型输出的剩余寿命预测值与真实寿命之间的平均相对误差低于10％。
18.步骤(2)中，加速度传感器的测量值
19.其中，f代表作用力，l代表传动杆的长度，ei是传动杆的材料的抗弯刚度，t是加速度传感器的记录一次数据的时间。
20.步骤(6)的具体过程为：
21.(6.1)对加速度传感器产生的加速度数据、温度传感器产生的温度数据按照行顺序(1，2，3，...，i)编号，列顺序(1，2，3，...，j)编号，将加速度数据和温度数据构建为一个矩阵m
ij
，再进行归一化处理；
22.(6.2)将归一化后的数据构建成数据集p＝[x
ij
]；
[0023]
(6.3)构建2层卷积层和2层最大池化层，并以卷积层1、最大池化层1、卷积层2、最大池化层2排列；
[0024]
(6.4)将步骤(6.2)中构建的数据集p作为输入，得到加速度传感器数据和温度传感器数据融合后的特征矩阵h
t
＝[h
t1
,h
t2
,...,h
ti
]。
[0025]
步骤(6.1)中，归一化处理采用0均值归一，按照下述式子进行处理：其中x
ij
表示第i行、第j列的归一化后的数据，m
ij
为第i行，第j列收集到的样本数据，m
j均
表示为第j列对应的数据的均值，σ
j标准差
表示第j列对应的数据的标准差。
[0026]
步骤(7)中，该深度学习剩余寿命预测模型的输入层为步骤(6.4)中的特征矩阵h
t
＝[h
t1
,h
t2
,...,h
ti
]。
[0027]
步骤(7)中，剩余寿命预测模型包括输入层、隐藏层和输出层；隐藏层包括遗忘门、输入门和输出门。
[0028]
步骤(7)中，深度学习剩余寿命预测模型的输出层为剩余使用寿命预测值与训练集、测试集寿命的平均相对误差。
[0029]
步骤(7)中，遗忘门为：f
t
＝σ(wf·
[h
t-1
,x
t
]+bf)，其中f
t
是遗忘门的输出，σ是激活函数sigmoid函数，h
t-1
是上一个细胞的输出值，x
t
是当前的输入值，wf是可学习的权重，bf是可学习的偏差。
[0030]
步骤(7)中，输出门为：i
t
＝σ(wi·
[h
t-1
,x
t
]+bi)，其中i
t
是更新信息的权重系数，σ是激活函数sigmoid函数，是候选状态向量，tanh是激活函数tanh函数，wi,wc是学习的权重，bi和bc是偏差。
[0031]
有益效果：与现有技术相比，本发明具有以下优点：
[0032]
(1)本发明利用驱动电机带动行星齿轮箱的输入轴旋转，模拟自然环境下的风力
带动风电机组叶片及轮毂旋转的力，通过该力带动齿轮箱低速轴旋转，再经过齿轮箱的加速使得齿轮箱振动。
[0033]
(2)本发明的试验装置为振动和齿轮箱剩余寿命的相关性提供了一个实验平台，有助于揭示振动与齿轮箱剩余寿命的对应关系，为海上风电机组齿轮箱的剩余寿命提供理论与数据支撑。
[0034]
(3)本试验装置利用传动轴末端挠度变大使振动信号变大，提高了监测到的微小振动数据精度。
附图说明
[0035]
图1是本发明用于海上风电齿轮箱剩余寿命预测的试验装置的爆炸图；
[0036]
图2是本发明试验装置的三维结构示意图；
[0037]
图3是本发明的振动信号放大器的二维剖视图；
[0038]
图4是本发明的行星齿轮箱结构图；
[0039]
其中，图4(a)是行星齿轮箱的侧视图；图4(b)是行星齿轮箱的剖视图；
[0040]
图5是本发明试验方法的流程图；
[0041]
图6是本发明所采用的长短期记忆神经网络lstm单元示意图；
[0042]
图7是本发明所采用的长短期记忆神经网络lstm单元遗忘门的示意图；
[0043]
图8是本发明所述采用的长短期记忆神经网络lstm单元输入门的示意图；
[0044]
图9是本发明所述采用的长短期记忆神经网络lstm单元更新状态示意图；
[0045]
图10是本发明所采用的长短期记忆神经网络lstm单元输出门示意图。
具体实施方式
[0046]
如图1所示，本发明用于海上风电齿轮箱剩余寿命预测的试验装置包括齿轮箱振动模块1、振动信号放大器2和底座3。其中，齿轮箱振动模块1包括行星齿轮箱1a、输入轴联轴器1b、配重物1c、驱动电机1d和温度传感器。
[0047]
振动信号放大器2包括加速度传感器2a、传动杆2b、加速度传感器的安装盘2c、输出轴联轴器2d、紧固螺丝2e和螺钉2f。利用螺栓将行星齿轮箱1a与底座3固定，利用螺栓将驱动电机1d与底座3固定。
[0048]
图3为振动信号放大器2的二维剖视图。如图2、图3所示，利用输出轴联轴器2d将振动信号放大器2与齿轮箱输出轴1a.2连接，其中输出轴联轴器2d利用紧固螺丝2e固定齿轮箱输出轴1a.2及传动杆2b。利用螺钉2f将加速度传感器2a固定于传动杆2b末端的传感器安装盘2c的圆心位置。
[0049]
根据挠曲线近似微分方程为推导得到加速度传感器2a的测量值其中f作用点是传动轴2b末端，方向与传动轴2b垂直，l是传动杆2b的长度，ei是传动杆2b所用材料的抗弯刚度，t是加速度传感器2a的记录一次数据的时间。其中f、ei、t单次测量均不会改变，根据公式
②
得到加速度传感器2a的测量值加速度a与传动杆2b的长度l的三次方成正比，进而放大行星齿轮箱1a的振动信号，使加速度传感器2a监测
更加微小的振动数据。
[0050]
如图4所示，行星齿轮箱1a包括输入轴1a.1、输出轴1a.2、太阳轮1a.3、行星轮1a.4和壳体1a.5。利用输入轴1a.1的旋转带动太阳轮1a.3旋转，通过齿轮啮合传动，带动行星轮1a.4旋转，再带动输出轴1a.2旋转。
[0051]
本发明对海上风电齿轮箱剩余寿命预测的方法包括以下步骤：
[0052]
(1)在行星齿轮箱1a的壳体1a.5内侧安装温度传感器并加注冷却液，利用蓝牙将温度传感器与计算机连接；
[0053]
(2)利用usb连接线将加速度传感器2a与计算机连接进行测量；
[0054]
(3)根据实验需要，选择不同质量的负载1c，挂载于图2所示1c位置，负载1c的质量其中m为齿轮箱的额定转矩m，l为挂载位置离齿轮箱重心的轴向距离，g为重力加速度；
[0055]
(4)启动驱动电机1d，调整至相应转速。其中驱动电机的转速公式为n＝9550p/t，p是驱动电机的输出功率，t为驱动电机扭矩，此处驱动电机扭矩t与模拟实际负载相同；
[0056]
(5)记录并保存加速度传感器2a的数据m和温度传感器的数据n；
[0057]
(6)利用卷积神经网络进行特征提取，对同一时间下的加速度传感器2a产生的加速度数据m与温度传感器产生的温度数据n进行数据融合，构建寿命预测数据集；
[0058]
其中，步骤(6)的具体过程为：
[0059]
(6.1)对加速度传感器2a产生的加速度数据、温度传感器产生的温度数据按照行顺序进行编号，分别为(1，2，3，...，i)，列顺序进行编号，分别为(1，2，3，...，j)，将加速度数据和温度数据构建为一个矩阵m
ij
，再进行归一化处理。归一化处理采用0均值归一，按照下述式子进行处理：其中x
ij
表示第i行，第j列的归一化后的数据，m
ij
为第i行，第j列直接收集到的样本数据m
j均
表示为第j列所对应的数据的均值，σ
j标准差
表示为第j列所对应的数据的标准差。
[0060]
(6.2)将归一化后的数据构建成数据集p＝[x
ij
]。
[0061]
(6.3)构建2层卷积层，2层最大池化层，分别以卷积层1、最大池化层1、卷积层2、最大池化层2排列。其中，卷积层1和最大池化层1的卷积核数量为32，步长为1，填充方式为“same”；卷积层2、最大池化层2的卷积核数量为64，步长为1，填充方式为”same”；所有层的激活函数均为”relu”。
[0062]
(6.4)将步骤(6.2)中构建的数据集p作为输入，得到加速度传感器数据和温度传感器数据融合后的特征矩阵h
t
＝[h
t1
,h
t2
,...,h
ti
]。
[0063]
(7)利用长短期记忆神经网络作为回归预测方法，构建深度学习剩余寿命预测模型，选择网络层数、学习率、批次与迭代次数进行训练，直至剩余寿命预测模型输出的剩余寿命预测值与真实寿命之间的平均相对误差低于10％。
[0064]
其中，步骤(7)包括以下过程：
[0065]
(7.1)构建基于长短期记忆神经网络lstm的剩余寿命预测模型。该剩余寿命预测模型包括输入层、隐藏层和输出层，该模型的输入层内容为步骤(6.4)中的特征矩阵；输出层为7.2所述剩余使用寿命预测值与训练集、测试集真实的寿命的平均相对误差；隐藏层包
含三种门状态，分别是遗忘门、输入门和输出门。
[0066]
如图6所示，一个长短期记忆神经网络lstm单元里面包含三个门来控制细胞状态，这三个门分别称为遗忘门、输入门、和输出门。
[0067]
如图7所示，为遗忘门示意图，将海上风电齿轮箱运行前一时刻的加速度传感器和温度传感器信号传入下一时刻之前往往要经过选择性的抛弃，本实施例中通过遗忘门来完成这一操作。将h
t-1
和x
t
代入遗忘门公式计算得出一个属于[0，1]之间的向量，向量的值表示前一个细胞状态c
t-1
中有多少信息被保留或抛弃。0表示没有保留，1表示所有都保留，0到1的值代表有一部分保留。遗忘门公式为f
t
＝σ(wf·
[h
t-1
,x
t
]+bf)，其中f
t
是遗忘门的输出，σ是激活函数sigmoid函数，其输出值在[0，1]，h
t-1
是上一个细胞的输出值，x
t
是当前的输入值，wf是可学习的权重和bf是可学习的偏差。
[0068]
如图8所示为输入门示意图，这一步是决定当前时刻海上风电齿轮箱运行数据哪些需要保留，向单元状态添加哪些新信息，通过输入门完成这一操作。i
t
是更新信息的权重系数，将h
t-1
和x
t
代入下式第一个公式得到，然后通过激活函数tanh，使用h
t-1
和x
t
生成新的候选状态向量输出门对应公式有：i
t
＝σ(wi·
[h
t-1
,x
t
]+bi)，其中i
t
是更新信息的权重系数，σ是激活函数sigmoid函数，是候选状态向量，tanh是激活函数tanh函数，wi,wc是学习的权重，bi和bc是偏差。
[0069]
如图9所示是单元更新过程示意图，将上一时刻需要保留的海上风电齿轮箱运行数据和当前时刻需要保留的运行数据，通过如下单元更新公式对状态信息进行更新，根据公式来看更新既涵盖上一时刻部分状态信息同时也包括此时状态信息的一部分。单元更新运算公式为：其中c
t
是新的单元状态。
[0070]
如图10所示是输出门的示意图，最后需要输出给下一时刻的海上风电齿轮箱运行数据进行输出门的相应操作步骤，将h
t-1
和x
t
代入o
t
＝σ(wo[h
t-1
,x
t
]+bo得到判断条件，然后将c
t
带入tanh激活函数计算出一个属于[-1,1]之间的向量，再乘以判断条件o
t
便得到最终输出,该步骤公式为h
t
＝o
t
*tanh(c
t
)，其中o
t
是判断条件，h
t
是该细胞状态下的最终输出，wo是可学习的权重，bo是可学习的偏差。
[0071]
(7.2)根据步骤(7.1)构建的基于长短记忆神经网络lstm的剩余寿命预测模型，根据实际的数据种类、数据大小选择合适的网络层数、学习率，批次大小与迭代次数，使得长短记忆神经网络输出的剩余使用寿命预测值与训练集、测试集真实的寿命的平均相对误差低于10％，否则再次进行本步骤，重新选择网络层数、学习率，批次大小与迭代次数进行网络模型训练，直至长短记忆神经网络输出的剩余使用寿命预测值与真实的寿命的平均相对误差低于10％。
技术特征：1.一种用于海上风电齿轮箱剩余寿命预测的试验装置，其特征在于：包括齿轮箱振动模块(1)、振动信号放大器(2)和底座(3)；所述齿轮箱振动模块(1)包括行星齿轮箱(1a)、输入轴联轴器(1b)、配重物(1c)、驱动电机(1d)和温度传感器；所述振动信号放大器(2)包括加速度传感器(2a)、传动杆(2b)和输出轴联轴器(2d)；所述振动信号放大器(2)通过输出轴联轴器(2d)与行星齿轮箱(1a)连接。2.一种对海上风电齿轮箱剩余寿命预测的方法，其特征在于：采用如权利要求1所述的用于海上风电齿轮箱剩余寿命预测的试验装置来预测，所述方法包括以下步骤：(1)在行星齿轮箱(1a)内安装温度传感器并加注冷却液，利用蓝牙将温度传感器与计算机连接；(2)将加速度传感器(2a)与计算机连接进行测量；(3)将负载挂载于输入轴联轴器(1b)上；(4)启动驱动电机(1d)并调整转速至计算的转速值，其中驱动电机的转速公式为n＝9550p/t，p是驱动电机的输出功率，t为驱动电机扭矩，此处驱动电机扭矩t与模拟实际负载相同；(5)记录并保存加速度传感器(2a)测得的数据和温度传感器测得的数据；(6)利用卷积神经网络进行特征提取，对同一时间下的加速度传感器(2a)产的加速度数据与温度传感器产生的温度数据进行数据融合，构建寿命预测数据集；(7)利用长短期记忆神经网络构建深度学习剩余寿命预测模型，选择网络层数、学习率、批次与迭代次数进行训练，直至剩余寿命预测模型输出的剩余寿命预测值与真实寿命之间的平均相对误差低于10％。3.根据权利要求2所述的对海上风电齿轮箱剩余寿命预测的方法，其特征在于：步骤(2)中，加速度传感器的测量值其中，f代表作用力，l代表传动杆的长度，ei是传动杆的材料的抗弯刚度，t是加速度传感器的记录一次数据的时间。4.根据权利要求2所述的对海上风电齿轮箱剩余寿命预测的方法，其特征在于：步骤(6)的具体过程为：(6.1)对加速度传感器产生的加速度数据、温度传感器产生的温度数据按照行顺序(1，2，3，...，i)编号，列顺序(1，2，3，...，j)编号，将加速度数据和温度数据构建为一个矩阵m
ij
，再进行归一化处理；(6.2)将归一化后的数据构建成数据集p＝[x
ij
]；(6.3)构建2层卷积层和2层最大池化层，并以卷积层1、最大池化层1、卷积层2、最大池化层2排列；(6.4)将步骤(6.2)中构建的数据集p作为输入，得到加速度传感器数据和温度传感器数据融合后的特征矩阵h
t
＝[h
t1
,h
t2
,...,h
ti
]。5.根据权利要求4所述的对海上风电齿轮箱剩余寿命预测的方法，其特征在于：步骤
(6.1)中，归一化处理采用0均值归一，按照下述式子进行处理：其中x
ij
表示第i行、第j列的归一化后的数据，m
ij
为第i行，第j列收集到的样本数据，m
j均
表示为第j列对应的数据的均值，σ
j标准差
表示第j列对应的数据的标准差。6.根据权利要求4所述的对海上风电齿轮箱剩余寿命预测的方法，其特征在于：步骤(7)中，所述深度学习剩余寿命预测模型的输入层为步骤(6.4)中的特征矩阵h
t
＝[h
t1
,h
t2
,...,h
ti
]。7.根据权利要求2所述的对海上风电齿轮箱剩余寿命预测的方法，其特征在于：步骤(7)中，所述剩余寿命预测模型包括输入层、隐藏层和输出层；所述隐藏层包括遗忘门、输入门和输出门。8.根据权利要求7所述的对海上风电齿轮箱剩余寿命预测的方法，其特征在于：步骤(7)中，所述深度学习剩余寿命预测模型的输出层为剩余使用寿命预测值与训练集、测试集寿命的平均相对误差。9.根据权利要求7所述的对海上风电齿轮箱剩余寿命预测的方法，其特征在于：步骤(7)中，所述遗忘门为：f
t
＝σ(w
f
·
[h
t-1
,x
t
]+b
f
)，其中f
t
是遗忘门的输出，σ是激活函数sigmoid函数，h
t-1
是上一个细胞的输出值，x
t
是当前的输入值，w
f
是可学习的权重，b
f
是可学习的偏差。10.根据权利要求7所述的对海上风电齿轮箱剩余寿命预测的方法，其特征在于：步骤(7)中，所述输出门为：i
t
＝σ(w
i
·
[h
t-1
,x
t
]+b
i
)，其中i
t
是更新信息的权重系数，σ是激活函数sigmoid函数，是候选状态向量，tanh是激活函数tanh函数，w
i
,w
c
是学习的权重，b
i
和b
c
是偏差。
技术总结本发明公开了一种用于海上风电齿轮箱剩余寿命预测的试验装置及方法，试验装置包括齿轮箱振动模块、振动信号放大器和底座；振动信号放大器包括加速度传感器、传动杆和输出轴联轴器；振动信号放大器通过输出轴联轴器与行星齿轮箱连接。本发明利用卷积神经网络对同一时间下的加速度传感器产的加速度数据与温度传感器产生的温度数据进行数据融合，构建寿命预测数据集；并利用长短期记忆神经网络构建深度学习剩余寿命预测模型，选择网络层数、学习率、批次与迭代次数训练，直至剩余寿命预测模型输出的剩余寿命预测值与真实寿命之间的平均相对误差低于10％。本发明利用机械结构放大振动信号变，提高了监测到的微小振动数据精度，为齿轮箱的剩余寿命预测提供数据支持。齿轮箱的剩余寿命预测提供数据支持。齿轮箱的剩余寿命预测提供数据支持。
技术研发人员：唐文献 陆杨 孙祥 李硕德 李群峰 周志凯
受保护的技术使用者：江苏科技大学
技术研发日：2022.03.29
技术公布日：2022/7/5
