本發(fā)明屬于風機技術領域，特別涉及一種風機齒輪箱剩余壽命預測方法。

背景技術：

現有的技術中，對于風機齒輪箱，通過采集當前齒輪箱狀態(tài)數據，采用BP神經網絡來預測齒輪箱未來的狀態(tài)，但是預測精度不高。而且僅僅是對齒輪箱未來的狀態(tài)進行預測，無法對齒輪箱的衰退趨勢進行定量的描述。

技術實現要素：

本發(fā)明根據BP算法的缺點，對其進行優(yōu)化，使得對于齒輪箱剩余壽命的預測更加準確，能夠提前預知齒輪箱未來的健康狀況。

本發(fā)明的技術方案是，一種風機齒輪箱剩余壽命預測方法，剩余壽命指在設備使用過程中的某個時刻開始，不執(zhí)行任何維護措施，直至設備發(fā)生故障，這段時長稱為設備剩余壽命，包括以下步驟：

獲取風電機組齒輪箱油溫的歷史數據，

選取數據樣本，該數據樣本是齒輪箱第一個維護周期(齒輪箱從起始狀態(tài)時刻到需要進行維護時刻所經歷的時間)內的起始階段每隔一個時間段采集的齒輪箱油溫數據，采用BP神經網絡對齒輪箱未來油溫進行預測，由此得出齒輪箱在第一個維護周期中齒輪箱不同油溫下所對應的剩余壽命，進而制定維護計劃。

采用人工免疫算法對BP神經網絡優(yōu)化，包括步驟：

步驟1，抗原識別：根據要優(yōu)化的權值和閾值個數，將種群信息定義為一個結構體；

步驟2，產生初始抗體種群：在可行解空間隨機生成M組初始網絡的權值和閾值作為初始抗體群。每組權值和閾值形成一個長度為N的抗體，每個抗體代表一個被選中的網絡參數的序列；

步驟3對抗體多樣性評價，包括：

1)抗體和抗原的親和度計算

抗體和抗原的親和度用來表示抗體對抗原的識別程度，使用預測值與真實值的誤差作為親和度的值，分別對這M組參數構造的網絡計算誤差值，誤差值小的親和度大；

2)通過計算抗體和抗原的親和度與抗體濃度，評價抗體的優(yōu)秀程度，得出期望的繁殖概率；

步驟4，更新記憶庫：采取經營策略，在跟新記憶庫時，先將與抗原親和度高的一些個體加入記憶庫，在根據期望繁殖率將其余個體中優(yōu)秀的個體加入記憶庫；

步驟5，免疫操作：對新的抗體按照輪盤賭進行選擇操作、單點交叉和隨機選擇變異位進行變異操作，再加入記憶庫中抗體，產生新的種群；

步驟6若找到最優(yōu)值或達到迭代次數，則輸出初始權值和閾值，否則轉到步驟3，不斷的對權值和閾值進行進化，直到達到算法停止準則，得出優(yōu)化后的參數值；

步驟7，進行誤差計算；

步驟8，更新權值和閾值；

步驟9，若滿足訓練要求，算法結束；否則，轉到步驟7。

本發(fā)明采用人工免疫算法對BP神經網絡的初始權值和閾值進行優(yōu)化，使得優(yōu)化后的BP神經網絡能夠更加準確的對齒輪箱的剩余壽命進行預測。引入剩余壽命的概念定量的對齒輪箱的衰退趨勢進行描述，能夠及時的預測出齒輪箱的故障程度，實現嚴重故障發(fā)生前對其進行維修，并且能夠增加維修的準備時間，使得維修工作更加有效，增加了齒輪箱的可靠性。

本發(fā)明能夠提高BP神經網絡的預測精度，通過對剩余壽命的預測能夠定量的對齒輪箱未來衰退趨勢進行描述，使得維修人員能夠提早準備并對故障進行排除，提高科維修效率、減小了維修成本，保證了齒輪箱的可靠運行。

附圖說明

圖1是本發(fā)明對BP神經網絡優(yōu)化流程圖。

具體實施方式

本發(fā)明之風電機組齒輪箱剩余壽命預測方法是一種基于BP神經網絡和人工免疫算法的方法，具體實施步驟如下:

步驟1獲取齒輪箱歷史數據。即從數據存儲模塊中獲取一定時間范圍內的風電機組齒輪箱油溫的歷史數據。

步驟2對數據進行預處理。

步驟3選取了244個數據樣本，此244個樣本在第一個維護周期的起始階段每隔兩個小時采集齒輪箱油溫一次，共采集到244個數據樣本，然后采用BP神經網絡和優(yōu)化后的BP神經網路對齒輪箱未來油溫進行預測，選取三層網絡，其隱含層神經元數目為13，學習效率為0.01，用前50個數據進行訓練，然后對未來196個數據進行預測，優(yōu)化前預測數據、優(yōu)化后預測數據與采集來的數據作比較，得出本發(fā)明所提出方法的有效性。

步驟4設備的剩余壽命指在設備使用過程中的某個時刻開始，直至設備工作到發(fā)生故障期間不執(zhí)行任何維護措施，這段時間稱為設備剩余壽命。若通過預測模型測得第244步時，齒輪箱的油溫為40℃，則可得出40℃時的齒輪箱剩余壽命為T＝244×2＝488(小時)，據此可以預測出齒輪箱在第一個維護周期中齒輪箱不同油溫下所對應的剩余壽命，進而制定維護計劃。

綜上所述，本發(fā)明提出一種風電機組齒輪箱剩余壽命方法通過人工免疫算法對BP神經網絡進行優(yōu)化，同時通過剩余壽命的預測描述了齒輪箱的衰退特性。