基于机器学习的齿轮油温度异常分析及润滑性能评价

作     者：王春丽 

作者单位：华北电力大学(北京) 

学位级别：硕士

导师姓名：夏延秋;陈国光

授予年度：2023年

学科分类：08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

主      题：齿轮油 添加剂 摩擦磨损 理化性能 油温异常预警 红外光谱 

摘      要：齿轮箱是双馈式风力发电机中起到增速及动力传输作用的核心机械部件,其中三成故障是由于润滑失效导致的。对风机齿轮油温度异常分析,新油和在用油进行性能评价、润滑性能改善、油品质量提升,延长风机齿轮油的使用寿命具有重要意义。本文构建基于机器学习的齿轮油温度异常分析和润滑性能评价模型,以风力发电机SCADA系统数据、齿轮油红外光谱及理化性能实验数据、摩擦学性能实验数据为数据源的基础上,采用机器学习的方法从以上数据中挖掘有用信息,分别建立齿轮油油温异常识别和早期预警模型,红外光谱齿轮油理化性能分析模型,齿轮油添加剂摩擦学性能评价模型,并通过对比分析验证模型的准确度和有效性。主要工作内容和结果如下:(1)开展齿轮油温度异常识别和早期预警。以风机SCADA系统中的齿轮箱油温作为研究对象,首先采用LOF、DBSCAN等方法处理数据中的异常值;然后利用GRA分析方法从高维度信息中提取有用特征信息,建立TCN-Attention齿轮箱油温预测模型。对比其他模型和分析风机齿轮油温度异常识别结果,验证了该模型能够发现齿轮油温度异常的潜在趋势并进行预警。(2)将红外光谱检测技术和机器学习相结合,开展齿轮油理化性能分析。建立PLS理化性能预测模型,并设计BPSO-BSOA组合优化方法对齿轮油红外光谱全区域特征数据进行特征波长筛选,最后验证了 BPSO-BSOA-PLS组合优化模型在齿轮油理化性能分析的有效性。(3)选用齿轮油常用的四种极压抗磨添加剂,设计实验并测试其摩擦学性能,建立齿轮油平均摩擦系数、磨损体积GRNN、SVM预测模型。采用GWO对GRNN模型的平滑参数σ设定数值寻优,改善模型的预测能力。通过模型测试和留一交叉验证分析,证明GWO-GRNN模型表现优异,具有良好的预测精度和泛化能力。