CN108335019A - 风机偏航系统的故障诊断识别方法 - Google Patents
风机偏航系统的故障诊断识别方法 Download PDFInfo
- Publication number
- CN108335019A CN108335019A CN201810030429.3A CN201810030429A CN108335019A CN 108335019 A CN108335019 A CN 108335019A CN 201810030429 A CN201810030429 A CN 201810030429A CN 108335019 A CN108335019 A CN 108335019A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- fault picture
- image
- picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种本发明的风机偏航系统的故障诊断识别方法,包括以下步骤:数据采集,采集风机设备的运行数据;故障图像,以移动窗的方式提取故障数据片段,按照规则映射成为图像数据,并分析特征;图像识别,基于TensorFlow技术,分析提取故障图像特征,通过对故障图像特征的训练,将故障图像特征进行聚类、分类的算法分析,并对每个故障图像特征分别标记故障label进行类别赋予,建立故障图像库;比较分析,将流入的实时数据经故障图像处理后,匹配故障图像库,输出故障类别或是风电设备运行状态。本发明降低了直接对数据进行预处理而造成信息丢失的风险,提高了故障识别率,同时也十分形象生动的进行了可视化展示。
Description
技术领域
本发明涉及风机系统的技术领域,具体涉及一种风机偏航系统的故障诊断识别方法。
背景技术
随着工业互联网的发展和数据量的激增,目前在风电设备故障诊断领域进行数据挖掘、故障分析时遇到了不少难题,例如数据量大、算法运行效率低、结果可解释性差等的问题,而为了解决以上问题仅从数值分析这一单一角度考虑难以满足风电设备故障诊断、预警的商用需求。
鉴于以上内容,在风电设备故障诊断领域需要一种利用数据转换与图像识别进行故障诊断识别的方法,可高效率对scada(Supervisory Control And Data Acquisition,数据采集与监视控制)数据流进行分析、诊断。
发明内容
本发明就是为了解决上述的技术问题,而提供一种基于TensorFlow(人工智能学习系统)图像识别的技术、实现对故障画像分析诊断的风机偏航系统的故障诊断识别方法。
本发明是按照以下技术方案实现的:
本发明的风机偏航系统的故障诊断识别方法,包括以下步骤:
数据采集,采集风机设备的运行数据;
故障图像,以移动窗的方式提取故障数据片段,按照规则映射成为图像数据,并分析特征;
图像识别,分析提取故障图像特征,通过对故障图像特征的训练,将故障图像特征进行聚类、分类的算法分析,并对每个故障图像特征分别标记故障label进行类别赋予,建立故障图像库;
比较分析,将流入的实时数据经故障图像处理后,匹配故障图像库,输出故障类别或是风电设备运行状态。
所述的风机设备的运行数据包括风机运行的scada数据与plc故障日志数据。
所述的故障图像以移动窗的方式截取故障数据片段,待数据恢复正常时,停止截取故障数据片段,每个故障数据片段中的多个字段均通过故障图像规则转化为具有色带的图像数据,多个故障数据片段形成一组监控数据。
所述的故障图像规则包括将多个字段排列为矩阵,每个字段分别进行颜色标注,形成具有色带的图像数据。
所述的色带颜色深为故障级别高,色带颜色浅为故障级别低,色带颜色持续的长短为故障持续的时间。
所述的故障图像特征通过全卷积网络提取故障图像特征并进行聚类、分类,故障图像特征还通过全连接条件随机场和马尔科夫随机场进行训练。
所述的将流入的实时数据通过故障图像的规则转换成实时图像数据,提取特征,比较实时图像数据与故障图像库的图像数据是否相似,若相似,则输出实时图像数据的类别;若否,则定义实时图像数据的故障特征与类别,并存储至故障图像库。
本发明具有的优点和积极效果是:
本发明的故障诊断识别方法从图像识别的角度展开对故障数据的分析,将故障数据片段映射为图像数据,将处理数据的问题转变为故障识别的问题,降低了直接对数据进行预处理而造成信息丢失的风险,提高了风机偏航系统的故障识别率,同时也十分形象生动的进行了可视化展示。
附图说明
图1是本发明的流程示意图。
具体实施方式
下面结合附图及实施例对本发明进行详细的说明。
如图1所示,本发明的风机偏航系统的故障诊断识别方法,包括以下步骤:
数据采集,采集风机设备的运行数据;
故障图像,以移动窗的方式提取故障数据片段,按照规则映射成为图像数据,并分析特征;
图像识别,基于TensorFlow技术,分析提取故障图像特征,通过对故障图像特征的训练,将故障图像特征进行聚类、分类的算法分析,并对每个故障图像特征分别标记故障label进行类别赋予,建立故障图像库;
比较分析,将流入的实时数据经故障图像处理后,匹配故障图像库,输出故障类别或是风电设备运行状态。
所述的风机设备的运行数据包括风机运行的scada数据与plc故障日志数据。
所述的故障图像以移动窗的方式截取故障数据片段,待数据恢复正常时,停止截取故障数据片段,每个故障数据片段中的多个字段均通过故障图像规则转化为具有色带的图像数据,多个故障数据片段形成一组监控数据。
所述的故障图像规则包括将多个字段排列为矩阵,每个字段分别进行颜色标注,形成具有色带的图像数据。
所述的色带颜色深为故障级别高,色带颜色浅为故障级别低,色带颜色持续的长短为故障持续的时间。
所述的故障图像特征通过全卷积网络提取故障图像特征并进行聚类、分类,故障图像特征还通过全连接条件随机场和马尔科夫随机场进行训练。
所述的将流入的实时数据通过故障图像的规则转换成实时图像数据,提取特征,比较实时图像数据与故障图像库的图像数据是否相似,若相似,则输出实时图像数据的类别;若否,则定义实时图像数据的故障特征与类别,并存储至故障图像库。
本发明的故障诊断识别方法基于TensorFlow进行故障图像识别诊断,是基于TensorFlow技术处理大量图像特征的能力基础之上建立的。能够实时采集风电领域风机设备,尤其是风机偏航系统的数据,如SCADA数据、故障日志数据、客诉单数据等,并对其进行故障数据提取,划分不同故障数据等级,将故障数据映射为不同色阶的图像数据,然后应用TensorFlow技术进行故障图像特征提取、聚类分析,标记故障类型,建立故障画像库。对于实时采集的数据以同样规则,映射故障数据为图像数据,将实时图像数据与故障画像库中的故障图像进行匹配,实现对故障的识别、分类、预测。
本发明的故障诊断识别方法从图像识别的角度展开对故障数据的分析,将故障数据片段映射为图像数据,将处理数据的问题转变为故障识别的问题,降低了直接对数据进行预处理而造成信息丢失的风险,提高了风机偏航系统的故障识别率,同时也十分形象生动的进行了可视化展示。
以上对本发明的实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (7)
1.一种风机偏航系统的故障诊断识别方法,其特征在于:包括以下步骤:
数据采集,采集风机设备的运行数据;
故障图像,以移动窗的方式提取故障数据片段,按照规则映射成为图像数据,并分析特征;
图像识别,分析提取故障图像特征,通过对故障图像特征的训练,将故障图像特征进行聚类、分类的算法分析,并对每个故障图像特征分别标记故障label进行类别赋予,建立故障图像库;
比较分析,将流入的实时数据经故障图像处理后,匹配故障图像库,输出故障类别或是风电设备运行状态。
2.根据权利要求1所述的风机偏航系统的故障诊断识别方法,其特征在于:所述的风机设备的运行数据包括风机运行的scada数据与plc故障日志数据。
3.根据权利要求1所述的风机偏航系统的故障诊断识别方法,其特征在于:所述的故障图像以移动窗的方式截取故障数据片段,待数据恢复正常时,停止截取故障数据片段,每个故障数据片段中的多个字段均通过故障图像规则转化为具有色带的图像数据,多个故障数据片段形成一组监控数据。
4.根据权利要求3所述的风机偏航系统的故障诊断识别方法,其特征在于:所述的故障图像规则包括将多个字段排列为矩阵,每个字段分别进行颜色标注,形成具有色带的图像数据。
5.根据权利要求4所述的风机偏航系统的故障诊断识别方法,其特征在于:所述的色带颜色深为故障级别高,色带颜色浅为故障级别低,色带颜色持续的长短为故障持续的时间。
6.根据权利要求1所述的风机偏航系统的故障诊断识别方法,其特征在于:所述的故障图像特征通过全卷积网络提取故障图像特征并进行聚类、分类,故障图像特征还通过全连接条件随机场和马尔科夫随机场进行训练。
7.根据权利要求1所述的风机偏航系统的故障诊断识别方法,其特征在于:所述的将流入的实时数据通过故障图像的规则转换成实时图像数据,提取特征,比较实时图像数据与故障图像库的图像数据是否相似,若相似,则输出实时图像数据的类别;若否,则定义实时图像数据的故障特征与类别,并存储至故障图像库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810030429.3A CN108335019A (zh) | 2018-01-12 | 2018-01-12 | 风机偏航系统的故障诊断识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810030429.3A CN108335019A (zh) | 2018-01-12 | 2018-01-12 | 风机偏航系统的故障诊断识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108335019A true CN108335019A (zh) | 2018-07-27 |
Family
ID=62924976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810030429.3A Pending CN108335019A (zh) | 2018-01-12 | 2018-01-12 | 风机偏航系统的故障诊断识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108335019A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087300A (zh) * | 2018-09-20 | 2018-12-25 | 视睿(杭州)信息科技有限公司 | Led芯片支架故障自动检测方法和装置 |
CN109404270A (zh) * | 2018-12-29 | 2019-03-01 | 湖南主导科技发展有限公司 | 一种远程水泵控制系统及方法 |
CN110532343A (zh) * | 2019-09-04 | 2019-12-03 | 广东电网有限责任公司 | 一种配电网中压故障综合分析与信息提示系统 |
CN114704438A (zh) * | 2022-06-02 | 2022-07-05 | 深圳众城卓越科技有限公司 | 风电机组故障监控方法及装置 |
WO2023272980A1 (zh) * | 2021-06-30 | 2023-01-05 | 北京金风科创风电设备有限公司 | 风力发电机组的控制方法、装置、系统、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234585A (zh) * | 2013-04-16 | 2013-08-07 | 内蒙古航天亿久科技发展有限责任公司 | 一种大型风电机组在线监测及故障诊断系统 |
CN103439658A (zh) * | 2013-08-12 | 2013-12-11 | 深圳市禾望电气有限公司 | 一种变流器的故障诊断方法和系统 |
CN105203346A (zh) * | 2015-10-23 | 2015-12-30 | 珠海格力电器股份有限公司 | 基于emd降噪的吸油烟机故障诊断的方法及系统 |
CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
CN106640548A (zh) * | 2016-12-19 | 2017-05-10 | 北京金风科创风电设备有限公司 | 用于风力发电机组的状态监测方法和装置 |
CN106777392A (zh) * | 2017-02-23 | 2017-05-31 | 国家电网公司 | 基于流计算的风电机组scada数据的实时处理方法 |
CN107133632A (zh) * | 2017-02-27 | 2017-09-05 | 国网冀北电力有限公司 | 一种风电设备故障诊断方法及系统 |
CN107220469A (zh) * | 2017-07-14 | 2017-09-29 | 华北电力大学(保定) | 一种风机状态估计的方法及系统 |
-
2018
- 2018-01-12 CN CN201810030429.3A patent/CN108335019A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234585A (zh) * | 2013-04-16 | 2013-08-07 | 内蒙古航天亿久科技发展有限责任公司 | 一种大型风电机组在线监测及故障诊断系统 |
CN103439658A (zh) * | 2013-08-12 | 2013-12-11 | 深圳市禾望电气有限公司 | 一种变流器的故障诊断方法和系统 |
CN105203346A (zh) * | 2015-10-23 | 2015-12-30 | 珠海格力电器股份有限公司 | 基于emd降噪的吸油烟机故障诊断的方法及系统 |
CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
CN106640548A (zh) * | 2016-12-19 | 2017-05-10 | 北京金风科创风电设备有限公司 | 用于风力发电机组的状态监测方法和装置 |
CN106777392A (zh) * | 2017-02-23 | 2017-05-31 | 国家电网公司 | 基于流计算的风电机组scada数据的实时处理方法 |
CN107133632A (zh) * | 2017-02-27 | 2017-09-05 | 国网冀北电力有限公司 | 一种风电设备故障诊断方法及系统 |
CN107220469A (zh) * | 2017-07-14 | 2017-09-29 | 华北电力大学(保定) | 一种风机状态估计的方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087300A (zh) * | 2018-09-20 | 2018-12-25 | 视睿(杭州)信息科技有限公司 | Led芯片支架故障自动检测方法和装置 |
CN109087300B (zh) * | 2018-09-20 | 2020-10-16 | 视睿(杭州)信息科技有限公司 | Led芯片支架故障自动检测方法和装置 |
CN109404270A (zh) * | 2018-12-29 | 2019-03-01 | 湖南主导科技发展有限公司 | 一种远程水泵控制系统及方法 |
CN110532343A (zh) * | 2019-09-04 | 2019-12-03 | 广东电网有限责任公司 | 一种配电网中压故障综合分析与信息提示系统 |
WO2023272980A1 (zh) * | 2021-06-30 | 2023-01-05 | 北京金风科创风电设备有限公司 | 风力发电机组的控制方法、装置、系统、设备及介质 |
CN114704438A (zh) * | 2022-06-02 | 2022-07-05 | 深圳众城卓越科技有限公司 | 风电机组故障监控方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108335019A (zh) | 风机偏航系统的故障诊断识别方法 | |
CN111696075A (zh) | 一种基于双光谱图像的风机叶片缺陷智能检测方法 | |
CN107220469B (zh) | 一种风机状态估计的方法及系统 | |
WO2023044978A1 (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN108416294A (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
CN110264440B (zh) | 基于深度学习的大规模列车移位故障检测方法及系统 | |
CN107154037A (zh) | 基于深度层次特征提取的风机叶片故障识别方法 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN109660206A (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
Adou et al. | Insulator faults detection based on deep learning | |
CN113076834B (zh) | 旋转机械故障信息处理方法、处理系统、处理终端、介质 | |
CN111582298A (zh) | 一种基于人工智能的传感异常数据实时检测方法 | |
CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
CN113988573A (zh) | 基于电力系统巡检无人机的风险判断方法、系统和介质 | |
CN116824517B (zh) | 基于可视化的变电站运维安全管控系统 | |
CN110362907A (zh) | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 | |
CN108961468A (zh) | 一种基于集成学习的船舶动力系统故障诊断方法 | |
CN111931851A (zh) | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 | |
CN112200263A (zh) | 一种应用于配电物联网的自组织联邦聚类方法 | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 300308 No. 100, space Road, Airport Economic Zone, Tianjin Binhai New Area Applicant after: TIANJIN RUIYUAN ELECTRICAL Co.,Ltd. Address before: 300308 No. 100, aerospace Road, Airport Economic Zone, Dongli, Tianjin Applicant before: TIANJIN RUIYUAN ELECTRICAL Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180727 |