CN110374822A - 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 - Google Patents
基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 Download PDFInfo
- Publication number
- CN110374822A CN110374822A CN201910724145.9A CN201910724145A CN110374822A CN 110374822 A CN110374822 A CN 110374822A CN 201910724145 A CN201910724145 A CN 201910724145A CN 110374822 A CN110374822 A CN 110374822A
- Authority
- CN
- China
- Prior art keywords
- blade
- wind
- xgboost
- driven generator
- depth convolution
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法,该诊断方法包括首先采用主成分分析对原始风力发电机叶片根部采集到的光纤载荷信号进行降维处理,然后采用多层深度卷积自编码器进行无监督地特征提取,得到具有故障信息的特征向量,之后将特征向量输入到XGBoost中进行特征学习和分类,最终实现风力发电机叶片故障智能监测的目的。本发明采用机器学习方法自动提取信号特征,实现故障监测,代替了传统的手提取特征信息,大大减轻了相关人员的工作负担,与传统信号处理方法相比,提升了故障监测的精度。
Description
技术领域
本发明属于风力发电机组的故障诊断领域,具体涉及一种基于深度卷积自编码器和XGBoost(eXtreme Gradient Boosting,极端梯度提升)的风力发电机叶片故障诊断方法。
背景技术
风力发电机叶片是风力发电机组的重要组成部分,约占整个风机成本的20%-30%,有很大一部分的风机事故是由风机叶片故障引起。风机叶片的典型两种故障形式分别为覆冰和裂纹。风力发电机常布置在高海拔地区,在这种严寒天气下运行,风机叶片很容易会产生结冰现象。叶片表面覆冰不仅造成了叶片变形、失速,掉落的冰还可能对周围设施造成破坏。
叶片出现裂纹故障的情况,一般是受到运行环境和交变载荷长期作用的影响。细小裂纹会改变叶片的气动性能,造成发电量减少、叶片使用寿命降低。如果裂纹深度、广度继续扩散,有可能会使叶片发生断裂,进而导致塔筒受力不均,甚至发生倾覆!可能严重危害人民生命财产安全,因此及时发现风机叶片的故障,具有非常重要的实际意义。
风机叶片在运行的过程中充斥着大量噪声,又因其常处于复杂多变的工作环境中,其光栅载荷信号表现出非平稳特征,传统信号处理方法提取故障特征会有相当大的难度和不确定性,且会带来大量的数据处理工作。近年来,深度学习方法被引入到机械故障领域,其利用复杂的非线性神经元组合,通过正、反向传播,学习到信号的故障特征,以此作为故障分类的依据。深度学习方法与传统信号处理方法相比,避免了人工提取特征的繁琐,自动地从高维信号中学习到故障特征,其故障诊断准确率也得到了显著的提升。
发明内容
本发明的主要目的在于提供一种基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法,旨在解决既有方法中存在的以上技术问题。
为实现上述目的,本发明提供一种基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法,包括以下步骤:
S1、获取风力发电机叶片工作时每一种工况下的原始光栅载荷信号;
S2、对获取的原始光栅载荷信号进行归一化处理;
S3、采用主成分分析方法对步骤S2处理后的叶片光栅载荷信号进行信号降维处理;
S4、将步骤S3处理后的信号通过深度卷积自编码器进行特征提取,获取包含风机叶片故障信息的特征向量;
S5、将步骤S4获取的特征向量代入XGBoost进行有监督的交叉验证训练,得到最终的分类结果,实现风力发电机叶片智能故障监测。
进一步地,所述步骤S2具体采用最大最小值归一化方法对获取的原始光栅载荷信号进行处理,计算公式表示为:
其中,X为光栅载荷信号,Xmin为光栅载荷信号的最小值,Xmax为光栅载荷信号的最大值,Xsca为光栅载荷信号归一化处理结果。
进一步地,所述步骤S3采用主成分分析方法对步骤S2处理后的叶片光栅载荷信号进行信号降维处理具体包括以下分步骤:
S31、根据步骤S2处理后的叶片光栅载荷信号计算样本的协方差矩阵;
S32、对计算得到的样本的协方差矩阵进行特征值分解;
S33、根据设定阈值选取一定数量的特征值,将选取的特征值所对应的特征向量作为样本降维的投影矩阵;
S34、将样本与步骤S33得到的投影矩阵相乘得到降维后的信号。
进一步地,所述步骤S33中根据设定阈值选取一定数量的特征值具体表示为:
其中,λi为协方差矩阵的第i个特征值,N为设定阈值,d为选取的特征值数量,n为特征值总量。
进一步地,所述步骤S4将步骤S3处理后的信号通过深度卷积自编码器进行特征提取过程中,采用均方误差作为损失函数、Adam优化算法作为优化函数,其中深度卷积自编码器的第k层隐含节点的计算公式表示为
hk=σ(x*Wk+bk)
其中,hk为第k层隐含层节点,σ为激活函数,x为k-1层隐含层节点,Wk为第k层权重矩阵,bk为第k层偏置矩阵。
进一步地,所述步骤S5采用XGBoost对特征向量进行有监督的交叉验证训练过程中,将数据样本按照7:3划分训练集和测试集,并采用十折交叉验证训练结果。
本发明的有益效果是:本发明首先采用主成分分析对原始风力发电机叶片根部采集到的光纤载荷信号进行降维处理,然后采用多层深度卷积自编码器进行无监督地特征提取,得到具有故障信息的特征向量,之后将特征向量输入到XGBoost中进行特征学习和分类,最终实现风力发电机叶片故障智能监测的目的。本发明采用机器学习方法自动提取信号特征,实现故障监测,代替了传统的手提取特征信息,大大减轻了相关人员的工作负担,与传统信号处理方法相比,提升了故障监测的精度。
附图说明
图1是本发明的基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法流程图;
图2是本发明中步骤S3的处理流程图;
图3是本发明中深度卷积自编码器的训练结果示意图;
图4是本发明的风力发电机叶片故障诊断方法的准确率曲线示意图;
图5是本发明的风力发电机叶片故障诊断方法的混淆矩阵示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:
如图1所示,一种基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法,包括以下步骤:
S1、获取风力发电机叶片工作时每一种工况下的原始光栅载荷信号。
本实施例中,将光栅载荷传感器粘贴在风机叶片根部,采集风机叶片在正常、覆冰、裂纹三种工况下运行时的原始光栅载荷信号。
S2、对获取的原始光栅载荷信号进行归一化处理。
本实施例中,采用最大最小值归一化方法对获取的原始光栅载荷信号进行处理,计算公式表示为:
其中,X为光栅载荷信号,Xmin为光栅载荷信号的最小值,Xmax为光栅载荷信号的最大值,Xsca为光栅载荷信号归一化处理结果。
S3、采用主成分分析方法对步骤S2处理后的叶片光栅载荷信号进行信号降维处理。
本实施例中,如图2所示,上述步骤S3具体包括以下分步骤:
S31、根据步骤S2处理后的叶片光栅载荷信号计算样本的协方差矩阵;
S32、对计算得到的样本的协方差矩阵进行特征值分解;
S33、根据设定阈值选取一定数量的特征值,将选取的特征值所对应的特征向量作为样本降维的投影矩阵;
本实施例中,根据设定阈值选取一定数量的特征值具体表示为:
其中,λi为协方差矩阵的第i个特征值,N为设定阈值,d为选取的特征值数量,n为特征值总量。
这里设定阈值为95%,即
通过上式即可确定包含原始信号95%信息量的最小信号降维维数。
S34、将样本与步骤S33得到的投影矩阵相乘得到降维后的信号。
S4、将步骤S3处理后的信号通过深度卷积自编码器进行特征提取,获取包含风机叶片故障信息的特征向量。
本实施例中,将步骤S3处理后的信号通过深度卷积自编码器进行特征提取过程中,采用均方误差作为损失函数、Adam优化算法作为优化函数,其中深度卷积自编码器的第k层隐含节点的计算公式表示为
hk=σ(x*Wk+bk)
其中,hk为第k层隐含层节点,σ为激活函数,x为k-1层隐含层节点,Wk为第k层权重矩阵,bk为第k层偏置矩阵。如图3所示,为损失值的训练结果。
S5、将步骤S4获取的特征向量代入XGBoost进行有监督的交叉验证训练,得到最终的分类结果,实现风力发电机叶片智能故障监测。
本实施例中,采用XGBoost对特征向量进行有监督的交叉验证训练过程中,将信号样本按照7:3切分训练集和测试集,同时设置XGBoost中树的最大深度为8,损失函数为Softmax函数。采用十折交叉验证的方法训练XGBoost。图4为训练结果,图5为此次训练的混淆矩阵。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法,其特征在于,包括以下步骤:
S1、获取风力发电机叶片工作时每一种工况下的原始光栅载荷信号;
S2、对获取的原始光栅载荷信号进行归一化处理;
S3、采用主成分分析方法对步骤S2处理后的叶片光栅载荷信号进行信号降维处理;
S4、将步骤S3处理后的信号通过深度卷积自编码器进行特征提取,获取包含风机叶片故障信息的特征向量;
S5、将步骤S4获取的特征向量代入XGBoost进行有监督的交叉验证训练,得到最终的分类结果,实现风力发电机叶片智能故障监测。
2.如权利要求1所述的基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法,其特征在于,所述步骤S2具体采用最大最小值归一化方法对获取的原始光栅载荷信号进行处理,计算公式表示为:
其中,X为光栅载荷信号,Xmin为光栅载荷信号的最小值,Xmax为光栅载荷信号的最大值,Xsca为光栅载荷信号归一化处理结果。
3.如权利要求1所述的基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法,其特征在于,所述步骤S3采用主成分分析方法对步骤S2处理后的叶片光栅载荷信号进行信号降维处理具体包括以下分步骤:
S31、根据步骤S2处理后的叶片光栅载荷信号计算样本的协方差矩阵;
S32、对计算得到的样本的协方差矩阵进行特征值分解;
S33、根据设定阈值选取一定数量的特征值,将选取的特征值所对应的特征向量作为样本降维的投影矩阵;
S34、将样本与步骤S33得到的投影矩阵相乘得到降维后的信号。
4.如权利要求3所述的基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法,其特征在于,所述步骤S33中根据设定阈值选取一定数量的特征值具体表示为:
其中,λi为协方差矩阵的第i个特征值,N为设定阈值,d为选取的特征值数量,n为特征值总量。
5.如权利要求1所述的基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法,其特征在于,所述步骤S4将步骤S3处理后的信号通过深度卷积自编码器进行特征提取过程中,采用均方误差作为损失函数、Adam优化算法作为优化函数,其中深度卷积自编码器的第k层隐含节点的计算公式表示为
hk=σ(x*Wk+bk)
其中,hk为第k层隐含层节点,σ为激活函数,x为k-1层隐含层节点,Wk为第k层权重矩阵,bk为第k层偏置矩阵。
6.如权利要求1所述的基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法,其特征在于,所述步骤S5采用XGBoost对特征向量进行有监督的交叉验证训练过程中,将数据样本按照7:3划分训练集和测试集,并采用十折交叉验证训练结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910724145.9A CN110374822A (zh) | 2019-08-07 | 2019-08-07 | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910724145.9A CN110374822A (zh) | 2019-08-07 | 2019-08-07 | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110374822A true CN110374822A (zh) | 2019-10-25 |
Family
ID=68258383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910724145.9A Pending CN110374822A (zh) | 2019-08-07 | 2019-08-07 | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110374822A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210086A (zh) * | 2020-01-15 | 2020-05-29 | 杭州华网信息技术有限公司 | 一种国家电网覆冰灾害预测方法 |
CN111426950A (zh) * | 2020-03-19 | 2020-07-17 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
CN112098105A (zh) * | 2020-08-10 | 2020-12-18 | 北京化工大学 | 基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法 |
CN112211795A (zh) * | 2020-10-13 | 2021-01-12 | 宁波大学 | 一种基于单变量特征提取策略的风力发电机故障检测方法 |
CN112267978A (zh) * | 2020-10-13 | 2021-01-26 | 宁波大学 | 一种基于分散式esn模型的风力发电机故障检测方法 |
CN112595918A (zh) * | 2020-12-26 | 2021-04-02 | 广东电网有限责任公司广州供电局 | 一种低压集抄故障的检测方法及装置 |
CN112731137A (zh) * | 2020-09-15 | 2021-04-30 | 华北电力大学(保定) | 基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法 |
CN113027696A (zh) * | 2019-12-24 | 2021-06-25 | 新疆金风科技股份有限公司 | 液压变桨系统的故障诊断方法和装置 |
CN113738595A (zh) * | 2021-07-09 | 2021-12-03 | 国电和风风电开发有限公司 | 一种风力发电机组叶片状态监测方法及其系统 |
CN114062997A (zh) * | 2021-11-05 | 2022-02-18 | 中国南方电网有限责任公司超高压输电公司广州局 | 电能表的校验方法、系统以及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2482009A (en) * | 2010-07-14 | 2012-01-18 | Vestas Wind Sys As | Ice and fault detection method for wind turbine blades |
CN109026563A (zh) * | 2018-07-24 | 2018-12-18 | 上海电力学院 | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 |
CN109117865A (zh) * | 2018-07-13 | 2019-01-01 | 福州大学 | 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 |
CN109948340A (zh) * | 2019-03-27 | 2019-06-28 | 集美大学 | 一种卷积神经网络和XGBoost相结合的PHP-Webshell检测方法 |
-
2019
- 2019-08-07 CN CN201910724145.9A patent/CN110374822A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2482009A (en) * | 2010-07-14 | 2012-01-18 | Vestas Wind Sys As | Ice and fault detection method for wind turbine blades |
CN109117865A (zh) * | 2018-07-13 | 2019-01-01 | 福州大学 | 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 |
CN109026563A (zh) * | 2018-07-24 | 2018-12-18 | 上海电力学院 | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 |
CN109948340A (zh) * | 2019-03-27 | 2019-06-28 | 集美大学 | 一种卷积神经网络和XGBoost相结合的PHP-Webshell检测方法 |
Non-Patent Citations (2)
Title |
---|
万星: "基于视频大数据的林区车辆识别", 《工程科技Ⅱ辑》 * |
周江嫚: "基于极限学习机的模拟电路故障诊断", 《信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113027696B (zh) * | 2019-12-24 | 2022-11-15 | 新疆金风科技股份有限公司 | 液压变桨系统的故障诊断方法和装置 |
CN113027696A (zh) * | 2019-12-24 | 2021-06-25 | 新疆金风科技股份有限公司 | 液压变桨系统的故障诊断方法和装置 |
CN111210086A (zh) * | 2020-01-15 | 2020-05-29 | 杭州华网信息技术有限公司 | 一种国家电网覆冰灾害预测方法 |
CN111210086B (zh) * | 2020-01-15 | 2023-09-22 | 国网安徽省电力有限公司宁国市供电公司 | 一种国家电网覆冰灾害预测方法 |
CN111426950A (zh) * | 2020-03-19 | 2020-07-17 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
CN111426950B (zh) * | 2020-03-19 | 2020-11-27 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
CN112098105B (zh) * | 2020-08-10 | 2022-09-20 | 北京化工大学 | 基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法 |
CN112098105A (zh) * | 2020-08-10 | 2020-12-18 | 北京化工大学 | 基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法 |
CN112731137A (zh) * | 2020-09-15 | 2021-04-30 | 华北电力大学(保定) | 基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法 |
CN112211795A (zh) * | 2020-10-13 | 2021-01-12 | 宁波大学 | 一种基于单变量特征提取策略的风力发电机故障检测方法 |
CN112267978B (zh) * | 2020-10-13 | 2022-02-15 | 宁波大学 | 一种基于分散式esn模型的风力发电机故障检测方法 |
CN112211795B (zh) * | 2020-10-13 | 2021-08-20 | 宁波大学 | 一种基于单变量特征提取策略的风力发电机故障检测方法 |
CN112267978A (zh) * | 2020-10-13 | 2021-01-26 | 宁波大学 | 一种基于分散式esn模型的风力发电机故障检测方法 |
CN112595918A (zh) * | 2020-12-26 | 2021-04-02 | 广东电网有限责任公司广州供电局 | 一种低压集抄故障的检测方法及装置 |
CN113738595A (zh) * | 2021-07-09 | 2021-12-03 | 国电和风风电开发有限公司 | 一种风力发电机组叶片状态监测方法及其系统 |
CN114062997A (zh) * | 2021-11-05 | 2022-02-18 | 中国南方电网有限责任公司超高压输电公司广州局 | 电能表的校验方法、系统以及装置 |
CN114062997B (zh) * | 2021-11-05 | 2024-03-19 | 中国南方电网有限责任公司超高压输电公司广州局 | 电能表的校验方法、系统以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110374822A (zh) | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 | |
CN109946075A (zh) | 一种轴承状态监测及故障诊断方法 | |
CN109447441B (zh) | 一种考虑新能源机组不确定性的暂态稳定风险评估方法 | |
CN104677623B (zh) | 一种风力发电机叶片故障在位声学诊断方法及监测系统 | |
Veers et al. | Application of measured loads to wind turbine fatigue and reliability analysis | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN106529124A (zh) | 基于主成分分析与支持向量机的变压器绝缘状态评估方法 | |
CN110133410A (zh) | 基于模糊c均值聚类算法的变压器故障诊断方法及系统 | |
CN110987494A (zh) | 一种基于声发射对水轮机空化状态监测的方法 | |
CN110766313A (zh) | 一种基于运维检修制度的电缆隧道综合状态评价方法 | |
Roach et al. | Application of the new IEC international design standard for offshore wind turbines to a reference site in the Massachusetts offshore wind energy area | |
CN105891625A (zh) | 基于能量流的电力系统次同步振荡扰动源辨别方法 | |
CN104298706A (zh) | 一种基于数据挖掘的输电杆塔塔材实际强度计算方法 | |
Feng et al. | Research on intelligent diagnosis method for large-scale ship engine fault in non-deterministic environment | |
CN112036718A (zh) | 一种考虑新能源不确定性的电力系统安全风险评估方法 | |
Nayak et al. | A Hybrid Time Frequency Response and Fuzzy Decision Tree for Non-stationary Signal Analysis and Pattern Recognition | |
Zhang et al. | A novel hybrid compound fault pattern identification method for gearbox based on NIC, MFDFA and WOASVM | |
Liu et al. | Advanced evaluation method for regional wind power prediction | |
Luo et al. | Rolling bearing diagnosis based on adaptive probabilistic PCA and the enhanced morphological filter | |
CN113848347A (zh) | 一种风力发电机测风仪健康状态检测方法 | |
CN107042870B (zh) | 一种太阳能、风能混合发电的双体船 | |
Ji et al. | A new recognition method for oil pipeline leakage using PCA and SOM neural networks | |
Thomsen et al. | Terrain induced loads on pitch regulated wind turbines | |
Huang et al. | Bivariate distribution modelling for wave height and period in Jiaozhou bay | |
Kesici et al. | Cost sensitive class-weighting approach for transient instability prediction using convolutional neural networks |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |