CN111523557A - 基于大数据的风电智能化故障诊断方法 - Google Patents

基于大数据的风电智能化故障诊断方法 Download PDF

Info

Publication number
CN111523557A
CN111523557A CN201910112402.3A CN201910112402A CN111523557A CN 111523557 A CN111523557 A CN 111523557A CN 201910112402 A CN201910112402 A CN 201910112402A CN 111523557 A CN111523557 A CN 111523557A
Authority
CN
China
Prior art keywords
fault
data
main
model
list
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
Application number
CN201910112402.3A
Other languages
English (en)
Inventor
丁丹玫
黄猛
吴祎
黄永民
刘永鹏
王娜
张志俊
成骁彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Electric Wind Power Group Co Ltd
Original Assignee
Shanghai Electric Wind Power Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Electric Wind Power Group Co Ltd filed Critical Shanghai Electric Wind Power Group Co Ltd
Priority to CN201910112402.3A priority Critical patent/CN111523557A/zh
Publication of CN111523557A publication Critical patent/CN111523557A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种基于大数据的风电智能化故障诊断方法，所述方法包括：故障列表及与故障列表相应的数据文件的收集与数据整理；建立基于贝叶斯网络的主故障排序模型；建立基于深度学习算法的主故障定位模型；基于主故障排序模型和主故障定位模型进行实时故障诊断与定位。本发明结合了贝叶斯网络算法和深度学习算法，避免了人为筛选特征的问题，基于故障排序结果与故障定位结果，能够快速得到故障诊断结果，并具有较强的抗干扰能力。

Description

基于大数据的风电智能化故障诊断方法
技术领域
本发明涉及风电技术领域，特别是涉及一种基于大数据的风电智能化故障诊断方法。
背景技术
风电发电场一般建设在偏僻的区域，且很多主要设备都位于机舱中，距离地面高度有80米以上，给风电故障排查增加了难度。当实际故障发生时，主故障的报警会连带大量其他非主故障报警。在现实生产中，确定整个故障报警序列中的主故障是最迫切最基本的需求。搭建风电故障诊断模型，能够快速准确地定位主要故障，减小运维成本，提高运维效率。
目前故障诊断的方法主要有：(1)小波分析方法。小波分析作为一种全新的时频分析方法，可以有效地应用于非平稳信号的分析，具有多分辨率分析的特点，在时域、频域都有表征信号局部特征的能力，是解决非平稳振动信号的有用工具。利用小波分析的方法对齿轮箱等机械部件进行检测和诊断具有较好的效果。(2)神经网络方法。训练过的神经网络可以根据实际系统运行时表现出的征兆，把系统分类为正常状态或故障状态。(3)专家系统方法。采用故障树分析的方法，根据专家经验形成诊断逻辑。
然而，现有的故障诊断方法均有不足：小波分析方法需要采用风电的振动监测数据，不能实时给出诊断结果，需要的诊断时间较长；神经网络方法需要根据人工经验来实现特征表达，费力、耗时，对人工经验要求较高；专家系统方法过于依赖专家经验，且抗干扰能力较弱。
发明内容
基于现有技术存在的不足，本发明实施例的目的在于提供一种基于大数据的风电智能化故障诊断方法，实现快速、准确地风电故障诊断与定位。
为实现上述发明目的，本发明提供了一种基于大数据的风电智能化故障诊断方法，包括：
步骤1，故障列表及与故障列表相应的数据文件的收集与数据整理；
步骤2，基于故障列表整理后的数据，建立基于贝叶斯网络的主故障排序模型；
步骤3，基于与故障列表相应的数据文件整理后的数据，建立基于深度学习算法的主故障定位模型；
步骤4，基于主故障排序模型和主故障定位模型进行实时故障诊断与定位。
所述数据整理的步骤如下：
步骤1a，针对故障列表，进行主故障标记和故障链向量整理；
步骤1b，针对与故障列表相应的数据文件，进行主故障标记和数据归一化与白化处理。
所述基于贝叶斯网络的主故障排序模型的建立步骤如下：
步骤2a，统计各主故障类别的类先验概率和类条件概率；
步骤2b，根据贝叶斯公式计算主故障类别的发生概率。
优选地，所述深度学习算法为堆栈式稀疏自动编码器，主故障定位模型的建立步骤如下：
步骤3a，采用堆栈式稀疏自动编码器对预处理过的Buffer数据进行特征提取；
步骤3b，在训练好的堆栈式稀疏自动编码器模型基础上构建分类器层。
所述基于主故障排序模型和主故障定位模型进行实时故障诊断与定位的步骤如下：
步骤4a，实时故障数据获取与处理；所述实时故障数据包括Scada系统实时传输的故障列表及与故障列表相应的数据文件；根据Scada系统实时传输的故障列表，构建故障链向量；根据与故障列表相应的数据文件，进行数据归一化和白化预处理；
步骤4b，基于所述主故障排序模型获取主故障排序结果，包括主故障及其概率；
步骤4c，基于所述主故障定位模型获取主故障定位结果，包括主故障及其概率；
步骤4d，结合主故障排序结果和主故障定位结果，判定其中概率最大的为最终的主故障。
优选地，所述与故障列表相应的数据文件可为故障录波Buffer文件，也可为Scada文件。
本发明的优点在于：采用深度学习算法自动学习特征，避免了人为筛选特征的问题；基于Scada数据和Buffer数据，采用贝叶斯网络算法和深度学习算法，实现故障排序模型与故障定位模型的结合，能够快速得到诊断结果，并具有较强的抗干扰能力。
附图说明
图1为本发明实施例提供的一种基于大数据的风电智能化故障诊断方法示意图。
图2为本发明实施例提供的风机故障列表及主故障标记示例。
图3为本发明实施例提供的故障链向量映射示意图。
图4为本发明实施例提供的主故障定位模型示意图。
具体实施方式
下面结合附图对本发明一种基于大数据的风电智能化故障诊断方法行详细描述：
步骤1，故障列表及相应的数据文件的收集与数据整理：
步骤1a，基于故障列表，进行主故障标记和故障链向量整理。
通过Scada系统收集如图2所示的故障列表。由于主故障的报警常常会连带大量其他非主故障报警，需要有经验的工程师，根据人工经验进行主故障标记，参照图2中的框线部分，即在相近时间内生成的大量故障中标记出真实的主要故障。
将相近时间内生成的所有故障码，形成故障链，作为故障排序算法模型的训练样本。为了便于计算与存储，根据为风场所有故障分配的对应序号，用序号建立一维向量以表示故障链，如图3所示。例如，风机故障一共7个，分别是ABCDEFG，故障向量中分别对应1～7的位置；某个故障链包含故障ADG，则对应的向量就是1001001。
步骤1b，基于与故障列表相应的数据文件，进行主故障标记和数据归一化与白化处理。
与故障列表相应的数据文件可为Buffer文件，也可为Scada文件。本实施例选择故障前后十分钟内的风机buffer数据文件，包含风机各传感器的数据信息。
通过Scada系统收集与故障列表相应的数据文件，选取有经验的工程师，根据人工经验标记数据文件对应的主故障；对数据文件内的数据进行预处理，进行数据归一化与白化，用于主故障定位算法模型训练。
步骤2，建立基于贝叶斯网络的主故障排序模型：
步骤2a，统计各主故障类别的类先验概率和类条件概率。
为了避免故障信息被未出现的故障消除，需要进行拉普拉斯平滑化处理，相应的平滑化处理公式如下所示：
类先验概率：
Figure BSA0000179026140000021
类条件概率：
Figure BSA0000179026140000022
其中，c是指某故障是主故障的事件；Dc表示训练集D中第c类样本组成的集合。|Dc|表示集合的元素数量。Dc，xi表示Dc中在第i个属性值上取值为xi的样本组成的集合。N表示训练集D中可能的类别数，Ni表示第i个属性可能的取值数。
由此，在确定训练数据集之后，相应的类先验概率与类条件概率也相应确定。构建如表1所示的概率表，备份于系统存储空间中，以供实时故障诊断时快速查取。表1中，Pmn表示已知主故障m是主故障的情况下，故障链中有故障n的概率。
表1故障类条件概率表
故障类别 故障1 故障2 …… 故障n
主故障1 P<sub>11</sub> P<sub>12</sub> …… P<sub>1n</sub>
主故障2 P<sub>21</sub> P<sub>22</sub> …… P<sub>2n</sub>
…… …… …… …… ……
主故障m P<sub>m1</sub> P<sub>m2</sub> …… P<sub>mn</sub>
步骤2b，根据贝叶斯公式计算主故障类别的发生概率：
贝叶斯公式：
Figure BSA0000179026140000031
其中，事件P(c)表示主故障c发生的概率；事件x是某故障发生的事件，故障集合，x＝{x1，x2，…，xd}，其中xi与xj是不相交的，i≠j；P(x)表示事件x发生的概率；P(c|x)表示在事件x发生的条件下，事件c发生的概率；P(x|c)表示事件c发生的条件下，事件x发生的概率。
根据贝叶斯公式的计算结果，即主故障类别的发生概率，可以得到主故障类别的排序结果。
步骤3，建立基于深度学习算法的主故障定位模型：
步骤3a，采用深度学习算法对预处理过的Buffer数据进行特征提取。
本实施例采用堆栈式稀疏自动编码器(SAEs)进行特征提取。SAEs由多个稀疏自动编码器堆叠构成，每个稀疏自动编码器由一个编码器和一个解码器构成。通过逐层重构输入变量，达到自动提取特征，表示学习的目的。其中，SAEs每层选择均方误差函数Mse作为损失函数，选择Sigmoid作为激励函数，选择Adam作为优化算法。
步骤3b，在训练好的SAEs模型基础上构建分类器层。
在步骤3a训练好的SAEs模型基础上，取其编码器部分，并在其顶层加一个Softmax分类器层，构成主故障定位模型，如图4所示；
步骤3a中学习到的特征作为Softmax分类器层的输入，经过有监督的学习，Softmax分类器可以在输出层计算出各分类标签的概率，其中概率最大的即为分类结果，即分类器层的输出为主故障及其概率。
步骤4，基于所述主故障排序模型和所述主故障定位模型进行实时故障诊断与定位：
步骤4a，实时故障数据与处理。
获取Scada系统实时传输的故障列表及与故障列表相应的数据文件；根据Scada系统实时传输的故障列表，构建故障链向量，故障链向量的构建方法与步骤1a中的故障链向量建立方法一致；根据与故障列表相应的数据文件，进行数据归一化和白化预处理；
所述数据文件可为Buffer文件或Scada文件，须与步骤1采用的数据文件一致。
步骤4b，基于所述主故障排序模型获取主故障排序结果。
根据步骤4a构建的故障链向量，基于步骤2a中的故障类条件概率表，获取相应的概率信息；基于步骤2b中的贝叶斯公式，计算主故障发生的相应概率，并对结果排序即可获得主故障的排序结果。
步骤4c，基于所述主故障定位模型获取主故障定位结果。
根据步骤4a处理的文件数据，作为步骤3获得的所述主故障定位模型的输入，得到主故障定位结果及其概率；
步骤4d，结合主故障排序结果和主故障定位结果判断最终的主故障。
结合步骤4b得到的主故障排序结果及其概率，以及步骤4c获得的主故障定位结果及其概率，得出最终的主故障定位结果。
例如，某故障样本的主故障排序结果如表2所示，主故障定位模型得到的主故障定位结果如表3所示：
表2主故障排序结果及其概率
Figure BSA0000179026140000041
表3主故障定位结果及其概率
Figure BSA0000179026140000042
结合表2的主故障排序结果和表3的主故障定位结果，取概率最高的故障，即确定最终的主故障代码为130202。
以上对本发明所提供的一种基于大数据的风电智能化故障诊断方法进行了详细介绍，应用了具体实施例对本申请的原理及实施方式进行了阐述。本领域的技术人员应该了解，本发明不受上述实施例的限制，在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (9)

1.一种基于大数据的风电智能化故障诊断方法，其特征在于，步骤如下：
步骤1，故障列表及与故障列表相应的数据文件的收集与数据整理；
步骤2，基于故障列表整理后的数据，建立基于贝叶斯网络的主故障排序模型；
步骤3，基于与故障列表相应的数据文件整理后的数据，建立基于深度学习算法的主故障定位模型；
步骤4，基于主故障排序模型和主故障定位模型进行实时故障诊断与定位。
2.根据权利要求1所述的基于大数据的风电智能化故障诊断方法，其特征在于，数据整理的步骤包括：
步骤1a，针对故障列表，进行主故障标记和故障链向量整理；
步骤1b，针对与故障列表相应的数据文件，进行主故障标记和数据归一化与白化处理。
3.根据权利要求1所述的基于大数据的风电智能化故障诊断方法，其特征在于，所述建立基于贝叶斯网络的主故障排序模型的步骤包括：
步骤2a，统计各主故障类别的类先验概率和类条件概率；
步骤2b，根据贝叶斯公式计算主故障类别的发生概率。
4.根据权利要求1所述的基于大数据的风电智能化故障诊断方法，其特征在于，所述深度学习算法为堆栈式稀疏自动编码器，所述建立基于深度学习算法的主故障定位模型的步骤包括：
步骤3a，采用堆栈式稀疏自动编码器对预处理过的Buffer数据进行特征提取；
步骤3b，在训练好的堆栈式稀疏自动编码器模型基础上构建分类器层。
5.根据权利要求1所述的基于大数据的风电智能化故障诊断方法，其特征在于，所述基于主故障排序模型和主故障定位模型进行实时故障诊断与定位的步骤如下：
步骤4a，实时故障数据获取与数据处理；
步骤4b，基于所述主故障排序模型获取主故障排序结果，包括主故障及其概率；
步骤4c，基于所述主故障定位模型获取主故障定位结果，包括主故障及其概率；
步骤4d，结合主故障排序结果和主故障定位结果，判定其中概率最大的为最终的主故障。
6.根据权利要求5所述的基于大数据的风电智能化故障诊断方法，其特征在于，所述实时故障数据包括Scada系统实时传输的故障列表及与故障列表相应的数据文件。
7.根据权利要求5所述的基于大数据的风电智能化故障诊断方法，其特征在于，所述数据处理包括根据Scada系统实时传输的故障列表构建故障链向量，根据与故障列表相应的数据文件进行数据归一化和白化预处理。
8.根据权利要求1或2或6或7所述的基于大数据的风电智能化故障诊断方法，其特征在于，所述与故障列表相应的数据文件为故障录波Buffer文件。
9.根据权利要求1或2或6或7所述的基于大数据的风电智能化故障诊断方法，其特征在于，所述与故障列表相应的数据文件为Scada文件。
CN201910112402.3A 2019-02-01 2019-02-01 基于大数据的风电智能化故障诊断方法 Pending CN111523557A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910112402.3A CN111523557A (zh) 2019-02-01 2019-02-01 基于大数据的风电智能化故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910112402.3A CN111523557A (zh) 2019-02-01 2019-02-01 基于大数据的风电智能化故障诊断方法

Publications (1)

Publication Number Publication Date
CN111523557A true CN111523557A (zh) 2020-08-11

Family

ID=71910412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910112402.3A Pending CN111523557A (zh) 2019-02-01 2019-02-01 基于大数据的风电智能化故障诊断方法

Country Status (1)

Country Link
CN (1) CN111523557A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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

Similar Documents

Publication Publication Date Title
CN110943857B (zh) 基于卷积神经网络的电力通信网故障分析及定位方法
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
CN109829236B (zh) 一种基于XGBoost特征提取的压缩机故障诊断方法
CN107220469B (zh) 一种风机状态估计的方法及系统
CN109580215A (zh) 一种基于深度生成对抗网络的风电传动系统故障诊断方法
CN110647830B (zh) 基于卷积神经网络和高斯混合模型的轴承故障诊断方法
CN106124212A (zh) 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法
CN106017876A (zh) 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法
CN108304567B (zh) 高压变压器工况模式识别与数据分类方法及系统
CN114856941A (zh) 海上风电场及机组故障诊断运维系统及其诊断运维方法
CN112682273B (zh) 基于代价敏感轻量级梯度提升机的风电机组故障检测方法
CN109100648A (zh) 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法
US20220360084A1 (en) Transient stability assessment method for an electric power system
CN117034143B (zh) 一种基于机器学习的分布式系统故障诊断方法及装置
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN111523557A (zh) 基于大数据的风电智能化故障诊断方法
Joshuva et al. A study of various blade fault conditions on a wind turbine using vibration signals through histogram features
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
CN112305388A (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN112763215B (zh) 一种基于模块化联邦深度学习的多工况在线故障诊断方法
CN112802011A (zh) 一种基于vgg-bls的风机叶片缺陷检测方法
CN117252459A (zh) 一种基于深度学习的水果质量评估系统
CN111783941A (zh) 一种基于概率置信度卷积神经网络的机械设备诊断分类方法
CN114764538B (zh) 一种设备声音信号模式识别方法
CN115982621A (zh) 一种基于时间卷积网络的旋转机械剩余使用寿命预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200811

WD01 Invention patent application deemed withdrawn after publication