CN113447813A - 海上风力发电机组的故障诊断方法及设备 - Google Patents

海上风力发电机组的故障诊断方法及设备 Download PDF

Info

Publication number
CN113447813A
CN113447813A CN202010915664.6A CN202010915664A CN113447813A CN 113447813 A CN113447813 A CN 113447813A CN 202010915664 A CN202010915664 A CN 202010915664A CN 113447813 A CN113447813 A CN 113447813A
Authority
CN
China
Prior art keywords
fault
pitch
variable pitch
fault diagnosis
pitch system
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.)
Granted
Application number
CN202010915664.6A
Other languages
English (en)
Other versions
CN113447813B (zh
Inventor
徐进
丁显
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.)
China Lvfa Investment Group Co ltd
Ducheng Weiye Group Co ltd
Luneng Group Co ltd
Original Assignee
Ducheng Weiye Group Co ltd
Luneng 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 Ducheng Weiye Group Co ltd, Luneng Group Co ltd filed Critical Ducheng Weiye Group Co ltd
Priority to CN202010915664.6A priority Critical patent/CN113447813B/zh
Publication of CN113447813A publication Critical patent/CN113447813A/zh
Application granted granted Critical
Publication of CN113447813B publication Critical patent/CN113447813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本公开提供了一种海上风力发电机组的故障诊断方法及设备。所述故障诊断方法包括：获取海上风力发电机组的运行数据；将获取的运行数据输入到训练好的海上风力发电机组的变桨系统故障诊断模型，以得到变桨系统故障诊断模型预测的变桨系统发生各个类型的变桨故障的故障隶属度，其中，所述变桨系统故障诊断模型是基于模糊聚类算法构建的；基于得到的变桨系统发生各个类型的变桨故障的故障隶属度，确定变桨系统发生的变桨故障类型。

Description

海上风力发电机组的故障诊断方法及设备
技术领域
本公开总体说来涉及能源技术领域，更具体地讲，涉及一种海上风力发电机组的故障诊断方法及设备。
背景技术
随着海上风电装机容量的不断增加，海上风力发电机组运维服务的市场正不断扩大。机组故障作为影响风电场发电收益的关键因素，整机厂商和第三方运维公司都在不断提高自身的故障诊断和处理能力。对机组运行状态进行合理的诊断，执行维护工作，可以有效保障机组运行安全、提高风电场的发电收益。
发明内容
本公开的示例性实施例在于提供一种海上风力发电机组的故障诊断方法及设备，其能够快速、准确地对海上风力发电机组的变桨系统故障进行诊断。
根据本公开的示例性实施例，提供一种海上风力发电机组的故障诊断方法，所述故障诊断方法包括：获取海上风力发电机组的运行数据；将获取的运行数据输入到训练好的海上风力发电机组的变桨系统故障诊断模型，以得到变桨系统故障诊断模型预测的变桨系统发生各个类型的变桨故障的故障隶属度，其中，所述变桨系统故障诊断模型是基于模糊聚类算法构建的；基于得到的变桨系统发生各个类型的变桨故障的故障隶属度，确定变桨系统发生的变桨故障类型。
可选地，获取海上风力发电机组的运行数据的步骤包括：获取海上风力发电机组发生变桨系统故障报警时的运行数据；其中，基于得到的变桨系统发生各个类型的变桨故障的故障隶属度，确定变桨系统发生的变桨故障类型的步骤包括：将故障隶属度最大的变桨故障类型确定为：本次发生变桨系统故障报警时变桨系统发生的变桨故障类型。
可选地，获取海上风力发电机组的运行数据的步骤包括：获取海上风力发电机组当前的运行数据；其中，基于得到的变桨系统发生各个类型的变桨故障的故障隶属度，确定变桨系统发生的变桨故障类型的步骤包括：当变桨系统发生任一类型的变桨故障的故障隶属度超出安全阈值时，发出变桨系统发生该变桨故障类型的故障预警。
可选地，获取的海上风力发电机组的运行数据包括以下项之中的至少一项：各个叶片的变桨位置、各个叶片的变桨速率、环境风速值。
可选地，所述各个类型的变桨故障包括以下项之中的至少一项：与每个叶片对应的变桨位置传感器及其接线发生故障、与每个叶片对应的变桨控制PLC发生故障、与每个叶片对应的变桨速率信号接收模块发生故障。
可选地，所述故障诊断方法还包括：基于海上风力发电机组的历史故障样本数据，训练所述变桨系统故障诊断模型，其中，所述历史故障样本数据包括：发生变桨故障时的运行数据。
可选地，基于海上风力发电机组的历史故障样本数据，训练所述变桨系统故障诊断模型的步骤包括：基于所述历史故障样本数据，训练出在模糊参数为预设初始值条件下的变桨系统故障诊断模型；针对所述历史故障样本数据，确定训练出的在模糊参数为预设初始值条件下的变桨系统故障诊断模型预测的变桨故障类型与实际的变桨故障类型的吻合度；当吻合度高于预设阈值时，将训练出的在模糊参数为预设初始值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型；当吻合度低于或等于预设阈值时，采用粒子群寻优算法确定模糊参数的最优值，并将训练出的在模糊参数为最优值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型。
可选地，采用粒子群寻优算法确定模糊参数的最优值，并将训练出的在模糊参数为最优值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型的步骤包括：(A)基于当前的故障样本数据，采用粒子群寻优算法进行第j轮模糊参数寻优以得到第j轮寻优值，并针对当前的故障样本数据，确定训练出的在模糊参数为第j轮寻优值条件下的变桨系统故障诊断模型预测的变桨故障类型与实际的变桨故障类型的吻合度，其中，j的初始值为1，故障样本数据的初始值为所述历史故障样本数据；(B)当吻合度高于预设阈值时，将训练出的在模糊参数为第j轮寻优值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型；(C)当吻合度低于或等于预设阈值时，按照特定方式从当前的故障样本数据剔除离群的故障样本数据后得到新的故障样本数据，使j＝j+1，将新的故障样本数据作为当前的故障样本数据并返回执行步骤(A)。
可选地，所采用的粒子群寻优算法的寻优方向是：模糊聚类结果的轮廓系数总和F最大取值的变化方向，
其中，
Figure BDA0002664921550000031
a(i)指示与第i个变桨故障类型对应的模糊聚类簇的簇内不相似度，b(i)指示与第i个变桨故障类型对应的模糊聚类簇的簇间不相似度，c指示所有变桨故障类型的总数。
可选地，所述特定方式为：计算与每个变桨故障类型对应的模糊聚类簇中的每个样本点与该模糊聚类簇的聚类中心向量之间的欧式距离，并剔除欧式距离最远的预设百分比的样本点。
可选地，所述故障诊断方法还包括：当满足更新条件时，基于新增的故障样本数据，更新所述变桨系统故障诊断模型，其中，所述更新条件包括：模型准确度低于预设准确度、新增的能够用于模型训练的故障样本数据超过预定数量。
根据本公开的另一示例性实施例，提供一种海上风力发电机组的故障诊断设备，所述故障诊断设备包括：数据获取单元，获取海上风力发电机组的运行数据；预测值获取单元，将获取的运行数据输入到训练好的海上风力发电机组的变桨系统故障诊断模型，以得到变桨系统故障诊断模型预测的变桨系统发生各个类型的变桨故障的故障隶属度，其中，所述变桨系统故障诊断模型是基于模糊聚类算法构建的；变桨故障类型确定单元，基于得到的变桨系统发生各个类型的变桨故障的故障隶属度，确定变桨系统发生的变桨故障类型。
可选地，数据获取单元获取海上风力发电机组发生变桨系统故障报警时的运行数据；变桨故障类型确定单元将故障隶属度最大的变桨故障类型确定为：本次发生变桨系统故障报警时变桨系统发生的变桨故障类型。
可选地，数据获取单元获取海上风力发电机组当前的运行数据；其中，变桨故障类型确定单元当变桨系统发生任一类型的变桨故障的故障隶属度超出安全阈值时，发出变桨系统发生该变桨故障类型的故障预警。
可选地，获取的海上风力发电机组的运行数据包括以下项之中的至少一项：各个叶片的变桨位置、各个叶片的变桨速率、环境风速值。
可选地，所述各个类型的变桨故障包括以下项之中的至少一项：与每个叶片对应的变桨位置传感器及其接线发生故障、与每个叶片对应的变桨控制PLC发生故障、与每个叶片对应的变桨速率信号接收模块发生故障。
可选地，所述故障诊断设备还包括：训练单元，基于海上风力发电机组的历史故障样本数据，训练所述变桨系统故障诊断模型，其中，所述历史故障样本数据包括：发生变桨故障时的运行数据。
可选地，训练单元执行以下处理：基于所述历史故障样本数据，训练出在模糊参数为预设初始值条件下的变桨系统故障诊断模型；针对所述历史故障样本数据，确定训练出的在模糊参数为预设初始值条件下的变桨系统故障诊断模型预测的变桨故障类型与实际的变桨故障类型的吻合度；当吻合度高于预设阈值时，将训练出的在模糊参数为预设初始值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型；当吻合度低于或等于预设阈值时，采用粒子群寻优算法确定模糊参数的最优值，并将训练出的在模糊参数为最优值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型。
可选地，训练单元执行以下处理：(A)基于当前的故障样本数据，采用粒子群寻优算法进行第j轮模糊参数寻优以得到第j轮寻优值，并针对当前的故障样本数据，确定训练出的在模糊参数为第j轮寻优值条件下的变桨系统故障诊断模型预测的变桨故障类型与实际的变桨故障类型的吻合度，其中，j的初始值为1，故障样本数据的初始值为所述历史故障样本数据；(B)当吻合度高于预设阈值时，将训练出的在模糊参数为第j轮寻优值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型；(C)当吻合度低于或等于预设阈值时，按照特定方式从当前的故障样本数据剔除离群的故障样本数据后得到新的故障样本数据，使j＝j+1，将新的故障样本数据作为当前的故障样本数据并返回执行步骤(A)。
可选地，所采用的粒子群寻优算法的寻优方向是：模糊聚类结果的轮廓系数总和F最大取值的变化方向，
其中，
Figure BDA0002664921550000041
a(i)指示与第i个变桨故障类型对应的模糊聚类簇的簇内不相似度，b(i)指示与第i个变桨故障类型对应的模糊聚类簇的簇间不相似度，c指示所有变桨故障类型的总数。
可选地，所述特定方式为：计算与每个变桨故障类型对应的模糊聚类簇中的每个样本点与该模糊聚类簇的聚类中心向量之间的欧式距离，并剔除欧式距离最远的预设百分比的样本点。
可选地，所述故障诊断设备还包括：更新单元，当满足更新条件时，基于新增的故障样本数据，更新所述变桨系统故障诊断模型，其中，所述更新条件包括：模型准确度低于预设准确度、新增的能够用于模型训练的故障样本数据超过预定数量。
根据本公开的另一示例性实施例，提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被处理器执行时实现如上所述的海上风力发电机组的故障诊断方法。
根据本公开的另一示例性实施例，提供一种计算装置，所述计算装置包括：处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的海上风力发电机组的故障诊断方法。
根据本公开示例性实施例的海上风力发电机组的故障诊断方法及设备，能够快速、准确地分析出海上风力发电机组的变桨系统发生各个类型的变桨故障的可能性。
将在接下来的描述中部分阐述本公开总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本公开总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的描述，本公开示例性实施例的上述和其它目的和特点将会变得更加清楚，其中：
图1示出根据本公开示例性实施例的海上风力发电机组的故障诊断方法的流程图；
图2示出根据本公开示例性实施例的使用模糊聚类算法来训练变桨系统故障诊断模型的方法的流程图；
图3示出根据本公开示例性实施例的训练变桨系统故障诊断模型的方法的流程图；
图4示出根据本公开示例性实施例的采用粒子群寻优算法确定模糊参数的最优值并得到在模糊参数为最优值条件下的变桨系统故障诊断模型的方法的流程图；
图5示出根据本公开示例性实施例的海上风力发电机组的故障诊断设备的结构框图。
具体实施方式
现将详细参照本公开的实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本公开。
图1示出根据本公开示例性实施例的海上风力发电机组的故障诊断方法的流程图。
参照图1，在步骤S10，获取海上风力发电机组的运行数据。
作为示例，所述运行数据可涉及叶片变桨位置、叶片变桨速率、环境风速值之中的至少一项，应该理解，也可涉及其他类型的能够用于变桨系统故障诊断的运行数据，例如，能够反映变桨系统发生故障的运行数据，本公开对此不作限制。
作为示例，获取的海上风力发电机组的运行数据可包括以下项之中的至少一项：各个叶片的变桨位置、各个叶片的变桨速率、环境风速值。
例如，当海上风力发电机组包括叶片1、叶片2、叶片3共三个叶片时，获取的海上风力发电机组当前的运行数据可包括：叶片1当前的变桨位置、叶片2当前的变桨位置、叶片3当前的变桨位置、叶片1当前的变桨速率、叶片2当前的变桨速率、叶片3当前的变桨速率、当前的环境风速值。
在步骤S20，将获取的运行数据输入到训练好的海上风力发电机组的变桨系统故障诊断模型，以得到变桨系统故障诊断模型预测的变桨系统发生各个类型的变桨故障的故障隶属度，其中，所述变桨系统故障诊断模型是基于模糊聚类算法构建的。
具体说来，将获取的运行数据输入到变桨系统故障诊断模型，变桨系统故障诊断模型能够输出变桨系统发生各个类型的变桨故障的故障隶属度，也即，变桨系统处于各个类型的故障状态的可能性。
作为示例，所述各个类型的变桨故障可包括以下项之中的至少一项：与每个叶片对应的变桨位置传感器位置传感器及其接线发生故障、与每个叶片对应的变桨控制PLC发生故障、与每个叶片对应的变桨速率信号接收模块发生故障。
例如，当海上风力发电机组包括叶片1、叶片2、叶片3共三个叶片时，所述各个类型的变桨故障可包括：与叶片1对应的变桨位置传感器及其接线发生故障、与叶片2对应的变桨位置传感器及其接线发生故障、与叶片3对应的变桨位置传感器及其接线发生故障、与叶片1对应的变桨控制PLC发生故障、与叶片2对应的变桨控制PLC发生故障、与叶片3对应的变桨控制PLC发生故障、与叶片1对应的变桨速率信号接收模块发生故障、与叶片2对应的变桨速率信号接收模块发生故障、以及与叶片3对应的变桨速率信号接收模块发生故障。
应该理解，所述变桨系统故障诊断模型的聚类中心向量的数量c为变桨故障的各个类型的总数。
在步骤S30，基于得到的变桨系统发生各个类型的变桨故障的故障隶属度，确定变桨系统发生的变桨故障类型。
在一个实施例中，步骤S10包括：获取海上风力发电机组发生变桨系统故障报警时的运行数据；步骤S30包括：将故障隶属度最大的变桨故障类型确定为：本次发生变桨系统故障报警时变桨系统发生的变桨故障类型。即，根据本公开的示例性实施例，能够分析出导致机组发生变桨系统故障报警的变桨故障源。
在另一个实施例中，步骤S10包括：获取海上风力发电机组当前的运行数据；步骤S30包括：当变桨系统发生任一类型的变桨故障的故障隶属度超出安全阈值时，发出变桨系统发生该变桨故障类型的故障预警。根据本公开的示例性实施例，能够预测出变桨系统当前发生或将要发生的变桨故障类型，从而能够便于风力发电机组的运维人员有效地安排好维护工作。
作为示例，可根据实际情况和具体需求设置所述安全阈值，例如，可设置为60％。
作为示例，根据本公开示例性实施例的海上风力发电机组的故障诊断方法还可包括：基于海上风力发电机组的历史故障样本数据，使用模糊聚类算法，训练所述变桨系统故障诊断模型，其中，所述历史故障样本数据包括：发生变桨故障时的运行数据。
图2示出根据本公开示例性实施例的使用模糊聚类算法来训练变桨系统故障诊断模型的方法的流程图。
如图2所示，在步骤S101，获取包括故障样本数据的数据源，其中，数据源P＝(p1,p2,p3,...pn)，pi＝(pi1,pi2,pi3,…,piq)，n为故障样本的个数，q为单个故障样本包含的信息量，即，每个故障样本包含的发生变桨故障时的运行数据。例如，q可为7，每个故障样本可包含：叶片1的变桨位置、叶片2的变桨位置、叶片3的变桨位置、叶片1的变桨速率、叶片2的变桨速率、叶片3的变桨速率、以及环境风速值。
在步骤S102，给定隶属度矩阵初始值U0＝[μik]c·n，其中，0<i<＝c，0<k<＝n，c指示变桨故障的各个类型的总数。
具体地，隶属度矩阵为c行n列的矩阵，且隶属度矩阵初始值U0需满足同一列的隶属度值总和为1，即，
Figure BDA0002664921550000081
在步骤S103，计算聚类中心向量Vt＝(v1,v2,v3,…,vc)，其中，vi＝(vi1,vi2,vi3,…,viq)。作为示例，可通过式(1)计算vi，
Figure BDA0002664921550000082
具体地，聚类中心向量V共有c个向量，每个向量的数据量为q个，可将聚类中心向量理解为算法求解出的特定类型变桨故障时的机组状态特征向量，即q个特征向量。m指示模糊参数。
在步骤S104，计算隶属度矩阵值Ut。作为示例，可通过式(2)计算Ut，
Figure BDA0002664921550000083
在步骤S105，将Ut代入式(1)，计算Vt+1。
在步骤S106，判断||Vt+1-Vt||是否小于0.01。
当在步骤S106确定小于0.01时，执行步骤S107，模糊聚类完成，得到聚类中心向量Vt构成的变桨系统故障诊断模型。换言之，使用式(1)和式(2)对聚类中心向量V进行迭代，当聚类中心向量V不再发生明显变化时，认为故障样本数据聚类完成。
当在步骤S106确定大于或等于0.01时，执行步骤S108，将Vt+1的值作为Vt，并返回执行步骤S104。
图3示出根据本公开示例性实施例的训练变桨系统故障诊断模型的方法的流程图。
参照图3，在步骤S201，基于所述历史故障样本数据，训练出在模糊参数为预设初始值条件下的变桨系统故障诊断模型。换言之，使用模糊参数为预设初始值的模糊聚类算法，基于所述历史故障样本数据训练出变桨系统故障诊断模型。例如，所述预设初始值m可为2。
在步骤S202，针对所述历史故障样本数据，确定训练出的在模糊参数为预设初始值条件下的变桨系统故障诊断模型预测的变桨故障类型与实际的变桨故障类型的吻合度是否高于预设阈值。
这里，模型预测的变桨故障类型即模型的聚类结果，实际的变桨故障类型即故障样本数据实际所对应的变桨故障类型。
当在步骤S202确定吻合度高于预设阈值时，执行步骤S203，将训练出的在模糊参数为预设初始值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型。
作为示例，可根据实际情况和具体需求设置所述预设阈值，例如，可设置为95％。
当在步骤S202确定吻合度低于或等于预设阈值时，执行步骤S204，采用粒子群寻优算法确定模糊参数的最优值，并将训练出的在模糊参数为最优值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型。
图4示出根据本公开示例性实施例的采用粒子群寻优算法确定模糊参数的最优值并得到在模糊参数为最优值条件下的变桨系统故障诊断模型的方法的流程图。
参照图4，在步骤S2041，基于当前的故障样本数据，采用粒子群寻优算法进行第j轮模糊参数寻优以得到第j轮寻优值，并针对当前的故障样本数据，确定训练出的在模糊参数为第j轮寻优值条件下的变桨系统故障诊断模型预测的变桨故障类型与实际的变桨故障类型的吻合度是否高于预设阈值，其中，j的初始值为1，故障样本数据的初始值为所述历史故障样本数据。
应该理解，训练出的在模糊参数为第j轮寻优值条件下的变桨系统故障诊断模型即：使用模糊参数为第j轮寻优值的模糊聚类算法，基于当前的故障样本数据训练出的变桨系统故障诊断模型。
作为示例，粒子群寻优算法的种群规模可设置为10，即粒子群寻优算法输入的m值为10个，例如，可在[1，4]中随机选取，要求m>1，其余不做限制。粒子群寻优算法的目标函数可为单个种群对应的模糊聚类结果的轮廓系数总和。即，根据单个m值对应的模糊聚类算法的聚类中心，按照轮廓系数计算公式，计算其总和，如式(3)所示：
Figure BDA0002664921550000101
其中，a(i)指示与第i个变桨故障类型对应的模糊聚类簇的簇内不相似度：聚类中心向量Vi到同簇内所有样本点的平均欧式距离，体现凝聚度；b(i)指示与第i个变桨故障类型对应的模糊聚类簇的簇间不相似度：聚类中心向量Vi到其他簇内所有样本点的平均欧式距离中的最小值，体现分离度。
作为示例，所采用的粒子群寻优算法的寻优方向可以是：模糊聚类结果的轮廓系数总和F最大取值的变化方向。
当在步骤S2041确定吻合度高于预设阈值时，执行步骤S2042，将训练出的在模糊参数为第j轮寻优值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型。
当在步骤S2041确定吻合度低于或等于预设阈值时，执行步骤S2043，按照特定方式从当前的故障样本数据剔除离群的故障样本数据后得到新的故障样本数据，使j＝j+1，将新的故障样本数据作为当前的故障样本数据并返回执行步骤S2041。
作为示例，所述特定方式可为：计算与每个变桨故障类型对应的模糊聚类簇中的每个样本点与该模糊聚类簇的聚类中心向量之间的欧式距离，并剔除欧式距离最远的预设百分比的样本点。
应该理解，与每个变桨故障类型对应的模糊聚类簇是在模糊参数为第j轮寻优值条件下的模糊聚类结果，每个样本点对应一个故障样本。
作为示例，可根据实际情况和具体需求设置所述预设百分比，例如，可设置为10％，即，针对每个模糊聚类簇剔除10％的样本点。
此外，作为示例，根据本公开示例性实施例的海上风力发电机组的故障诊断方法还可包括：当满足更新条件时，基于新增的故障样本数据，更新所述变桨系统故障诊断模型，其中，所述更新条件包括：模型准确度低于预设准确度、新增的能够用于模型训练的故障样本数据超过预定数量。从而能够根据实际反馈动态更新变桨系统故障诊断模型，保证变桨系统故障诊断模型的准确度和稳定性。
图5示出根据本公开示例性实施例的海上风力发电机组的故障诊断设备的结构框图。
如图5所示，根据本公开示例性实施例的海上风力发电机组的故障诊断设备包括：数据获取单元10、预测值获取单元20、以及变桨故障类型确定单元30。
具体说来，数据获取单元10用于获取海上风力发电机组的运行数据。
预测值获取单元20用于将获取的运行数据输入到训练好的海上风力发电机组的变桨系统故障诊断模型，以得到变桨系统故障诊断模型预测的变桨系统发生各个类型的变桨故障的故障隶属度，其中，所述变桨系统故障诊断模型是基于模糊聚类算法构建的。
警告单元30用于基于得到的变桨系统发生各个类型的变桨故障的故障隶属度，确定变桨系统发生的变桨故障类型。
在一个实施例中，数据获取单元10可获取海上风力发电机组发生变桨系统故障报警时的运行数据；变桨故障类型确定单元30可将故障隶属度最大的变桨故障类型确定为：本次发生变桨系统故障报警时变桨系统发生的变桨故障类型。
在另一个实施例中，数据获取单元10可获取海上风力发电机组当前的运行数据；其中，变桨故障类型确定单元30可当变桨系统发生任一类型的变桨故障的故障隶属度超出安全阈值时，发出变桨系统发生该变桨故障类型的故障预警。
作为示例，获取的海上风力发电机组的运行数据可包括以下项之中的至少一项：各个叶片的变桨位置、各个叶片的变桨速率、环境风速值。
作为示例，所述各个类型的变桨故障可包括以下项之中的至少一项：与每个叶片对应的变桨位置传感器及其接线发生故障、与每个叶片对应的变桨控制PLC发生故障、与每个叶片对应的变桨速率信号接收模块发生故障。
作为示例，根据本公开示例性实施例的海上风力发电机组的故障诊断设备还可包括：训练单元(未示出)，训练单元用于基于海上风力发电机组的历史故障样本数据，训练所述变桨系统故障诊断模型，其中，所述历史故障样本数据包括：发生变桨故障时的运行数据。
作为示例，训练单元可执行以下处理：基于所述历史故障样本数据，训练出在模糊参数为预设初始值条件下的变桨系统故障诊断模型；针对所述历史故障样本数据，确定训练出的在模糊参数为预设初始值条件下的变桨系统故障诊断模型预测的变桨故障类型与实际的变桨故障类型的吻合度；当吻合度高于预设阈值时，将训练出的在模糊参数为预设初始值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型；当吻合度低于或等于预设阈值时，采用粒子群寻优算法确定模糊参数的最优值，并将训练出的在模糊参数为最优值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型。
作为示例，训练单元可执行以下处理：(A)基于当前的故障样本数据，采用粒子群寻优算法进行第j轮模糊参数寻优以得到第j轮寻优值，并针对当前的故障样本数据，确定训练出的在模糊参数为第j轮寻优值条件下的变桨系统故障诊断模型预测的变桨故障类型与实际的变桨故障类型的吻合度，其中，j的初始值为1，故障样本数据的初始值为所述历史故障样本数据；(B)当吻合度高于预设阈值时，将训练出的在模糊参数为第j轮寻优值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型；(C)当吻合度低于或等于预设阈值时，按照特定方式从当前的故障样本数据剔除离群的故障样本数据后得到新的故障样本数据，使j＝j+1，将新的故障样本数据作为当前的故障样本数据并返回执行步骤(A)。
作为示例，所采用的粒子群寻优算法的寻优方向可以是：模糊聚类结果的轮廓系数总和F最大取值的变化方向，
其中，
Figure BDA0002664921550000121
a(i)指示与第i个变桨故障类型对应的模糊聚类簇的簇内不相似度，b(i)指示与第i个变桨故障类型对应的模糊聚类簇的簇间不相似度，c指示所有变桨故障类型的总数。
作为示例，所述特定方式可为：计算与每个变桨故障类型对应的模糊聚类簇中的每个样本点与该模糊聚类簇的聚类中心向量之间的欧式距离，并剔除欧式距离最远的预设百分比的样本点。
作为示例，根据本公开示例性实施例的海上风力发电机组的故障诊断设备还可包括：更新单元(未示出)，更新单元用于当满足更新条件时，基于新增的故障样本数据，更新所述变桨系统故障诊断模型，其中，所述更新条件包括：模型准确度低于预设准确度、新增的能够用于模型训练的故障样本数据超过预定数量。
应该理解，根据本公开示例性实施例的海上风力发电机组的故障诊断设备所执行的具体处理已经参照图1-4进行了详细描述，这里将不再赘述相关细节。
应该理解，根据本公开示例性实施例的海上风力发电机组的故障诊断设备中的各个单元可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个装置所执行的处理，可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个装置。
本公开的示例性实施例提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被处理器执行时实现如上述示例性实施例所述的海上风力发电机组的故障诊断方法。该计算机可读存储介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读存储介质的示例包括：只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
根据本公开的示例性实施例的计算装置包括：处理器(未示出)和存储器(未示出)，其中，存储器存储有计算机程序，当所述计算机程序被处理器执行时，实现如上述示例性实施例所述的海上风力发电机组的故障诊断方法。
虽然已表示和描述了本公开的一些示例性实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本公开的原理和精神的情况下，可以对这些实施例进行修改。

Claims (14)

1.一种海上风力发电机组的故障诊断方法，其特征在于，所述故障诊断方法包括：
获取海上风力发电机组的运行数据；
将获取的运行数据输入到训练好的海上风力发电机组的变桨系统故障诊断模型，以得到变桨系统故障诊断模型预测的变桨系统发生各个类型的变桨故障的故障隶属度，其中，所述变桨系统故障诊断模型是基于模糊聚类算法构建的；
基于得到的变桨系统发生各个类型的变桨故障的故障隶属度，确定变桨系统发生的变桨故障类型。
2.根据权利要求1所述的故障诊断方法，其特征在于，获取海上风力发电机组的运行数据的步骤包括：获取海上风力发电机组发生变桨系统故障报警时的运行数据；
其中，基于得到的变桨系统发生各个类型的变桨故障的故障隶属度，确定变桨系统发生的变桨故障类型的步骤包括：
将故障隶属度最大的变桨故障类型确定为：本次发生变桨系统故障报警时变桨系统发生的变桨故障类型。
3.根据权利要求1所述的故障诊断方法，其特征在于，获取海上风力发电机组的运行数据的步骤包括：获取海上风力发电机组当前的运行数据；
其中，基于得到的变桨系统发生各个类型的变桨故障的故障隶属度，确定变桨系统发生的变桨故障类型的步骤包括：
当变桨系统发生任一类型的变桨故障的故障隶属度超出安全阈值时，发出变桨系统发生该变桨故障类型的故障预警。
4.根据权利要求1所述的故障诊断方法，其特征在于，获取的海上风力发电机组的运行数据包括以下项之中的至少一项：各个叶片的变桨位置、各个叶片的变桨速率、环境风速值。
5.根据权利要求1所述的故障诊断方法，其特征在于，所述各个类型的变桨故障包括以下项之中的至少一项：
与每个叶片对应的变桨位置传感器及其接线发生故障、与每个叶片对应的变桨控制PLC发生故障、与每个叶片对应的变桨速率信号接收模块发生故障。
6.根据权利要求1所述的故障诊断方法，其特征在于，所述故障诊断方法还包括：
基于海上风力发电机组的历史故障样本数据，训练所述变桨系统故障诊断模型，
其中，所述历史故障样本数据包括：发生变桨故障时的运行数据。
7.根据权利要求6所述的故障诊断方法，其特征在于，基于海上风力发电机组的历史故障样本数据，训练所述变桨系统故障诊断模型的步骤包括：
基于所述历史故障样本数据，训练出在模糊参数为预设初始值条件下的变桨系统故障诊断模型；
针对所述历史故障样本数据，确定训练出的在模糊参数为预设初始值条件下的变桨系统故障诊断模型预测的变桨故障类型与实际的变桨故障类型的吻合度；
当吻合度高于预设阈值时，将训练出的在模糊参数为预设初始值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型；
当吻合度低于或等于预设阈值时，采用粒子群寻优算法确定模糊参数的最优值，并将训练出的在模糊参数为最优值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型。
8.根据权利要求7所述的故障诊断方法，其特征在于，采用粒子群寻优算法确定模糊参数的最优值，并将训练出的在模糊参数为最优值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型的步骤包括：
(A)基于当前的故障样本数据，采用粒子群寻优算法进行第j轮模糊参数寻优以得到第j轮寻优值，并针对当前的故障样本数据，确定训练出的在模糊参数为第j轮寻优值条件下的变桨系统故障诊断模型预测的变桨故障类型与实际的变桨故障类型的吻合度，其中，j的初始值为1，故障样本数据的初始值为所述历史故障样本数据；
(B)当吻合度高于预设阈值时，将训练出的在模糊参数为第j轮寻优值条件下的变桨系统故障诊断模型作为训练好的变桨系统故障诊断模型；
(C)当吻合度低于或等于预设阈值时，按照特定方式从当前的故障样本数据剔除离群的故障样本数据后得到新的故障样本数据，使j＝j+1，将新的故障样本数据作为当前的故障样本数据并返回执行步骤(A)。
9.根据权利要求8所述的故障诊断方法，其特征在于，所采用的粒子群寻优算法的寻优方向是：模糊聚类结果的轮廓系数总和F最大取值的变化方向，
其中，
Figure FDA0002664921540000031
a(i)指示与第i个变桨故障类型对应的模糊聚类簇的簇内不相似度，b(i)指示与第i个变桨故障类型对应的模糊聚类簇的簇间不相似度，c指示所有变桨故障类型的总数。
10.根据权利要求8所述的故障诊断方法，其特征在于，所述特定方式为：
计算与每个变桨故障类型对应的模糊聚类簇中的每个样本点与该模糊聚类簇的聚类中心向量之间的欧式距离，并剔除欧式距离最远的预设百分比的样本点。
11.根据权利要求1所述的故障诊断方法，其特征在于，所述故障诊断方法还包括：
当满足更新条件时，基于新增的故障样本数据，更新所述变桨系统故障诊断模型，
其中，所述更新条件包括：模型准确度低于预设准确度、新增的能够用于模型训练的故障样本数据超过预定数量。
12.一种海上风力发电机组的故障诊断设备，其特征在于，所述故障诊断设备包括：
数据获取单元，获取海上风力发电机组的运行数据；
预测值获取单元，将获取的运行数据输入到训练好的海上风力发电机组的变桨系统故障诊断模型，以得到变桨系统故障诊断模型预测的变桨系统发生各个类型的变桨故障的故障隶属度，其中，所述变桨系统故障诊断模型是基于模糊聚类算法构建的；
变桨故障类型确定单元，基于得到的变桨系统发生各个类型的变桨故障的故障隶属度，确定变桨系统发生的变桨故障类型。
13.一种存储有计算机程序的计算机可读存储介质，其特征在于，当所述计算机程序被处理器执行时实现如权利要求1至11中的任意一项所述的海上风力发电机组的故障诊断方法。
14.一种计算装置，其特征在于，所述计算装置包括：
处理器；
存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至11中的任意一项所述的海上风力发电机组的故障诊断方法。
CN202010915664.6A 2020-09-03 2020-09-03 海上风力发电机组的故障诊断方法及设备 Active CN113447813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010915664.6A CN113447813B (zh) 2020-09-03 2020-09-03 海上风力发电机组的故障诊断方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010915664.6A CN113447813B (zh) 2020-09-03 2020-09-03 海上风力发电机组的故障诊断方法及设备

Publications (2)

Publication Number Publication Date
CN113447813A true CN113447813A (zh) 2021-09-28
CN113447813B CN113447813B (zh) 2022-09-13

Family

ID=77808567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010915664.6A Active CN113447813B (zh) 2020-09-03 2020-09-03 海上风力发电机组的故障诊断方法及设备

Country Status (1)

Country Link
CN (1) CN113447813B (zh)

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336243A (zh) * 2013-07-01 2013-10-02 东南大学 基于分合闸线圈电流信号的断路器故障诊断方法
CN105134510A (zh) * 2015-09-18 2015-12-09 北京中恒博瑞数字电力科技有限公司 一种风力发电机组变桨系统的状态监测和故障诊断方法
CN106198020A (zh) * 2016-07-07 2016-12-07 华北电力大学（保定） 基于子空间和模糊c均值聚类的风电机组轴承故障诊断法
CN106569056A (zh) * 2016-10-21 2017-04-19 广州供电局有限公司 电力变压器的故障诊断方法及诊断装置
CN107301430A (zh) * 2017-06-29 2017-10-27 常州工学院 广义多变量模糊c均值聚类算法
CN107451622A (zh) * 2017-08-18 2017-12-08 长安大学 一种基于大数据聚类分析的隧道运营状态划分方法
CN107704933A (zh) * 2017-09-01 2018-02-16 新疆金风科技股份有限公司 风力发电机组故障诊断系统和方法
CN108710914A (zh) * 2018-05-22 2018-10-26 常州工学院 一种基于广义模糊聚类算法的无监督数据分类方法
CN109308518A (zh) * 2018-09-13 2019-02-05 北京理工大学 一种基于概率神经网络的监测系统及其平滑参数优化方法
WO2019090878A1 (zh) * 2017-11-09 2019-05-16 合肥工业大学 基于向量值正则核函数逼近的模拟电路故障诊断方法
CN110046562A (zh) * 2019-04-01 2019-07-23 湖南大学 一种风电系统健康监测方法及装置
US20190243735A1 (en) * 2018-02-05 2019-08-08 Wuhan University Deep belief network feature extraction-based analogue circuit fault diagnosis method
CN110361193A (zh) * 2019-04-04 2019-10-22 浙江运达风电股份有限公司 用于风力发电机组变桨轴承故障识别的方法
CN110410282A (zh) * 2019-07-24 2019-11-05 河北工业大学 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法
CN110584898A (zh) * 2019-10-08 2019-12-20 南京邮电大学 一种基于多传感器的脑控轮椅自动避障方法
CN110659672A (zh) * 2019-09-02 2020-01-07 国电新能源技术研究院有限公司 一种风电机组出力分步不确定性预测方法及装置
CN110766175A (zh) * 2019-10-25 2020-02-07 长沙理工大学 一种基于最优间隔分布机的变桨系统故障检测方法及装置
CN111287912A (zh) * 2020-02-18 2020-06-16 广州特种承压设备检测研究院 风力发电机变桨系统故障诊断方法
CN111553400A (zh) * 2020-04-22 2020-08-18 明阳智慧能源集团股份公司 一种风力发电机组振动故障的精准诊断方法
CN111562108A (zh) * 2020-05-09 2020-08-21 浙江工业大学 一种基于cnn和fcmc的滚动轴承智能故障诊断方法

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336243A (zh) * 2013-07-01 2013-10-02 东南大学 基于分合闸线圈电流信号的断路器故障诊断方法
CN105134510A (zh) * 2015-09-18 2015-12-09 北京中恒博瑞数字电力科技有限公司 一种风力发电机组变桨系统的状态监测和故障诊断方法
CN106198020A (zh) * 2016-07-07 2016-12-07 华北电力大学（保定） 基于子空间和模糊c均值聚类的风电机组轴承故障诊断法
CN106569056A (zh) * 2016-10-21 2017-04-19 广州供电局有限公司 电力变压器的故障诊断方法及诊断装置
CN107301430A (zh) * 2017-06-29 2017-10-27 常州工学院 广义多变量模糊c均值聚类算法
CN107451622A (zh) * 2017-08-18 2017-12-08 长安大学 一种基于大数据聚类分析的隧道运营状态划分方法
CN107704933A (zh) * 2017-09-01 2018-02-16 新疆金风科技股份有限公司 风力发电机组故障诊断系统和方法
WO2019090878A1 (zh) * 2017-11-09 2019-05-16 合肥工业大学 基于向量值正则核函数逼近的模拟电路故障诊断方法
US20190243735A1 (en) * 2018-02-05 2019-08-08 Wuhan University Deep belief network feature extraction-based analogue circuit fault diagnosis method
CN108710914A (zh) * 2018-05-22 2018-10-26 常州工学院 一种基于广义模糊聚类算法的无监督数据分类方法
CN109308518A (zh) * 2018-09-13 2019-02-05 北京理工大学 一种基于概率神经网络的监测系统及其平滑参数优化方法
CN110046562A (zh) * 2019-04-01 2019-07-23 湖南大学 一种风电系统健康监测方法及装置
CN110361193A (zh) * 2019-04-04 2019-10-22 浙江运达风电股份有限公司 用于风力发电机组变桨轴承故障识别的方法
CN110410282A (zh) * 2019-07-24 2019-11-05 河北工业大学 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法
CN110659672A (zh) * 2019-09-02 2020-01-07 国电新能源技术研究院有限公司 一种风电机组出力分步不确定性预测方法及装置
CN110584898A (zh) * 2019-10-08 2019-12-20 南京邮电大学 一种基于多传感器的脑控轮椅自动避障方法
CN110766175A (zh) * 2019-10-25 2020-02-07 长沙理工大学 一种基于最优间隔分布机的变桨系统故障检测方法及装置
CN111287912A (zh) * 2020-02-18 2020-06-16 广州特种承压设备检测研究院 风力发电机变桨系统故障诊断方法
CN111553400A (zh) * 2020-04-22 2020-08-18 明阳智慧能源集团股份公司 一种风力发电机组振动故障的精准诊断方法
CN111562108A (zh) * 2020-05-09 2020-08-21 浙江工业大学 一种基于cnn和fcmc的滚动轴承智能故障诊断方法

Also Published As

Publication number Publication date
CN113447813B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
Serradilla et al. Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects
Niu et al. Intelligent condition monitoring and prognostics system based on data-fusion strategy
US7769561B2 (en) Robust sensor correlation analysis for machine condition monitoring
CN115034248A (zh) 用于设备的自动诊断方法、系统和存储介质
KR101872342B1 (ko) 개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 방법 및 장치
US20160313216A1 (en) Fuel gauge visualization of iot based predictive maintenance system using multi-classification based machine learning
JP2022524244A (ja) 将来の動作の予測分類
JP7201844B2 (ja) グラディエントベースのセンサ識別を利用した障害予測
CN112418277A (zh) 旋转机械零部件剩余寿命预测方法、系统、介质、设备
US12007745B2 (en) Apparatus for predicting equipment damage
CN114021784A (zh) 设备的剩余使用寿命的确定方法、装置和电子设备
Skordilis et al. A condition monitoring approach for real-time monitoring of degrading systems using Kalman filter and logistic regression
CN117170998B (zh) 一种智能化设备生命周期管理系统
Khan et al. AI based real-time signal reconstruction for wind farm with SCADA sensor failure
CN113487086B (zh) 设备剩余使用寿命预测方法、装置、计算机设备和介质
CN115878992A (zh) 综合管廊供电系统的监控方法和监控系统
KR102108975B1 (ko) 함정설비의 상태기반 정비 지원 장치 및 방법
WO2020230422A1 (ja) 異常診断装置及び方法
CN110348005B (zh) 配网设备状态数据处理方法、装置、计算机设备及介质
CN113447813B (zh) 海上风力发电机组的故障诊断方法及设备
CN116664098A (zh) 一种光伏电站的异常检测方法及系统
KR20230075150A (ko) 시스템 건전성을 관리하기 위한 방법 및 장치
Torikka Predictive Maintenance Service Powered by Machine Learning and Big Data
Mayadevi et al. SCADA-based operator support system for power plant equipment fault forecasting
JP2020187616A (ja) プラント監視モデル作成装置、プラント監視モデル作成方法およびプラント監視モデル作成プログラム

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
CB03 Change of inventor or designer information

Inventor after: Ding Xian

Inventor after: Xu Jin

Inventor before: Xu Jin

Inventor before: Ding Xian

CB03 Change of inventor or designer information
TA01 Transfer of patent application right

Effective date of registration: 20220816

Address after: Building 2, No. 18 Lishi Hutong, Dongcheng District, Beijing 100010

Applicant after: China lvfa Investment Group Co.,Ltd.

Applicant after: LUNENG GROUP Co.,Ltd.

Applicant after: DUCHENG WEIYE GROUP Co.,Ltd.

Address before: No.14, jingsan Road, Shizhong District, Jinan City, Shandong Province

Applicant before: LUNENG GROUP Co.,Ltd.

Applicant before: DUCHENG WEIYE GROUP Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant