CN113759876B - 基于案例推理的风电机组故障诊断方法及系统 - Google Patents

基于案例推理的风电机组故障诊断方法及系统 Download PDF

Info

Publication number
CN113759876B
CN113759876B CN202111075530.9A CN202111075530A CN113759876B CN 113759876 B CN113759876 B CN 113759876B CN 202111075530 A CN202111075530 A CN 202111075530A CN 113759876 B CN113759876 B CN 113759876B
Authority
CN
China
Prior art keywords
fault
diagnosed
case
alarm sequence
cases
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.)
Active
Application number
CN202111075530.9A
Other languages
English (en)
Other versions
CN113759876A (zh
Inventor
侯成刚
杨涛
张全林
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202111075530.9A priority Critical patent/CN113759876B/zh
Publication of CN113759876A publication Critical patent/CN113759876A/zh
Application granted granted Critical
Publication of CN113759876B publication Critical patent/CN113759876B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明属于风力发电机故障诊断与监测技术领域，公开了一种基于案例推理的风电机组故障诊断方法及系统，通过获取待诊断故障的故障报警序列；根据待诊断故障的故障报警序列，获取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例，得到若干候选源案例；获取若干候选源案例的故障类型；当若干候选源案例的故障类型均相同时，将候选源案例的故障类型作为待诊断故障的故障类型；否则，获取待诊断故障的故障时刻运行状态数据，从若干候选源案例中，获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例，并将该候选源案例的故障类型作为待诊断故障的故障类型，实现故障类型及故障源的准确确定。

Description

基于案例推理的风电机组故障诊断方法及系统
技术领域
本发明属于风力发电机故障诊断与监测技术领域，涉及一种基于案例推理的风电机组故障诊断方法及系统。
背景技术
风电机组结构复杂，工作条件恶劣，在变风速、变负载的条件下长期运行容易发生各种故障，因此需要对风电机组进行在线监测，实时了解机组的健康状态，避免不必要的停机检查，降低运维成本。
目前风电行业比较成熟的监控系统有状态监控系统(Condition MonitoringSystem，CMS)及监控与数据采集系统(Supervisory Control And Data Acquisition,SCADA)。其中CMS系统只对主传动链上轴承及齿轮进行监测，覆盖范围较少，无法全面反映机组的健康状态。
与CMS系统相比，SCADA系统监测范围广，基本覆盖了机组各子系统主要部件，但SCADA系统采样率低，故障时会产生大量的故障报警代码，给运维工作人员分析故障停机原因带来困难，无法准确定位故障类型。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种基于案例推理的风电机组故障诊断方法及系统。
为达到上述目的，本发明采用以下技术方案予以实现：
本发明第一方面，一种基于案例推理的风电机组故障诊断方法，包括以下步骤：
获取待诊断故障的故障报警序列；
根据待诊断故障的故障报警序列，从预设的故障案例库中，获取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例，得到若干候选源案例；
获取若干候选源案例的故障类型；
当若干候选源案例的故障类型均相同时，将候选源案例的故障类型作为待诊断故障的故障类型；
否则，获取待诊断故障的故障时刻运行状态数据，从若干候选源案例中，获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例，并将该候选源案例的故障类型作为待诊断故障的故障类型。
本发明基于案例推理的风电机组故障诊断方法进一步的改进在于：
所述获取待诊断故障的故障报警序列的具体方法为：
获取并通过风电机组SCADA系统中的机组主控状态，获取故障停机前机组主控状态处于故障时产生的故障报警代码及故障报警代码出现的时间，并根据故障报警代码出现的时间顺序组合故障报警代码，得到故障报警序列。
所述从预设的故障案例库中，获取故障报警序列与待诊断故障的故障报警序列相似度高于预设值的案例的具体方法为：
获取预设的故障案例库中各案例的故障报警序列，通过加权Needleman-Wunsch算法，计算待诊断故障的故障报警序列与故障案例库中各案例的故障报警序列之间的相似度，选取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例。
所述加权Needleman-Wunsch算法通过将Needleman-Wunsch算法中的匹配得分只由1修改为
Figure BDA0003261994900000031
得到；
其中，α为预设系数值，
Figure BDA0003261994900000032
通过下式得到：
Figure BDA0003261994900000033
其中，
Figure BDA0003261994900000034
表示故障报警序列ik对应的故障类型触发故障报警代码j的概率；/>
Figure BDA0003261994900000035
表示除故障报警序列ik对应的故障类型外，其余的故障类型触发故障报警代码j的概率。
所述获取待诊断故障的故障时刻运行状态数据的具体方法为：通过线性判别法，从候选源案例的故障时刻SCADA监测数据中提取出能够分类故障源的运行监测参数，并选取该参数故障时刻SCADA数据作为故障时刻运行状态数据。
所述从若干候选源案例中，获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例的具体方法为：
获取若干候选源案例中各候选源案例的故障时刻运行状态数据，通过K近邻算法，计算待诊断故障的故障时刻运行状态数据与各候选源案例的故障时刻运行状态数据之间的相似度，得到故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例。
所述预设的故障案例库通过如下方式构建得到：
获取维修日志中各历史故障的故障报警序列及故障类型；
根据各历史故障的故障报警序列及故障类型，确定故障报警序列与故障类型的对应关系，当故障报警序列与故障类型的对应关系为一对多时，获取该故障报警序列所属历史故障的故障时刻SCADA系统运行监测数据；
以历史故障的故障报警序列，或故障报警序列和故障时刻运行状态数据作为案例的问题描述，以历史故障的故障类型作为案例的解决方案，得到各历史故障的案例，组合各历史故障的案例得到故障案例库。
所述获取维修日志中各历史故障的故障报警序列及故障类型前；
获取维修日志中的各历史故障在故障停机维护时刻前的故障状态，删除在故障停机维护时刻前不存在故障状态的历史故障；
获取维修日志中的各历史故障中，相邻历史故障之间的正常发电时长及相邻历史故障中各故障的故障报警代码，当相邻历史故障之间的正常发电时长小于预设时长，且相邻历史故障中各历史故障的故障报警代码相同时，删除相邻历史故障中的前一个历史故障。
还包括：
获取输入的待诊断故障的人工诊断故障类型；
当候选源案例的个数为0时，根据待诊断故障的故障报警序列及待诊断故障的人工诊断故障类型，生成待诊断故障的故障案例并储存至故障案例库；
否则，判断待诊断故障的人工诊断故障类型与待诊断故障的故障类型是否相同，当相同时，根据待诊断故障的故障报警序列及待诊断故障的人工诊断故障类型，生成待诊断故障的故障案例并储存至故障案例库；当不相同时，判断待诊断故障的故障报警序列与候选源案例的故障报警序列是否相同；
当待诊断故障的故障报警序列与候选源案例的故障报警序列相同时，获取待诊断故障的故障时刻运行状态数据，根据待诊断故障的故障报警序列、故障时刻运行状态数据及待诊断故障的人工诊断故障类型，生成待诊断故障的故障案例并储存至故障案例库；否则，修改待诊断故障的故障报警序列中各故障报警代码的权重，得到修改后的待诊断故障的故障报警序列，根据修改后的待诊断故障的故障报警序列及待诊断故障的人工诊断故障类型，生成待诊断故障的案例并储存至故障案例库。
本发明第二方面，一种基于案例推理的风机故障诊断系统，包括：
第一获取模块，用于获取待诊断故障的故障报警序列；
第一匹配模块，用于根据待诊断故障的故障报警序列，从预设的案例库中，获取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例，得到若干候选源案例；
第二获取模块，用于获取若干候选源案例的故障类型；
第二匹配模块，当若干候选源案例的故障类型均相同时，将候选源案例的故障类型作为待诊断故障的故障类型；否则，获取待诊断故障的故障时刻运行状态数据，从若干候选源案例中，获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例，并将该候选源案例的故障类型作为待诊断故障的故障类型。
与现有技术相比，本发明具有以下有益效果：
本发明基于案例推理的风电机组故障诊断方法，通过预设的案例库，首先，获取待诊断故障的故障报警序列，根据待诊断故障的故障报警序列，从预设的案例库中，获取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例，得到若干候选源案例；然后，获取若干候选源案例的故障类型；当若干候选源案例的故障类型均相同时，将候选源案例的故障类型作为待诊断故障的故障类型；否则，获取待诊断故障的故障时刻运行状态数据，从若干候选源案例中，获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例，并将该候选源案例的故障类型作为待诊断故障的故障类型，采用适合小样本分类的案例推理方法进行故障诊断，通过两层相似度比较过程，实现故障类型的准确确定，进而实现故障源的准确定位，有效解决了现有通过建立分类模型对运行状态数据进行分类的故障诊断方法，由于故障数据较少、数据不平衡导致诊断准确率较低，无法准确定位故障源的问题。
附图说明
图1为本发明的基于案例推理的风电机组故障诊断方法流程框图；
图2为本发明的维修日志中人为记录的故障停机维护时刻示意图；
图3为本发明的经过主控状态修正后的故障停机维护时刻示意图；
图4为本发明的机组故障前后的主控状态示意图；
图5为本发明的机组故障停机维护前故障状态对应的故障报警序列示意图；
图6为本发明的案例库构建过程示意图；
图7为本发明的具有新的故障类型的案例存储策略示意图；
图8为本发明的已存在故障类型的案例存储策略示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
参见图1，本发明一实施例中，提供一种基于案例推理的风电机组故障诊断方法，以解决SCADA系统检测到机组故障时无法准确定位故障类型的问题。从SCADA数据和维修日志中提取故障信息(故障报警序列、故障时刻运行状态数据、故障类型)构建故障案例库；通过案例推理技术从案例库中检索出与候选源问题最相似的候选源案例，并将其解决方案复用到候选源问题上，识别故障类型，实现故障源的准确定位。
具体的，该基于案例推理的风电机组故障诊断方法，包括以下步骤：获取待诊断故障的故障报警序列；根据待诊断故障的故障报警序列，从预设的案例库中，获取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例，得到若干候选源案例；获取若干候选源案例的故障类型；当若干候选源案例的故障类型均相同时，将候选源案例的故障类型作为待诊断故障的故障类型；否则，获取待诊断故障的故障时刻运行状态数据，从若干候选源案例中，获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例，并将该候选源案例的故障类型作为待诊断故障的故障类型。
优选的，所述获取待诊断故障的故障报警序列的具体方法为：通过风机的SCADA系统中的机组主控状态，修正维修日志中的待诊断故障停机维护时刻，得到准确的待诊断故障停机维护时刻；根据准确的待诊断故障停机维护时刻，从SCADA系统中提取待诊断故障停机维护时刻前的故障状态对应的故障报警代码，并根据故障报警代码的出现的时间顺序组成故障报警序列。
具体的，由于故障报警序列由故障代码按触发时间排序组成，而只有故障维护时刻前的故障状态对应的报警代码才对故障类型定位具有一定的指导作用，因此需要利用主控状态对维修日志中的故障维护时刻进行修正。参见图2和3，机组主控状态只有处于“维护”状态时，才允许运维工作人员登机维修，根据该特性获取与维修日志中故障停机维护时刻重合的维护状态时间区间作为真正的故障停机维护时刻。因此，利用SCADA系统中机组主控状态对维修日志中故障停机维护时刻进行修正，得到准确的故障停机维护时刻。
参见图4和5，根据维修经验，机组发生故障时，首先考虑对机组进行重启，若重启无法消除故障报警，才会进行停机维护，因此在故障停机维护前可能会存在多个故障状态，选择具体故障停机维护时刻最近的一次故障状态提取故障报警序列，使用<>表示故障报警代码存在时间上的先后触发关系，使用()表示故障报警代码不存在时间上的先后触发关系，得到待诊断故障的故障报警序列。
优选的，所述从预设的案例库中，获取故障报警序列与待诊断故障的故障报警序列相似度高于预设值的案例的具体方法为：获取预设的案例库中各案例的故障报警序列，通过加权Needleman-Wunsch算法，计算待诊断故障的故障报警序列与各案例的故障报警序列之间的相似度，选取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例，预设值可以根据实际的情况自行设定。
其中，通过将Needleman-Wunsch算法中匹配得分值由1改为
Figure BDA0003261994900000081
生成加权Needleman-Wunsch故障报警序列算法计算待诊断故障的故障报警序列与各案例的故障报警序列之间的相似度；
其中，α为预设系数值，
Figure BDA0003261994900000091
通过下式得到：
Figure BDA0003261994900000092
其中，
Figure BDA0003261994900000093
表示故障报警序列ik对应的故障类型触发故障报警代码j的概率；/>
Figure BDA0003261994900000094
表示除故障报警序列ik对应的故障类型外，其余的故障类型触发故障报警代码j的概率。
本实施例中，α取2，通过加权Needleman-Wunsch算法，从预设的案例库中检索出与待诊断故障相似的候选源案例，并将其解决方案复用到待诊断故障上，实现待诊断故障的故障类型的准确定位。
优选的，所述获取待诊断故障的故障时刻运行状态数据的具体方法为：通过线性判别法，从SCADA数据中提取待诊断故障的故障时刻运行状态数据。
具体的，针对同一故障报警序列对应多个故障类型的情况，故障报警序列与故障类型对应关系不明确，采用线性判别法从若干候选源案例对应的SCADA监测数据中提取出可以分类故障源的运行监测参数，并选取该参数故障时刻SCADA数据作为故障时刻运行状态数据。进而根据故障时刻运行状态数据准确定位故障类型。优选的，所述从若干候选源案例中，获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例的具体方法为：获取若干候选源案例中各候选源案例的故障时刻运行状态数据，通过K近邻算法，计算待诊断故障的故障时刻运行状态数据与各候选源案例的故障时刻运行状态数据之间的相似度，得到故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例。
优选的，参见图6，所述预设的故障案例库通过如下方式构建得到：获取维修日志中各历史故障的故障报警序列及故障类型；根据各历史故障的故障报警序列及故障类型，确定故障报警序列与故障类型的对应关系，当故障报警序列与故障类型的对应关系为一对多时(多对多的关系可以视为多个一对多的关系)，获取该故障报警序列所属历史故障的故障时刻运行状态数据；以历史故障的故障报警序列，或故障报警序列和故障时刻运行状态数据作为案例的问题描述，以历史故障的故障类型作为案例的解决方案，得到各历史故障的案例，组合各历史故障的案例得到案例库。
具体的，维修日志中包含大量的计划性停机和未正确维修故障类型的记录，由于计划性停机维护时刻前不存在故障状态，未正确维修故障类型短时间内还会出现相同的故障报警代码，根据该特性删除计划性停机和未正确维修故障类型的记录，提取准确的故障类型。因此，在获取维修日志中各历史故障的故障报警序列及故障类型前，获取维修日志中的各历史故障在故障停机维护时刻前的故障状态，删除在故障停机维护时刻前不存在故障状态的历史故障；获取维修日志中的各历史故障中，相邻历史故障之间的正常发电时长及相邻历史故障中各历史故障的故障报警代码，当相邻历史故障之间的正常发电时长小于预设时长且相邻历史故障中各历史故障的故障报警代码相同时，删除相邻历史故障中的前一个历史故障。
其中，故障报警序列和故障类型的对应关系可以分为一对一、多对一、一对多、多对多四种类型，其中，一对一和多对一的情况根据故障报警序列，可以准确地定位故障类型，而多对多可以转换为一对多的关系，故障报警序列与故障类型对应不明确，需要通过线性判别法提取可以进一步分类故障类型的故障时刻运行状态数据，进而以历史故障的故障报警序列，或故障报警序列和故障时刻运行状态数据作为案例的问题描述，以历史故障的故障类型作为案例的解决方案，得到各历史故障的案例，组合各历史故障的案例得到案例库。
优选的，该基于案例推理的风电机组故障诊断方法，还包括：待故障解决后，获取输入的待诊断故障的人工诊断故障类型；当候选源案例的个数为0时，根据待诊断故障的故障报警序列以及待诊断故障的人工诊断故障类型，生成待诊断故障的故障案例并储存至案例库；否则，判断待诊断故障的人工诊断故障类型与待诊断故障的故障类型是否相同，当相同时，根据待诊断故障的故障报警序列以及待诊断故障的人工诊断故障类型，生成待诊断故障的故障案例并储存至案例库；当不相同时，判断待诊断故障的故障报警序列与候选源案例的故障报警序列是否相同；当待诊断故障的故障报警序列与候选源案例的故障报警序列相同时，获取待诊断故障的故障时刻运行状态数据，根据待诊断故障的故障报警序列、故障时刻运行状态数据以及待诊断故障的人工诊断故障类型，生成待诊断故障的故障案例并储存至案例库；否则，修改待诊断故障的故障报警序列中各故障报警代码的权重，得到修改后的待诊断故障的故障报警序列，根据修改后的待诊断故障的故障报警序列以及待诊断故障的人工诊断故障类型，生成待诊断故障的故障案例并储存至案例库。
具体的，提出一种案例存储策略，用以存储新生成的案例，提升案例库的诊断能力。将案例存储过程分为具有新的故障类型的案例存储和已存在故障类型的案例存储，两种类型并分别讨论其存储策略。
(1)参见图7，对于具有新的故障类型的案例存储策略。首先，需要判断新案例是否存在候选源案例，若不存在则直接生成案例进行存储。否则，需要进一步判断故障报警代码是否可分(新案例故障报警代码是否与候选源案例是否相同)，若可分，计算各故障报警代码的权重，降低其与候选源案例的相似度，否则通过线性判别法从SCADA数据中提取可以分类新案例和候选源案例的故障时刻运行状态数据，然后生成新的案例并进行存储。
(2)参见图8，对于已存在故障类型的案例存储策略。首先，判断新案例是否存在候选源案例，若不存在则直接进行存储。否则，需要进一步判断候选源案例给出的故障类型是否正确，若正确则直接存储新的案例。否则，需要进一步判断故障报警代码是否可分(新案例故障报警代码是否与候选源案例是否相同)，若可分，计算各故障报警代码的权重，减少其与候选源案例的相似度，否则通过线性判别法从SCADA数据中提取可以分类新案例和候选源案例的故障时刻运行状态数据，然后生成案例并进行存储。
综上所述，本发明基于案例推理的风电机组故障诊断方法，通过预设的案例库，首先，根据待诊断故障的故障报警序列，使用加权Needleman-Wunsch算法从预设的案例库中获取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例，得到若干候选源案例；然后，获取若干候选源案例的故障类型；当若干候选源案例的故障类型均相同时，将候选源案例的故障类型作为待诊断故障的故障类型；否则，使用线性判别法获取待诊断故障的故障时刻运行状态数据，并通过K近邻法从若干候选源案例中获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例，并将该候选源案例的故障类型作为待诊断故障的故障类型，采用适合小样本分类的案例推理方法进行故障诊断，通过两层相似度比较过程，实现故障类型的准确确定，进而实现故障源的准确定位，有效解决了现有通过建立分类模型对运行状态数据进行分类的故障诊断方法，由于故障数据较少，数据之间存在严重的不平衡，导致诊断准确率较低，无法准确定位故障源的问题。
下面结合具体实施例对本发明作进一步详细说明。
采用风电机组发电机系统故障案例验证本发明可以实现故障源的准确定位，表1为发电机系统故障案例库。
表1发电机系统故障案例库表
Figure BDA0003261994900000131
从表1中可以看出故障报警序列<691>对应发电机碳刷故障，故障报警序列与故障类型属于一对一的关系；故障报警序列<(525,664,665,670)>、<(525,670)>、<670>等对应发电机编码器故障，故障报警序列与故障类型属于多对一的关系；这两类情况通过故障报警序列可以直接定位故障源。故障报警序列<635>对应的故障类型有轴承或传感器故障、水冷系统故障两种，属于一对多的故障类型，仅根据故障报警序列无法准确定位故障源，需要采用线性判别法提取故障时刻非驱动侧轴温、发电机绕组温度值进一步定位故障源。故障报警序列<662>与<663>可能对应发电机编码器故障、滑环或超速继电器故障，属于多对多的情况，需要将其转换为多个一对多的情况分别进行处理，即故障报警序列<663>对应的故障类型为发电机编码器故障，故障报警序列<662>对应的故障类型为发电机编码器故障、滑环或超速继电器故障，需要提取故障时刻发电机转子转速波动值、轮毂转速波动值进一步定位故障源。
使用加权Needleman-Wunsch算法进行故障报警序列的匹配，得到的结果如表2所示。
表2故障报警序列匹配结果表
故障类别 故障计数 准确诊断计数 无候选案例 多类候选案例
发电机碳刷故障 13 13 0 0
轴承或传感器故障 6 0 0 6
水冷系统部件故障 2 0 0 2
发电机编码器故障 22 15 3 2
滑环或超速继电器故障 4 0 0 4
从表2中可以看出，根据故障报警序列可以准确地定位发电机碳刷故障，但是对轴承或传感器故障、水冷系统故障、滑环或超速继电器和部分发电机编码器故障无法给出准确的诊断结果。分析诊断结果，将依靠故障报警序列无法准确定位故障源的原因分为无候选故障案例和候选故障案例存在多个故障类型两种情况。对于无候选故障案例情况，表明故障案例库的覆盖范围不全，在案例库中未找到与测试案例故障报警序列相似的源案例，如发电机编码器故障对应的<670>、<(665,670)>、<662,525>三个故障报警序列在匹配时最大相似度均为0.5，小于设定的阈值(0.6)，因此需要将这些案例按照案例存储策略存储到案例库中，增强案例库的诊断能力。对于候选源案例中存在多个故障类型的情况，表明故障报警序列与故障类型对应关系存在一对多的情况，如故障报警<635>对应轴承或传感器故障与水冷系统部件故障、故障报警<662>对应发电机编码器故障与滑环或超速继电器故障。
针对上述情况，仅根据故障报警序列无法对故障类型进一步区分，需要使用K近邻算法对故障时刻运行状态数据进行匹配，诊断结果如表3所示，从表中可以看出通过引入K近邻算法可以实现故障源的准确定位，解决了依靠故障代码无法精确定位故障源的问题。
表3K近邻算法诊断结果表
Figure BDA0003261994900000151
下述以具体的细节步骤，完整描述本发明基于案例推理的风电机组故障诊断方法的全过程，具体包括以下步骤：
(1)获取维修日志中各历史故障的故障报警序列及故障类型；根据各历史故障的故障报警序列及故障类型，确定故障报警序列与故障类型的对应关系，当故障报警序列与故障类型的对应关系为一对多时，获取该故障报警序列所属历史故障的故障时刻SCADA系统运行监测数据；以历史故障的故障报警序列，或故障报警序列和故障时刻运行状态数据作为案例的问题描述，以历史故障的故障类型作为案例的解决方案表示故障案例，得到各历史故障的案例，组合各历史故障的案例得到故障案例库。
具体的，通过风机的SCADA系统中的机组主控状态，修正维修日志中各历史故障的故障停机维护时刻，得到准确的故障停机维护时刻；并根据准确的故障停机维护时刻，从SCADA系统中提取故障停机维护时刻前的故障状态对应的故障报警代码及故障报警代码的出现时间，并根据故障报警代码的出现的时间顺序组合故障报警代码，得到各历史故障的故障报警序列。同时，获取维修日志中的各历史故障在故障停机维护时刻前的是否存在的故障状态，删除在故障停机维护时刻前不存在故障状态的历史故障；获取维修日志中的各历史故障中，判断维修日志中相邻历史故障之间的正常发电时长及相邻历史故障中各历史故障对应的故障报警代码，当相邻历史故障之间的正常发电时长小于预设时长，且相邻历史故障中各历史故障的故障报警代码相同时，删除相邻历史故障中的前一个历史故障记录；获取维修日志中剩余各历史故障记录对应的故障类型。
(2)通过风电机组SCADA系统中机组主控状态，获取故障停机前机组主控状态处于故障时产生的故障报警代码及故障报警代码出现的时间，并根据故障报警代码出现的时间顺序组合故障报警代码，得到待诊断故障的故障报警序列。
(3)根据待诊断故障的故障报警序列，从预设的故障案例库中，获取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例，得到若干候选源案例。
具体的，将Needleman-Wunsch算法中的匹配得分只由1修改为
Figure BDA0003261994900000161
生成加权Needleman-Wunsch算法；并通过加权Needleman-Wunsch算法，计算待诊断故障的故障报警序列与故障案例库中各案例的故障报警序列之间的相似度，选取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例；其中，α为预设系数值，/>
Figure BDA0003261994900000162
通过下式得到：
Figure BDA0003261994900000163
其中，
Figure BDA0003261994900000164
表示故障报警序列ik对应的故障类型触发故障报警代码j的概率；/>
Figure BDA0003261994900000165
表示除故障报警序列ik对应的故障类型外，其余的故障类型触发故障报警代码j的概率。
(4)获取若干候选源案例对应的故障类型。
(5)当若干候选源案例的故障类型均相同时，将候选源案例的故障类型作为待诊断故障的故障类型；否则，获取待诊断故障的故障时刻运行状态数据，从若干候选源案例中，获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例，并将该候选源案例的故障类型作为待诊断故障的故障类型。
具体的，通过线性判别法，从候选源案例对应的SCADA数据中提取出可以进一步分类故障源的运行监测参数，提取待诊断故障案例SCADA系统故障时刻相应的监测参数作为故障时刻运行状态数据；并通过K近邻算法，计算待诊断故障的故障时刻运行状态数据与各候选源案例的故障时刻运行状态数据之间的相似度，得到故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例。
(6)当故障解决后，获取输入的待诊断故障的人工诊断故障类型；将待诊断故障的故障报警序列、故障时刻运行状态数据及人工诊断的故障类型组成待诊断故障的故障案例并储存至故障案例库，提升故障案例库的诊断能力。
具体的，获取输入的待诊断故障的人工诊断故障类型，生成新的故障案例存储到故障案例库中，提升故障案例库的诊断能力；当候选源案例的个数为0时，根据待诊断故障的故障报警序列及待诊断故障的人工诊断故障类型，生成待诊断故障的案例并储存至故障案例库；否则，判断待诊断故障的人工诊断故障类型与待诊断故障的故障类型是否相同，当相同时，根据待诊断故障的故障报警序列及待诊断故障的人工诊断维修人工诊断故障类型，生成待诊断故障的新的故障待诊断故障的案例并储存至故障案例库；当不相同时，判断待诊断故障的故障报警序列与候选源案例的故障报警序列是否相同；当待诊断故障的故障报警序列与候选源案例的故障报警序列相同时，获取待诊断故障的故障时刻运行状态数据，根据待诊断故障的故障报警序列、故障时刻运行状态数据及待诊断故障的人工诊断故障类型，生成待诊断故障的案例并储存至案例库；否则，修改待诊断故障的故障报警序列中各故障报警代码的权重，得到修改后的待诊断故障的故障报警序列，根据修改后的待诊断故障的故障报警序列及待诊断故障的人工诊断故障类型，生成待诊断故障的案例并储存至故障案例库。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节，请参照本发明方法实施例。
本发明再一实施例中，提供一种基于案例推理的风机故障诊断系统，能够用于实现上述的基于案例推理的风机故障诊断方法，该基于案例推理的风机故障诊断系统包括第一获取模块、第一匹配模块、第二获取模块以及第二匹配模块。
其中，第一获取模块用于获取待诊断故障的故障报警序列；第一匹配模块用于根据待诊断故障的故障报警序列，从预设的案例库中，获取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例，得到若干候选源案例；第二获取模块用于获取若干候选源案例的故障类型；第二匹配模块当若干候选源案例的故障类型均相同时，将候选源案例的故障类型作为待诊断故障的故障类型；否则，获取待诊断故障的故障时刻运行状态数据，从若干候选源案例中，获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例，并将该候选源案例的故障类型作为待诊断故障的故障类型。
优选的，还包括：存储模块，用于获取输入的待诊断故障的人工诊断故障类型；当候选源案例的个数为0时，根据待诊断故障的故障报警序列及待诊断故障的人工诊断故障类型，生成待诊断故障的故障案例并储存至案例库；否则，判断待诊断故障的人工诊断故障类型与待诊断故障的故障类型是否相同，当相同时，根据待诊断故障的故障报警序列及待诊断故障的人工诊断故障类型，生成待诊断故障的故障案例并储存至案例库；当不相同时，判断待诊断故障的故障报警序列与候选源案例的故障报警序列是否相同；当待诊断故障的故障报警序列与候选源案例的故障报警序列相同时，获取待诊断故障的故障时刻运行状态数据，根据待诊断故障的故障报警序列、故障时刻运行状态数据及待诊断故障的人工诊断故障类型，生成待诊断故障的案例并储存至案例库；否则，修改待诊断故障的故障报警序列中各故障报警代码的权重，得到修改后的待诊断故障的故障报警序列，根据修改后的待诊断故障的故障报警序列及待诊断故障的人工诊断故障类型，生成待诊断故障的案例并储存至案例库。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于案例推理的风电机组故障诊断方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于案例推理的风电机组故障诊断方法的相应步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.一种基于案例推理的风电机组故障诊断方法，其特征在于，包括以下步骤：
获取待诊断故障的故障报警序列；
根据待诊断故障的故障报警序列，从预设的故障案例库中，获取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例，得到若干候选源案例；
获取若干候选源案例的故障类型；
当若干候选源案例的故障类型均相同时，将候选源案例的故障类型作为待诊断故障的故障类型；
否则，获取待诊断故障的故障时刻运行状态数据，从若干候选源案例中，获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例，并将该候选源案例的故障类型作为待诊断故障的故障类型；
所述预设的故障案例库通过如下方式构建得到：
获取维修日志中各历史故障的故障报警序列及故障类型；
根据各历史故障的故障报警序列及故障类型，确定故障报警序列与故障类型的对应关系，当故障报警序列与故障类型的对应关系为一对多时，获取该故障报警序列所属历史故障的故障时刻SCADA系统运行监测数据；
以历史故障的故障报警序列，或故障报警序列和故障时刻运行状态数据作为案例的问题描述，以历史故障的故障类型作为案例的解决方案，得到各历史故障的案例，组合各历史故障的案例得到故障案例库。
2.根据权利要求1所述的基于案例推理的风电机组故障诊断方法，其特征在于，所述获取待诊断故障的故障报警序列的具体方法为：
获取并通过风电机组SCADA系统中的机组主控状态，获取故障停机前机组主控状态处于故障时产生的故障报警代码及故障报警代码出现的时间，并根据故障报警代码出现的时间顺序组合故障报警代码，得到故障报警序列。
3.根据权利要求1所述的基于案例推理的风电机组故障诊断方法，其特征在于，所述从预设的故障案例库中，获取故障报警序列与待诊断故障的故障报警序列相似度高于预设值的案例的具体方法为：
获取预设的故障案例库中各案例的故障报警序列，通过加权Needleman-Wunsch算法，计算待诊断故障的故障报警序列与故障案例库中各案例的故障报警序列之间的相似度，选取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例。
4.根据权利要求3所述的基于案例推理的风电机组故障诊断方法，其特征在于，所述加权Needleman-Wunsch算法通过将Needleman-Wunsch算法中的匹配得分只由1修改为
Figure FDA0004139812800000021
得到；
其中，α为预设系数值，
Figure FDA0004139812800000022
通过下式得到：
Figure FDA0004139812800000023
其中，
Figure FDA0004139812800000024
表示故障报警序列ik对应的故障类型触发故障报警代码j的概率；/>
Figure FDA0004139812800000025
表示除故障报警序列ik对应的故障类型外，其余的故障类型触发故障报警代码j的概率。
5.根据权利要求1所述的基于案例推理的风电机组故障诊断方法，其特征在于，所述获取待诊断故障的故障时刻运行状态数据的具体方法为：通过线性判别法，从候选源案例的故障时刻SCADA监测数据中提取出能够分类故障源的运行监测参数，并选取该参数故障时刻SCADA数据作为故障时刻运行状态数据。
6.根据权利要求1所述的基于案例推理的风电机组故障诊断方法，其特征在于，所述从若干候选源案例中，获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例的具体方法为：
获取若干候选源案例中各候选源案例的故障时刻运行状态数据，通过K近邻算法，计算待诊断故障的故障时刻运行状态数据与各候选源案例的故障时刻运行状态数据之间的相似度，得到故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例。
7.根据权利要求1所述的基于案例推理的风电机组故障诊断方法，其特征在于，所述获取维修日志中各历史故障的故障报警序列及故障类型前；
获取维修日志中的各历史故障在故障停机维护时刻前的故障状态，删除在故障停机维护时刻前不存在故障状态的历史故障；
获取维修日志中的各历史故障中，相邻历史故障之间的正常发电时长及相邻历史故障中各故障的故障报警代码，当相邻历史故障之间的正常发电时长小于预设时长，且相邻历史故障中各历史故障的故障报警代码相同时，删除相邻历史故障中的前一个历史故障。
8.根据权利要求1所述的基于案例推理的风电机组故障诊断方法，其特征在于，还包括：
获取输入的待诊断故障的人工诊断故障类型；
当候选源案例的个数为0时，根据待诊断故障的故障报警序列及待诊断故障的人工诊断故障类型，生成待诊断故障的故障案例并储存至故障案例库；
否则，判断待诊断故障的人工诊断故障类型与待诊断故障的故障类型是否相同，当相同时，根据待诊断故障的故障报警序列及待诊断故障的人工诊断故障类型，生成待诊断故障的故障案例并储存至故障案例库；当不相同时，判断待诊断故障的故障报警序列与候选源案例的故障报警序列是否相同；
当待诊断故障的故障报警序列与候选源案例的故障报警序列相同时，获取待诊断故障的故障时刻运行状态数据，根据待诊断故障的故障报警序列、故障时刻运行状态数据及待诊断故障的人工诊断故障类型，生成待诊断故障的故障案例并储存至故障案例库；否则，修改待诊断故障的故障报警序列中各故障报警代码的权重，得到修改后的待诊断故障的故障报警序列，根据修改后的待诊断故障的故障报警序列及待诊断故障的人工诊断故障类型，生成待诊断故障的案例并储存至故障案例库。
9.一种基于案例推理的风机故障诊断系统，其特征在于，包括：
第一获取模块，用于获取待诊断故障的故障报警序列；
第一匹配模块，用于根据待诊断故障的故障报警序列，从预设的案例库中，获取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例，得到若干候选源案例；
第二获取模块，用于获取若干候选源案例的故障类型；
第二匹配模块，当若干候选源案例的故障类型均相同时，将候选源案例的故障类型作为待诊断故障的故障类型；否则，获取待诊断故障的故障时刻运行状态数据，从若干候选源案例中，获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例，并将该候选源案例的故障类型作为待诊断故障的故障类型；
所述预设的故障案例库通过如下方式构建得到：
获取维修日志中各历史故障的故障报警序列及故障类型；
根据各历史故障的故障报警序列及故障类型，确定故障报警序列与故障类型的对应关系，当故障报警序列与故障类型的对应关系为一对多时，获取该故障报警序列所属历史故障的故障时刻SCADA系统运行监测数据；
以历史故障的故障报警序列，或故障报警序列和故障时刻运行状态数据作为案例的问题描述，以历史故障的故障类型作为案例的解决方案，得到各历史故障的案例，组合各历史故障的案例得到故障案例库。
CN202111075530.9A 2021-09-14 2021-09-14 基于案例推理的风电机组故障诊断方法及系统 Active CN113759876B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111075530.9A CN113759876B (zh) 2021-09-14 2021-09-14 基于案例推理的风电机组故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111075530.9A CN113759876B (zh) 2021-09-14 2021-09-14 基于案例推理的风电机组故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN113759876A CN113759876A (zh) 2021-12-07
CN113759876B true CN113759876B (zh) 2023-05-19

Family

ID=78795523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111075530.9A Active CN113759876B (zh) 2021-09-14 2021-09-14 基于案例推理的风电机组故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113759876B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116381490B (zh) * 2023-06-05 2023-08-11 江苏铭星智能家居有限公司 一种基于数据分析的推杆电机性能检测系统及方法
CN117055537B (zh) * 2023-10-12 2024-01-02 深圳丰汇汽车电子有限公司 一种基于物联网的摩托车电控系统故障诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102176239A (zh) * 2011-02-23 2011-09-07 电子科技大学 一种基于案例推理的厨具故障诊断方法
WO2021008029A1 (zh) * 2019-07-15 2021-01-21 平安普惠企业管理有限公司 案例执行方法、装置、设备及计算机可读存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107229017B (zh) * 2017-01-06 2019-07-09 科诺伟业风能设备（北京）有限公司 一种风力发电机组变桨蓄电池异常故障预测方法
CN109358595A (zh) * 2018-09-30 2019-02-19 南方电网科学研究院有限责任公司 一种it运维风险预警方法及相关装置
US11188691B2 (en) * 2018-12-21 2021-11-30 Utopus Insights, Inc. Scalable system and method for forecasting wind turbine failure using SCADA alarm and event logs
CN109902153B (zh) * 2019-04-02 2020-11-06 杭州安脉盛智能技术有限公司 基于自然语言处理和案例推理的设备故障诊断方法及系统
CN111060337B (zh) * 2019-12-05 2022-05-06 杭州哲达科技股份有限公司 一种基于专家系统的运转设备实时故障诊断方法
CN112101422B (zh) * 2020-08-19 2024-02-13 厦门盈盛捷电力科技有限公司 电力系统故障案例的典型案例自学习方法
CN112801537B (zh) * 2021-02-22 2023-04-18 西安热工研究院有限公司 一种发电企业非停事故分析方法、系统、介质及设备
CN113328898B (zh) * 2021-08-02 2021-11-09 中国人民解放军国防科技大学 一种具有自主学习能力的故障诊断方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102176239A (zh) * 2011-02-23 2011-09-07 电子科技大学 一种基于案例推理的厨具故障诊断方法
WO2021008029A1 (zh) * 2019-07-15 2021-01-21 平安普惠企业管理有限公司 案例执行方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN113759876A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
US20220283576A1 (en) Automatic diagnosis method, system and storage medium for equipment
CN110276416B (zh) 一种滚动轴承故障预测方法
CN113759876B (zh) 基于案例推理的风电机组故障诊断方法及系统
WO2016040085A1 (en) Gas turbine failure prediction utilizing supervised learning methodologies
GB2476246A (en) Diagnosing an operation mode of a machine
WO2015121176A1 (en) Method of identifying anomalies
Michau et al. Fleet PHM for critical systems: bi-level deep learning approach for fault detection
CN110458039A (zh) 一种工业过程故障诊断模型的构建方法及其应用
CN104571084B (zh) 主风机组故障根源深度诊断方法和装置
CN116561514A (zh) 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质
CN116771610A (zh) 一种调整风电机组变桨系统故障评估值的方法
CN114463143A (zh) 一种海上双馈风力发电机scada故障数据增强方法
CN113313365A (zh) 一种一次风机的劣化预警方法及设备
Dienst et al. Automatic anomaly detection in offshore wind SCADA data
KR102108975B1 (ko) 함정설비의 상태기반 정비 지원 장치 및 방법
CN112524077A (zh) 检测风机故障的方法及装置、系统
EP3712577B1 (en) Apparatus for equipment monitoring
CN117151684A (zh) 风电风机数据分析预警方法、系统、装置及可读存储介质
CN117093938A (zh) 一种基于深度学习的风机轴承的故障检测方法和系统
US11339763B2 (en) Method for windmill farm monitoring
CN115929613A (zh) 一种输油泵故障的处理方法、装置、系统及介质
CN115326393A (zh) 一种基于温度信息的风电机组轴承对故障诊断方法
Souza et al. Evaluation of data based normal behavior models for fault detection in wind turbines
CN114330569A (zh) 一种检测风机组部件故障的方法、设备及存储介质
Boukra et al. Identifying new prognostic features for remaining useful life prediction

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
GR01 Patent grant
GR01 Patent grant