CN114577470A - 用于风机主轴承的故障诊断方法及系统 - Google Patents
用于风机主轴承的故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114577470A CN114577470A CN202011374850.XA CN202011374850A CN114577470A CN 114577470 A CN114577470 A CN 114577470A CN 202011374850 A CN202011374850 A CN 202011374850A CN 114577470 A CN114577470 A CN 114577470A
- Authority
- CN
- China
- Prior art keywords
- detection model
- main bearing
- fault
- output value
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003745 diagnosis Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 123
- 230000005856 abnormality Effects 0.000 claims abstract description 50
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000007689 inspection Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 230000036541 health Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000005201 scrubbing Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供一种用于风机主轴承的故障诊断方法和系统。该方法可以包括：从SCADA数据中采集与主轴承相关的参数数据；对与主轴承相关的参数数据进行预处理并进行特征提取；将提取的特征输入异常检测模型和故障检测模型，并且基于异常检测模型的输出值和故障检测模型的输出值对风机主轴承的状态进行诊断。利用本公开的故障诊断方法和系统可以降低故障漏报率以及降低风机运维成本。
Description
技术领域
本发明涉及风力发电领域，尤其涉及用于风机主轴承的基于人工智能的故障诊断方法及系统。
背景技术
伴随着风能的快速发展和风电机组的广泛安装使用，风电机组的运行故障问题日益突出。风电机组的安全、稳定、无故障运转不仅可以提供稳定的电力供应，也可以大幅降低风电的成本，是整个产业链健康发展的关键环节。
目前，针对风电机组运行故障提出了多种诊断方法和系统。然而几乎所有的诊断方法都集中在齿轮箱、发电机或相对高速转动的轴承上，而很少开发针对主轴承的诊断方法，因为主轴承相对低速的转动且非平稳的轴承振动信号为故障频率分析造成非常大的挑战。由于主轴承的低速转动以及脉动载荷(pulsating-load)工况，当前主流的基于风电机组CMS(状态监测系统)信号的标尺驱动(ruler-driven)轴承故障检测方法将会变得无能为力。由此，评估主轴承的健康状况成为风机运行和维护的难题。
因此，需要开发一种能够用于风机主轴承的故障诊断方法及系统，以解决以上问题。
发明内容
本发明的一个方面提供了一种用于风机主轴承的故障诊断方法。该方法包括：从SCADA数据中采集与主轴承相关的参数数据；对所述与主轴承相关的参数数据进行预处理并进行特征提取；将提取的特征输入异常检测模型和故障检测模型，并且基于所述异常检测模型的输出值和所述故障检测模型的输出值对风机主轴承的状态进行诊断。其中，当所述异常检测模型的输出值小于等于第一阈值时，将风机主轴承的状态诊断为正常；和/或当所述异常检测模型的输出值大于所述第一阈值时，则将所述故障检测模型的输出值与第二阈值进行比较。如果所述故障检测模型的输出值小于等于第二阈值，则将风机主轴承的状态诊断为异常；和/或如果所述故障检测模型的输出值大于第二阈值，则将风机主轴承的状态诊断为故障。
根据一个或多个实施例，该方法还可以进一步包括对所述异常检测模型和故障检测模型进行训练。该训练可以包括：从SCADA数据和历史故障检查报告中采集与主轴承相关的参数数据；对所述与主轴承相关的参数数据进行预处理；为所述预处理后的参数数据设置多个标签并且基于设置有标签的参数数据进行特征提取，提取后的特征包括具有多个标签中的特定标签的第一特征和具有多个标签中的除了所述特定标签之外的标签的第二特征；通过将所述第一特征作为所述异常检测模型的输入并且将异常概率值作为所述异常检测模型的输出值，对所述异常检测模型进行训练；以及通过将所述第一特征和所述第二特征共同作为所述故障检测模型的输入并且将故障概率值作为所述故障检测模型的输出值，对所述故障检测模型进行训练。
根据一个或多个实施例，所述为参数数据设置标签还可以进一步包括基于所述历史故障检查报告中的检查信息来评估主轴承的健康状态等级；以及根据所述主轴承的健康状态等级，为与主轴承相关的参数数据设置相对应的标签。
根据一个或多个实施例，对所述与主轴承相关的参数数据进行预处理可以包括执行以下各项中的至少一项：数据清理，数据筛选以及数据编码。
根据一个或多个实施例，所述执行所述数据清理可以进一步包括：将符合预定条件的参数数据移除，所述符合预定条件的参数数据包括空值和常数值中的至少一个。
根据一个或多个实施例，执行所述数据筛选可以进一步包括：基于工况参数的有效范围来对所述参数数据进行筛选。
根据一个或多个实施例，所述特征提取可以包括关键特征处理。所述关键特征处理包括：基于相关性分析和重要性分析，从经过预处理后的参数数据中选择参数作为关键特征。所述关键特征包括温度、振动、功率和速度参数中的至少一个。
根据一个或多个实施例，所述特征提取进一步包括特征增加处理，所述特征增加处理包括增加选自由以下统计和逻辑特征构成的组中的至少一个特征：平均、标准差、偏度、峰度、极差、四分位差、相关系数和发电功率比例。
根据一个或多个实施例，所述第一阈值和所述第二阈值分别是介于0％与100％之间的数值。
本发明的另一个方面还提供了一种用于风机主轴承的故障诊断系统。该系统可以包括存储器以及与存储器连接的处理器。本发明的处理器作为整体可是微处理器、专用集成电路(ASIC)、芯片上系统(SoC)、计算装置、便携移动计算装置(例如，平板计算机或手机)等。处理器可以被配置成执行：从SCADA数据中采集与主轴承相关的参数数据；对所述与主轴承相关的参数数据进行预处理并进行特征提取；将提取的特征输入异常检测模型和故障检测模型，并且基于所述异常检测模型的输出值和所述故障检测模型的输出值对风机主轴承的状态进行诊断。该处理器还可以被配置以进一步执行以下诊断：当所述异常检测模型的输出值小于等于第一阈值时，将风机主轴承的状态诊断为正常；和/或当所述异常检测模型的输出值大于所述第一阈值时，将所述故障检测模型的输出值与第二阈值进行比较：如果所述故障检测模型的输出值小于等于第二阈值，则将风机主轴承的状态诊断为异常；和/或如果所述故障检测模型的输出值大于第二阈值，则将风机主轴承的状态诊断为故障。
有利地，本发明所公开的用于风机主轴承的故障诊断方法和系统通过分别建立包括异常检测模型和故障检测模型的双向诊断模型，实现了对风机机组中的主轴承的健康状态的诊断，并且由于双向诊断模型的使用从而极大地减少故障漏检的发生。此外，本发明所公开的用于风机主轴承的故障诊断方法和系统是根据风力发电机组的SCADA数据来实现主轴承的诊断。由此，相比于现有的基于CMS系统的风机系统，本发明所公开的用于风机主轴承的故障诊断方法和系统大大降低由于CMS系统的安装所带来的硬件成本。
附图说明
所述系统参照下列描述并结合附图可被更好地理解。图中的部件不是按比例的，而是将重点放在说明本发明的原理。此外，在图中，相似或相同参考数字代表相似或相同元件。
图1说明性示出了根据本发明一个或多个实施例的的用于风机主轴承的故障诊断方案的架构示意图。
图2示意性示出了根据本发明的一个或多个实施例的用于风机主轴承的故障诊断方法的流程图。
图3示意性示出了根据本发明的一个或多个实施例的对包括异常检测模型和故障检测模型的双向诊断模型进行训练的方法流程图。
图4示意性示出了根据本发明的一个或多个实施例的用于设置标签的方法流程图。
图5示意性示出了根据本发明的一个或多个实施例的用于特征提取的方法流程图。
具体实施方式
应当理解，给出实施例的以下描述仅仅是为了说明的目的，而不是限制性的。在附图中示出的功能块、模块或单元中的示例的划分不应被解释为表示这些功能块、模块或单元必须实现为物理上分离的单元。示出或描述的功能块、模块或单元可以实现为单独的单元、电路、芯片、功能、模块或电路元件。一个或多个功能块或单元也可以在公共电路、芯片、电路元件或单元中实现。
图1说明性示出了根据本发明的用于风机主轴承的故障诊断方案的架构示意图。为了便于理解，以下基于图1的方案架构示意图，对本发明的技术方案进行总体上的架构说明。
图1所示的架构从五个部分来示例性地说明本发明的实施方案，即数据采集部分、数据预处理部分、特征提取部分、模型开发部分以及模型应用部分。以下将针对这五个部分逐一说明。
关于数据采集部分，主要包括基于SCADA数据的数据采集和基于历史检查报告的数据采集。SCADA数据是由SCADA系统(Supervisory Control And Data Acquisition，监控和数据采集系统)采集的历史数据集。SCADA数据可以主要包括操作参数和条件参数。其中，操作参数可以包括但不限于叶片的桨距控制、偏航角、偏航速度等。条件参数包括但不限于风速、温度、振动等。在本发明的数据采集过程中，例如可以从SCADA数据中采集30-500个参数。历史检查报告包括工程师在检查和维护风机机组设备时存储的有关风机机组的检查情况的故障分析报告。通常风机机组设备主要包括主轴承、齿轮箱、发电机等。历史检查报告中的有关主轴承的检查信息可以为评估主轴承故障等级提供依据。其中，在本实施例的用于风机主轴承的故障诊断方法和系统中，可仅需要采集SCADA数据。而在对本实施例的用于风机主轴承的故障诊断方法和系统中的双向诊断模型进行训练时，则需要既采集SCADA数据又要采集历史检查报告数据。也就是说，有关历史检查报告的数据可仅应用于对本发明的双向诊断模型进行训练的过程中。在双向诊断模型经过训练之后的使用过程中，则不再需要采集历史检查报告数据。
关于数据预处理部分，以下主要从数据清理、数据筛选、为数据设置标签以及对数据进行编码这几个部分进行说明。其中，数据清理可以包括对采集的数据进行清理。该清理过程可以包括：检测数据；以及将符合预设条件的数据移除。该预设条件可以例如是空值或/和常数值。也就是说，如果检测到空值数据或者常数值参数数据，则将这样的数据剔除。经过上述清理，可以减少需要处理的数据量并且提高有用数据的比例。例如，经过清理后的数据可以包括与15-150个参数有关的数据。这些来自SCADA数据的清理后留存的数据可以包括与某些参数相关的数据，这些参数例如是发电功率、温度、风速、振动、转速、偏航速度等。在此特别说明，本文中的温度参数区别于传统CMS系统中通过在风机机组的部件上设置温度传感器而测得的温度参数。本公开的温度(如发电机温度)参数直接来自SCADA数据，而无需在风机机组上额外设置多个温度传感器，因此大大节省了系统的建造和维护成本。
数据筛选可以包括基于工况参数的有效范围来对包括上述15-150个参数的数据进行筛选。例如，该工况参数包括并网状态、发电功率等。例如，将发电功率范围设置为[20kw,2700kw]，并以此范围对数据进行筛选。
仅在用于对模型进行训练时，数据预处理可以进一步包括为数据设置标签。而在通过本发明经过训练的双向诊断模型进行主轴承的状态诊断过程中，则可不再需要为数据设置标签。设置标签的处理可以包括：根据历史检查报告中的检查信息来评估主轴承的状态，并根据检查信息将与主轴承想关的一定数量的数据样本划分为几个健康等级(例如1-10个等级)；以及根据主轴承的健康状态等级，为与主轴承相关的数据设置相对应的标签。在一些实施例中，健康等级1-10可以分别对应于相同或不同标签。例如，等级1-3对应标签0，等级4-7对应标签1，等级8-10对应标签2。出于举例说明的目的，等级1至等级10所代表的健康程度依次降低。由此，标签表征了主轴承的健康状态等级。本领域的技术人员可以理解，此处对于标签个数、等级个数和/或标签/等级顺序的设定均是出于举例说明的目的，而非限定作用。
此外，还可以对经过上述清理、筛选、设置标签或不设置标签的数据进行编码处理，以进一步优化数据。经过清理、筛选、设置标签或不设置标签的数据中可能会包括一些离散变量数据。数据编码指的是对这些离散变量数据进行编码。例如，这些离散变量数据可以是表示为由0和1组成的一维数据序列。通过编码，可以将这些变量数据编码成多维数据，例如矩阵。
特征提取部分对经过预处理之后的参数数据进行特征提取。特征提取可以包括基于相关性分析和重要性分析，从经过预处理后的参数数据中选择一些参数作为关键特征。所采用的特征相关性分析的算法可以包括但不限于Pearson相关性计算算法、热图绘制技术等。所采用的重要性分析算法可以包括但不限于决策树学习和随机森林学习算法。经过例如上述相关性分析算法和重要性分析算法处理之后，获得的关键特征可以包括但不限于温度、振动、功率、速度参数等等。
此外，除了选定上述关键特征之外，为了减小模型偏差，还可以进一步进行特征增加处理。特征增加处理包括增加一些统计和逻辑特征，例如，MEAN(平均)、STD(标准差)、SKEW(偏度)、KURT(峰度)、RANGE(极差)、IQR(四分位差)、相关系数和发电功率比例等。在特征提取部分，通过执行相关性分析、重要性分析以及特征增加，最终提取出一些特征用于训练模型或基于训练好的模型进行故障诊断。最终提取的特征的总数可以是例如大于等于20。通过采集SCADA数据和检查报告数据，并且对采集的大量数据进行清理、筛选以及通过特征提取获得一些与故障判断紧密相关的特征，已经将海量数据进行了相当大程度的缩减，从而能大大降低了数据处理时间，提高了数据处理效率。
在模型开发部分，可以执行异常检测建模，故障检测建模，以及对模型的验证、测试和评估。本发明通过分别建立异常检测模型和故障检测模型实现了用于诊断主轴承的状态的双向诊断模型，从而极大地减少故障漏检的发生。其中，异常检测模型可以通过包括但不限于OneClassSVM，LOF等算法来实现，并且故障检测模型可以通过包括但不限于SVM、DNN等算法来实现。进一步，可以对实现的异常检测模型和故障检测模型进行训练。例如，通过将标签为零的特征作为异常检测模型的输入并且将异常概率值作为异常检测模型的输出，来对异常检测模型进行训练。并且，例如通过将所有具有标签(包括零和非零标签)的特征作为故障检测模型的输入以及将故障概率值作为故障检测模型的输出，来对故障检测模型进行训练。
此外，还可以对建立和训练的异常检测模型和故障检测模型进行验证、测试和评估。例如，执行模型验证和测试，以基于诸如Precision(精准率)，Recall(召回率)或F1-score(F1分值)等指标对检测模型进行性能评估。Precision，Recall或F1-score等指标是衡量分类模型(分类器)的性能过程中常用的指标，通过这些指标的结合使用可以对分类模型做出综合且合理的性能评估。通过基于Precision，Recall或F1-score等指标对异常检测模型和故障检测模型分别进行评估，从而确定训练的异常检测模型和故障检测模型的性能。
在模型应用部分，例如可以包括执行阈值确定和离线/在线应用。在利用本发明的风机主轴承的故障诊断方法或系统的诊断过程中，可以为异常状态和故障状态分别设置阈值，以用于对异常状态和故障状态进行判别。离线/在线应用可以包括利用训练好的模型基于提取的特征进行一定数量的在线/离线测试应用。例如，可以在现场利用本发明的模型方法或系统进行测试或者也可以在远程数据中心利用本发明的模型方法或系统进行测试应用。进一步，可以根据本发明的模型方法或系统获得测试结果，并且对于测试出的故障产生警告或提醒，以便于工程师及时对故障设备进行检测、维修以及生成故障检查报告。此外，也可以基于检测模型的一定数量的离线/在线应用结果，为异常状态和故障状态的阈值分别进行优化，以在应用中获得例如更高的精确率和召回率。
图2示意性示出了根据本发明的一个或多个实施例的用于风机主轴承的故障诊断方法的流程图。
如图2所示，在S201处进行数据采集。即，从SCADA数据中采集与主轴承相关的数据。例如，需要(诸如以5-15秒的采样间隔)采集30-500个参数的SCADA数据作为输入。这些参数可以包括但不限于风速、温度、振动、叶片的桨距控制、偏航角、偏航速度等。
在S202处，对采集的与主轴承相关的数据进行预处理。该预处理可以包括前述的数据清理和数据筛选及数据编码中的至少一项。
在S203处，基于预处理后的数据进行特征提取。接着，将提取的特征输入异常检测模型S204和故障检测模型S205。进一步，可以基于异常检测模型和故障检测模型的输出来诊断主轴承的状态。具体来说，在S206进行异常检测。该异常检测包括将异常检测模型的输出值与阈值ath进行比较，如果异常检测模型的输出值小于等于阈值ath，则将风机主轴承的状态诊断为正常。如果异常检测模型的输出值大于阈值ath，则在S207处进行故障检测。该故障检测包括将故障检测模型的输出值与阈值fth进行比较。如果所述故障检测模型的输出值小于等于阈值fth，则将风机主轴承的状态诊断为异常。如果故障检测模型的输出值大于阈值fth，则将风机主轴承的状态诊断为故障。其中，异常检测模型的输出值是异常概率值，故障检测模型的输出值是故障概率值。异常概率值和故障概率值是大于等于0％且小于等于100％的数值。阈值ath和fth是大于0％且小于100％的数值。优选地，阈值ath和fth的值是50％。
此外，本发明的方法还可以包括根据诊断结果产生不同的提示。例如，可以以声、光、电信号的形式来产生或显示不同的提示。还可以利用网络将代表不同诊断结果的信号发送给数据中心或者从数据中心发送给维护工程师等等。
通过由异常检测模型和故障检测模型构成的双向模型诊断机制，可以使得对故障的诊断更加细化和精确，从而大大降低了漏检概率，提高了检测正确率，进而能够为风机机组的主轴承的故障提供了更加及时、准确、完善的预警。例如，通过增加异常状态的检测结果，可以提早对维护人员发出预警，从而尽可能的避免故障的发生。由此，延长了风机机组构件的使用寿命，尤其是主轴承的使用寿命，由此降低了系统维护成本。
图3示意性示出了根据本发明的一个或多个实施例的对模型进行训练的方法流程图。
如图3所示，对模型进行训练包括：在步骤S301处进行数据采集。与图2所示的数据采集步骤S201不同，图3中数据采集除了包括从SCADA数据采集与主轴承相关的参数数据之外，还包括从历史故障检查报告中采集与主轴承相关的参数数据。
接着，在S302对所述与主轴承相关的参数数据进行预处理。与图2中的S202处的预处理相比，在故障诊断模型训练过程中的预处理除了包括数据清理、数据筛选及数据编码中的至少一项之外，还包括为参数数据设置多个标签。关于设置标签的过程，将在下文结合图4进行详细描述。
在S303处，基于经过预处理之后的设置有标签的参数数据进行特征提取。提取后的特征可以分组成两类特征，其中一类是具有特定标签的特征S304，另一类是具有除了该特定标签之外的标签的其他特征S305。例如，如上所述，可以将具有特定标签的一类特征表示为具有标签0的特征，将另一类特征表示为具有其他标签的特征。
接下来，在S306处，利用具有特定标签(例如标签为0)的特征作为异常检测模型的输入并且将异常概率值作为异常检测模型的输出值，来对异常检测模型进行训练。其中，异常检测模型可以通过包括但不限于OneClassSVM、LOF(局部异常因子)等算法来实现。
在S307处，将全部具有标签的特征，即，具有特定标签(例如标签为0)的特征和具有除了特定标签之外的其他标签的特征，共同作为故障检测模型的输入并且将故障概率值作为故障检测模型的输出值，对所述故障检测模型进行训练。其中，故障检测模型可以通过包括但不限于SVM(支持向量机)、DNN(深度神经网络)等算法来实现。
图4示意性示出了根据本发明的一个或多个实施例的用于设置标签的方法流程图。
如上文所述，在对模型进行训练的过程中，在数据预处理过程中还包括为参数数据设置标签。设置标签的过程可以包括：根据历史检查报告中的检查信息来评估主轴承的状态S401；根据检查信息,将用于训练的数据样本，例如与主轴承相关的数据，划分为多个健康等级S402；以及根据主轴承的健康等级，为与主轴承相关的数据设置相对应的标签S403。例如，可以划分出1-10的健康等级。健康等级1-10可以分别对应于相同或不同的标签。例如，等级1-3对应标签0，等级4-7对应标签1，等级8-10对应标签2。等级1至等级10所代表的健康程度依次降低。由此，标签表征了主轴承的健康状态等级。需要注意的是，设置标签的处理仅应用于模型训练阶段。由于为参数数据设置不同的标签，由此在后续的特征处理部分将产生具有不同标签的特征，以进一步用于不同的模型输入。在上文结合图2的说明中，已经阐述了具有不同标签的特征的应用，在此不再赘述。
图5示意性示出了根据本发明的一个或多个实施例的用于特征提取的方法流程图。
如图5所示，特征提取包括关键特征提取处理S501以及特征增加处理S502。
在S501处，关键特征提取处理可以包括：基于相关性分析和重要性分析，从经过预处理后的参数数据中选择多个参数作为关键特征。例如，所采用的特征相关性分析的算法包括但不限于Pearson相关性计算算法、热图绘制技术等。其中，对于每个特征，计算该特征与其他特征的相关性系数，并且将其他特征中的那些具有相关性系数大于某一特定值(例如大于0.95)的特征移除，从而消除冗余特征以进一步减少数据处理量。此外，所采用的重要性分析算法例如但不限于决策树学习和随机森林学习算法。经过例如上述相关性分析算法和重要性分析算法处理之后，获得的关键特征包括但不限于温度、振动、功率、速度参数等等。
在S502处，特征增加处理包括增加至少一个统计和逻辑特征。例如，在某个时间段期间(诸如10分钟)，在不同的特征之间增加至少一个统计和逻辑特征。这些特征包括但不限于平均、标准差、偏度、峰度、极差、四分位差、相关系数和发电功率比例。通过该特征增加处理，能够进一步减小模型偏差。
本发明的一个或多个实施例还提供了一种用于风机主轴承的故障诊断系统。该系统可以包括存储器以及与存储器连接的处理器。本发明的处理器作为整体可为微处理器、专用集成电路(ASIC)、芯片上系统(SoC)、计算装置、便携移动计算装置(例如，平板计算机或手机)等。处理器可以被配置成执行：从SCADA数据中采集与主轴承相关的参数数据；对所述与主轴承相关的参数数据进行预处理并进行特征提取；将提取的特征输入异常检测模型和故障检测模型，并且基于所述异常检测模型的输出值和所述故障检测模型的输出值对风机主轴承的状态进行诊断。该处理器还可以被配置以进一步执行以下诊断：当所述异常检测模型的输出值小于等于第一阈值时，将风机主轴承的状态诊断为正常；和/或当所述异常检测模型的输出值大于所述第一阈值时，将所述故障检测模型的输出值与第二阈值进行比较：如果所述故障检测模型的输出值小于等于第二阈值，则将风机主轴承的状态诊断为异常；和/或如果所述故障检测模型的输出值大于第二阈值，则将风机主轴承的状态诊断为故障。
本文描述的处理器、存储器或系统中的任何一个或多个包括计算机可执行指令，所述计算机可执行指令可以从使用各种编程语言和/或技术创建的计算机程序中编译或解释。一般来说，处理器(诸如微处理器)例如从存储器、计算机可读介质等接收指令并执行指令。处理器包括能够执行软件程序的指令的非暂态计算机可读存储介质。计算机可读介质可以是但不限于电子存储装置、磁性存储装置、光学存储装置、电磁存储装置、半导体存储装置或其任何合适的组合。
已经出于说明和描述的目的而呈现了对实施方案的描述。可以鉴于以上描述执行或可以通过实践方法获得实施方案的合适的修改和变化。例如，除非另外指出，否则所描述的一种或多种方法可以由合适的装置和/或系统的组合来执行。所述方法可以通过以下方式来执行：利用一个或多个逻辑装置(例如，处理器)结合一个或多个另外的硬件元件(诸如存储装置、存储器、电路、硬件网络接口等)来执行存储的指令。所述方法和相关联动作还可以按除了本申请中所述的顺序之外的各种顺序并行和/或同时执行。所述系统本质上是示例性的，并且可包括另外的元件和/或省略元件。本公开的主题包括所公开的各种方法和系统配置以及其他特征、功能和/或性质的全部新颖的且非显而易见的组合。
如本申请中所使用的，以单数形式列举并且前面带有词语“一/一个”的元件或步骤应当被理解为并不排除多个所述元件或步骤，除非指出这种排除情况。此外，对本公开的“一个实施方案”或“一个示例”的参考并非意图解释为排除也并入所列举特征的另外实施方案的存在。上文已参考特定实施方案描述了本发明。然而，本领域的一般技术人员将理解，可在不脱离如所附权利要求书中陈述的本发明的较广精神和范围的情况下对其作出各种修改和改变。
Claims (10)
1.一种用于风机主轴承的故障诊断方法，所述方法包括：
从SCADA数据中采集与风机的主轴承相关的参数数据；
对所述与主轴承相关的参数数据进行预处理并进行特征提取；
将提取的特征输入异常检测模型和故障检测模型，并且基于所述异常检测模型的输出值和所述故障检测模型的输出值对所述风机主轴承的状态进行诊断；
当所述异常检测模型的输出值小于等于第一阈值时，将所述风机主轴承的状态诊断为正常；和/或
当所述异常检测模型的输出值大于所述第一阈值时，将所述故障检测模型的输出值与第二阈值进行比较：
如果所述故障检测模型的输出值小于等于第二阈值，则将所述风机主轴承的状态诊断为异常；和/或
如果所述故障检测模型的输出值大于所述第二阈值，则将所述风机主轴承的状态诊断为故障。
2.根据权利要求1中所述的方法，还包括对所述异常检测模型和故障检测模型进行训练，所述训练包括：
从SCADA数据和历史故障检查报告中采集与主轴承相关的参数数据；
对所述与主轴承相关的参数数据进行预处理，其中所述预处理包括为所述参数数据设置多个标签；
基于经过预处理的设置有标签的参数数据进行特征提取，提取后的特征包括具有多个标签中的特定标签的第一特征和具有多个标签中的除了所述特定标签之外的标签的第二特征；
通过将所述第一特征作为所述异常检测模型的输入并且将异常概率值作为所述异常检测模型的输出值，对所述异常检测模型进行训练；以及
通过将所述第一特征和所述第二特征共同作为所述故障检测模型的输入并且将故障概率值作为所述故障检测模型的输出值，对所述故障检测模型进行训练。
3.根据权利要求2所述的方法，其中，所述为参数数据设置标签包括：
基于所述历史故障检查报告中的检查信息来评估主轴承的健康状态等级；以及
根据所述主轴承的健康状态等级，为与主轴承相关的参数数据设置相对应的标签。
4.根据权利要求1所述的方法，其中，对所述与主轴承相关的参数数据进行预处理包括执行以下各项中的至少一项：数据清理，数据筛选以及数据编码。
5.根据权利要求4所述的方法，其中，执行所述数据清理进一步包括：将符合预定条件的参数数据移除，所述符合预定条件的参数数据包括空值和常数值中的至少一个。
6.根据权利要求4所述的方法，其中，行所述数据筛选进一步包括：基于工况参数的有效范围来对所述参数数据进行筛选。
7.根据权利要求1-6中任一项所述的方法，其中所述特征提取包括：基于相关性分析和重要性分析，从经过预处理后的参数数据中选择参数作为关键特征，所述关键特征包括温度、振动、功率和速度参数中的至少一个。
8.根据权利要求7所述的方法，其中所述特征提取进一步包括特征增加处理，所述特征增加处理包括增加选自由以下统计和逻辑特征构成的组中的至少一个特征：平均、标准差、偏度、峰度、极差、四分位差、相关系数和发电功率比例。
9.根据权利要求1所述的方法，其中，所述第一阈值和所述第二阈值分别是介于0％与100％之间的数值。
10.一种用于风机主轴承的故障诊断系统，所述系统包括存储器以及与存储器连接的处理器；
其中所述处理器被配置成执行以下步骤：
从SCADA数据中采集与主轴承相关的参数数据；
对所述与主轴承相关的参数数据进行预处理并进行特征提取；
将提取的特征输入异常检测模型和故障检测模型，并且基于所述异常检测模型的输出值和所述故障检测模型的输出值对所述风机主轴承的状态进行诊断；
当所述异常检测模型的输出值小于等于第一阈值时，将所述风机主轴承的状态诊断为正常；和/或
当所述异常检测模型的输出值大于所述第一阈值时，将所述故障检测模型的输出值与第二阈值进行比较：
如果所述故障检测模型的输出值小于等于第二阈值，则将所述风机主轴承的状态诊断为异常；和/或
如果所述故障检测模型的输出值大于所述第二阈值，则将所述风机主轴承的状态诊断为故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011374850.XA CN114577470A (zh) | 2020-11-30 | 2020-11-30 | 用于风机主轴承的故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011374850.XA CN114577470A (zh) | 2020-11-30 | 2020-11-30 | 用于风机主轴承的故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114577470A true CN114577470A (zh) | 2022-06-03 |
Family
ID=81768770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011374850.XA Pending CN114577470A (zh) | 2020-11-30 | 2020-11-30 | 用于风机主轴承的故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114577470A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116859843A (zh) * | 2023-07-05 | 2023-10-10 | 安徽如柒信息科技有限公司 | 一种基于工业大数据的生产设备故障监测方法及系统 |
| CN117113009A (zh) * | 2023-10-23 | 2023-11-24 | 合肥亚明汽车部件有限公司 | 一种数字化工厂设备运行风险预警方法 |
-
2020
- 2020-11-30 CN CN202011374850.XA patent/CN114577470A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116859843A (zh) * | 2023-07-05 | 2023-10-10 | 安徽如柒信息科技有限公司 | 一种基于工业大数据的生产设备故障监测方法及系统 |
| CN116859843B (zh) * | 2023-07-05 | 2024-01-09 | 安徽如柒信息科技有限公司 | 一种基于工业大数据的生产设备故障监测方法及系统 |
| CN117113009A (zh) * | 2023-10-23 | 2023-11-24 | 合肥亚明汽车部件有限公司 | 一种数字化工厂设备运行风险预警方法 |
| CN117113009B (zh) * | 2023-10-23 | 2024-01-16 | 合肥亚明汽车部件有限公司 | 一种数字化工厂设备运行风险预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101955305B1 (ko) | 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출 | |
| Bian et al. | Degradation state mining and identification for railway point machines | |
| JP6088131B2 (ja) | タービン性能診断システム及び方法 | |
| CN109681391B (zh) | 一种叶根螺栓断裂故障检测方法及介质 | |
| CN101382439A (zh) | 多参数自确认传感器及其状态自确认方法 | |
| CN112905371B (zh) | 基于异构多源数据异常检测的软件变更检查方法和装置 | |
| CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
| CN113339204A (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
| CN112580858A (zh) | 设备参数预测分析方法及系统 | |
| CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及系统 | |
| Mohammadi et al. | DeepWind: an accurate wind turbine condition monitoring framework via deep learning on embedded platforms | |
| Elijorde et al. | A wind turbine fault detection approach based on cluster analysis and frequent pattern mining | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN114837902B (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
| CN110794683A (zh) | 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法 | |
| CN116244581A (zh) | 一种基于人工智能平台的风电叶片故障预警方法及系统 | |
| Sethi et al. | Vibration signal-based diagnosis of wind turbine blade conditions for improving energy extraction using machine learning approach | |
| Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
| Hoxha et al. | Supervised classification with SCADA data for condition monitoring of wind turbines | |
| Agis Cherta et al. | Damage diagnosis for offshore fixed wind turbines | |
| Randrianandraina et al. | Wind turbine generator bearing anomaly detection and explanation using rrcf approach | |
| Godwin et al. | Rapid labelling of SCADA data to extract transparent rules using RIPPER | |
| CN116502519A (zh) | 基于数据分析的风电机组部件评估方法 | |
| Parthasarathy et al. | Anomaly Analysis in Machine Sensors | |
| CN117272042A (zh) | 光伏电站监测方法、装置、电子设备及存储介质 |
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 |