CN115293057B - 一种基于多源异构数据的风力发电机故障预测方法 - Google Patents
一种基于多源异构数据的风力发电机故障预测方法 Download PDFInfo
- Publication number
- CN115293057B CN115293057B CN202211231295.4A CN202211231295A CN115293057B CN 115293057 B CN115293057 B CN 115293057B CN 202211231295 A CN202211231295 A CN 202211231295A CN 115293057 B CN115293057 B CN 115293057B
- Authority
- CN
- China
- Prior art keywords
- data
- target
- sample
- driven generator
- historical 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.)
- Active
Links
Images
Classifications
-
- 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
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于多源异构数据的风力发电机故障预测方法，方法包括：获取目标风力发电机的历史数据，目标风力发电机的历史数据至少包括目标风力发电机在预设时段内的各个叶片的形变数据以及目标风力发电机的振动数据，预设时段为当前时刻前预设时长的时段；将目标风力发电机的历史数据输入至已训练的神经网络，获取神经网络输出的目标风力发电机的故障预测结果；其中，神经网络是基于训练数据集训练完成的，训练数据集中包括样本历史数据和样本扩充数据，样本历史数据为真实采集的风力发电机的历史数据，样本扩充数据为对样本历史数据进行样本扩充处理生成的数据。本发明可以提升风力发电机的故障检测效率。
Description
技术领域
本发明涉及新能源技术领域，特别涉及一种基于多源异构数据的风力发电机故障预测方法。
背景技术
现有的风力发电机需要人工定期检查来排查风力发电机的故障，但是人工检查需要风力发电机停机进行检修，不仅不方便还会浪费清洁能源。
因此，现有技术还有待改进和提高。
发明内容
针对现有技术的上述缺陷，本发明提供一种基于多源异构数据的风力发电机故障预测方法，旨在解决现有技术中需要人工检查风力发电机进行故障检测效率低的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
本发明的第一方面，提供一种基于多源异构数据的风力发电机故障预测方法，所述方法包括：
获取目标风力发电机的历史数据，所述目标风力发电机的历史数据至少包括所述目标风力发电机在预设时段内的各个叶片的形变数据以及所述目标风力发电机的振动数据，所述预设时段为当前时刻前预设时长的时段；
将所述目标风力发电机的历史数据输入至已训练的神经网络，获取所述神经网络输出的所述目标风力发电机的故障预测结果；
其中，所述神经网络是基于训练数据集训练完成的，所述训练数据集中包括样本历史数据和样本扩充数据，所述样本历史数据为真实采集的风力发电机的历史数据，所述样本扩充数据为对所述样本历史数据进行样本扩充处理生成的数据。
所述的基于多源异构数据的风力发电机故障预测方法，其中，所述获取目标风力发电机的历史数据，包括：
获取所述目标风力发电机的机头位置，根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据。
所述的基于多源异构数据的风力发电机故障预测方法，其中，所述根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据，包括：
获取所述目标风力发电机的机头基准位置以及所述机头基准位置对应的基准反射信号数据；
根据所述机头位置和所述机头基准位置之间的差异、以及向所述目标风力发电机发出的光信号的反射信号与所述基准反射信号数据获取所述目标风力发电机的各个叶片的形变数据。
所述的基于多源异构数据的风力发电机故障预测方法，其中，根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据之后，包括：
根据所述目标风力发电机当前的叶片形变数据，基于所述目标风力发电机当前的叶片形变数据更新所述目标风力发电机的数字孪生模型中的三维模型；
所述获取所述神经网络输出的所述目标风力发电机的故障预测结果之后，包括：
将所述目标风力发电机的故障预测结果更新至所述目标风力发电机的数字孪生模型中。
所述的基于多源异构数据的风力发电机故障预测方法，其中，所述神经网络包括特征提取模块和预测模块，所述神经网络的训练过程为：
在各个所述样本历史数据中选取部分所述样本历史数据组成目标训练批次，对于所述目标训练批次中的目标样本历史数据，执行如下步骤：
将所述目标样本历史数据输入至样本扩充模块，生成目标样本扩充数据；
通过所述特征提取模块分别提取所述目标样本历史数据和所述目标样本扩充数据的特征，得到第一特征和第二特征；
将所述第一特征和所述第二特征分别输入至所述预测模块，获取所述预测模块输出的第一预测结果和第二预测结果；
根据所述目标训练批次中的每个样本历史数据对应的所述第一特征、所述第二特征、所述第一预测结果、所述第二预测结果以及所述目标样本历史数据对应的故障标注标签得到批次训练损失；
根据所述批次训练损失更新所述样本扩充模块、所述特征提取模块和所述预测模块的参数，并重新执行所述在各个所述样本历史数据中选取部分所述样本历史数据组成目标训练批次的步骤，直至参数收敛。
所述的基于多源异构数据的风力发电机故障预测方法，其中，所述根据所述目标训练批次中的每个样本历史数据对应的所述第一特征、所述第二特征、所述第一预测结果、所述第二预测结果以及所述目标样本历史数据对应的故障标注标签得到批次训练损失，包括：
根据所述目标样本历史数据对应的故障标注标签和所述第一预测结果得到第一损失；
将所述第一特征和所述第二特征分别输入至判别器，获取所述判别器输出的判别结果，根据所述判别结果得到第二损失；
根据所述第一损失和所述第二损失得到所述目标样本历史数据对应的样本损失；
获取所述训练批次中每个样本历史数据对应的所述第一预测结果的概率分布作为第一概率分布，获取所述训练批次中每个样本历史数据对应的所述第二预测结果的概率分布作为第二概率分布；
根据所述第一概率分布和所述第二概率分布得到第一批次分损失；
对所述训练批次中的每个样本历史数据分别对应的样本损失进行求和，得到第二批次分损失；
根据所述第一批次分损失和所述第二批次分损失得到所述批次训练损失；
所述根据所述批次训练损失更新所述样本扩充模块、所述特征提取模块和所述预测模块的参数，包括：
根据所述批次训练损失更新所述样本扩充模块、所述特征提取模块、所述预测模块和所述判别器的参数。
所述的基于多源异构数据的风力发电机故障预测方法，其中，所述通过所述特征提取模块分别提取所述目标样本历史数据和所述目标样本扩充数据的特征，得到第一特征和第二特征，包括：
分别对所述目标样本历史数据和所述目标样本扩充数据进行降维处理，得到第一降维数据和第二降维数据；
分别将所述第一降维数据和所述第二降维数据输入至所述特征提取模块，获取所述特征提取模块输出的所述第一特征和所述第二特征。
本发明的第二方面，提供一种基于多源异构数据的风力发电机故障预测装置，包括：
数据获取模块，所述数据获取模块用于获取目标风力发电机的历史数据，所述目标风力发电机的历史数据至少包括所述目标风力发电机在预设时段内的各个叶片的形变数据以及所述目标风力发电机的振动数据，所述预设时段为当前时刻前预设时长的时段；
预测模块，所述预测模块用于将所述目标风力发电机的历史数据输入至已训练的神经网络，获取所述神经网络输出的所述目标风力发电机的故障预测结果；
其中，所述神经网络是基于训练数据集训练完成的，所述训练数据集中包括样本历史数据和样本扩充数据，所述样本历史数据为真实采集的风力发电机的历史数据，所述样本扩充数据为对所述样本历史数据进行样本扩充处理生成的数据。
本发明的第三方面，提供一种终端，所述终端包括处理器、与处理器通信连接的计算机可读存储介质，所述计算机可读存储介质适于存储多条指令，所述处理器适于调用所述计算机可读存储介质中的指令，以执行实现上述任一项所述的基于多源异构数据的风力发电机故障预测方法的步骤。
本发明的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的基于多源异构数据的风力发电机故障预测方法的步骤。
与现有技术相比，本发明提供了一种基于多源异构数据的风力发电机故障预测方法，通过神经网络预测风力风电机的故障，并且针对现有的风力发电机的真实标签数据不足的问题，对真实数据进行扩充处理，使得神经网络的训练数据集中的数据量更大，提升训练得到的神经网络对故障预测的准确性，不需要采用人工对风力发电机进行检查来排查故障，提升了风力发电机的故障检测效率。
附图说明
图1为本发明提供的基于多源异构数据的风力发电机故障预测方法的实施例的流程图；
图2为本发明提供的基于多源异构数据的风力发电机故障预测装置的实施例的结构原理图；
图3为本发明提供的终端的实施例的原理示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。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。
本发明提供的基于多源异构数据的风力发电机故障预测方法，可以应用于具有计算能力的终端中，终端可以执行本发明提供的基于多源异构数据的风力发电机故障预测方法进行电网调峰调度，终端可以但不限于是各种计算机、移动终端、智能家电、可穿戴式设备等。
实施例一
如图1所示，所述基于多源异构数据的风力发电机故障预测方法的一个实施例中，包括步骤：
S100、获取目标风力发电机的历史数据，所述目标风力发电机的历史数据至少包括所述目标风力发电机在预设时段内的各个叶片的形变数据以及所述目标风力发电机的振动数据，所述预设时段为当前时刻前预设时长的时段。
所述预设时长可以为一周、一个月等，所述预设时长可以通过实验确定，即采用不同的时长经过本实施例提供的方法进行实验，获取故障预测结果更准确的作为所述预设时长。
所述目标风力发电机的历史数据中的振动数据，可以是通过安装在所述目标风力发电机上的传感器获取。所述目标风力发电机的历史数据中的叶片形变数据，可以是通过采用光信号探测获取。具体地，所述获取目标风力发电机的历史数据，包括：
获取所述目标风力发电机的机头位置，根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据。
在本实施例中，可以在所述目标风力发电机的周围设置光信号发生器和光信号探测器，所述光信号发生器和所述光信号探测器的数量可以为多个以使得检测范围覆盖所述目标风力发电机的整个叶片，所述光信号发生器发出光信号到达所述目标风力发电机被反射后被所述光信号探测器接收，所述光信号探测器接收到反射信号并进行分析来获取叶片的形变数据。具体地，可以是预先设置在风力发电机的叶片无形变时的反射信号作为参考，根据实际接收到的反射信号与无形变时的反射信号之间的差异来确定形变数据。而在风力发电机运行的过程中，随着风向的改变，风力发电机的机头会相应转动以使得叶片保持正风，因此，在本实施例中，在获取叶片的形变数据时，还需要结合风力发电机的实时机头位置。
所述根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据，包括：
获取所述目标风力发电机的机头基准位置以及所述机头基准位置对应的基准反射信号数据；
根据所述机头位置和所述机头基准位置之间的差异、以及向所述目标风力发电机发出的光信号的反射信号与所述标准反射信号数据获取所述目标风力发电机的各个叶片的形变数据。
具体地，所述机头基准位置是指预先设置的所述目标风力发电机的机头相对于所述光信号发生器和所述光信号探测器的位置，所述光信号发生器和所述光信号探测器的位置保持不变，而所述目标风力发电机的机头位置会随着风向的不同而变化。预先获取所述目标风力发电机的机头在所述机头基准位置时所述光信号发生器发出的光信号被所述目标风力发电机的叶片反射后由所述光信号探测器接收到的反射信号数据作为所述基准反射信号数据，根据所述机头位置和所述机头基准位置之间的差异以及所述基准发射信号，可以得到所述目标风力发电机的叶片无形变情况下在所述机头位置时向所述目标风力发电机的叶片发送的光信号的反射信号，与实际接收到的反射信号进行比较，就可以确定所述目标风力发电机的叶片的形变数据。
根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据之后，包括：
根据所述目标风力发电机当前的叶片形变数据，基于所述目标风力发电机当前的叶片形变数据更新所述目标风力发电机的数字孪生模型中的三维模型。
为了方便风力发电机的健康管理，在本实施例中，设置所述目标风力发电机的数字孪生模型，所述数字孪生模型中包括所述目标风力发电机的三维模型，在获取到所述目标风力发电机当前的叶片形变数据后，根据叶片形变数据更新所述目标风力发电机的三维模型，使得维护人员可以通过三维模型直观地获取到叶片的形变情况。
请再次参阅图1，本实施例提供的方法，还包括步骤：
S200、将所述目标风力发电机的历史数据输入至已训练的神经网络，获取所述神经网络输出的所述目标风力发电机的故障预测结果。
现有技术中，还没有成熟的关于风力发电机的数据库，风力发电机的真实数据量较少，而神经网络模型的训练需要大量的数据，采用少量的数据训练神经网络模型会导致模型的训练结果不理想，影响故障预测的准确性。针对这一问题，本实施例提供的方法，采用样本扩充的方式来扩充数据集，具体地，本实施例中，所述神经网络是基于训练数据集训练完成的，所述训练数据集中包括样本历史数据和样本扩充数据，所述样本历史数据为真实采集的风力发电机的历史数据，所述样本扩充数据为对所述样本历史数据进行样本扩充处理生成的数据。
所述神经网络包括特征提取模块和预测模块，所述神经网络的训练过程为：
S001、在各个所述样本历史数据中选取部分所述样本历史数据组成目标训练批次，对于所述目标训练批次中的目标样本历史数据，执行如下步骤：
S002、将所述目标样本历史数据输入至样本扩充模块，生成目标样本扩充数据；
S003、通过所述特征提取模块分别提取所述目标样本历史数据和所述目标样本扩充数据的特征，得到第一特征和第二特征；
S004、将所述第一特征和所述第二特征分别输入至所述预测模块，获取所述预测模块输出的第一预测结果和第二预测结果；
S005、根据所述目标训练批次中的每个样本历史数据对应的所述第一特征、所述第二特征、所述第一预测结果、所述第二预测结果以及所述目标样本历史数据对应的故障标注标签得到批次训练损失；
S006、根据所述批次训练损失更新所述样本扩充模块、所述特征提取模块和所述预测模块的参数，并重新执行所述在各个所述样本历史数据中选取部分所述样本历史数据组成目标训练批次的步骤，直至参数收敛。
在现有的数据扩充方案中，大部分都是采用对抗网络根据标签分别进行样本扩充的，并且采用对抗网络单独训练，例如具有A标签（以本申请中的故障预测任务为例，则A标签为故障类别标签）的数据，通过对抗网络的训练，生成也具有A标签的数据，以实现数据扩充。但是，对于数据量较少的情况下，例如故障类别标签有多种，而所有的风力发电机的真实带标签数据量就不多，拆分到各个故障类别数据量就更少了，这样对抗网络的训练过程也并不理想，用训练完成后的对抗网络生成的扩充数据去训练的故障预测网络最后预测准确性也不高。在本实施例中，提出了一种新的数据扩充网络的训练方式，对数据扩充网络与故障预测网络进行联合训练。
具体地，在本实施例中，在进行数据扩充时，并不针对单个的数据限制其标签，而是在所有的真实带标签数据中选取部分。所述样本历史数据为风力发电机的真实历史数据，所述样本历史数据都有对应的标签，即采集风力发电机真实发生的故障类型，以及发生该故障类型时对应的真实历史数据，得到所述样本历史数据和对应的故障标注标签。将选取的部分所述样本历史数据作为目标训练批次，对于所述目标训练批次中的每个所述样本历史数据，都分别输入至样本扩充模块，通过上述的步骤S002-S005，得到所述目标训练批次的批次训练损失，再基于所述批次训练损失更新各个网络模块的参数，再重新随机寻去部分所述样本历史数据作为新的所述目标训练批次，这样多次迭代，直到参数收敛。在这个过程中，并不对扩充得到的数据标注标签，而是通过多个网络模块的输出来计算多个方面的损失更新所述样本扩充模块的参数，使得所述样本扩充模块能够学习到不同的故障类型的数据所在的特征空间的本质，相对于现有的对抗网络的损失的单一性，多种类型损失对模块参数更新的约束，可以弥补少数据量的缺陷，防止网络模型的参数优化结果陷入局部最优导致的准确性降低。
具体地，所述根据所述目标训练批次中的每个样本历史数据对应的所述第一特征、所述第二特征、所述第一预测结果、所述第二预测结果以及所述目标样本历史数据对应的故障标注标签得到批次训练损失，包括：
根据所述目标样本历史数据对应的故障标注标签和所述第一预测结果得到第一损失；
将所述第一特征和所述第二特征分别输入至判别器，获取所述判别器输出的判别结果，根据所述判别结果得到第二损失；
根据所述第一损失和所述第二损失得到所述目标样本历史数据对应的样本损失；
获取所述训练批次中每个样本历史数据对应的所述第一预测结果的概率分布作为第一概率分布，获取所述训练批次中每个样本历史数据对应的所述第二预测结果的概率分布作为第二概率分布；
根据所述第一概率分布和所述第二概率分布得到第一批次分损失；
对所述训练批次中的每个样本历史数据分别对应的样本损失进行求和，得到第二批次分损失；
根据所述第一批次分损失和所述第二批次分损失得到所述批次训练损失。
在本实施例中，设置多种损失来对网络模块参数的优化方向进行约束。所述第一损失可以使得所述特征提取模块和所述预测模块学习到风力发电机的历史数据和故障之间的内在关联，所述第二损失可以使得所述特征提取模块和所述样本扩充模块学习到风力发电机的真实数据在用于预测故障上的特征的特征空间，使得生成的扩充数据能够在用于预测故障的特征上与真实数据一致。而由于样本扩充数据不带有标签，为了将生成的样本扩充数据用于训练所述预测模块，进一步地提升所述预测模块的故障预测能力，在本实施例中，还通过约束真实数据的故障预测结果的概率分布和扩充数据的故障预测结果的概率分布之间的距离来更新模块参数。
具体地，对于在训练过程中每个所述训练批次中的所有所述样本历史数据，根据其对应的各个所述第一预测结果获取所述第一概率分布，而对于每个所述训练批次中生成的所有的所述扩充样本数据，将其对应的所述第二特征输入至所述预测模块，基于所述预测模块输出的多个所述第二预测结果获取所述第二概率分布，如果所述样本扩充模块生成的扩充数据具有和真实数据同样的特征空间，且所述预测模块也充分学习到了该特征空间和故障类别的内在联系，那么所述第一概率分布和所述第二概率分布应该是一致的，因此，基于所述第一概率分布和所述第二概率分布的差异计算所述第一批次分损失用于更新模块参数，可以有效提升模型的精度。
从前面的说明可以看出，对于所述目标训练批次中的每个所述样本历史数据，都可以得到对应的所述第一损失和所述第二损失，对所述第一损失和所述第二损失进行求和，得到一个所述样本历史数据对应的样本损失，对所述目标训练批次中每个所述样本历史数据对应所述样本损失求和，得到第二批次分损失，对所述第一批次分损失和所述第二批次分损失进行求和得到所述目标训练批次对应的所述批次训练损失，基于所述批次训练损失更新所述样本扩充模块、所述特征提取模块、所述预测模块和所述判别器的参数。
进一步地，在本实施例中，每次选取所述样本历史数据组成所述目标训练批次时，是随机选取，也就是说，每次更新模块参数时所用的所述目标训练批次中的数据组合都是不一样的，这样每次的概率分布也不一样，可以起到类似扩充训练数据的效果。
进一步地，由于所述历史数据的数据量较大，维数较大，为了降低所述神经网络的计算量，在本实施例中，在将所述目标风力发电机的历史数据输入至已训练的神经网络之前，还对所述目标风力发电机的历史数据进行降维处理，同样地，所述通过所述特征提取模块分别提取所述目标样本历史数据和所述目标样本扩充数据的特征，得到第一特征和第二特征，包括：
分别对所述目标样本历史数据和所述目标样本扩充数据进行降维处理，得到第一降维数据和第二降维数据；
分别将所述第一降维数据和所述第二降维数据输入至所述特征提取模块，获取所述特征提取模块输出的所述第一特征和所述第二特征。
在所述神经网络训练完成后，可以将所述目标风力发电机的故障预测结果输入至训练完成后的所述神经网络中，所述神经网络输出所述目标风力发电机的故障预测结果，为了进一步地方便维护人员获取所述故障预测结果，所述获取所述神经网络输出的所述目标风力发电机的故障预测结果之后，包括：
将所述目标风力发电机的故障预测结果更新至所述目标风力发电机的数字孪生模型中。
在所述目标风力发电机的数字孪生模型中显示所述故障预测结果，可以是基于所述故障预测结果对应的零部件，将所述故障预测结果显示在对应的零部件的三维模型上，更加直观。
综上所述，本实施例提供一种基于多源异构数据的风力发电机故障预测方法，通过神经网络预测风力风电机的故障，并且针对现有的风力发电机的真实标签数据不足的问题，对真实数据进行扩充处理，使得神经网络的训练数据集中的数据量更大，提升训练得到的神经网络对故障预测的准确性，不需要采用人工对风力发电机进行检查来排查故障，提升了风力发电机的故障检测效率。
应该理解的是，虽然本发明说明书附图中给出的的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取计算机可读存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
实施例二
基于上述实施例，本发明还相应提供了一种基于多源异构数据的风力发电机故障预测装置，如图2所示，所述基于多源异构数据的风力发电机故障预测装置包括：
数据获取模块，所述数据获取模块用于获取目标风力发电机的历史数据，所述目标风力发电机的历史数据至少包括所述目标风力发电机在预设时段内的各个叶片的形变数据以及所述目标风力发电机的振动数据，所述预设时段为当前时刻前预设时长的时段，具体如实施例一中所述；
预测模块，所述预测模块用于将所述目标风力发电机的历史数据输入至已训练的神经网络，获取所述神经网络输出的所述目标风力发电机的故障预测结果，具体如实施例一中所述；
其中，所述神经网络是基于训练数据集训练完成的，所述训练数据集中包括样本历史数据和样本扩充数据，所述样本历史数据为真实采集的风力发电机的历史数据，所述样本扩充数据为对所述样本历史数据进行样本扩充处理生成的数据，具体如实施例一中所述。
实施例三
基于上述实施例，本发明还相应提供了一种终端，如图3所示，所述终端包括处理器10以及存储器20。图3仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有基于多源异构数据的风力发电机故障预测程序30，该基于多源异构数据的风力发电机故障预测程序30可被处理器10所执行，从而实现本申请中基于多源异构数据的风力发电机故障预测方法。
所述处理器10在一些实施例中可以是一中央处理器（Central Processing Unit,CPU），微处理器或其他芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述基于多源异构数据的风力发电机故障预测方法等。
在一实施例中，当处理器10执行所述存储器20中基于多源异构数据的风力发电机故障预测程序30时实现以下步骤：
获取目标风力发电机的历史数据，所述目标风力发电机的历史数据至少包括所述目标风力发电机在预设时段内的各个叶片的形变数据以及所述目标风力发电机的振动数据，所述预设时段为当前时刻前预设时长的时段；
将所述目标风力发电机的历史数据输入至已训练的神经网络，获取所述神经网络输出的所述目标风力发电机的故障预测结果；
其中，所述神经网络是基于训练数据集训练完成的，所述训练数据集中包括样本历史数据和样本扩充数据，所述样本历史数据为真实采集的风力发电机的历史数据，所述样本扩充数据为对所述样本历史数据进行样本扩充处理生成的数据。
实施例四
本发明还提供一种计算机可读存储介质，其中，存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的基于多源异构数据的风力发电机故障预测方法的步骤。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于多源异构数据的风力发电机故障预测方法，其特征在于，所述方法包括：
获取目标风力发电机的历史数据，所述目标风力发电机的历史数据至少包括所述目标风力发电机在预设时段内的各个叶片的形变数据以及所述目标风力发电机的振动数据，所述预设时段为当前时刻前预设时长的时段；
将所述目标风力发电机的历史数据输入至已训练的神经网络，获取所述神经网络输出的所述目标风力发电机的故障预测结果；
其中，所述神经网络是基于训练数据集训练完成的，所述训练数据集中包括样本历史数据和样本扩充数据，所述样本历史数据为真实采集的风力发电机的历史数据，所述样本扩充数据为对所述样本历史数据进行样本扩充处理生成的数据；
所述神经网络包括特征提取模块和预测模块，所述神经网络的训练过程为：
在各个所述样本历史数据中选取部分所述样本历史数据组成目标训练批次，对于所述目标训练批次中的目标样本历史数据，执行如下步骤：
将所述目标样本历史数据输入至样本扩充模块，生成目标样本扩充数据；
通过所述特征提取模块分别提取所述目标样本历史数据和所述目标样本扩充数据的特征，得到第一特征和第二特征；
将所述第一特征和所述第二特征分别输入至所述预测模块，获取所述预测模块输出的第一预测结果和第二预测结果；
根据所述目标训练批次中的每个样本历史数据对应的所述第一特征、所述第二特征、所述第一预测结果、所述第二预测结果以及所述目标样本历史数据对应的故障标注标签得到批次训练损失；
根据所述批次训练损失更新所述样本扩充模块、所述特征提取模块和所述预测模块的参数，并重新执行所述在各个所述样本历史数据中选取部分所述样本历史数据组成目标训练批次的步骤，直至参数收敛。
2.根据权利要求1所述的基于多源异构数据的风力发电机故障预测方法，其特征在于，所述获取目标风力发电机的历史数据，包括：
获取所述目标风力发电机的机头位置，根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据。
3.根据权利要求2所述的基于多源异构数据的风力发电机故障预测方法，其特征在于，所述根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据，包括：
获取所述目标风力发电机的机头基准位置以及所述机头基准位置对应的基准反射信号数据；
根据所述机头位置和所述机头基准位置之间的差异、以及向所述目标风力发电机发出的光信号的反射信号与所述基准反射信号数据获取所述目标风力发电机的各个叶片的形变数据。
4.根据权利要求2所述的基于多源异构数据的风力发电机故障预测方法，其特征在于，根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力发电机的各个叶片的形变数据之后，包括：
根据所述目标风力发电机当前的叶片形变数据，基于所述目标风力发电机当前的叶片形变数据更新所述目标风力发电机的数字孪生模型中的三维模型；
所述获取所述神经网络输出的所述目标风力发电机的故障预测结果之后，包括：
将所述目标风力发电机的故障预测结果更新至所述目标风力发电机的数字孪生模型中。
5.根据权利要求1所述的基于多源异构数据的风力发电机故障预测方法，其特征在于，所述根据所述目标训练批次中的每个样本历史数据对应的所述第一特征、所述第二特征、所述第一预测结果、所述第二预测结果以及所述目标样本历史数据对应的故障标注标签得到批次训练损失，包括：
根据所述目标样本历史数据对应的故障标注标签和所述第一预测结果得到第一损失；
将所述第一特征和所述第二特征分别输入至判别器，获取所述判别器输出的判别结果，根据所述判别结果得到第二损失；
根据所述第一损失和所述第二损失得到所述目标样本历史数据对应的样本损失；
获取所述训练批次中每个样本历史数据对应的所述第一预测结果的概率分布作为第一概率分布，获取所述训练批次中每个样本历史数据对应的所述第二预测结果的概率分布作为第二概率分布；
根据所述第一概率分布和所述第二概率分布得到第一批次分损失；
对所述训练批次中的每个样本历史数据分别对应的样本损失进行求和，得到第二批次分损失；
根据所述第一批次分损失和所述第二批次分损失得到所述批次训练损失；
所述根据所述批次训练损失更新所述样本扩充模块、所述特征提取模块和所述预测模块的参数，包括：
根据所述批次训练损失更新所述样本扩充模块、所述特征提取模块、所述预测模块和所述判别器的参数。
6.根据权利要求1所述的基于多源异构数据的风力发电机故障预测方法，其特征在于，所述通过所述特征提取模块分别提取所述目标样本历史数据和所述目标样本扩充数据的特征，得到第一特征和第二特征，包括：
分别对所述目标样本历史数据和所述目标样本扩充数据进行降维处理，得到第一降维数据和第二降维数据；
分别将所述第一降维数据和所述第二降维数据输入至所述特征提取模块，获取所述特征提取模块输出的所述第一特征和所述第二特征。
7.一种基于多源异构数据的风力发电机故障预测装置，其特征在于，包括：
数据获取模块，所述数据获取模块用于获取目标风力发电机的历史数据，所述目标风力发电机的历史数据至少包括所述目标风力发电机在预设时段内的各个叶片的形变数据以及所述目标风力发电机的振动数据，所述预设时段为当前时刻前预设时长的时段；
预测模块，所述预测模块用于将所述目标风力发电机的历史数据输入至已训练的神经网络，获取所述神经网络输出的所述目标风力发电机的故障预测结果；
其中，所述神经网络是基于训练数据集训练完成的，所述训练数据集中包括样本历史数据和样本扩充数据，所述样本历史数据为真实采集的风力发电机的历史数据，所述样本扩充数据为对所述样本历史数据进行样本扩充处理生成的数据；
所述神经网络包括特征提取模块和预测模块，所述神经网络的训练过程为：
在各个所述样本历史数据中选取部分所述样本历史数据组成目标训练批次，对于所述目标训练批次中的目标样本历史数据，执行如下步骤：
将所述目标样本历史数据输入至样本扩充模块，生成目标样本扩充数据；
通过所述特征提取模块分别提取所述目标样本历史数据和所述目标样本扩充数据的特征，得到第一特征和第二特征；
将所述第一特征和所述第二特征分别输入至所述预测模块，获取所述预测模块输出的第一预测结果和第二预测结果；
根据所述目标训练批次中的每个样本历史数据对应的所述第一特征、所述第二特征、所述第一预测结果、所述第二预测结果以及所述目标样本历史数据对应的故障标注标签得到批次训练损失；
根据所述批次训练损失更新所述样本扩充模块、所述特征提取模块和所述预测模块的参数，并重新执行所述在各个所述样本历史数据中选取部分所述样本历史数据组成目标训练批次的步骤，直至参数收敛。
8.一种终端，其特征在于，所述终端包括：处理器、与处理器通信连接的计算机可读存储介质，所述计算机可读存储介质适于存储多条指令，所述处理器适于调用所述计算机可读存储介质中的指令，以执行实现上述权利要求1-6任一项所述的基于多源异构数据的风力发电机故障预测方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-6任一项所述的基于多源异构数据的风力发电机故障预测方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211231295.4A CN115293057B (zh) | 2022-10-10 | 2022-10-10 | 一种基于多源异构数据的风力发电机故障预测方法 |
| PCT/CN2022/137737 WO2024077753A1 (zh) | 2022-10-10 | 2022-12-08 | 一种基于多源异构数据的风力发电机故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211231295.4A CN115293057B (zh) | 2022-10-10 | 2022-10-10 | 一种基于多源异构数据的风力发电机故障预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115293057A CN115293057A (zh) | 2022-11-04 |
| CN115293057B true CN115293057B (zh) | 2022-12-20 |
Family
ID=83819425
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211231295.4A Active CN115293057B (zh) | 2022-10-10 | 2022-10-10 | 一种基于多源异构数据的风力发电机故障预测方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115293057B (zh) |
| WO (1) | WO2024077753A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115293057B (zh) * | 2022-10-10 | 2022-12-20 | 深圳先进技术研究院 | 一种基于多源异构数据的风力发电机故障预测方法 |
| CN116226676B (zh) * | 2023-05-08 | 2023-07-21 | 中科航迈数控软件(深圳)有限公司 | 适用于极端环境的机床故障预测模型生成方法及相关设备 |
| CN117006002B (zh) * | 2023-09-27 | 2024-02-09 | 广东海洋大学 | 基于数字孪生的海上风力发电机监测方法及系统 |
| CN117421244B (zh) * | 2023-11-17 | 2024-05-24 | 北京邮电大学 | 多源跨项目软件缺陷预测方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275108A (zh) * | 2020-01-20 | 2020-06-12 | 国网山东省电力公司枣庄供电公司 | 基于生成对抗网络对局部放电数据进行样本扩展的方法 |
| CN111858926A (zh) * | 2020-06-08 | 2020-10-30 | 北京市基础设施投资有限公司(原北京地铁集团有限责任公司) | 一种基于多元异构数据的管廊设备故障预测方法及系统 |
| CN112733283A (zh) * | 2020-12-21 | 2021-04-30 | 北京华能新锐控制技术有限公司 | 一种风电机组部件故障预测方法 |
| CN114118251A (zh) * | 2021-11-22 | 2022-03-01 | 国网辽宁省电力有限公司沈阳供电公司 | 基于多源数据融合与卷积孪生神经网络的故障诊断与预警方法 |
| WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11675641B2 (en) * | 2018-07-02 | 2023-06-13 | Nec Corporation | Failure prediction |
| US10956632B2 (en) * | 2018-12-27 | 2021-03-23 | Utopus Insights, Inc. | Scalable system and engine for forecasting wind turbine failure |
| US20200210824A1 (en) * | 2018-12-28 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure with varying lead time windows |
| CN109670595A (zh) * | 2019-03-04 | 2019-04-23 | 丽水学院 | 一种设备故障诊断方法 |
| CN110991666B (zh) * | 2019-11-25 | 2023-09-15 | 远景智能国际私人投资有限公司 | 故障检测方法、模型的训练方法、装置、设备及存储介质 |
| CN113935443B (zh) * | 2021-12-20 | 2022-04-22 | 广东电网有限责任公司广州供电局 | 异构设备多域联合故障预测方法、装置、终端及存储介质 |
| CN115293057B (zh) * | 2022-10-10 | 2022-12-20 | 深圳先进技术研究院 | 一种基于多源异构数据的风力发电机故障预测方法 |
-
2022
- 2022-10-10 CN CN202211231295.4A patent/CN115293057B/zh active Active
- 2022-12-08 WO PCT/CN2022/137737 patent/WO2024077753A1/zh unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275108A (zh) * | 2020-01-20 | 2020-06-12 | 国网山东省电力公司枣庄供电公司 | 基于生成对抗网络对局部放电数据进行样本扩展的方法 |
| CN111858926A (zh) * | 2020-06-08 | 2020-10-30 | 北京市基础设施投资有限公司(原北京地铁集团有限责任公司) | 一种基于多元异构数据的管廊设备故障预测方法及系统 |
| WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
| CN112733283A (zh) * | 2020-12-21 | 2021-04-30 | 北京华能新锐控制技术有限公司 | 一种风电机组部件故障预测方法 |
| CN114118251A (zh) * | 2021-11-22 | 2022-03-01 | 国网辽宁省电力有限公司沈阳供电公司 | 基于多源数据融合与卷积孪生神经网络的故障诊断与预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024077753A1 (zh) | 2024-04-18 |
| CN115293057A (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115293057B (zh) | 一种基于多源异构数据的风力发电机故障预测方法 | |
| Al-Dahidi et al. | Remaining useful life estimation in heterogeneous fleets working under variable operating conditions | |
| CN113282461B (zh) | 传输网的告警识别方法和装置 | |
| CN110868241B (zh) | 基于多模型的地下电缆故障预警方法和装置 | |
| CN110875851B (zh) | 地下电缆故障预警方法和装置 | |
| CN104392752A (zh) | 一种实时在线的核反应堆故障诊断与监测系统 | |
| TWI794907B (zh) | 用於系統管理之故障預測與健康管理系統與相關方法 | |
| CN116089890B (zh) | 一种智慧风电场的故障预警检测方法及系统 | |
| CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
| CN112801316A (zh) | 基于多指标数据的故障定位方法、系统设备及存储介质 | |
| CN117309891B (zh) | 一种基于智能反馈机制的玻璃钢化膜检测方法及系统 | |
| CN111666978B (zh) | 一种it系统运维大数据的智能故障预警系统 | |
| CN116187773B (zh) | 一种用于电厂储存电能的损失分析方法及系统 | |
| CN112817814A (zh) | 异常监控方法、系统、存储介质及电子装置 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| CN113935443B (zh) | 异构设备多域联合故障预测方法、装置、终端及存储介质 | |
| CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
| CN117674128A (zh) | 基于电力调度系统自动化故障排除方法 | |
| CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
| CN117195454A (zh) | 电网数字孪生体构建方法、装置、电子设备及存储介质 | |
| CN117057772A (zh) | 一种设备故障检测维修实时跟踪展示方法及系统 | |
| CN108960455B (zh) | 业务运行状态分析方法、装置、计算设备及存储介质 | |
| CN116541196A (zh) | 一种水电厂智能巡检诊断方法、系统、装置和介质 | |
| Kang et al. | Implementation of PV monitoring system using Python | |
| CN115982578A (zh) | 故障定位方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |