CN116677570A - 基于海上风电机组机舱温度监测的故障预警方法及系统 - Google Patents
基于海上风电机组机舱温度监测的故障预警方法及系统 Download PDFInfo
- Publication number
- CN116677570A CN116677570A CN202310889270.1A CN202310889270A CN116677570A CN 116677570 A CN116677570 A CN 116677570A CN 202310889270 A CN202310889270 A CN 202310889270A CN 116677570 A CN116677570 A CN 116677570A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- wind turbine
- fault
- monitored
- 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 71
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000001364 causal effect Effects 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000005856 abnormality Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000003916 acid precipitation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本申请提供了基于海上风电机组机舱温度监测的故障预警方法及系统，其中，数据采集模块采集待监测风电机组的历史初始状态数据；数据处理模块利用领域成分分析法对历史初始状态数据进行筛选得到历史候选状态数据，然后对历史候选状态数据进行预处理得到历史目标状态数据；温度确定模块将历史目标状态数据输入至用于对待监测风电机组的机舱温度值进行确定的神经网络模型中得到待监测风电机组的当前机舱温度值；故障判断模块根据当前机舱温度值以及当前状态数据值确定出当前状态指数，然后根据当前状态指数与预设标准状态指数范围确定出待监测风电机组是否发生故障。采用上述方法，能够对海上风力风电机组的机舱温度进行预测，以对风电机组是否出现故障进行监测。
Description
技术领域
本发明涉及风力风电机组监测领域，具体而言，涉及基于海上风电机组机舱温度监测的故障预警方法及系统。
背景技术
目前使用的海上风力风电机组组基本实现了无人值守，但大多数风电机组的机舱长期工作在高空、海上等复杂恶劣的外部环境下，如温差变化大、风速剧烈、沙尘酸雨污染、海面环境波动强等等，导致风电机组故障率较高，增加风电场的运维成本。其中多数严重事故是由于机舱内部超温导致，风电机组机舱内的主要热源是舱内的运行部件，在运行过程中产生的摩擦、碰撞和电磁损耗都会导致温升，而润滑油和散热片在发电机的高强度运行中性能会下降，加上机舱内部其他部件运行状态的变化和环境的影响，这些因素综合作用导致风电机组机舱产生不确定温升。
在研究中发现，机舱温度的异常可能会导致部件损坏、风机停机等情况的发生，从而导致海上风力风电机组发生故障，无法正常运行或者执行工作任务，严重时还会引发火灾造成巨大的人财损失。因此，如何对海上风力风电机组的机舱温度进行预测，以对风电机组是否出现故障进行监测成为了一个亟待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供基于海上风电机组机舱温度监测的故障预警方法及系统，能够对海上风力风电机组的机舱温度进行预测，以对风电机组是否出现故障进行监测。
第一方面，本申请实施例提供了一种基于海上风电机组机舱温度监测的故障预警方法，应用于海上风电机组机舱温度监测的故障预警系统，所述系统包括数据采集模块、数据处理模块、温度确定模块和故障判断模块，所述方法包括：
所述数据采集模块采集待监测风电机组的历史初始状态数据；
所述数据处理模块利用领域成分分析法对所述历史初始状态数据进行筛选得到历史候选状态数据，其中，所述历史候选状态数据为通过机理分析判断所得的对所述待监测风电机组的机舱温度影响程度超过标准程度的历史初始状态数据；
所述数据处理模块对所述历史候选状态数据进行预处理得到历史目标状态数据；
所述温度确定模块将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值；
所述故障判断模块根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数，其中，所述当前状态数据值为所述历史候选状态数据在当前时刻的数据值；
所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障。
可选地，所述历史初始状态数据包括所述待监测风电机组的各目标部件的历史初始温度数据、待监测风电机组的历史初始运行数据和所述待监测风电机组所处环境的历史初始环境数据；
所述目标部件包括齿轮箱、齿轮箱驱动端、非驱动端轴承、主轴轴承、风电机组驱动端和非驱动端轴承；
所述历史初始运行数据包括历史风电机组转速和历史风电机组输出功率；
所述历史初始环境数据包括历史海上风速和历史海上温度。
可选地，所述数据处理模块对所述历史候选状态数据进行预处理得到历史目标状态数据，包括：
所述数据处理模块对所述历史候选状态数据中的异常数据进行修正得到待补全数据；
所述数据处理模块对所述待补全数据中的缺失值进行补全得到待归一化数据；
所述数据处理模块对所述待归一化数据进行归一化处理得到所述历史目标状态数据。
可选地，所述温度确定模块将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行确定的神经网络模型中得到所述待监测风电机组的当前机舱温度值，包括：
所述温度确定模块将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到待反归一化数据；
所述温度确定模块将所述待反归一化数据进行反归一化处理得到所述当前机舱温度值。
可选地，所述故障判断模块根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数，包括：
所述故障判断模块根据所述当前机舱温度值以及所述当前状态数据值建立当前状态向量；
所述故障判断模块根据历史机舱温度值以及历史候选状态数据值建立历史状态向量，其中，所述历史候选状态数据值为所述历史候选状态数据的数据值；
所述故障判断模块计算所述当前状态向量和所述历史状态向量之间的距离，并将所述距离确定为所述当前状态指数。
可选地，所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障，包括：
所述故障判断模块判断所述当前状态指数是否落入所述预设标准状态指数范围内；
若所述当前状态指数落入所述预设标准状态指数范围内，则所述故障判断模块则将所述待监测风电机组确定为未发生故障。
可选地，在所述故障判断模块判断所述当前状态指数是否落入所述预设标准状态指数范围内后，所述方法还包括：
若所述当前状态指数未落入所述预设标准状态指数范围内，则所述故障判断模块则将所述待监测风电机组确定为发生故障。
可选地，所述系统还包括故障源头确定模块，在所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障后，所述方法还包括：
当所述待监测风电机组发生故障时，所述故障源头确定模块根据每个所述历史候选状态数据在历史正常运行时段的第一自信息熵和每个所述历史候选状态数据在历史异常运行时段的第二自信息熵确定出每个所述历史候选状态数据的因果关系矩阵；
所述故障源头确定模块根据所述因果关系矩阵确定出所述待监测风电机组的故障程度指标；
所述故障源头确定模块根据所述故障程度指标确定出每个所述历史候选状态数据的异常程度；
所述故障源头确定模块将异常程度超过标准程度的历史候选状态数据确定为故障源头。
可选地，所述系统还包括信息发送模块，在所述故障源头确定模块将异常程度超过标准程度的历史候选状态数据确定为故障源头后，所述方法还包括：
所述信息发送模块向目标客户端发送预警信息，其中，所述预警信息包括所述故障源头。
第二方面，本申请实施例提供了基于海上风电机组机舱温度监测的故障预警系统，所述系统包括数据采集模块、数据处理模块、温度确定模块和故障判断模块：
所述数据采集模块，用于采集待监测风电机组的历史初始状态数据；
所述数据处理模块，用于利用领域成分分析法对所述历史初始状态数据进行筛选得到历史候选状态数据，其中，所述历史候选状态数据为通过机理分析判断所得的对所述待监测风电机组的机舱温度影响程度超过标准程度的历史初始状态数据；
所述数据处理模块，用于对所述历史候选状态数据进行预处理得到历史目标状态数据；
所述温度确定模块，用于将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值；
所述故障判断模块，用于根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数，其中，所述当前状态数据值为所述历史候选状态数据在当前时刻的数据值；
所述故障判断模块，用于根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障。
可选地，所述历史初始状态数据包括所述待监测风电机组的各目标部件的历史初始温度数据、待监测风电机组的历史初始运行数据和所述待监测风电机组所处环境的历史初始环境数据；
所述目标部件包括齿轮箱、齿轮箱驱动端、非驱动端轴承、主轴轴承、发电机驱动端和非驱动端轴承；
所述历史初始运行数据包括历史风电机组转速和历史风电机组输出功率；
所述历史初始环境数据包括历史海上风速和历史海上温度。
可选地，所述数据处理模块在用于对所述历史候选状态数据进行预处理得到历史目标状态数据时，具体用于：
对所述历史候选状态数据中的异常数据进行修正得到待补全数据；
对所述待补全数据中的缺失值进行补全得到待归一化数据；
对所述待归一化数据进行归一化处理得到所述历史目标状态数据。
可选地，所述温度确定模块在用于将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值时，具体用于：
将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行确定的神经网络模型中得到待反归一化数据；
将所述待反归一化数据进行反归一化处理得到所述当前机舱温度值。
可选地，所述故障判断模块在用于根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数时，具体用于：
根据所述当前机舱温度值以及所述当前状态数据值建立当前状态向量；
所述故障判断模块根据历史机舱温度值以及历史候选状态数据值建立历史状态向量，其中，所述历史候选状态数据值为所述历史候选状态数据的数据值；
计算所述当前状态向量和所述历史状态向量之间的距离，并将所述距离确定为所述当前状态指数。
可选地，所述故障判断模块在用于根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障时，具体用于：
判断所述当前状态指数是否落入所述预设标准状态指数范围内；
若所述当前状态指数落入所述预设标准状态指数范围内，则将所述待监测风电机组确定为未发生故障。
可选地，所述故障判断模块还用于：
在判断所述当前状态指数是否落入所述预设标准状态指数范围内后，若所述当前状态指数未落入所述预设标准状态指数范围内，则将所述待监测风电机组确定为发生故障。
可选地，所述系统还包括故障源头确定模块，在所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障后，所述故障源头确定模块用于：
当所述待监测风电机组发生故障时，根据每个所述历史候选状态数据在历史正常运行时段的第一自信息熵和每个所述历史候选状态数据在历史异常运行时段的第二自信息熵确定出每个所述历史候选状态数据的因果关系矩阵；
根据所述因果关系矩阵确定出所述待监测风电机组的故障程度指标；
根据所述故障程度指标确定出每个所述历史候选状态数据的异常程度；
将异常程度超过标准程度的历史候选状态数据确定为故障源头。
可选地，所述系统还包括信息发送模块，在所述故障源头确定模块将异常程度超过标准程度的历史候选状态数据确定为故障源头后，所述信息发送模块用于：
向目标客户端发送预警信息，其中，所述预警信息包括所述故障源头。
本申请提供的技术方案包括但不限于以下有益效果：
所述数据采集模块采集待监测风电机组的历史初始状态数据；所述数据处理模块利用领域成分分析法对所述历史初始状态数据进行筛选得到历史候选状态数据，其中，所述历史候选状态数据为通过机理分析判断所得的对所述待监测风电机组的机舱温度影响程度超过标准程度的历史初始状态数据；所述数据处理模块对所述历史候选状态数据进行预处理得到历史目标状态数据；通过上述步骤，能够得到用于进行风电机组机舱温度预测所需要的历史目标状态数据。
所述温度确定模块将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值；通过上述步骤，能够根据历史目标状态数据对当前时刻的机舱温度值进行预测，得到当前机舱温度值，以作为对风电机组状态进行判断的数据依据。
所述故障判断模块根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数，其中，所述当前状态数据值为所述历史候选状态数据在当前时刻的数据值；所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障；通过上述步骤，能够根据预测得到的当前机舱温度值对风电机组是否发生故障进行判断。
采用上述方法，通过对待监测风电机组的历史状态数据进行筛选和处理得到用于进行机舱温度预测的历史目标数据，然后根据历史目标数据利用模型对当前机舱温度进行预测得到当前机舱温度，再根据当前机舱温度对风电机组是否发生故障进行判断，从而能够对海上风力风电机组的机舱温度进行预测，以对风电机组是否出现故障进行监测。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例一所提供的一种基于海上风电机组机舱温度监测的故障预警方法的流程图；
图2示出了本发明实施例一所提供的一种历史目标状态数据确定方法的流程图；
图3示出了本发明实施例一所提供的一种当前机舱温度确定方法的流程图；
图4示出了本发明实施例一所提供的一种当前状态指数确定方法的流程图；
图5示出了本发明实施例一所提供的一种故障判断方法的流程图；
图6示出了本发明实施例一所提供的一种故障源头确定方法的流程图；
图7示出了本发明实施例二所提供的一种基于海上风电机组机舱温度监测的故障预警系统的结构示意图；
图8示出了本发明实施例二所提供的第二种基于海上风电机组机舱温度监测的故障预警系统的结构示意图；
图9示出了本发明实施例二所提供的第三种基于海上风电机组机舱温度监测的故障预警系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，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实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
为便于对本申请进行理解，下面结合图1示出的本发明实施例一所提供的一种基于海上风电机组机舱温度监测的故障预警方法的流程图描述的内容对本申请实施例一进行详细说明。
参见图1所示，图1示出了本发明实施例一所提供的一种基于海上风电机组机舱温度监测的故障预警方法的流程图，其中，应用于基于海上风电机组机舱温度监测的故障预警系统，所述系统包括数据采集模块、数据处理模块、温度确定模块和故障判断模块，所述方法包括，所述方法包括步骤S101～S106：
S101：所述数据采集模块采集待监测风电机组的历史初始状态数据。
具体的，历史初始状态数据是待监测风电机组在历史时刻未经处理的原始状态数据，所述历史初始状态数据包括以下至少一种：所述待监测风电机组的各目标部件的历史初始温度数据、待监测风电机组的历史初始运行数据、所述待监测风电机组所处环境的历史初始环境数据。
这些历史初始状态数据为数据采集模块通过SCADA(Supervisory Control AndData Acquisition，即数据采集与监视控制)系统对根据机舱内部结构和运行原理初步选择的主要测温点的相关数据；气象数据由塔台气象站等提供。
S102：所述数据处理模块利用领域成分分析法对所述历史初始状态数据进行筛选得到历史候选状态数据，其中，所述历史候选状态数据为通过机理分析判断所得的对所述待监测风电机组的机舱温度影响程度超过标准程度的历史初始状态数据。
具体的，预测模型的性能随着输入变量的数量增加而提升，而一些冗余和无关变量的存在，使得模型的性能不升反降，因此在对风电机组机舱温度进行预测之前，有必要基于待监测风电机组的历史初始状态数据，利用领域成分分析法，筛选出对机舱温度影响较大的相关变量(即历史候选状态数据)。其中，领域成分分析法模型参数由K折交叉验证法进行调试确定，计算各变量数据对机舱温度的特征权重，按权重大小选择前n个变量数据作为后续模型的输入以此优化模型性能，n为非零的自然数，在实际应用中根据实际需求进行设定。
考虑到直接将所有测点温度、机组信息和气象数据作为神经网络模型的输入，不但增加计算时间，而且在一定程度上会降低模型的精度。为了提取机舱内各主要放热设备影响舱内温度的有效信息，了解机组运行状态和海面风况对机舱温度的影响，提高建模的精度和速度，采用领域成分分析(neighborhood component analysis，NCA)进行相关性分析，NCA通过距离测度表达相似度，在原始数据集上进行NCA距离测度学习并完成降维。
具体的实现过程如下：考虑到原始数据中不同变量间量纲不同，数值差别大，采用min-max标准化方法将输入样本xi归一化至[0，1]区间内：
式中，xi为样本序列的值；xmin，xmax分别表示样本数据中的最低和最高值；则表示标准化后的数据。
设集合S＝((xi，yi)，i＝1，2，...，N)，式中xi为样本序列的值，包括各测点温度、机组运行信息、室外温度、海面风况等等，yi为机舱温度，N为样本个数。从集合S中随机选择xi作为参考点xi，ref，使用S-i中的数据预测xi的响应，S-i为S去除点(xi，yi)后的集合，计算剩余非线性参量xd被选为参考点的概率P(xi，ref＝xd|S-i)如式所示：
式中，vi＝{vi1，vi2…，viR}；vd＝{vd1，vd2…，vdR}；wr为特征权重(r＝1，2，...R)；v(z)为核函数；R为样本中xi的维数，即样本序列的种类个数：xir为xi中的第r个变量的值；xdr为xd中的第r个变量的值；vi1表示vi中的第1个变量的值；vd1表示vd中的第1个变量的值；r表示样本序列中的第r个变量，r为非零的自然数。
式中，e为自然常数，σ为内核宽度，定义损失函数衡量回归模型预测温度值与实际温度值的差异，结合概率P(xi，ref＝xd|S-i)计算损失值L：
其中，N为样本个数，yd为剩余非线性参量xd作为参考点时该点的温度值。
在损失值上添加正则项，定义目标函数f(w)，通过调整参数λ使目标函数最小化，即：
其中，λ为NCA模型参数。
采用K折交叉验证法调试NCA模型参数λ，使之具有最小的回归损失值，其基本步骤为将数据集先分成k个子数据集，取其中一份作为测试集的同时，用其他k-1份子数据集训练，然后将第i个测试集输入模型计算λ。此时确定最佳λ值并计算各变量对机舱温度的特征权重。
所建NCA模型输入为机舱内温度的测点温度、风机运行状态、海面风况等影响海上风机的机舱温度的因素，输出为舱内温度，根据返回的特征权重确定各风电机组风速对场级功率的影响，特征权重越大，则表明该点对舱内温度的影响越大，反之则越小。按特征权重由大到小排列，取前l个变量作为后续模型的输入变量。
S103：所述数据处理模块对所述历史候选状态数据进行预处理得到历史目标状态数据。
具体的，所述数据处理模块对历史候选状态数据进行等间隔采样，对采集到的样本数据中的异常值进行修正，对缺失数据进行填补，并进行归一化处理得到历史目标状态数据。
S104：所述温度确定模块将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值。
具体的，温度确定模块采用多输入单输出时序动态建模神经网络对海上风电机组机舱温度进行动态表征，定义模型精度评价指标，采用交叉验证方法对模型参数进行选择，测试模型性能，直至确定最终时序动态模型对当前舱内温度进行预测。
考虑到海上风机的机舱温度预测模型(即上述神经网络模型)是以时间为变量的函数，下一时刻的温度变化与之前时刻有着密切的联系，选择对时序输入有着良好的深层信息提取能力的时间卷积网络对输入变量进行处理，对数据集进行分段，通过滑动窗口输入固定长度的序列。经过多层残差链接结构的输出反归一化后即为舱内温度预测值，每一层残差链接中包含两层扩张因果卷积和ReLU(激活函数)，并应用权重归一化到卷积核，此外在每次扩张因果卷积后添加dropout(随机失活)进行正则化以减少源特征过拟合。为评价神经网络模型性能，定义均方根误差、绝对百分比误差衡量机舱定值温度预测模型精度，K折交叉验证法对模型的参数进行选择，直至确定最终时序动态模型。实现对机舱温度非线性动态的高精度逼近。
S105：所述故障判断模块根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数，其中，所述当前状态数据值为所述历史候选状态数据在当前时刻的数据值。
具体的，海面风速对机舱内部的温度有着显著的影响，因此基于前面所建立动态模型，根据海面风速选择不同的风速区间，这里主要考虑海面风速在2-16m/s的范围内，以2m/s的间隔划分风速区间。利用当前风速区间下的历史候选状态数据为参照，定义当前时刻的当前状态数据值与历史候选状态数据值间的距离为待监测电机的当前状态指数。
S106：所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障。
具体的，预设标准状态指数范围是通过根据历史候选状态数据值，利用拉依达准则确定得到的包含指数上限和下限的范围。
在一个可行的实施方案中，所述历史初始状态数据包括所述待监测风电机组的各目标部件的历史初始温度数据、待监测风电机组的历史初始运行数据和所述待监测风电机组所处环境的历史初始环境数据。
所述目标部件包括齿轮箱、齿轮箱驱动端、非驱动端轴承、主轴轴承、风电机组驱动端和非驱动端轴承。
所述历史初始运行数据包括历史风电机组转速和历史风电机组输出功率。
所述历史初始环境数据包括历史海上风速和历史海上温度。
在一个可行的实施方案中，参见图2所示，图2示出了本发明实施例一所提供的一种历史目标状态数据确定方法的流程图，其中，所述数据处理模块对所述历史候选状态数据进行预处理得到历史目标状态数据，包括步骤S201～S203：
S201：所述数据处理模块对所述历史候选状态数据中的异常数据进行修正得到待补全数据。
具体的，由于本方法设计的相关变量在正常情况下相邻时刻不存在大幅突变，因此根据设定的容许波动范围对各变量进行异常数据识别，将超出阈值范围的点标记为异常值点，用异常点前后正常值的均值替代异常数据值。即数据处理模块根据设定的容许波动范围对各历史候选状态数据进行异常数据识别，将超出阈值范围的历史候选状态数据标记为异常值点，用异常值点前一时刻和后一时刻的正常值的均值替代异常值点的数据值，得到待补全数据。
S202：所述数据处理模块对所述待补全数据中的缺失值进行补全得到待归一化数据。
具体的，数据处理模块对缺失的数据使用Lagrange(拉格朗日)插值法完成数据填充得到待归一化数据。
针对采样中的缺失数据，选择使用Lagrange插值法去完成数据填充。根据数学分析可得，对于平面上已知的n个点，必然有一个n-1次多项式使得此多项式曲线过这n个点。
具体实现方法包括：求解已知的过n个点的n-1次多项式为：y＝a0+a1x+a2x2+…+an-1xn-1，其中，a0、a1、a2、an-1均为使等式成立的常数项
将其他各正常点带入多项式函数，可得到y1、y2、…、yn，其中，y1为第一个点代入上述多项式所得的值，y2为第二个点代入上述多项式所得的值，yn为第n个点代入上述多项式所得的值，则Lagrange插值多项式L(x)求解为：
其中，当j＝i时，xj＝xi；xi为样本序列的值，N为样本个数。
将缺失的函数值对应的点x代入上式，即可计算得到对应的近似值L(x)作为该点的值。
S203：所述数据处理模块对所述待归一化数据进行归一化处理得到所述历史目标状态数据。
具体的，为了减少模型预测时的运算量，将对所述待归一化数据进行归一化处理得到所述历史目标状态数据，将历史目标状态数据作为神经网络模型的输入。
同样采用min-max标准化方法将输入样本x归一化至[0，1]区间内，以统一不同变量间的量纲，减小数值差别：
式中，xi为样本序列的值；xmin，xmax分别表示样本数据中的最低和最高值；则表示标准化后的数据。
在一个可行的实施方案中，参见图3所示，图3示出了本发明实施例一所提供的一种当前机舱温度确定方法的流程图，其中，所述温度确定模块将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值，包括步骤S301～S302：
S301：所述温度确定模块将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行确定的神经网络模型中得到待反归一化数据。
具体的，为了将深度学习模型运用到时间序列预测中，将数据集转换为一个有监督的回归问题，对数据集进行分段，通过滑动窗口输入固定长度的序列，数据输入形式如下：
式中：Xt为第t时刻滑动时间窗的输入；l为输入特征变量个数；T为滑动窗口的时间步长，为第一个历史目标状态数据在t-T时刻的值，后面可以以此类推。
时间卷积网络(Temporal Convolutional Network，TCN)模型是在CNN结构的基础上进行改进的网络模型，通过残差链接结构堆叠而成，残差链接以一维卷积网络为基础，结合扩张卷积网络搭建而成。每一层残差链接中包含两层扩张因果卷积和激活函数ReLU，并应用权重归一化到卷积核，此外在每次扩张因果卷积后添加dropout进行正则化以减少源特征过拟合。使用额外的一维卷积来保证残差块的输出与输入保持相同的维数。海上风机的机舱温度预测模型是以时间为变量的函数，下一时刻的温度变化与机舱内的关键测点、海面风况、室外温度的之前时刻有着密切的联系。TCN采用因果卷积，保证模型严格按照时序进行卷积，t时刻的温度对应上一层中该时刻和更早时刻的输入，并且随着TCN卷积网络层数增加，一个温度输出所对应的其他元素输入的时间序列也越长。选择合适的卷积层数使模型在高效的同时尽可能多的考虑风机机舱温度影响因素的历史数据。
TCN通过增加卷积核的大小和扩张系数，使得数据的感受野增大，形成更长时的卷积“记忆”，使得模型在多维数据并行输入时能保持高效的计算效率。对一维序列的元素s进行扩张卷积运算F公式如下：
式中：表示在/>处的卷积结果，f为滤波器系数可取{0，1，2，...，k-1}；d为扩张系数；*定义为卷积，表示f对各点数据进行卷积；k为卷积核尺寸；/>表示只对模型输入的历史数据做卷积计算，l为特征变量的个数，i取0到k-1，
输入数据经过每个卷积层后，扩张系数d就会以指数形式增长，进入下一层进行卷积，通过多次卷积计算就会使TCN获得更大的感受野，能够更精准的捕捉到影响机舱温度的变量时间间隔较长的数据之间的影响关系。卷积计算在每一层会进行两次，经过多轮卷积后输出卷积结果感受野R计算公式如下：
R＝(k-1)d+1：其中，k为卷积核尺寸；d为扩张系数。
随着隐藏层层数的增加、扩张系数的变大，势必会提取更多的数据特征，但也会导致网络结构更复杂，网络稳定性下降，带来梯度消失、梯度爆炸的风险，因此TCN中的残差网络可以完成跨层式信息传递，有效的提高模型表现，保证模型性能。
海上风机的机舱温度预测是一个具有非线性特征的时间序列预测问题，影响舱内温度的因素有舱内的主要放热设备、海面风速的变化、室外温度的波动以及一些机组自身因素，均为时间系数下的变量，且机舱温度的监测对即时性有高需求。TCN独特的一维因果卷积结构保证了数据的时间特征，残差连接加速了网络的收敛速度，扩展卷积保留了较多的数据特征。将经过领域成分分析进行相关性分析筛选和异常值识别、缺失值填补和归一化等数据处理后，对机舱温度影响较大的变量作为模型输入，利用TCN结构对输入信息进行深层特征提取，输入信息和机舱温度之间的联系更加明确，准确预测下一时刻的舱内温度，实现温度监测，便于及时进行故障预警。
为评价神经网络模型性能，定义均方根误差ORMSE(root mean square error，RMSE)、绝对百分比误差OMAPE(mean absolute percentage error，MAPE)衡量机舱定值温度预测模型精度，评价指标越小模型预测温度越逼近真实值，计算公式如下：
其中，y*(i)为机舱温度真实值，y(i)为模型预测值。
同样采用K折交叉验证法对模型的参数进行选择，直到满足模型精度要求。
S302：所述温度确定模块将所述待反归一化数据进行反归一化处理得到所述当前机舱温度值。
具体的，模型输入为归一化处理后的样本数据，对输出进行反归一化后的值即为当前机舱温度值。
在一个可行的实施方案中，参见图4所示，图4示出了本发明实施例一所提供的一种当前状态指数确定方法的流程图，其中，所述故障判断模块根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数，包括步骤S401～S403：
S401：所述故障判断模块根据所述当前机舱温度值以及所述当前状态数据值建立当前状态向量。
具体的，故障判断模块将当前机舱温度值和各当前状态数据值构建为一个序列，作为当前状态向量。
S402：所述故障判断模块根据历史机舱温度值以及历史候选状态数据值建立历史状态向量，其中，所述历史候选状态数据值为所述历史候选状态数据的数据值。
具体的，故障判断模块将历史机舱温度值和各历史候选状态数据值构建为一个序列，作为历史状态向量。
S403：所述故障判断模块计算所述当前状态向量和所述历史状态向量之间的距离，并将所述距离确定为所述当前状态指数。
具体的，故障判断模块计算当前状态向量和历史状态向量之间的距离，将计算得到的距离结果作为当前状态指数。
在实际应用中，通过对数据的观察和处理，可以发现海面风速对机舱内部的温度有着显著的影响，全工况下的机舱温度上下限并不能对机舱温度起到有效的预警作用，随着海面风况的改变，在不同风况下机舱正常运行时可达到的温度上下限也随之改变。因此根据海面风况的不同选择不同的机舱温度上下限进行预警是非常有必要的。风机的历史运行数据表明，海上风机的启动风速为2m/s，一般在16m/s以上的风况较为少见，并且风速过大时需要将风机切出避免叶轮飞车或转速过大烧毁风机等危险发生，因此本方法主要考虑海面风速在2-16m/s的范围内，以2m/s的间隔划分风速区间。
利用不同风速区间下的历史运行数据为参照，通过判断工作点与历史样本均值点间的距离判断当前机舱温度是否仍在正常范围内。不仅要综合当前海面风速、模型预测温度，还要适当考虑机舱内的主要发热源和室外温度。在同一个风速区间内时，这些指标往往都落在某个区间范围内呈正态分布，我们对其进行正向化处理，将历史数据的均值作为其最佳数值xbest，取M＝max{|xi-xbest|)，之后按照转化成极大型指标数据便于后续不同变量数据间的统一计算。
结合最初输入特征向量选择时采用领域成分分析法所得特征量的权重确定机舱内主要热源测点温度、室外温度、海面风速的权重：
式中wr为使用NCA方法计算所得特征权重。
当前点的评价向量R：
R＝{r1，r2，…，rm}＝{x1·w1，x2·w2，…，xq·wq，xtemp}；
式中，xi为该时刻第i个变量化成极大型指标后的值，xtemp为模型输出的机舱预测温度；i＝1，2，...，q，q为需要计算权重的变量个数，wq为其对应的权重。
R+是由各参数的样本均值组成的均值向量，r1 +为R+中的第一个向量值，为R+中的第二个向量值，/>为R+中的第m个向量值，评价向量和均值向量之间的距离d(R，R+)即为当前状态指数，评价向量R的维数。
通过对一段时间历史数据的计算得到机舱温度健康指数的样本均值和标准差，根据3σ准则(拉依达准则)可以确定机舱温度的健康上下限。当所得机舱温度健康指数超过阈值表明机舱温度异常，需要及时干预，云平台将故障预警信号发送给客户端。
在一个可行的实施方案中，参见图5所示，图5示出了本发明实施例一所提供的一种故障判断方法的流程图，其中，所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障，包括步骤S501～S502：
S501：所述故障判断模块判断所述当前状态指数是否落入所述预设标准状态指数范围内。
S502：若所述当前状态指数落入所述预设标准状态指数范围内，则所述故障判断模块则将所述待监测风电机组确定为未发生故障。
具体的，若所述当前状态指数落入所述预设标准状态指数范围内，说明风电机组运行正常，故障判断模块则将所述待监测风电机组确定为未发生故障。
在一个可行的实施方案中，在所述故障判断模块判断所述当前状态指数是否落入所述预设标准状态指数范围内后，所述方法还包括：
若所述当前状态指数未落入所述预设标准状态指数范围内，则所述故障判断模块则将所述待监测风电机组确定为发生故障。
在一个可行的实施方案中，参见图6所示，图6示出了本发明实施例一所提供的一种故障源头确定方法的流程图，其中，所述系统还包括故障源头确定模块，在所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障后，所述方法还包括步骤S601～S604：
S601：当所述待监测风电机组发生故障时，所述故障源头确定模块根据每个所述历史候选状态数据在历史正常运行时段的第一自信息熵和每个所述历史候选状态数据在历史异常运行时段的第二自信息熵确定出每个所述历史候选状态数据的因果关系矩阵。
S602：所述故障源头确定模块根据所述因果关系矩阵确定出所述待监测风电机组的故障程度指标。
S603：所述故障源头确定模块根据所述故障程度指标确定出每个所述历史候选状态数据的异常程度。
S604：所述故障源头确定模块将异常程度超过标准程度的历史候选状态数据确定为故障源头。
具体的，选择基于传递熵计算条件概率函数，构建舱内温度异常时段的因果关系矩阵，通过和正常时间段的矩阵比较判断矩阵元素是否超过设定阈值，计算该变量的故障程度。变量的故障程度越靠前，其异常的可能性就越大，越有可能导致舱内温度异常。主要包含历史数据因果关系矩阵构建和异常时段故障分析两部分：
第一部分，历史数据因果关系矩阵构建：
获取历史正常时段q个变量(相当于上述历史候选状态数据)的时间序列S：{S1，S2，S3，...，Sq}，Sq表示对第q个变量进行采样得到的时间序列，q为非零的自然数。
计算每个时间序列S的自信息熵H(S)：{H1，H2，H3，...，Hq}：
式中：x表示该特征时间序列S中的每个时间点；p(x)表示时间序列S中取值为x的输出概率；αx表示该特征时间序列S中x的所有可能取值。
计算任意两个时间序列的传递熵T。
当变量I对变量J的传递熵大于变量J对变量I的传递熵时，就把变量I称为因，变量J称为果，以此来判断变量间的因果关系。设传递熵TJ→I为时间序列SJ到SI的交互信息的度量：
式中：it表示第I个变量的时间序列SI在时间t时的状态，表示SI在时间t及之前时刻的k个状态；jt表示第j个变量的时间序列SJ在时间t时的状态，/>表示SJ在时间t及之前时刻的k个状态。p(x，y)表示联合分布概率，p(x|y)表示条件概率。传递熵具有方向性，因此TI→J可以通过交换上述公式中的变量获得。
根据变量的自信息熵和两两间的传递熵建立因果关系矩阵A：
H1为第一个变量的自信息熵，H2是第二个变量的自信息熵，以此类推。
T1→2是变量1的时间序列S1到变量2的时间序列S2的传递熵，其他的以此类推。
重复上述步骤，计算海上风机的机舱温度超过阈值时段所得变量时间序列的自信息和互信息来建立因果关系矩阵B；
根据正常时段和异常时段的因果关系矩阵建立熵变化矩阵C，并对其进行归一化处理。
剔除矩阵中熵变较小的值后建立双向因果加权图。设定阈值，cm，n表示熵变矩阵C中第m行n列的值，遍历矩阵C并将所有小于阈值的元素置零，仅保留熵变较大的值，也就是异常可能性较高的系统变量，得到最终的熵变化矩阵C′。
根据熵变矩阵与变量间的因果关系链接建立双向因果图模型，图中各节点代表和风机机舱温度相关的各变量，图中各节点上的值即为矩阵对角线的值，是各变量自身报警前后自信息熵的变化率，代表变量自身异常程度；非对角线的值为变量与变量间报警前后传递熵的变化率，代表变量I影响变量J或变量J影响变量I的故障因果关联程度，由图中节点与节点间的链接表示。
阈值的设置影响故障溯源的时间和准确性，阈值越低，网络规模越大，溯源所需时间越多，影响工作人员在机舱温度过高时的快速作出补救措施的时间；阈值越高，网络规模越小，计算结果提供的故障变量个数随之递减，运用在较大规模的系统时准确率会下降。本方法选择阈值为0.5，在实际工程应用中应根据系统需求，选择适当的阈值，在满足准确率的情况下尽量缩小模型规模。
通过故障程度指标Fdegree，i计算变量的故障程度：
式中，Hi代表i节点自身的异常程度，vx表示任一单个节点vi中的一个，vi表示双向因果加权图中的单个节点，vi，out表示图中与vi之间有链接的节点，且该链接线是从vi指出；num(vi，out)表示vi，out节点个数。故障程度指标Fdegree，i是由当前节点的异常程度和与该节点有链接的节点的故障因果关联程度的均值两部分组成。
遍历双向因果图模型的所有节点，计算每个节点是故障源头的程度，从大到小进行排序，节点排名越靠前表示该节点是故障源头节点的程度越大，设定参数K表示期望溯源到的故障源头节点的目标个数，参数K一般取值为10到30，依据目标个数，将排序表中前K个节点判定为故障源头节点，即上述故障源头。
在一个可行的实施方案中，所述系统还包括信息发送模块，在所述故障源头确定模块将异常程度超过标准程度的历史候选状态数据确定为故障源头后，所述方法还包括：
所述信息发送模块向目标客户端发送预警信息，其中，所述预警信息包括所述故障源头。
具体的，为了让用户或者相关人员能够及时获知故障源头信息，则由信息发送模块向目标客户端发送预警信息。
实施例二
参见图7所示，图7示出了本发明实施例二所提供的一种基于海上风电机组机舱温度监测的故障预警系统的结构示意图，其中，所述系统包括数据采集模块701、数据处理模块702、温度确定模块703和故障判断模块704：
所述数据采集模块，用于采集待监测风电机组的历史初始状态数据；
所述数据处理模块，用于利用领域成分分析法对所述历史初始状态数据进行筛选得到历史候选状态数据，其中，所述历史候选状态数据为通过机理分析判断所得的对所述待监测风电机组的机舱温度影响程度超过标准程度的历史初始状态数据；
所述数据处理模块，用于对所述历史候选状态数据进行预处理得到历史目标状态数据；
所述温度确定模块，用于将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值；
所述故障判断模块，用于根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数，其中，所述当前状态数据值为所述历史候选状态数据在当前时刻的数据值；
所述故障判断模块，用于根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障。
在一个可行的实施方案中，所述历史初始状态数据包括所述待监测风电机组的各目标部件的历史初始温度数据、待监测风电机组的历史初始运行数据和所述待监测风电机组所处环境的历史初始环境数据；
所述目标部件包括齿轮箱、齿轮箱驱动端、非驱动端轴承、主轴轴承、风电机组驱动端和非驱动端轴承；
所述历史初始运行数据包括历史风电机组转速和历史风电机组输出功率；
所述历史初始环境数据包括历史海上风速和历史海上温度。
在一个可行的实施方案中，所述数据处理模块在用于对所述历史候选状态数据进行预处理得到历史目标状态数据时，具体用于：
对所述历史候选状态数据中的异常数据进行修正得到待补全数据；
对所述待补全数据中的缺失值进行补全得到待归一化数据；
对所述待归一化数据进行归一化处理得到所述历史目标状态数据。
在一个可行的实施方案中，所述温度确定模块在用于将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值时，具体用于：
将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行确定的神经网络模型中得到待反归一化数据；
将所述待反归一化数据进行反归一化处理得到所述当前机舱温度值。
所述故障判断模块在用于根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数时，具体用于：
根据所述当前机舱温度值以及所述当前状态数据值建立当前状态向量；
所述故障判断模块根据历史机舱温度值以及历史候选状态数据值建立历史状态向量，其中，所述历史候选状态数据值为所述历史候选状态数据的数据值；
计算所述当前状态向量和所述历史状态向量之间的距离，并将所述距离确定为所述当前状态指数。
在一个可行的实施方案中，所述故障判断模块在用于根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障时，具体用于：
判断所述当前状态指数是否落入所述预设标准状态指数范围内；
若所述当前状态指数落入所述预设标准状态指数范围内，则将所述待监测风电机组确定为未发生故障。
在一个可行的实施方案中，所述故障判断模块还用于：
在判断所述当前状态指数是否落入所述预设标准状态指数范围内后，若所述当前状态指数未落入所述预设标准状态指数范围内，则将所述待监测风电机组确定为发生故障。
在一个可行的实施方案中，参见图8所示，图8示出了本发明实施例二所提供的第二种基于海上风电机组机舱温度监测的故障预警系统的结构示意图，其中，所述系统还包括故障源头确定模块801，在所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障后，所述故障源头确定模块用于：
当所述待监测风电机组发生故障时，根据每个所述历史候选状态数据在历史正常运行时段的第一自信息熵和每个所述历史候选状态数据在历史异常运行时段的第二自信息熵确定出每个所述历史候选状态数据的因果关系矩阵；
根据所述因果关系矩阵确定出所述待监测风电机组的故障程度指标；
根据所述故障程度指标确定出每个所述历史候选状态数据的异常程度；
将异常程度超过标准程度的历史候选状态数据确定为故障源头。
在一个可行的实施方案中，参见图9所示，图9示出了本发明实施例二所提供的第三种基于海上风电机组机舱温度监测的故障预警系统的结构示意图，其中，所述系统还包括信息发送模块901；
在所述故障源头确定模块将异常程度超过标准程度的历史候选状态数据确定为故障源头后，所述信息发送模块用于：
向目标客户端发送预警信息，其中，所述预警信息包括所述故障源头。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例所提供的基于海上风电机组机舱温度监测的故障预警系统可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.基于海上风电机组机舱温度监测的故障预警方法，其特征在于，应用于海上风电机组机舱温度监测的故障预警系统，所述系统包括数据采集模块、数据处理模块、温度确定模块和故障判断模块，所述方法包括：
所述数据采集模块采集待监测风电机组的历史初始状态数据；
所述数据处理模块利用领域成分分析法对所述历史初始状态数据进行筛选得到历史候选状态数据，其中，所述历史候选状态数据为通过机理分析判断所得的对所述待监测风电机组的机舱温度影响程度超过标准程度的历史初始状态数据；
所述数据处理模块对所述历史候选状态数据进行预处理得到历史目标状态数据；
所述温度确定模块将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值；
所述故障判断模块根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数，其中，所述当前状态数据值为所述历史候选状态数据在当前时刻的数据值；
所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障。
2.根据权利要求1所述的方法，其特征在于，所述历史初始状态数据包括所述待监测风电机组的各目标部件的历史初始温度数据、待监测风电机组的历史初始运行数据和所述待监测风电机组所处环境的历史初始环境数据；
所述目标部件包括齿轮箱、齿轮箱驱动端、非驱动端轴承、主轴轴承、发电机驱动端和非驱动端轴承；
所述历史初始运行数据包括历史风电机组转速和历史风电机组输出功率；
所述历史初始环境数据包括历史海上风速和历史海上温度。
3.根据权利要求1所述的方法，其特征在于，所述数据处理模块对所述历史候选状态数据进行预处理得到历史目标状态数据，包括：
所述数据处理模块对所述历史候选状态数据中的异常数据进行修正得到待补全数据；
所述数据处理模块对所述待补全数据中的缺失值进行补全得到待归一化数据；
所述数据处理模块对所述待归一化数据进行归一化处理得到所述历史目标状态数据。
4.根据权利要求3所述的方法，其特征在于，所述温度确定模块将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值，包括：
所述温度确定模块将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行确定的神经网络模型中得到待反归一化数据；
所述温度确定模块将所述待反归一化数据进行反归一化处理得到所述当前机舱温度值。
5.根据权利要求1所述的方法，其特征在于，所述故障判断模块根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数，包括：
所述故障判断模块根据所述当前机舱温度值以及所述当前状态数据值建立当前状态向量；
所述故障判断模块根据历史机舱温度值以及历史候选状态数据值建立历史状态向量，其中，所述历史候选状态数据值为所述历史候选状态数据的数据值；
所述故障判断模块计算所述当前状态向量和所述历史状态向量之间的距离，并将所述距离确定为所述当前状态指数。
6.根据权利要求1所述的方法，其特征在于，所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障，包括：
所述故障判断模块判断所述当前状态指数是否落入所述预设标准状态指数范围内；
若所述当前状态指数落入所述预设标准状态指数范围内，则所述故障判断模块则将所述待监测风电机组确定为未发生故障。
7.根据权利要求6所述的方法，其特征在于，在所述故障判断模块判断所述当前状态指数是否落入所述预设标准状态指数范围内后，所述方法还包括：
若所述当前状态指数未落入所述预设标准状态指数范围内，则所述故障判断模块则将所述待监测风电机组确定为发生故障。
8.根据权利要求1所述的方法，其特征在于，所述系统还包括故障源头确定模块，在所述故障判断模块根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障后，所述方法还包括：
当所述待监测风电机组发生故障时，所述故障源头确定模块根据每个所述历史候选状态数据在历史正常运行时段的第一自信息熵和每个所述历史候选状态数据在历史异常运行时段的第二自信息熵确定出每个所述历史候选状态数据的因果关系矩阵；
所述故障源头确定模块根据所述因果关系矩阵确定出所述待监测风电机组的故障程度指标；
所述故障源头确定模块根据所述故障程度指标确定出每个所述历史候选状态数据的异常程度；
所述故障源头确定模块将异常程度超过标准程度的历史候选状态数据确定为故障源头。
9.根据权利要求8所述的方法，其特征在于，所述系统还包括信息发送模块，在所述故障源头确定模块将异常程度超过标准程度的历史候选状态数据确定为故障源头后，所述方法还包括：
所述信息发送模块向目标客户端发送预警信息，其中，所述预警信息包括所述故障源头。
10.基于海上风电机组机舱温度监测的故障预警系统，其特征在于，所述系统包括数据采集模块、数据处理模块、温度确定模块和故障判断模块：
所述数据采集模块，用于采集待监测风电机组的历史初始状态数据；
所述数据处理模块，用于利用领域成分分析法对所述历史初始状态数据进行筛选得到历史候选状态数据，其中，所述历史候选状态数据为通过机理分析判断所得的对所述待监测风电机组的机舱温度影响程度超过标准程度的历史初始状态数据；
所述数据处理模块，用于对所述历史候选状态数据进行预处理得到历史目标状态数据；
所述温度确定模块，用于将所述历史目标状态数据输入至训练好的用于对所述待监测风电机组的机舱温度值进行预测的神经网络模型中得到所述待监测风电机组的当前机舱温度值；
所述故障判断模块，用于根据所述当前机舱温度值以及当前状态数据值确定出用于指示所述待监测风电机组当前运行状态良好程度的当前状态指数，其中，所述当前状态数据值为所述历史候选状态数据在当前时刻的数据值；
所述故障判断模块，用于根据所述当前状态指数与预设标准状态指数范围确定出所述待监测风电机组是否发生故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310889270.1A CN116677570A (zh) | 2023-07-19 | 2023-07-19 | 基于海上风电机组机舱温度监测的故障预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310889270.1A CN116677570A (zh) | 2023-07-19 | 2023-07-19 | 基于海上风电机组机舱温度监测的故障预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116677570A true CN116677570A (zh) | 2023-09-01 |
Family
ID=87791147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310889270.1A Pending CN116677570A (zh) | 2023-07-19 | 2023-07-19 | 基于海上风电机组机舱温度监测的故障预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116677570A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992246A (zh) * | 2023-09-27 | 2023-11-03 | 华洋通信科技股份有限公司 | 一种矿井下风流参数智能感知方法及系统 |
| CN117895863A (zh) * | 2023-11-30 | 2024-04-16 | 华能辛店发电有限公司 | 一种高压变频飞车启动控制方法 |
-
2023
- 2023-07-19 CN CN202310889270.1A patent/CN116677570A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992246A (zh) * | 2023-09-27 | 2023-11-03 | 华洋通信科技股份有限公司 | 一种矿井下风流参数智能感知方法及系统 |
| CN116992246B (zh) * | 2023-09-27 | 2023-12-19 | 华洋通信科技股份有限公司 | 一种矿井下风流参数智能感知方法及系统 |
| CN117895863A (zh) * | 2023-11-30 | 2024-04-16 | 华能辛店发电有限公司 | 一种高压变频飞车启动控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fu et al. | Condition monitoring of wind turbine gearbox bearing based on deep learning model | |
| He et al. | Performance assessment of wind turbines: Data-derived quantitative metrics | |
| CN111709490B (zh) | 一种基于gru神经网络的风机健康状态评估方法 | |
| CN111340282B (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
| CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
| US20200234165A1 (en) | Prediction method for aero-engine starting exhaust temperature | |
| CN111648992B (zh) | 燃气轮机压气机故障识别预警方法 | |
| CN116677570A (zh) | 基于海上风电机组机舱温度监测的故障预警方法及系统 | |
| Yang et al. | Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization | |
| Peco Chacón et al. | State of the art of artificial intelligence applied for false alarms in wind turbines | |
| CN114254818A (zh) | 一种基于风险评估模型的低压配电网连锁故障预警方法 | |
| Cheng et al. | Predicting the remaining useful life of rolling element bearings using locally linear fusion regression | |
| Chen et al. | Prediction of icing fault of wind turbine blades based on deep learning | |
| CN116928038A (zh) | 基于海上风电机组主轴承温度的故障预警方法及装置 | |
| CN116311594A (zh) | 一种船舶子系统状态分析方法、装置及存储介质 | |
| Lan et al. | Performance degradation prediction model of rolling bearing based on self-checking long short-term memory network | |
| CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
| CN111563685B (zh) | 一种基于自联想核回归算法的发电设备状态预警方法 | |
| CN117523793A (zh) | 一种电厂设备故障预警方法和计算机设备 | |
| CN117232809A (zh) | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 | |
| CN117034001A (zh) | 一种风电机组故障预测方法、装置及电子设备 | |
| CN117034169A (zh) | 基于时序因果关系网络的电网主变设备异常状态预测方法 | |
| CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
| CN114254904B (zh) | 一种风电机组机舱运行健康度评价方法及装置 | |
| Burnaev | Rare failure prediction via event matching for aerospace applications |
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 | ||
| CB02 | Change of applicant information |
Address after: 404100 No. 30, Jinyu Avenue, jingkaiyuan, Beibu new area, Yubei District, Chongqing Applicant after: China Shipbuilding Haizhuang Wind Power Co.,Ltd. Applicant after: NORTH CHINA ELECTRIC POWER University Address before: 404100 No. 30, Jinyu Avenue, jingkaiyuan, Beibu new area, Yubei District, Chongqing Applicant before: CSIC HAIZHUANG WINDPOWER Co.,Ltd. Applicant before: NORTH CHINA ELECTRIC POWER University |
|
| CB02 | Change of applicant information |