CN116910570B - 一种基于大数据的风电机组故障监测预警方法及系统 - Google Patents

一种基于大数据的风电机组故障监测预警方法及系统 Download PDF

Info

Publication number
CN116910570B
CN116910570B CN202311176713.9A CN202311176713A CN116910570B CN 116910570 B CN116910570 B CN 116910570B CN 202311176713 A CN202311176713 A CN 202311176713A CN 116910570 B CN116910570 B CN 116910570B
Authority
CN
China
Prior art keywords
fault
training
wind turbine
turbine generator
fault monitoring
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
CN202311176713.9A
Other languages
English (en)
Other versions
CN116910570A (zh
Inventor
高国青
杨介立
易伟峰
孔金良
车坤涛
史向成
孟建
王彦龙
刘海斌
刘阳
李晓刚
杨文浩
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.)
Huaneng New Energy Co Ltd Shanxi Branch
Original Assignee
Huaneng New Energy Co Ltd Shanxi Branch
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 Huaneng New Energy Co Ltd Shanxi Branch filed Critical Huaneng New Energy Co Ltd Shanxi Branch
Priority to CN202311176713.9A priority Critical patent/CN116910570B/zh
Publication of CN116910570A publication Critical patent/CN116910570A/zh
Application granted granted Critical
Publication of CN116910570B publication Critical patent/CN116910570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Sustainable Development (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供了一种基于大数据的风电机组故障监测预警方法及系统，属于风电机组故障监测技术领域，本发明中将振动数据和标签构建为训练集，通过训练集对故障监测模型进行多阶段训练，从而降低训练时间提高训练精度，在获得训练完成的故障监测模型后，采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分，在故障评分高于设定故障阈值时，进行报警处理。

Description

一种基于大数据的风电机组故障监测预警方法及系统
技术领域
本发明涉及风电机组故障监测技术领域，具体而言，涉及一种基于大数据的风电机组故障监测预警方法及系统。
背景技术
现有风电机组故障监测预警方法采集风电机组变桨系统的多种传感器信号，并采用神经网络对多种传感器信号进行处理，得到风电机组故障情况，但是神经网络需要训练，其训练精度决定风电机组故障情况的评估精度，现有通常采用交叉熵损失函数进行训练，若训练时间较长，则评估精度较高，若训练时间较短，则评估精度较低，因此，训练时间和评估精度难以兼容。
发明内容
本发明的目的在于提供一种基于大数据的风电机组故障监测预警方法及系统，其解决了现有风电机组故障监测预警方法存在训练时间和评估精度难以兼容的问题。
本发明的实施例通过以下技术方案实现：一种基于大数据的风电机组故障监测预警方法，包括以下步骤：
S1、提取大数据中风电机组故障类型和振动数据，对风电机组故障类型进行打分得到标签，将振动数据和标签构建为训练集；
S2、采用训练集对故障监测模型进行多阶段训练，得到训练完成的故障监测模型；
S3、采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分；
S4、在故障评分高于设定故障阈值时，进行报警处理。
进一步地，所述S2中故障监测模型包括：特征提取子模型和故障评分输出子模型；
所述特征提取子模型用于对振动数据进行特征提取，得到特征数据；
所述故障评分输出子模型用于根据特征数据，计算故障评分。
进一步地，所述特征提取子模型的表达式为：
其中，为第一特征数据，/>为第二特征数据，/>为训练集中训练样本的第/>个振动数据，/>为训练样本中振动数据的数量，/>为训练样本中最大振动数据，/>为训练样本中最小振动数据。
进一步地，所述故障评分输出子模型的表达式为：
其中，为故障评分输出子模型的输出，/>为第一权重，/>为第二权重，/>为偏置。
进一步地，所述S2中包括以下分步骤：
S21、设置故障监测模型中权重和偏置的初值；
S22、将训练集中样本输入到故障监测模型中进行第一阶段训练，得到第一阶段损失值；
S23、判断第一阶段损失值是否低于第一阈值，若是，则跳转至步骤S25，若否，则跳转至步骤S24；
S24、采用梯度下降法对故障监测模型中权重和偏置进行更新，并跳转至步骤S22；
S25、将训练集中样本输入到故障监测模型中进行第二阶段训练，得到第二阶段损失值；
S26、判断第二阶段损失值是否低于第二阈值，若是，则得到训练完成的故障监测模型，若否，则跳转至步骤S27；
S27、采用梯度下降法对故障监测模型中权重和偏置进行更新，并跳转至步骤S25。
进一步地，所述S22中第一阶段损失值的计算公式为：
其中，为第一阶段损失值，/>为第/>次训练时故障监测模型的输出，/>为第/>次训练时的标签，/>为指数系数，/>为调整系数。
进一步地，所述指数系数的表达式为：
。
进一步地，所述S25中第二阶段损失值的计算公式为：
其中，为第二阶段损失值。
一种基于大数据的风电机组故障监测预警方法的系统，包括：训练集构建单元、训练单元、故障评分单元和报警单元；
所述训练集构建单元用于提取大数据中风电机组故障类型和振动数据，对风电机组故障类型进行打分得到标签，将振动数据和标签构建为训练集；
所述训练单元用于采用训练集对故障监测模型进行多阶段训练，得到训练完成的故障监测模型；
所述故障评分单元用于采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分；
所述报警单元用于在故障评分高于设定故障阈值时，进行报警处理。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明中将振动数据和标签构建为训练集，通过训练集对故障监测模型进行多阶段训练，从而降低训练时间提高训练精度，在获得训练完成的故障监测模型后，采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分，在故障评分高于设定故障阈值时，进行报警处理。
附图说明
图1为一种基于大数据的风电机组故障监测预警方法的流程图。
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。
如图1所示，一种基于大数据的风电机组故障监测预警方法，包括以下步骤：
S1、提取大数据中风电机组故障类型和振动数据，对风电机组故障类型进行打分得到标签，将振动数据和标签构建为训练集；
S2、采用训练集对故障监测模型进行多阶段训练，得到训练完成的故障监测模型；
S3、采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分；
S4、在故障评分高于设定故障阈值时，进行报警处理。
所述S2中故障监测模型包括：特征提取子模型和故障评分输出子模型；
所述特征提取子模型用于对振动数据进行特征提取，得到特征数据；
所述故障评分输出子模型用于根据特征数据，计算故障评分。
所述特征提取子模型的表达式为：
其中，为第一特征数据，/>为第二特征数据，/>为训练集中训练样本的第/>个振动数据，/>为训练样本中振动数据的数量，/>为训练样本中最大振动数据，/>为训练样本中最小振动数据。
所述故障评分输出子模型的表达式为：
其中，为故障评分输出子模型的输出，/>为第一权重，/>为第二权重，/>为偏置。
所述S2中包括以下分步骤：
S21、设置故障监测模型中权重和偏置的初值；
S22、将训练集中样本输入到故障监测模型中进行第一阶段训练，得到第一阶段损失值；
S23、判断第一阶段损失值是否低于第一阈值，若是，则跳转至步骤S25，若否，则跳转至步骤S24；
S24、采用梯度下降法对故障监测模型中权重和偏置进行更新，并跳转至步骤S22；
S25、将训练集中样本输入到故障监测模型中进行第二阶段训练，得到第二阶段损失值；
S26、判断第二阶段损失值是否低于第二阈值，若是，则得到训练完成的故障监测模型，若否，则跳转至步骤S27；
S27、采用梯度下降法对故障监测模型中权重和偏置进行更新，并跳转至步骤S25。
所述S22中第一阶段损失值的计算公式为：
其中，为第一阶段损失值，/>为第/>次训练时故障监测模型的输出，/>为第/>次训练时的标签，/>为指数系数，/>为调整系数。
所述指数系数的表达式为：
。
所述S25中第二阶段损失值的计算公式为：
其中，为第二阶段损失值。
本发明中设置分阶段对故障监测模型进行训练，第一阶段加快训练时间，第二阶段提升训练精度。
一种基于大数据的风电机组故障监测预警方法的系统，包括：训练集构建单元、训练单元、故障评分单元和报警单元；
所述训练集构建单元用于提取大数据中风电机组故障类型和振动数据，对风电机组故障类型进行打分得到标签，将振动数据和标签构建为训练集；
所述训练单元用于采用训练集对故障监测模型进行多阶段训练，得到训练完成的故障监测模型；
所述故障评分单元用于采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分；
所述报警单元用于在故障评分高于设定故障阈值时，进行报警处理。
本发明中将振动数据和标签构建为训练集，通过训练集对故障监测模型进行多阶段训练，从而降低训练时间提高训练精度，在获得训练完成的故障监测模型后，采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分，在故障评分高于设定故障阈值时，进行报警处理。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于大数据的风电机组故障监测预警方法，其特征在于，包括以下步骤：
S1、提取大数据中风电机组故障类型和振动数据，对风电机组故障类型进行打分得到标签，将振动数据和标签构建为训练集；
S2、采用训练集对故障监测模型进行多阶段训练，得到训练完成的故障监测模型；
S3、采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分；
S4、在故障评分高于设定故障阈值时，进行报警处理；
所述S2中包括以下分步骤：
S21、设置故障监测模型中权重和偏置的初值；
S22、将训练集中样本输入到故障监测模型中进行第一阶段训练，得到第一阶段损失值；
S23、判断第一阶段损失值是否低于第一阈值，若是，则跳转至步骤S25，若否，则跳转至步骤S24；
S24、采用梯度下降法对故障监测模型中权重和偏置进行更新，并跳转至步骤S22；
S25、将训练集中样本输入到故障监测模型中进行第二阶段训练，得到第二阶段损失值；
S26、判断第二阶段损失值是否低于第二阈值，若是，则得到训练完成的故障监测模型，若否，则跳转至步骤S27；
S27、采用梯度下降法对故障监测模型中权重和偏置进行更新，并跳转至步骤S25。
2.根据权利要求1所述的基于大数据的风电机组故障监测预警方法，其特征在于，所述S2中故障监测模型包括：特征提取子模型和故障评分输出子模型；
所述特征提取子模型用于对振动数据进行特征提取，得到特征数据；
所述故障评分输出子模型用于根据特征数据，计算故障评分。
3.根据权利要求2所述的基于大数据的风电机组故障监测预警方法，其特征在于，所述特征提取子模型的表达式为：
其中，为第一特征数据，/>为第二特征数据，/>为训练集中训练样本的第/>个振动数据，/>为训练样本中振动数据的数量，/>为训练样本中最大振动数据，/>为训练样本中最小振动数据。
4.根据权利要求3所述的基于大数据的风电机组故障监测预警方法，其特征在于，所述故障评分输出子模型的表达式为：
其中，为故障评分输出子模型的输出，/>为第一权重，/>为第二权重，/>为偏置。
5.根据权利要求1所述的基于大数据的风电机组故障监测预警方法，其特征在于，所述S22中第一阶段损失值的计算公式为：
其中，为第一阶段损失值，/>为第/>次训练时故障监测模型的输出，/>为第/>次训练时的标签，/>为指数系数，/>为调整系数。
6.根据权利要求5所述的基于大数据的风电机组故障监测预警方法，其特征在于，所述指数系数的表达式为：
。
7.根据权利要求6所述的基于大数据的风电机组故障监测预警方法，其特征在于，所述S25中第二阶段损失值的计算公式为：
其中，为第二阶段损失值。
8.根据权利要求1~7任一项所述的基于大数据的风电机组故障监测预警方法的系统，其特征在于，包括：训练集构建单元、训练单元、故障评分单元和报警单元；
所述训练集构建单元用于提取大数据中风电机组故障类型和振动数据，对风电机组故障类型进行打分得到标签，将振动数据和标签构建为训练集；
所述训练单元用于采用训练集对故障监测模型进行多阶段训练，得到训练完成的故障监测模型；
所述故障评分单元用于采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分；
所述报警单元用于在故障评分高于设定故障阈值时，进行报警处理。
CN202311176713.9A 2023-09-13 2023-09-13 一种基于大数据的风电机组故障监测预警方法及系统 Active CN116910570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311176713.9A CN116910570B (zh) 2023-09-13 2023-09-13 一种基于大数据的风电机组故障监测预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311176713.9A CN116910570B (zh) 2023-09-13 2023-09-13 一种基于大数据的风电机组故障监测预警方法及系统

Publications (2)

Publication Number Publication Date
CN116910570A CN116910570A (zh) 2023-10-20
CN116910570B true CN116910570B (zh) 2023-12-15

Family

ID=88356888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311176713.9A Active CN116910570B (zh) 2023-09-13 2023-09-13 一种基于大数据的风电机组故障监测预警方法及系统

Country Status (1)

Country Link
CN (1) CN116910570B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107560849A (zh) * 2017-08-04 2018-01-09 华北电力大学 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法
CN111103136A (zh) * 2019-12-13 2020-05-05 南京松数科技有限公司 基于scada数据分析的风机齿轮箱故障检测方法
CN111626345A (zh) * 2020-05-15 2020-09-04 北京航空航天大学 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法
CN112304615A (zh) * 2020-09-11 2021-02-02 西安英特迈思信息科技有限公司 一种风电机组传动系统轴承退化特征优选方法
CN112834211A (zh) * 2020-12-31 2021-05-25 江苏国科智能电气有限公司 一种风电机组传动系统故障预警方法
CN113435595A (zh) * 2021-07-08 2021-09-24 南京理工大学 基于自然进化策略的极限学习机网络参数两阶段优化方法
CN114215706A (zh) * 2021-12-27 2022-03-22 南京邮电大学 一种风电机组叶片开裂故障预警方法和装置
CN114492533A (zh) * 2022-01-30 2022-05-13 华中科技大学 一种变工况轴承故障诊断模型的构建方法及应用
CN115859148A (zh) * 2022-11-24 2023-03-28 华能陇东能源有限责任公司 风机叶片振动报警方法及装置
CN116625683A (zh) * 2023-04-11 2023-08-22 中国长江三峡集团有限公司 一种风电机组轴承故障识别方法、系统、装置及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10956632B2 (en) * 2018-12-27 2021-03-23 Utopus Insights, Inc. Scalable system and engine for forecasting wind turbine failure
EP3748154A1 (en) * 2019-06-06 2020-12-09 Siemens Gamesa Renewable Energy A/S A method for computer-implemented monitoring of a compo-nent of a wind turbine

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107560849A (zh) * 2017-08-04 2018-01-09 华北电力大学 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法
CN111103136A (zh) * 2019-12-13 2020-05-05 南京松数科技有限公司 基于scada数据分析的风机齿轮箱故障检测方法
CN111626345A (zh) * 2020-05-15 2020-09-04 北京航空航天大学 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法
CN112304615A (zh) * 2020-09-11 2021-02-02 西安英特迈思信息科技有限公司 一种风电机组传动系统轴承退化特征优选方法
CN112834211A (zh) * 2020-12-31 2021-05-25 江苏国科智能电气有限公司 一种风电机组传动系统故障预警方法
CN113435595A (zh) * 2021-07-08 2021-09-24 南京理工大学 基于自然进化策略的极限学习机网络参数两阶段优化方法
CN114215706A (zh) * 2021-12-27 2022-03-22 南京邮电大学 一种风电机组叶片开裂故障预警方法和装置
CN114492533A (zh) * 2022-01-30 2022-05-13 华中科技大学 一种变工况轴承故障诊断模型的构建方法及应用
CN115859148A (zh) * 2022-11-24 2023-03-28 华能陇东能源有限责任公司 风机叶片振动报警方法及装置
CN116625683A (zh) * 2023-04-11 2023-08-22 中国长江三峡集团有限公司 一种风电机组轴承故障识别方法、系统、装置及电子设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Research on Fault Diagnosis of Drive Train in Wind Turbine Based on EMD and LSSVM;Liu Hui 等;《RENEWABLE AND SUSTAINABLE ENERGY II, PTS 1-4》;763-770 *
基于大数据的发电设备监测信息聚合分析;韩彦敏 等;《自动化与仪器仪表》(第06期);170-173 *
基于机器学习的风电机组故障诊断及部件剩余寿命预测技术研究;庞宇;《中国博士学位论文全文数据库工程科技Ⅱ辑》;C042-19 *
风电机组主齿轮箱卡死故障分析及更换方法;刘海斌;《设备管理与维修》(第02期);56-57 *

Also Published As

Publication number Publication date
CN116910570A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN110285969A (zh) 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法
US20220092428A1 (en) Prediction method for stall and surge of axial compressor based on deep learning
CN109297689B (zh) 一种引入权重因子的大型水力机械智能诊断方法
CN111798312A (zh) 一种基于孤立森林算法的金融交易系统异常识别方法
CN111368887B (zh) 雷雨天气预测模型的训练方法及雷雨天气预测方法
KR102235808B1 (ko) 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템, 방법 및 컴퓨터 프로그램
CN113420509A (zh) 一种风电机组状态评价方法、装置及存储介质
CN112597691A (zh) 基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法
CN116738868B (zh) 一种滚动轴承剩余寿命预测方法
CN111931601A (zh) 齿轮箱错误类别标签修正系统及方法
CN116910570B (zh) 一种基于大数据的风电机组故障监测预警方法及系统
CN112747924A (zh) 一种基于注意力机制和残差神经网络的轴承寿命预测方法
CN114609994A (zh) 基于多粒度正则化重平衡增量学习的故障诊断方法及装置
CN110378870B (zh) 一种基于ResNet-GRU网络的汽轮机叶片水蚀程度判别方法
CN117272753A (zh) 一种基于过程参数的输电线路覆冰舞动预警方法
CN117312879A (zh) 一种注塑机生产数据监督预警方法、系统及介质
CN116561692A (zh) 一种动态更新的实时量测数据检测方法
CN112115984A (zh) 基于深度学习的茶园异常数据校正方法、系统和存储介质
CN113449893A (zh) 虫害预测模型训练的方法、虫害预测的方法及装置
CN116578908A (zh) 一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备
CN114420151B (zh) 基于并联张量分解卷积神经网络的语音情感识别方法
CN115619047A (zh) 光伏功率预测方法、装置及电子设备
Chen et al. A data fusion-based methodology of constructing health indicators for anomaly detection and prognostics
CN113641990A (zh) 一种基于多新息扩展卡尔曼滤波的入侵检测方法
CN113987951B (zh) 一种高镍锍浮选过程建模中的数据样本筛选及重构方法

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