CN117007312A - 基于本体的风电机组传动系统的故障诊断方法及系统 - Google Patents

Abstract

本申请提出了一种基于本体的风电机组传动系统的故障诊断方法及系统，该方法包括：按照由传动系统至设备再至部件的划分方式，建立的风电机组传动系统的设备树，并以设备树为分析依据，基于FMEA分析和FTA分析，获取传动系统的故障诊断与检修维护的专家知识；结合获取的专家知识和传动系统的实际情况，构建传动系统诊断维护领域的本体，生成本体知识库；获取传动系统的实时状态监测信息，从实时状态监测信息中提取出异常参数，并基于预设的本体自定义规则，在本体知识库中定位出故障模式，通过因果图模型诊断出故障模式对应的故障原因。该方法通过构建出的传动系统故障本体知识库可以准确定位出故障，提高故障诊断的准确性和可靠性。

Description

基于本体的风电机组传动系统的故障诊断方法及系统

技术领域

本申请涉及风力发电技术领域，尤其涉及一种基于本体的风电机组传动系统的故障诊断方法及系统。

背景技术

目前，风电机组的普及率逐渐提高，其中，传动系统是风电机组的核心系统，是一个精密的多设备系统，实现将风能转换到机械能的重要作用，传动系统的故障会直接影响风电机组的正常运行。

传动系统主要由轮毂、主轴、齿轮箱、润滑冷却装置组成。传动系统在风机总成本中占比较高，比如，传动系统中的重要设备齿轮箱是风机总成本中占比较高的部件。并且，传动系统各设备精细化程度高，故障率也高，其维修更换费用在风电机组投产后期运维工作总支出占比高。因此，传动系统的在线监测与故障诊断工作可以有效地降低风电机组运维成本，显著提升风电机组运行的安全性与经济性。

相关技术中，在进行传动系统状态监测及故障诊断维护时，一般需要依赖主机厂家基于SCADA系统监测机组参数，实现对传动系统的各设备的运行数据进行监测，并根据监测数据是否超过预设阈值来判断是否异常。

然而，在实际应用中，由于机组种类众多，机组中各个部件差异大，上述相关技术中的诊断方案无法满足精细化的诊断需求。并且，由于风电机组运行工况复杂，而上述诊断方案是仅针对单一运行参数进行诊断，获得的诊断结果可能存在偏差，准确性和可靠性较低。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种基于本体的风电机组传动系统的故障诊断方法，该方法合理利用状态监测参数及SCADA系统信息，借助智能预警与诊断方法，识别潜在故障征兆，定位潜在故障模式，可以实现预测性维护，避免重大事故发生。

本申请的第二个目的在于提出一种基于本体的风电机组传动系统的故障诊断系统；

本申请的第三个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请的第一方面在于提出一种基于本体的风电机组传动系统的故障诊断方法，该方法包括以下步骤：

按照由传动系统至设备再至部件的划分方式，建立的风电机组传动系统的设备树，并以所述设备树为分析依据，基于故障模式及影响分析FMEA和故障树分析FTA，获取所述传动系统的故障诊断与检修维护的专家知识；

结合获取的所述专家知识和所述传动系统的实际情况，构建所述传动系统诊断维护领域的本体，生成所述传动系统的本体知识库；

通过SCADA监测系统获取所述传动系统的实时状态监测信息，从所述实时状态监测信息中提取出异常参数，并基于预设的本体自定义规则，将所述异常参数输入所述本体知识库中定位出故障模式，通过因果图模型诊断推理出所述故障模式对应的故障原因

可选地，在本申请的一个实施例中，所述基于故障模式及影响分析FMEA和故障树分析FTA，获取所述传动系统的故障诊断与检修维护的专家知识，包括：按照所述设备树表示的结构关系，梳理出风电机组传动系统中每个设备对应的典型故障模式；通过进行故障树分析梳理出各个所述典型故障模式之间的耦合关系，以确定故障间的因果联系；对每个故障树中的顶事件进行FMEA分析，获取每个所述顶事件对应的故障模式、故障征兆、故障部件、故障影响、故障原因和维护措施。

可选地，在本申请的一个实施例中，所述风电机组传动系统的顶事件包括：齿轮箱高速轴超温故障，所述齿轮箱高速轴超温故障对应的故障征兆包括：高速轴不同位置处的温度大于温度阈值和运行声音异常，所述齿轮箱高速轴超温故障对应的故障影响包括：产生噪音、振动和轴承损坏，所述齿轮箱高速轴超温故障对应的故障原因包括：润滑油异常、部件损坏和润滑油入口油温过高。

可选地，在本申请的一个实施例中，所述构建所述传动系统诊断维护领域的本体，包括：确定本体所针对的目标对象；搜集已有的本体，并分析所述已有的本体的可用性；整理本体中的关键术语；针对传动系统的运行状态、系统包含的设备和检修维护过程三类，确定不同类之间的层次结构；设置不同类的属性和关系，确定多个本体概念之间的数据属性和对象属性；在每个类中添加与本类相对应的个体；对构建的风电机组传统系统的故障知识本体进行一致性检测。

可选地，在本申请的一个实施例中，所述将所述异常参数输入所述本体知识库中定位出故障模式，包括：根据所述异常参数确定故障征兆；通过SPARQL查询语句在所述本体知识库中查询所述故障征兆所属的故障模式；所述通过因果图模型诊断推理出所述故障模式对应的故障原因，包括：结合所述数据属性和所述对象属性构建所述因果图模型；通过所述因果图模型计算引起所述故障模式发生的多个故障原因的概率序列；基于所述概率序列排查故障原因，确定出最终的目标故障原因。

可选地，在本申请的一个实施例中，所述通过所述因果图模型计算引起所述故障模式发生的多个故障原因的概率序列，包括：对查询得到的每个故障原因进行初步筛选，排除定量指标类故障原因，获得故障原因初始备选集；结合因果强度赋值和先验概率赋值，根据从所述因果图模型中获得的全部最小割集布尔表达式和不交化的最终割集表达式，计算所述故障原因初始备选集中每个故障原因的发生概率；将各个故障原因的发生概率按由大至小进行排序，生成所述概率序列。

为达上述目的，本申请的第二方面还提出了一种基于本体的风电机组传动系统的故障诊断系统，包括以下模块：

获取模块，用于按照由传动系统至设备再至部件的划分方式，建立的风电机组传动系统的设备树，并以所述设备树为分析依据，基于故障模式及影响分析FMEA和故障树分析FTA，获取所述传动系统的故障诊断与检修维护的专家知识；

构建模块，用于结合获取的所述专家知识和所述传动系统的实际情况，构建所述传动系统诊断维护领域的本体，生成所述传动系统的本体知识库；

诊断模块，用于通过SCADA监测系统获取所述传动系统的实时状态监测信息，从所述实时状态监测信息中提取出异常参数，并基于预设的本体自定义规则，将所述异常参数输入所述本体知识库中定位出故障模式，通过因果图模型诊断推理出所述故障模式对应的故障原因。

可选地，在本申请的一个实施例中，获取模块，具体用于：按照所述设备树表示的结构关系，梳理出风电机组传动系统中每个设备对应的典型故障模式；通过进行故障树分析梳理出各个所述典型故障模式之间的耦合关系，以确定故障间的因果联系；对每个故障树中的顶事件进行FMEA分析，获取每个所述顶事件对应的故障模式、故障征兆、故障部件、故障影响、故障原因和维护措施。

可选地，在本申请的一个实施例中，构建模块，具体用于：确定本体所针对的目标对象；搜集已有的本体，并分析所述已有的本体的可用性；整理本体中的关键术语；针对传动系统的运行状态、系统包含的设备和检修维护过程三类，确定不同类之间的层次结构；设置不同类的属性和关系，确定多个本体概念之间的数据属性和对象属性；在每个类中添加与本类相对应的个体；对构建的风电机组传统系统的故障知识本体进行一致性检测。

为了实现上述实施例，本申请第三方面实施例还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的基于本体的风电机组传动系统的故障诊断方法。

本申请的实施例提供的技术方案至少带来以下有益效果：本申请尽可能全面地获取风电机组传动系统各类故障知识，形成完备的传动系统故障领域知识体系，并基于本体理论开展风电机组故障知识语义性建模，借助本体语义网络，将非结构化的故障知识结构化的表达出来，形成传动系统故障本体知识库，并开展故障知识查询推理研究，提高了知识的管理能力和检索推理效率。在实际诊断过程中，结合传动系统关键设备故障预警与诊断专家知识，以及风机SCADA监测系统提供的异常参数信息，借助智能预警与诊断方法，可以识别出潜在故障征兆，定位潜在故障模式。由此，本申请通过构建传动系统故障本体知识库，可适用于不同类型的机组的诊断，丰富故障诊断可适用的对象，结合本体知识库和因果图模型进行故障推理诊断，提高了对风电机组传动系统进行故障诊断的准确性和可靠性，可以实现预测性维护，缩短了故障检修维护时间，避免重大事故发生，有利于风机的正常运行。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例提出的一种基于本体的风电机组传动系统的故障诊断方法的流程图；

图2为本申请实施例提出的一种用于齿轮箱高速轴超温故障的故障树分析示意图；

图3为本申请实施例提出的一种风电机组传动系统诊断维护领域本体的构建方法的流程图；

图4为本申请实施例提出的一种具体的基于本体的风电机组传动系统的故障诊断方法的流程图；

图5为本申请实施例提出的一种基于本体的风电机组传动系统的故障诊断系统的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

需要说明的是，由于传动系统是风电机组中较为复杂精密的系统，目前相关技术中的传动系统的故障诊断方案存在以下几个问题：第一，如上所述，由于机组种类众多，不同类型机组差异大，目前已有的在线监测与诊断技术尚未满足精细化诊断需求。第二，在风电机组传动系统中各部件的实时监测数据不完整情况下，无法进行故障诊断，对系统整体的实时检测数据的依赖性较高。第三，由于风电机组实际运行工况复杂，目前的诊断方案难以提高在随机性、波动性和间歇性的工作场景下，故障预警与诊断方法的可信度与准确性问题。

其中，最为重要的是，目前的风电机组传动系统故障诊断通过对各特征参数的实时监测与预警实现，往往是针对单一运行参数的预警，未能根据监测参数的异常提供有效的故障预警与诊断信息，现场运维人员只能通过这单个或多个异常参数排查相关设备模块，未能提供具体的检修维护建议。因此，相关的诊断方案过度依赖现场运维人员的现场经验，增加了现场运维人员的时间成本，增长了故障检修维护时间，降低了风电机组的经济性。

为此，本申请提出一种基于本体的风电机组传动系统的故障诊断方法及系统，结合完备的传动系统关键设备故障预警与诊断专家知识，以及风机scada监测系统提供的异常参数信息，开展基于本体的传递系统故障诊断方法研究。

下面参考附图详细描述本申请实施例所提出的一种基于本体的风电机组传动系统的故障诊断方法和系统。

图1为本申请实施例提出的一种基于本体的风电机组传动系统的故障诊断方法的流程图，如图1所示，该方法包括以下步骤：

步骤S101，按照由传动系统至设备再至部件的划分方式，建立的风电机组传动系统的设备树，并以设备树为分析依据，基于故障模式及影响分析和故障树分析，获取传动系统的故障诊断与检修维护的专家知识。

其中，故障模式及影响分析(Failure Mode and Effects Analysis，简称FMEA)是一种可靠性分析方式，它对构成产品的子系统和零部件以及运行过程中的各个工序逐一进行分析，找出所有潜在的故障模式，且将致使其无法完成工作目标甚至产生严重后果的原因找出来。

其中，故障树分析(Fault Tree Analysis，简称FTA)是一种图形演绎分析方法，注重分析各故障事件之间的关联关系从而获得故障演变规则，并可以通过定量分析计算出各个设备、部件的失效概率。故障树由顶事件、中间事件、底事件和逻辑符号组成。

具体的，本申请先进行基于专家经验的传动系统故障知识的获取，具体是先按照“传动系统-设备-部件”的划分方法建立风电机组传动系统设备树，再借助基于FTA的FMEA分析方法获取完备的风电机组传动系统故障诊断与检修维护的专家知识。

具体实施时，先对风电机组传动系统进行划分，对组成传动系统的各个设备进行分析，确定组成每个设备的各个部件，从而确定传动系统中由系统至设备再至部件的三个层次间的逻辑关系，生成针对风机传动系统的设备树。

进一步的，借助基于FTA的FMEA分析方法，获取风电机组传动系统故障诊断与检修维护专家知识。由于风电机组传动系统的故障诊断与检修维护任务应该覆盖区域内各风机的所有运行工况，需要全方位、多维度地获取风机故障诊断与检修维护知识，建立机组的故障知识库，因此，本申请借助上述两种分析方法完成故障专家知识的获取工作。

在本申请一个实施例中，基于故障模式及影响分析FMEA和故障树分析FTA，获取传动系统的故障诊断与检修维护的专家知识，包括以下步骤：首先，按照设备树表示的结构关系，梳理出风电机组传动系统中每个设备对应的典型故障模式；然后，通过进行故障树分析梳理出各个典型故障模式之间的耦合关系，以确定故障间的因果联系；最后，对每个故障树中的顶事件进行FMEA分析，获取每个顶事件对应的故障模式、故障征兆、故障部件、故障影响、故障原因和维护措施。

具体而言，在本实施例中，FMEA方法可以多维度的分析系统设备的健康问题，以故障的征兆、模式、部件、影响、原因和措施为主要分析内容，本申请借助FMEA分析方法思路，分析获取从原因到影响的故障演变知识、从故障征兆到故障诱因的诊断推理知识、从故障部位到维护措施的维护决策知识。

举例而言，风电机组传动系统的顶事件包括：齿轮箱高速轴超温故障，通过FMEA分析得到的齿轮箱高速轴超温故障对应的故障征兆包括：高速轴不同位置处的温度大于温度阈值和运行声音异常，齿轮箱高速轴超温故障对应的故障影响包括：产生噪音、振动和轴承损坏，齿轮箱高速轴超温故障对应的故障原因包括：润滑油异常、部件损坏和润滑油入口油温过高。具体的，对于传动系统齿轮箱高速轴超温故障，通过FMEA分析得到的分析结果如以下表1所示：

表1齿轮箱高速轴超温故障FMEA分析表

而FTA是一种分析故障演变规则的方法，通过分析故障事件之间的关联关系来计算设备、部件失效概率。在构建故障树前，需确定顶事件、底事件及中间事件的划分原则。其中，顶事件通常选取影响设备较大、易于监测与分析且频繁发生的故障；底事件选择最小维修单元节点所对应的事件；中间事件是连接顶事件与底事件之间的逻辑事件。故障树上，矩形表示中间事件，圆圈代表原因底事件，三角形表示未详细说明的故障底事件，各故障用或门连接。

举例而言，对于上述齿轮箱高速轴超温故障，故障树分析结果如图2所示。

在故障树定性分析中，最小割集用于描述故障的发展路径。最小割集的汇总构成了故障模式的演变图，其中“与门”越多，元素数量越多，“或门”越多，割集的数量越多。顶事件和中间事件对应的故障模式同时发生，则中间事件促成了顶事件的发生。

由此，由上述分析可知，FMEA方法侧重于单一故障模式分析，FTA方法侧重于多故障因果关系演绎。本申请考虑到实际情况中某个故障的发生往往是多个设备、部件同时失效导致，因此本申请以设备树为依据，梳理出各系统各设备下典型故障模式，通过故障树的形式梳理出各典型故障之间的耦合关系，展现故障间的因果联系，并对故障树中的顶事件进行FMEA分析，既确定了重点分析对象，又能全面深入开展故障分析工作。

步骤S102，结合获取的专家知识和传动系统的实际情况，构建传动系统诊断维护领域的本体，生成传动系统的本体知识库。

其中，本体是一种结构化的概念知识的表达形式，主要由类、属性和个体组成。本步骤在于构建针对传动系统诊断维护领域的本体。

具体的，本申请在确定风电机组传动系统诊断维护领域本体时，通过系统设备、诊断维护知识等类表达传动系统的实际情况以及故障知识，确定领域本体概念之间的数据属性和对象属性，最终形成了知识语义关系模型。从而将这些碎片化的专家知识通过本体语言结构化表达出来，形成知识图谱

具体实施时，在确定风电机组传动系统诊断维护领域本体时，可以根据实际需要选择语言语法，在相应的的应用软件中构建故障知识本体。比如，可以选用在语言表达能力和计算机自动化推理能力都十分出色的OWL DL语法，借助Protégé软件和Protégé中的逻辑算法来构建风电机组传动系统的故障知识本体。

为了更加清楚的说明本申请构建传动系统诊断维护领域的本体的具体实现方式，下面以本申请实施例中提出的一种传动系统诊断维护领域本体的构建方法进行示例性说明。图3为本申请实施例提出的一种风电机组传动系统诊断维护领域本体的构建方法的流程图，如图3所示，该方法包括以下步骤：

步骤S301，确定本体所针对的目标对象。

具体的，确定构建本体的对象，如上所述，本申请构建的是风电机组传动系统故障诊断与检修维护领域本体。

步骤S302，搜集已有的本体，并分析所已有的本体的可用性。

具体的，搜集风电机组传动系统故障诊断与检修维护领域内现有的本体，分析搜集到的本体的可用性。

步骤S303，整理本体中的关键术语。

具体的，整理本体中的重要术语，将基于FMEA分析方法获得的相关风机传动系统故障知识表中的重要概念及属性关系提炼出来。

步骤S304，针对传动系统的运行状态、系统包含的设备和检修维护过程三类，确定不同类之间的层次结构。

具体的，确定类与类的层次结构。本申请从风机运行状态、系统设备和检修维护三大类出发，梳理出上述三个父类与其定的子类之间的层次结构。作为一种示例，具体划分出的层级结构如以下表2所示：

表2风电机组故障知识本体类的术语与类的层次结构

步骤S305，设置不同类的属性和关系，确定多个本体概念之间的数据属性和对象属性。

具体的，确定类的属性及关系，类的属性包括对象属性和数据属性。对象属性用于建立类之间、类与个体间、个体之间的关联关系，数据属性用于表征个体的数值属性。本步骤根据风电机组传动系统故障知识领域本体的实际情况，将对象属性分为“状态是”、“包括”、“属于”、“发生在”等7种，同时设置“有先验概率”、“有因果强度”和“有历史次数”三种数据属性，本申请借助数据属性确定设备故障原因的先验概率和因果强度及其发生的历史次数。作为一种示例，本申请确定的故障知识本体属性具体如以下表3所示：

表3风电机组故障知识本体属性表

步骤S306，在每个类中添加与本类相对应的个体。

具体的，在添加个体时，抽象的类由具体的个体组成，所有个体根据概念划分并分配到对应的各个类中，划分完成后构建个体元素间的关系。

步骤S307，对构建的风电机组传统系统的故障知识本体进行一致性检测。

具体的，进行一致性检测以确保构建的风电机组故障知识本体不存在逻辑冲突。

由此，完成了传动系统诊断维护领域本体的构建，构建完成的本体知识库包括类、个体和属性三个方面的数据。对于本体知识库中的每个故障模式，其对应的故障知识均可以进行可视化的展示。

步骤S103，通过SCADA监测系统获取传动系统的实时状态监测信息，从实时状态监测信息中提取出异常参数，并基于预设的本体自定义规则，将异常参数输入本体知识库中定位出故障模式，通过因果图模型诊断推理出故障模式对应的故障原因。

具体的，在实际进行故障诊断时，合理利用获取到的风机传动系统的实时状态监测信息，比如，风机的SCADA系统提供的传动系统整体及其各个设备的参数信息，将上述获取的传动系统关键设备故障预警与诊断专家知识，与SCADA监测系统提供的异常参数信息结合起来，诊断出异常参数对应的故障模式，再推理出导致当前的故障模式的故障原因，进而针对故障原因进行维护，以排除故障。

具体实施时，在本申请一个实施例中，确定本体自定义规则，包括查询规则等，基于Protégé中的SPARQL查询语言实现了故障的定位，再借助因果推理模型实现了故障原因排查序列，并提供各个原因所对应的检修维护策略。

具体而言，在本实施例中，风电机组的故障知识查询与诊断推理主要分为故障模式的识别和故障原因的推理两个环节，最后根据具体的故障原因制定相关的维护措施。首先，将异常参数输入本体知识库中定位出故障模式，包括：根据异常参数确定故障征兆；再通过SPARQL查询语句在本体知识库中查询故障征兆所属的故障模式。

具体的，比如，当检测到的高速轴前端温度为90℃时，基于上述表1可确定对应的故障征兆为GZ1。再通过基于规则的相关性查询，借助“匹配+搜索”机制下SPARQL查询语言完成本体知识库中某个知识单元的查询。继续参照上述示例，在本体知识库中查询故障征兆GZ1所属的故障模式，从而完成故障模式识别与故障原因的查询工作。区别于传统数据库复杂的SQL语句，SPARQL语言可以实现对知识图谱中特定知识表达形式RDF三元组中主语、谓语和宾语进行直接查询，定位故障模式。举例而言，SPARQL语言中的SELECT语句如下所示：

SELECT？X？Y WHERE{？X rdfs:subClassOf:？Y.}

进一步的，通过因果图模型诊断推理出所述故障模式对应的故障原因，包括以下几个步骤：先结合数据属性和对象属性构建因果图模型；再通过因果图模型计算引起故障模式发生的多个故障原因的概率序列；最后基于概率序列排查故障原因，确定出最终的目标故障原因。

具体而言，在定位到具体故障模式后，将进行故障发生原因的推理工作。本申请结合故障树分析与条件概率公式，提出基于因果图模型的故障原因诊断推理方法。借助因果图模型可以计算出引起故障发生的各个原因的概率序列，该方法在构造方便的同时具有可解释性强和计算高效的特点。

在生成概率序列时，作为一种可能的实现方式，通过因果图模型计算引起故障模式发生的多个故障原因的概率序列，包括：对查询得到的每个故障原因进行初步筛选，排除定量指标类故障原因，获得故障原因初始备选集；结合因果强度赋值和先验概率赋值，根据从因果图模型中获得的全部最小割集布尔表达式和不交化的最终割集表达式，计算故障原因初始备选集中每个故障原因的发生概率；将各个故障原因的发生概率按由大至小进行排序，生成概率序列。

具体的，基于因果图模型的故障原因诊断推理环节是指依据被满足条件的知识单元求取所需的值。在本实施例中，可对搜索出的各故障原因进行初步筛选，去除定量指标类故障原因等可以直接排除的原因，初步得到故障原因备选集。在最终故障原因的排查工作中，结合基于专家知识的因果强度赋值及基于故障原因历史发生次数的先验概率赋值方法，根据因果模型图所得到所有最小割集布尔表达式以及不交化的最终割集表达式，计算出故障模式出现时各个故障原因的发生概率，按概率由大至小进行排序，生成概率序列。并根据概率序列按照从高到低的顺序，依次排查故障原因，从而，结合实际现场排查等排查方式，确定出最终得到的引起当前故障模式的故障原因，即目标故障原因，目标故障原因根据具体的故障不同，可以为一个或多个。进而，针对目标故障原因，向相关工作人员提供相应的维护措施方案，以排除该故障。

需要说明的是，上述生成因果图模型，以及根据因果图模型确定最小割集布尔表达式和不交化的最终割集表达式，根据各表达式计算故障原因的发生概率的具体实现过程，可以参照相关技术中的实现方式，此处不再赘述。

综上所述，本申请实施例的基于本体的风电机组传动系统的故障诊断方法，尽可能全面地获取风电机组传动系统各类故障知识，形成完备的传动系统故障领域知识体系，并基于本体理论开展风电机组故障知识语义性建模，借助本体语义网络，将非结构化的故障知识结构化的表达出来，形成传动系统故障本体知识库，并开展故障知识查询推理研究，提高了知识的管理能力和检索推理效率。在实际诊断过程中，该方法结合传动系统关键设备故障预警与诊断专家知识，以及风机SCADA监测系统提供的异常参数信息，借助智能预警与诊断方法，可以识别出潜在故障征兆，定位潜在故障模式。由此，该方法通过构建传动系统故障本体知识库，可适用于不同类型的机组的诊断，丰富故障诊断可适用的对象，结合本体知识库和因果图模型进行故障推理诊断，提高了对风电机组传动系统进行故障诊断的准确性和可靠性，可以实现预测性维护，缩短了故障检修维护时间，避免重大事故发生，有利于风机的正常运行。

为了更加清楚地说明本申请实施例的基于本体的风电机组传动系统的故障诊断方法的实现流程，下面以一个具体的方法实施例进行详细说明。图4为本申请实施例提出的一种具体的基于本体的风电机组传动系统的故障诊断方法的流程图，如图4所示，该实施例的故障诊断方法包括以下步骤：

在传动系统的故障知识获取阶段包括：

步骤S401：确定研究对象。

具体的，包括确定影响传动系统安全、能效、寿命的故障。

步骤S402：进行传动系统的划分与系统中设备分析。

具体的，按照系统—设备的划分方法建立风机传动系统的设备树。

步骤S403：进行传动系统故障分析。

具体的，建立基于FTA的故障树，并对顶事件进行FMEA分析。

在基于本体的故障知识表达阶段包括：

步骤S404：确定类与类的层次结构。

具体的，确定运行状态、系统设备和诊断维护三类。

步骤S405：确定类的属性及关系。

具体的，包括确定组成、包含、发生在、原因是、影响是、征兆是等对象属性和数据属性。

步骤S406：进行个体填充。

具体的，故障征兆、原因、影响、维护措施等类下填充个体。

步骤S407：构建传动系统的知识图谱。

具体的，根据属性建立类、个体之间联系，创建知识图谱。

在传动系统故障知识的诊断推理阶段包括：

步骤S408：确定传动系统的异常征兆。

具体的，根据传动系统在各运行工况下异常识别模型在线提取故障征兆。

步骤S409：识别故障模式。

具体的，借助SPARQL查询，根据异常征兆确定对应故障模式。

步骤S410：推理故障原因。

具体的，借助因果推理模型根据概率确定故障原因序列。

步骤S411：进行故障排查与检修维护。

具体的，排查故障原因，并参考维护策略开展检修维护工作。并且，根据最终排查出的故障原因更新步骤S407中构建的知识图谱。

需要说明的是，本实施例中各步骤的具体实现方式可参照上述实施例中的相关描述，此处不再赘述。

为了实现上述实施例，本申请还提出了一种基于本体的风电机组传动系统的故障诊断系统，图5为本申请实施例提出的一种基于本体的风电机组传动系统的故障诊断系统的结构示意图，如图5所示，该系统包括获取模块100、构建模块200和诊断模块300。

其中，获取模块100，用于按照由传动系统至设备再至部件的划分方式，建立的风电机组传动系统的设备树，并以设备树为分析依据，基于故障模式及影响分析FMEA和故障树分析FTA，获取传动系统的故障诊断与检修维护的专家知识。

构建模块200，用于结合获取的专家知识和传动系统的实际情况，构建传动系统诊断维护领域的本体，生成传动系统的本体知识库。

诊断模块300，用于通过SCADA监测系统获取所述传动系统的实时状态监测信息，从实时状态监测信息中提取出异常参数，并基于预设的本体自定义规则，将异常参数输入本体知识库中定位出故障模式，通过因果图模型诊断推理出故障模式对应的故障原因。

可选地，在本申请的一个实施例中，获取模块100，具体用于：按照设备树表示的结构关系，梳理出风电机组传动系统中每个设备对应的典型故障模式；通过进行故障树分析梳理出各个典型故障模式之间的耦合关系，以确定故障间的因果联系；对每个故障树中的顶事件进行FMEA分析，获取每个顶事件对应的故障模式、故障征兆、故障部件、故障影响、故障原因和维护措施。

可选地，在本申请的一个实施例中，风电机组传动系统的顶事件包括：齿轮箱高速轴超温故障，齿轮箱高速轴超温故障对应的故障征兆包括：高速轴不同位置处的温度大于温度阈值和运行声音异常，齿轮箱高速轴超温故障对应的故障影响包括：产生噪音、振动和轴承损坏，齿轮箱高速轴超温故障对应的故障原因包括：润滑油异常、部件损坏和润滑油入口油温过高。

可选地，在本申请的一个实施例中，构建模块200，具体用于：确定本体所针对的目标对象；搜集已有的本体，并分析已有的本体的可用性；整理本体中的关键术语；针对传动系统的运行状态、系统包含的设备和检修维护过程三类，确定不同类之间的层次结构；设置不同类的属性和关系，确定多个本体概念之间的数据属性和对象属性；在每个类中添加与本类相对应的个体；对构建的风电机组传统系统的故障知识本体进行一致性检测。

可选地，在本申请的一个实施例中，诊断模块300，具体用于：根据异常参数确定故障征兆；通过SPARQL查询语句在本体知识库中查询所述故障征兆所属的故障模式；结合数据属性和对象属性构建因果图模型；通过因果图模型计算引起故障模式发生的多个故障原因的概率序列；基于所述概率序列排查故障原因，确定出最终的目标故障原因。

可选地，在本申请的一个实施例中，诊断模块300，具体用于：对查询得到的每个故障原因进行初步筛选，排除定量指标类故障原因，获得故障原因初始备选集；结合因果强度赋值和先验概率赋值，根据从所述因果图模型中获得的全部最小割集布尔表达式和不交化的最终割集表达式，计算所述故障原因初始备选集中每个故障原因的发生概率；将各个故障原因的发生概率按由大至小进行排序，生成所述概率序列。

需要说明的是，前述对基于本体的风电机组传动系统的故障诊断方法的实施例的解释说明也适用于该实施例的系统，此处不再赘述。

综上所述，本申请实施例的基于本体的风电机组传动系统的故障诊断系统，尽可能全面地获取风电机组传动系统各类故障知识，形成完备的传动系统故障领域知识体系，并基于本体理论开展风电机组故障知识语义性建模，借助本体语义网络，将非结构化的故障知识结构化的表达出来，形成传动系统故障本体知识库，并开展故障知识查询推理研究，提高了知识的管理能力和检索推理效率。在实际诊断过程中，该系统结合传动系统关键设备故障预警与诊断专家知识，以及风机SCADA监测系统提供的异常参数信息，借助智能预警与诊断方法，可以识别出潜在故障征兆，定位潜在故障模式。由此，该系统通过构建传动系统故障本体知识库，可适用于不同类型的机组的诊断，丰富故障诊断可适用的对象，结合本体知识库和因果图模型进行故障推理诊断，提高了对风电机组传动系统进行故障诊断的准确性和可靠性，可以实现预测性维护，缩短了故障检修维护时间，避免重大事故发生，有利于风机的正常运行。

为了实现上述实施例，本申请还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述实施例中任一所述的基于本体的风电机组传动系统的故障诊断方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于本体的风电机组传动系统的故障诊断方法，其特征在于，包括以下步骤：

按照由传动系统至设备再至部件的划分方式，建立的风电机组传动系统的设备树，并以所述设备树为分析依据，基于故障模式及影响分析FMEA和故障树分析FTA，获取所述传动系统的故障诊断与检修维护的专家知识；

结合获取的所述专家知识和所述传动系统的实际情况，构建所述传动系统诊断维护领域的本体，生成所述传动系统的本体知识库；

通过SCADA监测系统获取所述传动系统的实时状态监测信息，从所述实时状态监测信息中提取出异常参数，并基于预设的本体自定义规则，将所述异常参数输入所述本体知识库中定位出故障模式，通过因果图模型诊断推理出所述故障模式对应的故障原因。

2.根据权利要求1所述的故障诊断方法，其特征在于，所述基于故障模式及影响分析FMEA和故障树分析FTA，获取所述传动系统的故障诊断与检修维护的专家知识，包括：

按照所述设备树表示的结构关系，梳理出风电机组传动系统中每个设备对应的典型故障模式；

通过进行故障树分析梳理出各个所述典型故障模式之间的耦合关系，以确定故障间的因果联系；

对每个故障树中的顶事件进行FMEA分析，获取每个所述顶事件对应的故障模式、故障征兆、故障部件、故障影响、故障原因和维护措施。

3.根据权利要求2所述的故障诊断方法，其特征在于，所述风电机组传动系统的顶事件包括：齿轮箱高速轴超温故障，所述齿轮箱高速轴超温故障对应的故障征兆包括：高速轴不同位置处的温度大于温度阈值和运行声音异常，所述齿轮箱高速轴超温故障对应的故障影响包括：产生噪音、振动和轴承损坏，所述齿轮箱高速轴超温故障对应的故障原因包括：润滑油异常、部件损坏和润滑油入口油温过高。

4.根据权利要求1所述的故障诊断方法，其特征在于，所述构建所述传动系统诊断维护领域的本体，包括：

确定本体所针对的目标对象；

搜集已有的本体，并分析所述已有的本体的可用性；

整理本体中的关键术语；

针对传动系统的运行状态、系统包含的设备和检修维护过程三类，确定不同类之间的层次结构；

设置不同类的属性和关系，确定多个本体概念之间的数据属性和对象属性；

在每个类中添加与本类相对应的个体；

对构建的风电机组传统系统的故障知识本体进行一致性检测。

5.根据权利要求4所述的故障诊断方法，其特征在于，所述将所述异常参数输入所述本体知识库中定位出故障模式，包括：

根据所述异常参数确定故障征兆；

通过SPARQL查询语句在所述本体知识库中查询所述故障征兆所属的故障模式；

所述通过因果图模型诊断推理出所述故障模式对应的故障原因，包括：

结合所述数据属性和所述对象属性构建所述因果图模型；

通过所述因果图模型计算引起所述故障模式发生的多个故障原因的概率序列；

基于所述概率序列排查故障原因，确定出最终的目标故障原因。

6.根据权利要求5所述的故障诊断方法，其特征在于，所述通过所述因果图模型计算引起所述故障模式发生的多个故障原因的概率序列，包括：

对查询得到的每个故障原因进行初步筛选，排除定量指标类故障原因，获得故障原因初始备选集；

结合因果强度赋值和先验概率赋值，根据从所述因果图模型中获得的全部最小割集布尔表达式和不交化的最终割集表达式，计算所述故障原因初始备选集中每个故障原因的发生概率；

将各个故障原因的发生概率按由大至小进行排序，生成所述概率序列。

7.一种基于本体的风电机组传动系统的故障诊断系统，其特征在于，包括以下模块：

获取模块，用于按照由传动系统至设备再至部件的划分方式，建立的风电机组传动系统的设备树，并以所述设备树为分析依据，基于故障模式及影响分析FMEA和故障树分析FTA，获取所述传动系统的故障诊断与检修维护的专家知识；

构建模块，用于结合获取的所述专家知识和所述传动系统的实际情况，构建所述传动系统诊断维护领域的本体，生成所述传动系统的本体知识库；

诊断模块，用于通过SCADA监测系统获取所述传动系统的实时状态监测信息，从所述实时状态监测信息中提取出异常参数，并基于预设的本体自定义规则，将所述异常参数输入所述本体知识库中定位出故障模式，通过因果图模型诊断推理出所述故障模式对应的故障原因。

8.根据权利要求7所述的故障诊断系统，其特征在于，所述获取模块，具体用于：

按照所述设备树表示的结构关系，梳理出风电机组传动系统中每个设备对应的典型故障模式；

通过进行故障树分析梳理出各个所述典型故障模式之间的耦合关系，以确定故障间的因果联系；

对每个故障树中的顶事件进行FMEA分析，获取每个所述顶事件对应的故障模式、故障征兆、故障部件、故障影响、故障原因和维护措施。

9.根据权利要求7所述的故障诊断系统，其特征在于，所述构建模块，具体用于：

确定本体所针对的目标对象；

搜集已有的本体，并分析所述已有的本体的可用性；

整理本体中的关键术语；

针对传动系统的运行状态、系统包含的设备和检修维护过程三类，确定不同类之间的层次结构；

设置不同类的属性和关系，确定多个本体概念之间的数据属性和对象属性；

在每个类中添加与本类相对应的个体；

对构建的风电机组传统系统的故障知识本体进行一致性检测。

10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的基于本体的风电机组传动系统的故障诊断方法。