CN117232809A - 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 - Google Patents
基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 Download PDFInfo
- Publication number
- CN117232809A CN117232809A CN202311191865.6A CN202311191865A CN117232809A CN 117232809 A CN117232809 A CN 117232809A CN 202311191865 A CN202311191865 A CN 202311191865A CN 117232809 A CN117232809 A CN 117232809A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- fault pre
- model
- target feature
- models
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011156 evaluation Methods 0.000 claims description 46
- 239000000178 monomer Substances 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000012634 fragment Substances 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011005 laboratory method Methods 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明为基于DEMATEL‑ANP‑CRITIC组合赋权的风机主轴故障预诊断方法，首先获取风机运行数据，得到数据集；然后，将主轴齿箱侧油温作为目标特征，选取与目标特征具有强相关性的特征作为强相关性特征，保留目标特征和所有强相关性特征的时间序列；接着，搭建多个模型作为单体故障预诊断模型，对目标特征进行预测；最后，利用训练后的各个单体故障预诊断模型进行预测，并利用主客观相结合的方式对各个单体故障预诊断模型的预测结果进行赋权，再将所有单体故障预诊断模型的预测结果进行叠加，得到目标特征组合预测值；利用滑动窗口法和3σ准则进行故障预诊断。结合风电现场对准确性、实时性、关联性等的多元需求，利用多个单体故障预诊断模型对目标特征进行联合预测，充分发挥不同模型各自的优势，提高预测精度。
Description
技术领域
本发明属于风电机组故障预测技术领域，特别是涉及一种基于DEMATEL-ANP-CRITIC组合赋权的风机主轴故障预诊断方法。
背景技术
风电机组通常安装部署在风力资源丰富的区域，如山谷、海上、草原等，但这些地区自然环境恶劣，交通不便，对风机的日常巡检及维修维护造成了极大的困扰。风电机组的造价昂贵，一旦发生故障通常是不可逆的，会造成巨大的经济损失，因此，风电机组运行状态进行预测，对可能产生的故障进行预诊断是十分必要的，而风机主轴故障的概率显著大于风机其余部件故障的概率。
现有的风机故障预诊断技术主要分为传统机械方法和人工智能方法，其中，人工智能方法通过关注工业现场的风机数据采集与监视控制系统(SCADA)运行数据，分析这些时间序列当中蕴含的关联信息，利用机器学习思想建立预测模型，对未来可能发生的故障进行预诊断。但这些方法通常利用单一模型进行预测，不同模型的优势不同，因此单一模型的预测精度较低。对于多模型的预测，可以兼并不同模型的优势，但是往往对不同模型赋予相同的权重，只从单一角度考虑权重分配，缺乏对风电场准确性、实时性、关联性等不同实际需求的考虑。此外，在预诊断阶段，现有技术对不同发展程度的故障区分度不足，导致错过了最佳的解决时机，因此，提出更加科学准确且能满足现场需要的预测模型和故障预警策略是十分有必要的。
发明内容
本发明针对风机故障预测中对不同模型预测结果综合考虑不充分，无法满足现场对准确性、实时性、关联性等多个需求的问题，提出一种基于DEMATEL-ANP-CRITIC组合赋权的风机主轴故障预诊断方法。
本发明解决所述技术问题采用的技术方案如下：
一种基于DEMATEL-ANP-CRITIC组合赋权的风机主轴故障预诊断方法，其特征在于，该方法包括以下步骤：
步骤一：获取风机运行数据，并进行数据清洗，得到原始数据集；
步骤二：将主轴齿箱侧油温作为目标特征，计算原始数据集中其余特征与目标特征的相关性，选取与目标特征具有强相关性的特征作为强相关性特征，目标特征和所有强相关性特征的连续时间序列组成筛选后的数据集，并将筛选后的数据集划分为训练集和测试集；
步骤三：搭建多个模型作为单体故障预诊断模型，对目标特征进行预测，单体故障预诊断模型的输入为目标特征和所有强相关性特征，利用训练集分别训练各个单体故障预诊断模型；
步骤四：将测试集分别输入到各个训练后的单体故障预诊断模型中，得到目标特征预测值，记为P1,P2,…，PV；其中，V为单体故障预诊断模型的数量；
选取最能反映模型性能的评价指标，利用DEMATEL-ANP法对各个评价指标赋予主观权重，根据评价指标的主观权重计算各个单体故障预诊断模型的预测结果赋予主观权重，计算公式为：
式中，αv为第v个单体故障预诊断模型的主观权重，qv第v个单体故障预诊断模型对应的评价指标的主观权重，qk表示第k个评价指标的主观权重，n为评价指标数量；
利用CRITIC法对各个单体故障预诊断模型的预测性能进行分析，为各个单体故障预诊断模型赋予客观权重；
根据最小鉴别信息原理，根据下式计算各个单体故障预诊断模型的综合权重；
其中，e为单体故障预诊断模型的个数，βv为第v个单体故障预诊断模型的客观权重，ωv为第v个单体故障预诊断模型的综合权重；
根据综合权重对各个单体故障预诊断模型的预测结果进行赋权，根据下式计算目标特征组合预测值P；
P＝ω1P1+ω2P2+…+ωVPV (22)
步骤五：将由训练集得到的目标特征组合预测值与历史运行数据中目标特征的实际值作差，得到残差序列l1；以滑动窗口的方式计算滑动窗口内残差序列片段的均值，将该均值作为滑动窗口内残差序列片段的标准差μ；
将由测试集得到的目标特征组合预测值与历史运行数据中目标特征的实际值作差，得到残差序列l2；以滑动窗口的方式计算滑动窗口内残差序列片段的均值σ，若|σ|>3μ，认为风机主轴可能发生故障，完成风机主轴故障预诊断。
进一步的，当风机主轴可能发生故障时，根据下述的故障分级预警策略对可能发生的故障进行预警；
设置目标特征的基准上限C，从可能发生故障的时间段内选取相邻三个时间点的目标特征的实际值C1,C2,C3，利用根据下式计算变化趋势系数τ；
若τ>1，为一级预警，认为风电机组处于高危状态，短时间内会出现故障，需要立即停机检修；
若0<τ≤1，为二级预警，认为风电机组处于中危状态，未来一段时间内会出现故障，需要重点关注风电机组状况发展并安排检修；
若τ≤0，为三级预警，认为风电机组处于低危状态，未来一段时间内不会出现故障，需要常规监测和定期检查。
与现有技术相比，本发明的有益效果在于：
1.本发明将传统机器学习与深度学习相结合，充分考虑不同模型的特点和优势，结合风电场现场对准确性、实时性、关联性等因素的多元需求，构建了多个单体故障预诊断模型，对目标特征进行联合预测，充分发挥不同模型各自的优势，以提高预测准确性。相比于传统的赋权方法，本发明从主观和客观两个角度综合考虑各个模型的权重，提升了模型权重分配的科学性和准确性，主观赋权是根据决策者(专家)主观上对各模型的重视程度来确定模型权重，根据实际的决策问题和专家自身的知识经验合理地确定各模型权重的排序，而在本发明方法中根据风电场现场对预警时效性、准确性、前后关联等需求，由现场工程师结合不同模型的特性给出权重，与实际问题紧密结合。客观赋权法是根据各属性的联系程度，或各属性所提供的信息量大小来决定属性权重，主要是根据原始数据之间的关系来确定权重，因此权重的客观性强，且不增加决策者的负担，方法具有较强的数学理论依据。兼顾到决策者对模型的偏好，同时又力争减少赋权的主观随意性，使模型的赋权达到主观与客观的统一，进而使预测结果真实、可靠。
2.在预诊断阶段，利用滑动窗口法和3σ准则提出故障分级预警策略，可以减小残差值的波动范围还能有效消除误报警点的个数，使得预警更加稳定和精确；相较于传统的故障预警方法，减少了错报、漏报的情况，可以对不同程度的故障进行分级，为故障维修处置提供了参考。
附图说明
图1为本发明的整体流程图；
图2为强相关性特征的相关系数图；
图3为不同模型得到的目标特征预测值对比图；
图4为本发明得到的主轴齿箱侧油温预测值与真实值的残差图；
图5为本发明的故障分级预警策略的流程图。
具体实施方式
下面结合附图给出具体实施例，具体实施例仅用于详细介绍本发明的技术方案，并不以此限制本申请的保护范围。
本发明提供一种基于DEMATEL-ANP-CRITIC组合赋权的风机主轴故障预诊断方法(以下简称方法，参见图1～5)，包括以下步骤：
步骤一：从SCADA系统中获取多项风机运行数据，并进行数据清洗，得到原始数据集；
本实施例选取山西某风电场一台2MW风电机组，从SCADA系统中截取自2022年10月1日0:00:00到2023年5月31日23:50:00共计八个月的风机运行数据，采样时间间隔为10s；风机运行数据包括机舱X与Y轴振幅、风速、风向、叶轮转速、主轴齿箱输入轴油温、主轴齿箱输出轴油温、主轴齿箱入口油温；主轴齿箱侧油温、发电机定子绕组多处的温度、环境温度、发电机空冷温度等共计34项。
数据清洗包括异常数据剔除和缺失数据填充；首先，对各项数据中的“0”值或同一项数据中与其他数据有差别的异常数据进行剔除；然后，采用多重插补法对缺失数据进行填充。
步骤二：采用斯皮尔曼相关系数法从原始数据集中选取与目标特征(主轴齿箱侧油温)具有强相关性的其他特征，称为强相关性特征，并对目标特征和强相关性特征的连续时间序列进行归一化处理，目标特征和所有强相关性特征的连续时间序列组成筛选后的数据集；将筛选后的数据集划分为训练集和测试集；
步骤2.1：选取最能反映风机主轴机械特性和运行状态的参数作为风机主轴故障预诊断的目标特征，经过分析发现，当主轴齿箱侧油温过高时风机主轴往往发生故障，因此将主轴齿箱侧油温作为目标特征；
斯皮尔曼相关系数考察的是两个变量单调关系的强度，因此通过斯皮尔曼相关系数选取与主轴齿箱侧油温这一目标特征具有相关性并能反映主轴齿箱侧油温变化趋势的其他特征，实现特征筛选；
将主轴齿箱侧油温的连续时间序列记为a＝{a1,a2,…,ak,…,aK}，其他特征的连续时间序列记为b＝{b1,b2,…,bk,…,bK}，则斯皮尔曼相关系数的计算公式如下：
式中：ρ为斯皮尔曼相关系数，K为连续时间序列中包含的数据个数，dk为ak和bk之间的等级差；
表1斯皮尔曼相关系数取值与相关性程度
根据表1，若|ρ|≥0.75，认为其他特征与目标特征具有强相关性，则剔除|ρ|<0.75的特征，保留|ρ|≥0.75的特征，本实施例选取的强相关性特征包括发电机外部冷却空气温度、变桨柜第一温度、变桨柜第二温度、变桨柜第三温度、变桨轮毂温度、变桨电机第一温度、变桨电机第二温度、变桨电机第三温度共计8个；
步骤2.2：利用最大最小归一化方法对目标特征和所有强相关性特征进行归一化处理，归一化公式如下：
式中：x、为归一化前、后的数据，xmax、xmin为连续时间序列中的最大值和最小值；
步骤2.3：保留原始数据集中目标特征和强相关性特征的连续时间序列，得到筛选后的数据集；本实施例按照比例4：1将筛选后的数据集分为训练集和测试集。
步骤三：搭建多个模型作为单体故障预诊断模型，分别对目标特征进行预测，单体故障预诊断模型的输入为目标特征和所有强相关性特征，利用训练集分别训练各个单体故障预诊断模型；本实施例搭建LightGBM、Bi-LSTM、GRU三种模型作为单体故障预诊断模型；
步骤3.1：搭建LightGBM模型，模型各项参数设置为默认值；将训练集输入到LightGBM模型中，对目标特征进行预测；将目标特征的预测值与真实值进行比较，利用网格搜索方法(GridSearch)对LightGBM模型进行优化，选取最优超参数，得到训练后的LightGBM模型；LightGBM模型的设置为：基学习器为gbdt(梯度提升决策树)、目标函数为regression(回归)、最大深度为12、叶子节点数为155、学习速率为0.05、建树的特征选择比例0.8、建树的样本采样比列1.0、迭代次数2500。
步骤3.2：搭建Bi-LSTM模型，利用滑动窗口将输入数据转化为模型需要的二维矩阵，模型各项参数设置为默认值；将训练集输入到Bi-LSTM模型中，对目标特征进行预测，将目标特征的预测值与真实值进行比较，利用Adam优化器对模型参数进行寻优，得到训练后的Bi-LSTM模型；Bi-LSTM模型的各项参数为：输入特征数量为9、输出特征数量为1、时间步长为6、批次大小为32、隐层大小为256、LSTM层数为2、迭代次数为10次、学习率为0.001。
步骤3.3：搭建GRU模型，利用滑动窗口将输入数据转化为模型需要的二维矩阵，模型各项参数设置为默认值；将训练集输入到GRU模型中，对目标特征进行预测，将目标特征的预测值与真实值进行比较，利用Adam优化器对模型参数进行寻优，得到训练后的GRU模型；GRU模型的各项参数为：输入特征数量为9、输出特征数量为1、时间步长为6、批次大小为32、隐层大小为256、GRU层数为2、迭代轮数为10次、学习率为0.0001。
步骤四：将测试集分别输入到各个训练后的单体故障预诊断模型中，得到目标特征预测值P1,P2,…,PV；其中，V为单体故障预诊断模型的数量；利用决策试验与评价实验室-网络分析法(DEMATEL-ANP)与CRITIC赋权法相结合的方式对各个单体故障预诊断模型的预测结果进行赋权，再将所有单体故障预诊断模型的预测结果进行叠加，得到目标特征组合预测值；
步骤4.1：将测试集分别输入到训练后的各个单体故障预诊断模型中，得到目标特征预测值P1,P2,…,PV；
步骤4.2：利用DEMATEL-ANP法对各个单体故障预诊断模型的预测性能进行分析，得到各个单体故障预诊断模型对于风机主轴故障诊断这一目标的主观权值，记为α＝[α1,α2,…,αV]T；
决策试验与评价实验室方法(DEMATEL)通过专家凭借自身经验和相关信息判断衡量模型预测性能的评价指标之间的直接影响程度，每个专家的评分都会被汇总最终产生一个直接影响矩阵M，表达式为：
M＝(cij)n×n (3)
式中：cij表示评价指标i对评价指标j的直接影响程度大小，n为评价指标数量；根据风机工作现场不同单体故障预诊断模型的优势特性对应确定一个最能反映该模型性能的评价指标，本实施例中LightGBM模型的处理速度较快，GRU模型的准确性较高、Bi-LSTM模型对数据的前后关联比较充分，因此选取模型预测速度、模型预测准确性以及模型关联前后数据的能力这三项作为评价指标；
对直接影响矩阵进行标准化，得到标准化的直接影响矩阵N；
建立如式(6)所示的总影响关系矩阵T；
T＝N(I-N)-1 (6)
式中；I为单位矩阵；
建立如式(7)所示的加权超矩阵W：
根据式(8)计算极限超矩阵，根据极限超矩阵第一列得到各个评价指标的主观权重如式(9)所示；
式中，g表示迭代次数，qk∈Q表示第k个评价指标的主观权重；
评价指标为各单体故障预诊断模型归纳出的主要特性，代表了模型的性能，利用式(10)计算各个单体故障预诊断模型的主观权重；
式中，αv为第v个单体故障预诊断模型的主观权重，qv第v个单体故障预诊断模型对应的评价指标的主观权重；
步骤4.3：利用客观赋权法(CRITIC)对各个单体故障预诊断模型的预测性能进行分析，将每个单体故障预诊断模型作为一个待评价样本，选择均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)作为衡量模型预测性能的评价指标，经CRITIC法得到各模型的客观权重，记为β＝[β1,β2,…,βV]T；各评价指标的计算公式如下，本实施例中三个模型各评价指标的取值参见表2。
式中：ym、为第m个样本的真实值和预测值，M为样本总数；
表2不同模型各个评价指标的取值
CRITIC赋权法是一种基于数据波动性的客观赋权法，有V个单体故障预诊断模型，U个评价指标，形成原始指标数据矩阵：
其中，xuv表示第v个单体故障预诊断模型第u个评价指标的取值；
选用逆向化处理对各指标进行无量纲化处理，以消除因量纲不同对评价结果的影响，逆向化公式如下：
其中，min(xv)和max(xv)表示每列的最小值和最大值；
CRITIC赋权法中使用标准差来表示各指标的内取值的差异波动情况，标准差越大表示该指标的数值差异越大，越能反映出更多的信息，该指标本身的评价强度也就越强，应该给该指标分配更多的权重；标准差计算公式如下：
其中，表示第v个单体故障预诊断模型的均值，Sv表示第v个单体故障预诊断模型的标准差；
使用相关系数来表示评价指标之间的相关性，与其他评价指标的相关性越强，则该评价指标就与其他评价指标的冲突性越小，反映出相同的信息越多，所能体现的评价内容就越有重复之处，一定程度上也就削弱了该评价指标的评价强度，应该减少对该评价指标分配的权重；相关系数的计算公式如下：
其中，rij表示第i个单体故障预诊断模型和第j个单体故障预诊断模型之间的相关系数；
计算第v个单体故障预诊断模型所包含的信息量Dv，Cv越大表明第v个单体故障预诊断模型在整个预测模型体系中的相对重要性越大，就应该给其分配更多的权重；Dv的计算公式如下：
Dv＝Sv×Rv (19)
因此，第v个单体故障预诊断模型的客观权重βv为：
步骤4.4：根据最小鉴别信息原理，确定各个单体故障预诊断模型的综合权重[ω1,ω2,…,ωV]T，综合权重计算公式如下：
式中，e为单体故障预诊断模型的个数；
步骤4.5：根据综合权重对各个单体故障预诊断模型的预测结果进行赋权，得到目标特征组合预测值P，如下所示：
P＝ω1P1+ω2P2+…+ωVPV (22)
步骤五：将由训练集得到的目标特征组合预测值与历史运行数据中目标特征对应的实际值进行作差处理，得到残差序列l1；为避免误报、漏报情况，以一定大小单位时间尺度的滑动窗口计算滑动窗口内残差序列片段的均值，将该均值作为滑动窗口内残差序列片段的标准差μ；
将由测试集得到的目标特征组合预测值与历史运行数据中目标特征对应的实际值进行作差处理，得到残差序列l2；同样，以一定大小单位时间尺度的滑动窗口计算滑动窗口内残差序列片段的均值σ，结合3σ准则，当某一滑动窗口内残差序列片段均值满足式(23)时，认为风机主轴可能发生故障，根据下述的故障分级预警策略，对可能发生的故障进行预警定级，并采取应对措施；
|σ|>3μ(23)
故障分级预警策略具体为：
根据对风机发生故障时的历史数据进行统计分析和专家经验，目标特征即主轴齿箱侧油温超过70℃时风机主轴已发生不可逆损坏，因此将C＝70℃设置为基准上限；从可能发生故障的时间段内选取相邻三个时间点的目标特征的实际值C1,C2,C3，利用式(24)计算变化趋势系数τ；
若τ>1，为一级预警，认为风电机组处于高危状态，短时间内会出现故障，需要立即停机检修；
若0<τ≤1，为二级预警，认为风电机组处于中危状态，未来一段时间内会出现故障，需要重点关注风电机组状况发展并安排检修；
若τ≤0，为三级预警，认为风电机组处于低危状态，未来一段时间内不会出现故障，采取常规监测和定期检查等措施。
依照本实施例数据，通过LightGBM模型、Bi-LSTM模型、GRU模型、等权D-ANP-CRITIC组合赋权模型与本发明提出的DEMATEL-ANP-CRITIC组合赋权模型对目标特征进行预测，选取MSE、RMSE、MAE、MAPE四项评价指标评估模型性能，对比结果如表3所示。结果表明，本发明提出的DEMATEL-ANP-CRITIC组合赋权模型明显优于其他模型。
表3不同模型在四种评价指标下的结果
图5为利用本发明方法得到的主轴齿箱侧油温残差序列，在数据序号点1500-2000时已发生超过故障预警阈值的情况，在数据点3000时残差值大幅超过故障预警阈值，经与现场实际情况对比，验证了此时间后发生风机主轴故障导致停机，实现了故障预诊断的目的。
本发明未述及之处适用于现有技术。
Claims (5)
1.一种基于DEMATEL-ANP-CRITIC组合赋权的风机主轴故障预诊断方法，其特征在于，该方法包括以下步骤：
步骤一：获取风机运行数据，并进行数据清洗，得到原始数据集；
步骤二：将主轴齿箱侧油温作为目标特征，计算原始数据集中其余特征与目标特征的相关性，选取与目标特征具有强相关性的特征作为强相关性特征，目标特征和所有强相关性特征的连续时间序列组成筛选后的数据集，并将筛选后的数据集划分为训练集和测试集；
步骤三：搭建多个模型作为单体故障预诊断模型，对目标特征进行预测，单体故障预诊断模型的输入为目标特征和所有强相关性特征，利用训练集分别训练各个单体故障预诊断模型；
步骤四：将测试集分别输入到各个训练后的单体故障预诊断模型中，得到目标特征预测值，记为P1,P2,…,PV；其中，V为单体故障预诊断模型的数量；
选取最能反映模型性能的评价指标，利用DEMATEL-ANP法对各个评价指标赋予主观权重，根据评价指标的主观权重计算各个单体故障预诊断模型的预测结果赋予主观权重，计算公式为：
式中，αv为第v个单体故障预诊断模型的主观权重，qv第v个单体故障预诊断模型对应的评价指标的主观权重，qk表示第k个评价指标的主观权重，m为评价指标数量；
利用CRITIC法对各个单体故障预诊断模型的预测性能进行分析，为各个单体故障预诊断模型赋予客观权重；
根据最小鉴别信息原理，根据下式计算各个单体故障预诊断模型的综合权重；
其中，e为单体故障预诊断模型的个数，βv为第v个单体故障预诊断模型的客观权重，ωv为第v个单体故障预诊断模型的综合权重；
根据综合权重对各个单体故障预诊断模型的预测结果进行赋权，根据下式计算目标特征组合预测值P；
P＝ω1P1+ω2P2+…+ωVPV (22)
步骤五：将由训练集得到的目标特征组合预测值与历史运行数据中目标特征的实际值作差，得到残差序列l1；以滑动窗口的方式计算滑动窗口内残差序列片段的均值，将该均值作为滑动窗口内残差序列片段的标准差μ；
将由测试集得到的目标特征组合预测值与历史运行数据中目标特征的实际值作差，得到残差序列l2；以滑动窗口的方式计算滑动窗口内残差序列片段的均值σ，若|σ|>3μ，认为风机主轴可能发生故障，完成风机主轴故障预诊断。
2.根据权利要求1所述的基于DEMATEL-ANP-CRITIC组合赋权的风机主轴故障预诊断方法，其特征在于，当风机主轴可能发生故障时，根据下述的故障分级预警策略对可能发生的故障进行预警；
设置目标特征的基准上限C，从可能发生故障的时间段内选取相邻三个时间点的目标特征的实际值C1,C2,C3，利用根据下式计算变化趋势系数τ；
若τ>1，为一级预警，认为风电机组处于高危状态，短时间内会出现故障，需要立即停机检修；
若0<τ≤1，为二级预警，认为风电机组处于中危状态，未来一段时间内会出现故障，需要重点关注风电机组状况发展并安排检修；
若τ≤0，为三级预警，认为风电机组处于低危状态，未来一段时间内不会出现故障，需要常规监测和定期检查。
3.根据权利要求1所述的基于DEMATEL-ANP-CRITIC组合赋权的风机主轴故障预诊断方法，其特征在于，步骤四中，DEMATEL-ANP法的具体过程为：
专家根据凭借自身经验和相关信息判断评价指标之间的直接影响程度，生成直接影响矩阵M，表达式为：
M＝(cij)n×n (3)
式中：cij表示评价指标i对评价指标j的直接影响程度大小；
对直接影响矩阵进行标准化，得到标准化的直接影响矩阵N；
建立如式(6)所示的总影响关系矩阵T；
T＝N(I-N)-1 (6)
式中；I为单位矩阵；
建立加权超矩阵W，根据式(8)计算极限超矩阵W*，根据极限超矩阵第一列得到各个评价指标的主观权重；
式中，g表示迭代次数。
4.根据权利要求1或3所述的基于DEMATEL-ANP-CRITIC组合赋权的风机主轴故障预诊断方法，其特征在于，所述评价指标包括模型预测速度、模型预测准确性以及模型关联前后数据的能力。
5.根据权利要求1所述的基于DEMATEL-ANP-CRITIC组合赋权的风机主轴故障预诊断方法，其特征在于，单体故障预诊断模型包括LightGBM模型、Bi-LSTM模型和GRU模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311191865.6A CN117232809A (zh) | 2023-09-15 | 2023-09-15 | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311191865.6A CN117232809A (zh) | 2023-09-15 | 2023-09-15 | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117232809A true CN117232809A (zh) | 2023-12-15 |
Family
ID=89092369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311191865.6A Pending CN117232809A (zh) | 2023-09-15 | 2023-09-15 | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117232809A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972533A (zh) * | 2024-03-29 | 2024-05-03 | 北京易智时代数字科技有限公司 | 一种工业设备的数据处理方法、装置及设备 |
-
2023
- 2023-09-15 CN CN202311191865.6A patent/CN117232809A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972533A (zh) * | 2024-03-29 | 2024-05-03 | 北京易智时代数字科技有限公司 | 一种工业设备的数据处理方法、装置及设备 |
| CN117972533B (zh) * | 2024-03-29 | 2024-06-18 | 北京易智时代数字科技有限公司 | 一种工业设备的数据处理方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709490B (zh) | 一种基于gru神经网络的风机健康状态评估方法 | |
| CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
| CN105973594B (zh) | 一种基于连续深度置信网络的滚动轴承故障预测方法 | |
| JP4995134B2 (ja) | 風車の監視装置及び方法並びにプログラム | |
| Udo et al. | Data-driven predictive maintenance of wind turbine based on SCADA data | |
| CN111444940A (zh) | 风机关键部位故障诊断方法 | |
| WO2011024304A1 (ja) | 風車の監視装置及び方法並びにプログラム | |
| CN111539553A (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN111380686A (zh) | 一种基于XGBoost算法模型的风机主轴承故障监测与诊断方法 | |
| CN111062508A (zh) | 一种基于大数据技术评估风电机组实时运行状态的方法 | |
| CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
| CN114118789B (zh) | 基于模糊综合评判和综合赋权的雷达发射机状态评估方法 | |
| CN112746934B (zh) | 一种自联想神经网络诊断风机故障方法 | |
| CN111797365B (zh) | 一种换流变压器温度异常判断方法及系统 | |
| CN117232809A (zh) | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 | |
| CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
| CN115828466A (zh) | 一种基于宽核卷积的风机主轴部件故障预测方法 | |
| CN115329986A (zh) | 基于可解释性图神经网络的风电机组异常检测与定位方法 | |
| 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 | |
| Zhang et al. | A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data | |
| Chen et al. | Prediction of icing fault of wind turbine blades based on deep learning | |
| CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
| 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 | |
| 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 | |
| Jing et al. | Two-layer PSDG based fault diagnosis for wind turbines |
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 |