CN117633650A - 一种基于数字孪生的海上风电机组故障预测方法及系统 - Google Patents
一种基于数字孪生的海上风电机组故障预测方法及系统 Download PDFInfo
- Publication number
- CN117633650A CN117633650A CN202311494732.6A CN202311494732A CN117633650A CN 117633650 A CN117633650 A CN 117633650A CN 202311494732 A CN202311494732 A CN 202311494732A CN 117633650 A CN117633650 A CN 117633650A
- Authority
- CN
- China
- Prior art keywords
- twin
- data
- wind turbine
- offshore wind
- fault type
- 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 50
- 238000004088 simulation Methods 0.000 claims abstract description 80
- 238000013499 data model Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000007246 mechanism Effects 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- KFLQGJQSLUYUBF-WOJBJXKFSA-N Phyllanthin Chemical compound C([C@H](COC)[C@@H](COC)CC=1C=C(OC)C(OC)=CC=1)C1=CC=C(OC)C(OC)=C1 KFLQGJQSLUYUBF-WOJBJXKFSA-N 0.000 description 1
- KFLQGJQSLUYUBF-PMACEKPBSA-N Phyllanthin Natural products C([C@@H](COC)[C@H](COC)CC=1C=C(OC)C(OC)=CC=1)C1=CC=C(OC)C(OC)=C1 KFLQGJQSLUYUBF-PMACEKPBSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于海上风电技术领域，提供了一种基于数字孪生的海上风电机组故障预测方法及系统。其中，基于数字孪生的海上风电机组故障预测方法包括将海上风电机组的实时运行数据及仿真数据，存储至孪生数据库中；其中，仿真数据由海上风电机组的孪生机理模型仿真模拟生成；利用孪生数据库中的运行数据及仿真数据，训练孪生数据模型；基于当前训练完成的孪生数据模型及海上风电机组的当前运行数据，得到当前孪生数据模型所对应的故障类型概率；基于当前故障类型概率的置信度，判断是否出现新故障类型以及启动孪生机理模型来仿真模拟生成新故障类型对应的仿真数据。
Description
技术领域
本发明属于海上风电技术领域，尤其涉及一种基于数字孪生的海上风电机组故障预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
由于海上风电设备部署于海洋，其环境相对陆地更为复杂，外部环境更加恶劣，导致海上风电机组运维成本高，难度大。海上风电机组能否正常运行不仅影响到发电的稳定性，还影响着风电机组的运行成本。
现有技术中，提出了许多风电机组故障预测模型，主要采用机器学习算法进行历史数据挖掘，分析处理大量风机历史运行数据，通过建立故障预测模型对风机故障进行预测。传统机器学习算法构建的故障预测模型数据样本完全来源于历史数据，数据集存在正负样本不平衡的问题，并且历史数据样本具有局限性，历史故障类型及故障样本工况单一，无法满足海上风电机组运行全生命周期内的故障预测，传统机器学习算法建模故障检测能力不足，模型应用场景有限，导致海上风电状态监控可视化程度低、运维实时性不足、故障预测类型单一等问题。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于数字孪生的海上风电机组故障预测方法及系统，其可解决传统机器学习算法的不足，实现海上风电机组运行全生命周期故障预测预警。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于数字孪生的海上风电机组故障预测方法。
一种基于数字孪生的海上风电机组故障预测方法，其包括：
将海上风电机组的实时运行数据及仿真数据，存储至孪生数据库中；其中，仿真数据由海上风电机组的孪生机理模型仿真模拟生成；
利用孪生数据库中的运行数据及仿真数据，训练孪生数据模型；
基于当前训练完成的孪生数据模型及海上风电机组的当前运行数据，得到当前孪生数据模型所对应的故障类型概率；
基于当前故障类型概率的置信度，判断是否出现新故障类型以及启动孪生机理模型来仿真模拟生成新故障类型对应的仿真数据。
作为一种实施方式，若当前孪生数据模型输出的故障类型概率达到设定置信度，则直接输出故障类型。
作为一种实施方式，若当前孪生数据模型输出的故障类型概率均未达到设定置信度，则判定出现新故障类型；
基于海上风电机组的当前运行数据及孪生机理模型，生成新的仿真数据并连同海上风电机组的当前运行数据存储至孪生数据库；
利用更新后的孪生数据库中的海上风电机组运行数据及仿真数据，继续训练当前孪生数据模型或重新训练新的机器学习模型来预测新故障类型。
作为一种实施方式，在训练所述孪生数据模型的过程中，特征选择依次按照重要程度从初始特征集合中不断选择特征子集，训练学习器，根据学习器的性能对子集进行评价，直到选择出最佳子集；使用随机策略进行子集搜索，通过向前搜索的方法在最优子集上逐步增加特征，直到孪生数据模型的性能最优。
本发明的第二个方面提供一种基于数字孪生的海上风电机组故障预测系统。
一种基于数字孪生的海上风电机组故障预测系统，其包括：
孪生数据库构建模块，其用于将海上风电机组的实时运行数据及仿真数据，存储至孪生数据库中；其中，仿真数据由海上风电机组的孪生机理模型仿真模拟生成；
孪生数据模型训练模块，其用于利用孪生数据库中的运行数据及仿真数据，训练孪生数据模型；
故障类型概率计算模块，其用于基于当前训练完成的孪生数据模型及海上风电机组的当前运行数据，得到当前孪生数据模型所对应的故障类型概率；
故障类型最终确定模块，其用于基于当前故障类型概率的置信度，判断是否出现新故障类型以及启动孪生机理模型来仿真模拟生成新故障类型对应的仿真数据。
作为一种实施方式，在所述故障类型最终确定模块中，若当前孪生数据模型输出的故障类型概率达到设定置信度，则直接输出故障类型。
作为一种实施方式，在所述故障类型最终确定模块中，若当前孪生数据模型输出的故障类型概率均未达到设定置信度，则判定出现新故障类型；
基于海上风电机组的当前运行数据及孪生机理模型，生成新的仿真数据并连同海上风电机组的当前运行数据存储至孪生数据库；
利用更新后的孪生数据库中的运行数据及仿真数据，继续训练当前孪生数据模型或重新训练新的机器学习模型来预测新故障类型。
作为一种实施方式，在所述孪生数据模型训练模块中，在训练所述孪生数据模型的过程中，特征选择依次按照重要程度从初始特征集合中不断选择特征子集，训练学习器，根据学习器的性能对子集进行评价，直到选择出最佳子集；使用随机策略进行子集搜索，通过向前搜索的方法在最优子集上逐步增加特征，直到孪生数据模型的性能最优。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于数字孪生的海上风电机组故障预测方法中的步骤。
本发明的第四个方面提供一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于数字孪生的海上风电机组故障预测方法中的步骤。
与现有技术相比，本发明的有益效果是：
(1)本发明利用数字孪生技术，基于海上风电机组传感器现场监测的数据，结合机器学习、仿真模拟等手段，实现海上风电物理空间与虚拟空间多维度、多尺度的关联映射，在虚拟空间内能够对海上风电机组运行状态进行全生命周期监测，针对风机故障等问题进行实时预测预警，为真实海上风电运维提供全方位指导。
(2)本发明通过建立海上风电发电机数字孪生机理模型，仿真模拟不同环境条件下导致的风机故障类型及工况，生成仿真数据，结合海上风电工程实际运行数据，辅助了故障检测算法进行训练，增强了算法的泛化能力，提高了故障预测精度及适用广度，构建的故障预测模型能够满足海上风电机组全生命周期运维的需求。
(3)本发明通过构建海上风电数字孪生系统，结合海上风电实际运行情况，能够不断更新校准虚拟空间内的数字孪生体模型，在物理实体与虚拟空间之间不断进行迭代、更新、优化，可实现全生命周期内对海上风电工程的实时监测、预报预警、控制管理。
本发明附加方面的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
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的基于数字孪生的海上风电机组故障预测方法原理图；
图2是本发明实施例的基于数字孪生的海上风电机组故障预测方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释：
数字孪生：作为物理空间与信息空间深度交互融合的新技术，能够为复杂海上风电设备运行全生命周期数据监控、故障预测、服务决策等方面提供技术支持，能够更高效、智能地对海上风电机组进行运维与健康检测。
实施例一
图1中的海上风电物理实体部分至少包括：海上风电工程工作状态下的风力发电机、安装于风电机组内的传感器设备。还应包括海上升压站、陆上集控中心、海缆线路等部分。海上风电场控制中心协调风电机组完成发电任务，风电机组内置传感器获取部件运行信息，传输运行数据，对风电机组运行状况进行实时监测。
海上风电虚拟模型部分包括海上风电三维模型和海上风电数字孪生体。其中，海上风电三维模型由3dsMax、Unity3d等软件构建。
数字孪生体是在算力强大的虚拟空间中存在的与物理实体完全等价的数字化、信息化模型，海上风电数字孪生体由孪生数据模型和孪生机理模型共同驱动。海上风电数字孪生体可以接收物理对象的数据进行实时演化，数字孪生体能够在整个生命周期与物理对象保持高度一致。
海上风电机组故障属于小概率事件，在实际工作环境中故障数据占比较低，存在标注和获取困难。并且，工程现场海上风电运行过程产生的故障类型较少，因此采用机器学习算法，针对海上风电机组历史运行数据建立的风机故障预测模型无法精确预测未发生、未知故障工况，因此需要借助孪生机理模型进行仿真分析，模拟未发生故障的类型和工况，补充机器学习样本数据库，使构建的故障预测模型预测精度更高，故障预测类型范围更广，模型适用范围更大。
上述数字孪生机理模型需在现实物理规则的基础上宏观上反映出物理实体的几何尺寸、运功过程以及运动过程产生的相互作用关系，并在在微观上反映材料的物理属性等特征信息演化。
利用机器学习算法对传感器监测数据与仿真模拟数据进行数据挖掘，建立海上风电机组故障预测模型，即孪生数据模型。所述机器学习算法为已有技术。
若海上风电机组运行过程中产生新的故障类型及工况，该故障类型未出现在历史实际发生和仿真模拟的工况中，则将该故障类型运行状态和数据存储于孪生数据库中，通过调用风机仿真模型生成仿真数据存储于孪生数据库中用于新的故障类型的算法训练，建立新的故障预测模型。随着海上风电机组的运行不断迭代、更新、优化、完善海上风电数字孪生系统。
数字孪生数据部分至少包括静态孪生数据和动态孪生数据。静态态孪生数据包括海上风电设备几何参数、物理性质等基本参数信息；动态孪生数据至少包括：海上风电机组内置传感器设备监测到的运行信息数据，虚拟空间内海上风电机组仿真模拟分析所产生的仿真数据。
采用图形化界面的MySQL数据库作为数字孪生数据库，存储、查询、调用、更新孪生数据，数据处理由Get Data类实现。
图1中的数据连接层作为海上风电数字孪生系统内部孪生数据的传输通道，负责海上风电机组内置传感器与虚拟空间的数据通信、虚拟模型与服务应用的数据通信、各接口数据请求的数据通信等。数字孪生系统内数据通信的需求不同，数据通信的方式是多样的。采用数字孪生技术，海上风电工程可以随海上风电机组运行，实时自动进行海上风电机组运行状态展示和故障预测预警。
本实施例以利用MATLAB/Simulink构建海上风电机组发电机仿真模型，即海上风电孪生机理模型，模拟真实环境条件下海上风电的运行状态为例，故障类型以风机叶片不平衡为例展开。基于叶素动量理论进行风机叶片建模仿真，模拟风机故障导致的叶片不平衡问题，生成仿真数据，同海上风电设备传感器采集数据一起作为机器学习算法训练样本，作为数字孪生数据库补充或原有数据的优化。
根据图2，本实施例提供了一种基于数字孪生的海上风电机组故障预测方法，其包括：
步骤1：将海上风电机组的实时运行数据及仿真数据，存储至孪生数据库中；其中，仿真数据由海上风电机组的孪生机理模型仿真模拟生成。
其中，海上风电机组的实时运行数据为采用搭载在海上风电机组上的传感器监测得到的海上风电机组真行运行条件下的数据参数。传感器采集数据集包含多个维度，已包含正常运行数据以及叶片等故障导致的风机故障数据。传感器采集多维参数具体包括时间、风速、发动机转速、电机温度、功率等。
传感器采集数据通过数据传输层传输至数字孪生数据库中。采用图形化界面的MySQL数据库作为海上风电数字孪生系统的数字孪生数据库。
本实施例的孪生机理模型在MATLAB/Simulink下构建，根据叶素动量理论实现风机叶片建模仿真，仿真在特殊条件下造成风机叶片不平衡问题，生成仿真故障数据，作为孪生数据模型算法训练使用；
对风轮半径为r的风机叶片取长度为dr的叶素，则叶素上的转矩计算如式(1)所示，风机的总转矩Tn为三个叶片所有叶素转矩的积分，如式(2)所示：
式中r0为轮毂半径，R为风轮半径，ρ为空气密度，l为弦长，w为风轮旋转角速度，C1为升力系数，Cd为阻力系数，为气流倾角。
海上风电机组正常状态下三个叶片的质量大小相等，不考虑重力加速度因高度不同而产生的变化，三个叶片所受的重力、离心力、重心到轮毂的距离都是相同的，不会对风轮输出转矩造成影响。
海上风电机组运行环境恶劣，常受到海风、雨雪等恶劣条件侵蚀，会导致叶片在长时间旋转过程中产生叶片质量不均衡的问题，导致风机故障。故障可等效为在风机理想工作状况下相对于垂直方向相角为γ、距离轮毂中心Rf的位置，增加了一个质量为Mf、随叶轮以转速ωf旋转的质量块，引起叶片质量不平衡的质量块转矩为Tf，产生的离心力为Ff,其表达式如下：
Tf＝GfRfsin(γ+ωft) (3)
最终轮毂所产生的转矩T为正常状态下的转矩Tn与不平衡质量块所产生转矩Tf之和。
T＝Tn+Tf (5)
步骤2：利用孪生数据库中的运行数据及仿真数据，训练孪生数据模型。
其中，在训练所述孪生数据模型的过程中，特征选择依次按照重要程度从初始特征集合中不断选择特征子集，训练学习器，根据学习器的性能对子集进行评价，直到选择出最佳子集；使用随机策略进行子集搜索，通过向前搜索的方法在最优子集上逐步增加特征，直到孪生数据模型的性能最优。
例如，海上风电机组的孪生机理模型输入端变量为风速及不平衡质量块数据，其中质量块数据包含质量块位置等数据，输出端数据包括发电机转速、功率、温度等。其中，模拟设定的变量依托海上风电机组真实情况设计正交试验，尽可能模拟该故障类型条件下可能遇到的所有故障工况类型。例如，设置最大质量块为0(正常运行状态)、10(轻微故障)、50(中度故障)、90(严重故障)。
通过孪生机理模型进行仿真模拟生成正常运行数据和故障数据，通过数据传输层传输至孪生数据库中保存。
对数字孪生数据库中传感器采集数据集与仿真模拟数据集进行数据特征降维处理，包括物理意义剔除、相关性剔除、包裹式特征选择，并对海上风电机组正常运行数据与不同故障条件下数据进行标注；
与本实例故障分析无关的数据予以剔除；根据Pearson线性相关系数进行相关性剔除。其中，Pearson线性相关系数公式如下：
式中，xi为X参数的第i个值；yi为Y参数的第i个值；N表示样本数量，R为相关性系数。判断标准：当R>0时，参数X和Y是正相关关系；当R<0时，参数X和Y是负相关关系；若R的绝对值趋近于1，则表示相关性强，若R的绝对值趋近于0，则表示相关性弱。
包裹式特征选择依次按照重要程度从初始特征集合中不断选择特征子集，训练学习器，根据学习器的性能对子集进行评价，直到选择出最佳子集。在拉斯维加斯方法框架下使用随机策略进行子集搜索(Las Vegas Wrapper，LVW)。通过向前搜索的方法在最优子集上逐步增加特征，直到模型性能最优。
各类型故障预测模型共同组成图2所述孪生数据模型。
步骤3：基于当前训练完成的孪生数据模型及海上风电机组的当前运行数据，得到当前孪生数据模型所对应的故障类型概率。
步骤4：基于当前故障类型概率的置信度，判断是否出现新故障类型以及启动孪生机理模型来仿真模拟生成新故障类型对应的仿真数据。
在步骤4中，若当前孪生数据模型输出的故障类型概率达到设定置信度，则直接输出故障类型。
作为一种实施方式，置信度，则判定出现新故障类型；
基于海上风电机组的当前运行数据及孪生机理模型，生成新的仿真数据并连同海上风电机组的当前运行数据存储至孪生数据库；
利用更新后的孪生数据库中的运行数据及仿真数据，继续训练当前孪生数据模型或重新训练新的机器学习模型来预测新故障类型。
在本实施例中，海上风电机组运行过程产生的故障类型众多，孪生数据模型在该海上风电数字孪生系统运行之初无法学习海上风电机组全部的故障状态，在海上风电机组运行过程中，若已有模型输入参数或机器学习模型无法实现新故障类型预测时，则更新或添加适应新故障类型的模型输入参数与机器学习模型，结合孪生机理模型模拟仿真数据辅助算法训练。
数据进行特征降维处理后使用监督学习方法进行模型训练，以风机叶片不平衡为例建立海上风电机组故障预测模型；
海上风电机组故障检测时，海上风电数字孪生系统通过传感器采集到的数据，使用应用程序编程接口(API)调用故障预测模型实现海上风电机组故障预测；
若检测到新增的故障类型，则将新增故障状态下的海上风电机组状态数据存储于数字孪生数据库中，分析故障原因及类型，根据故障原因确定数字孪生体模型参数。调用上述MATLAB/Simulink仿真风机模型，生成仿真数据并存储于数字孪生数据库中，用于新故障类型的算法训练，建立新故障类型的故障预测模型。
在一些实施例中，采用3dsMax对海上风电设备进行建模，针对叶片尺寸、叶片角度、齿轮箱、发电机等构成风机的关键结构进行精细化建模，还包括海上风电物理实体其他设施的三维模型构建；采用Unity3D仿真还原海上风电运行状态，将所述3dsMax内三维模型文件导入内置丰富物理引擎接口和图形结构的Unity3D中，借助Unity3D内置C#脚本和JavaScript脚本仿真驱动海上风电运行；
采用Unity3D平台完成虚拟可视化场景搭建，集成Unity3D内置C#脚本、MySQL数据库、Python智能算法平台、MATLAB/Simulink仿真模拟等方法实现海上风电机组数字孪生系统后端开发，ECharts可视化开发技术实现系统数据可视化的前端开发；通过人机交互部分实现全过程的可视化展示。海上风电机组运行数据及故障检测信息通过虚拟风力发电机和数字面板进行可视化显示，实现海上风电物理实体与虚拟空间的实时人机交互；
本实施例借助孪生数据模型和孪生机理模型双驱动，能够使海上风电数字孪生体随海上风电的实际运行进行实时更新、迭代、优化，物理实体与虚拟空间在全生命周期保持高度一致。
本实施例实现了海上风电物理实体与虚拟空间的交互映射，实现海上风电场电力资源与电力设备的统一管理与运维。系统服务应用模块还包括：人机交互功能，用于实现海上风电机组运行状态可视化实时监测、故障预警、远程控制、优化调度等系列功能。
实施例二
本实施例提供了一种基于数字孪生的海上风电机组故障预测系统，其包括：
(1)孪生数据库构建模块，其用于将海上风电机组的实时运行数据及仿真数据，存储至孪生数据库中；其中，仿真数据由海上风电机组的孪生机理模型仿真模拟生成。
(2)孪生数据模型训练模块，其用于利用孪生数据库中的运行数据及仿真数据，训练孪生数据模型。
其中，在所述孪生数据模型训练模块中，在训练所述孪生数据模型的过程中，特征选择依次按照重要程度从初始特征集合中不断选择特征子集，训练学习器，根据学习器的性能对子集进行评价，直到选择出最佳子集；使用随机策略进行子集搜索，通过向前搜索的方法在最优子集上逐步增加特征，直到孪生数据模型的性能最优。
(3)故障类型概率计算模块，其用于基于当前训练完成的孪生数据模型及海上风电机组的当前运行数据，得到当前孪生数据模型所对应的故障类型概率。
(4)故障类型最终确定模块，其用于基于当前故障类型概率的置信度，判断是否出现新故障类型以及启动孪生机理模型来仿真模拟生成新故障类型对应的仿真数据。
具体地，在所述故障类型最终确定模块中，若当前孪生数据模型输出的故障类型概率达到设定置信度，则直接输出故障类型。
若当前孪生数据模型输出的故障类型概率均未达到设定置信度，则判定出现新故障类型；
基于海上风电机组的当前运行数据及孪生机理模型，生成新的仿真数据并连同海上风电机组的当前运行数据存储至孪生数据库；
利用更新后的孪生数据库中的运行数据及仿真数据，继续训练当前孪生数据模型或重新训练新的机器学习模型来预测新故障类型。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再详述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于数字孪生的海上风电机组故障预测方法中的步骤。
实施例四
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于数字孪生的海上风电机组故障预测方法中的步骤。
本发明是参照本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述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 (10)
1.一种基于数字孪生的海上风电机组故障预测方法，其特征在于，包括：
将海上风电机组的实时运行数据及仿真数据，存储至孪生数据库中；其中，仿真数据由海上风电机组的孪生机理模型仿真模拟生成；
利用孪生数据库中的运行数据及仿真数据，训练孪生数据模型；
基于当前训练完成的孪生数据模型及海上风电机组的当前运行数据，得到当前孪生数据模型所对应的故障类型概率；
基于当前故障类型概率的置信度，判断是否出现新故障类型以及启动孪生机理模型来仿真模拟生成新故障类型对应的仿真数据。
2.如权利要求1所述的基于数字孪生的海上风电机组故障预测方法，其特征在于，若当前孪生数据模型输出的故障类型概率达到设定置信度，则直接输出故障类型。
3.如权利要求1所述的基于数字孪生的海上风电机组故障预测方法，其特征在于，若当前孪生数据模型输出的故障类型概率均未达到设定置信度，则判定出现新故障类型；
基于海上风电机组的当前运行数据及孪生机理模型，生成新的仿真数据并连同海上风电机组的当前运行数据存储至孪生数据库；
利用更新后的孪生数据库中的运行数据及仿真数据，继续训练当前孪生数据模型或重新训练新的机器学习模型来预测新故障类型。
4.如权利要求1所述的基于数字孪生的海上风电机组故障预测方法，其特征在于，在训练所述孪生数据模型的过程中，特征选择依次按照重要程度从初始特征集合中不断选择特征子集，训练学习器，根据学习器的性能对子集进行评价，直到选择出最佳子集；使用随机策略进行子集搜索，通过向前搜索的方法在最优子集上逐步增加特征，直到孪生数据模型的性能最优。
5.一种基于数字孪生的海上风电机组故障预测系统，其特征在于，包括：
孪生数据库构建模块，其用于将海上风电机组的实时运行数据及仿真数据，存储至孪生数据库中；其中，仿真数据由海上风电机组的孪生机理模型仿真模拟生成；
孪生数据模型训练模块，其用于利用孪生数据库中的运行数据及仿真数据，训练孪生数据模型；
故障类型概率计算模块，其用于基于当前训练完成的孪生数据模型及海上风电机组的当前运行数据，得到当前孪生数据模型所对应的故障类型概率；
故障类型最终确定模块，其用于基于当前故障类型概率的置信度，判断是否出现新故障类型以及启动孪生机理模型来仿真模拟生成新故障类型对应的仿真数据。
6.如权利要求5所述的基于数字孪生的海上风电机组故障预测系统，其特征在于，在所述故障类型最终确定模块中，若当前孪生数据模型输出的故障类型概率达到设定置信度，则直接输出故障类型。
7.如权利要求5所述的基于数字孪生的海上风电机组故障预测系统，其特征在于，在所述故障类型最终确定模块中，若当前孪生数据模型输出的故障类型概率均未达到设定置信度，则判定出现新故障类型；
基于海上风电机组的当前运行数据及孪生机理模型，生成新的仿真数据并连同海上风电机组的当前运行数据存储至孪生数据库；
利用更新后的孪生数据库中的运行数据及仿真数据，继续训练当前孪生数据模型或重新训练新的机器学习模型来预测新故障类型。
8.如权利要求5所述的基于数字孪生的海上风电机组故障预测系统，其特征在于，在所述孪生数据模型训练模块中，在训练所述孪生数据模型的过程中，特征选择依次按照重要程度从初始特征集合中不断选择特征子集，训练学习器，根据学习器的性能对子集进行评价，直到选择出最佳子集；使用随机策略进行子集搜索，通过向前搜索的方法在最优子集上逐步增加特征，直到孪生数据模型的性能最优。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的基于数字孪生的海上风电机组故障预测方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于数字孪生的海上风电机组故障预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311494732.6A CN117633650A (zh) | 2023-11-09 | 2023-11-09 | 一种基于数字孪生的海上风电机组故障预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311494732.6A CN117633650A (zh) | 2023-11-09 | 2023-11-09 | 一种基于数字孪生的海上风电机组故障预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117633650A true CN117633650A (zh) | 2024-03-01 |
Family
ID=90036861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311494732.6A Pending CN117633650A (zh) | 2023-11-09 | 2023-11-09 | 一种基于数字孪生的海上风电机组故障预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117633650A (zh) |
-
2023
- 2023-11-09 CN CN202311494732.6A patent/CN117633650A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110737986B (zh) | 一种无人船能效智能优化仿真系统及方法 | |
| Wang et al. | Recent progress on reliability analysis of offshore wind turbine support structures considering digital twin solutions | |
| JP2015520698A (ja) | シップの性能の評価ための方法およびシステム | |
| CN105604807B (zh) | 风电机组监测方法及装置 | |
| CN116643517B (zh) | 一种水下载人潜器预防事故设备 | |
| KR102403593B1 (ko) | 부유식 해상풍력 터빈용 디지털 트윈 시스템 장치 | |
| CN113033073A (zh) | 一种基于数据驱动的无人船能效数字孪生方法及系统 | |
| CN1105950C (zh) | 汽轮机叶片温度预测方法 | |
| Xia et al. | Operation and maintenance optimization of offshore wind farms based on digital twin: A review | |
| CN115562158A (zh) | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 | |
| CN107944648A (zh) | 一种大型船舶航速油耗率精准预测方法 | |
| CN105508149A (zh) | 用于风力发电机组的故障检测方法及装置 | |
| CN115755639A (zh) | 一种风电机组数字孪生仿真方法及系统 | |
| Wang et al. | An identification method of floating wind turbine tower responses using deep learning technology in the monitoring system | |
| CN114352478B (zh) | 海上风电机组控制系统及控制方法 | |
| Stadtmann et al. | Demonstration of a standalone, descriptive, and predictive digital twin of a floating offshore wind turbine | |
| CN117633650A (zh) | 一种基于数字孪生的海上风电机组故障预测方法及系统 | |
| US8407111B2 (en) | Method, system and computer program product for correlating information and location | |
| CN117074939A (zh) | 一种水轮发电机组模拟试验系统 | |
| CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
| CN116412091A (zh) | 基于机器学习的风力发电机组叶片实时除冰方法及系统 | |
| Gaspar et al. | Review on hardware-in-the-loop simulation of wave energy converters and power take-offs | |
| CN115329639B (zh) | 一种风电站维护方法、平台和电子设备 | |
| CN218439629U (zh) | 一种基于5g+工业互联网的风电机组状态监测系统 | |
| US20220145856A1 (en) | Method of determining the wind speed in the rotor plane of a wind turbine |
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 |