CN117972535A - 风电机组关键部件故障预警方法、装置、设备及存储介质 - Google Patents

风电机组关键部件故障预警方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117972535A
CN117972535A CN202410372661.0A CN202410372661A CN117972535A CN 117972535 A CN117972535 A CN 117972535A CN 202410372661 A CN202410372661 A CN 202410372661A CN 117972535 A CN117972535 A CN 117972535A
Authority
CN
China
Prior art keywords
data
network
fault
preset
model
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.)
Granted
Application number
CN202410372661.0A
Other languages
English (en)
Other versions
CN117972535B (zh
Inventor
柴保桐
周宇昊
张勇铭
张骏
王金袖
马奎超
马东
崔光
潘彬彬
张哲�
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.)
Huadian Electric Power Research Institute Co Ltd
Original Assignee
Huadian Electric Power Research Institute Co Ltd
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 Huadian Electric Power Research Institute Co Ltd filed Critical Huadian Electric Power Research Institute Co Ltd
Priority to CN202410372661.0A priority Critical patent/CN117972535B/zh
Publication of CN117972535A publication Critical patent/CN117972535A/zh
Application granted granted Critical
Publication of CN117972535B publication Critical patent/CN117972535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请公开了风电机组关键部件故障预警方法、装置、设备及存储介质，涉及风电故障预警技术领域，包括：基于预设数据处理方式对SCADA时序数据和CMS振动数据进行数据处理得到处理后数据；利用改进后辅助分类器生成对抗网络算法和预设组合建模模型对处理后数据进行处理以得到振动数据时域特征和残差特征并进行融合以得到目标输入特征向量并输入至预设孪生神经网络子模型中以得到训练后模型和特征向量；通过特征向量对初始关系度量网络和初始故障分类网络进行训练以得到由训练后关系度量网络和训练后故障分类网络构成的故障辨识网络，以便完成对风电机组关键部件的故障识别预警。这样一来，可以提高风电机组故障辨识准确率。

Description

风电机组关键部件故障预警方法、装置、设备及存储介质
技术领域
本发明涉及风电故障预警技术领域，特别涉及风电机组关键部件故障预警方法、装置、设备及存储介质。
背景技术
近年来，随着风电场数字化、智能化建设，风电机组运行状态监视以及设备数据采集工作不断完善和开展，面对风电机组运行过程中由于其关键部件故障发生频率较低，每类故障样本数据较为稀缺，且关键部件故障严重程度不同，导致设备在数据表现形式上有较大的差异性，以至于不足以为故障预警及辨识模型的训练提供足够大量的样本数据，如何解决风电机组关键部件故障预警及辨识中小样本数据所导致的模型过拟合问题是故障预警及辨识过程中所面临的重要问题。
发明内容
有鉴于此，本发明的目的在于提供风电机组关键部件故障预警方法、装置、设备及存储介质，能够解决风电机组关键部件故障预警及辨识中小样本数据所导致的模型过拟合问题，进而提高风电机组故障辨识准确率。其具体方案如下：
第一方面，本申请公开了一种风电机组关键部件故障预警方法，包括：
基于第一预设数据处理方式对风电机组关键部件的SCADA时序数据进行数据处理以得到处理后运行参数数据，并基于第二预设数据处理方式对所述风电机组关键部件的CMS振动数据进行数据处理以得到处理后振动数据；
利用改进后辅助分类器生成对抗网络算法对所述处理后振动数据进行重构以得到振动数据时域特征，并将所述处理后运行参数数据输入至预设组合建模模型中以得到所述处理后运行参数数据的残差特征；
基于预设时间尺度将所述振动数据时域特征和所述残差特征进行融合以得到输入特征向量，然后从所述输入特征向量确定出目标输入特征向量并将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量；
通过所述故障判定类别特征向量对初始关系度量网络和初始故障分类网络进行训练以得到由训练后关系度量网络和训练后故障分类网络构成的故障辨识网络，以便根据所述故障辨识网络和所述训练后孪生神经网络子模型构成的风电机组故障预测模型完成对所述风电机组关键部件的故障识别预警。
可选的，所述基于第一预设数据处理方式对风电机组关键部件的SCADA时序数据进行数据处理以得到处理后运行参数数据，包括：
基于第一预设数据预处理方式对风电机组关键部件的SCADA时序数据进行数据预处理以得到第一预处理后数据；
基于预设聚类算法对所述第一预处理后数据进行数据清洗，并利用预设数据插补方法对清洗后的所述第一预处理后数据进行插补以得到处理后运行参数数据。
可选的，所述基于第二预设数据处理方式对所述风电机组关键部件的CMS振动数据进行数据处理以得到处理后振动数据，包括：
基于第二预设数据预处理方式对所述风电机组关键部件的CMS振动数据进行数据预处理以得到第二预处理后数据；
基于改进后CEEMDAN算法和小波包分解算法对所述第二预处理后数据进行降噪处理以得到处理后振动数据；其中，所述改进后CEEMDAN算法是基于预设高斯噪声加入方式和预设平均模量计算方式对初始CEEMDAN算法进行改进后得到的算法。
可选的，所述利用改进后辅助分类器生成对抗网络算法对所述处理后振动数据进行重构以得到振动数据时域特征之前，还包括：
建立所述SCADA时序数据和所述CMS振动数据之间的模型关系，并基于所述模型关系和预设生成器网络生成震动预测数据；
利用所述震动预测数据和预设判别器网络生成网络更新参数，并基于所述网络更新参数对初始辅助分类器生成对抗网络算法进行更新以得到改进后辅助分类器生成对抗网络算法。
可选的，所述将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量，包括：
利用预设特征提取网络将所述振动数据时域特征和所述残差特征在预设时间尺度上进行融合以得到训练后孪生神经网络子模型和目标输入特征向量。
可选的，所述将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量，包括：
将所述目标输入特征向量中的第一特征向量和第二特征向量分别输入至预设孪生神经网络子模型中对应的第一长短期记忆神经网络和第二长短期记忆神经网络中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量。
可选的，所述从所述输入特征向量确定出目标输入特征向量并将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量；通过所述故障判定类别特征向量对初始关系度量网络和初始故障分类网络进行训练以得到由训练后关系度量网络和训练后故障分类网络构成的故障辨识网络，包括：
基于预设随机抽样方法从所述输入特征向量确定出目标输入特征向量，并将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到当前孪生神经网络子模型和故障判定类别特征向量；
通过所述故障判定类别特征向量对初始关系度量网络和初始故障分类网络进行训练以得到当前关系度量网络和当前故障分类网络，并基于预设损失函数确定所述初始关系度量网络和所述初始故障分类网络的总损失值；
若所述总损失值小于预设误差设定值且模型训练次数小于预设训练次数，则将所述当前孪生神经网络子模型确定为新的预设孪生神经网络子模型，并将所述当前关系度量网络和当前故障分类网络确定为新的初始关系度量网络和新的初始故障分类网络，然后跳转至基于预设随机抽样方法从所述输入特征向量确定出目标输入特征向量的步骤；
若所述总损失值大于等于预设误差设定值或模型训练次数大于等于预设训练次数，则将所述当前孪生神经网络子模型确定为训练后孪生神经网络子模型，并将所述当前关系度量网络和所述当前故障分类网络确定为训练后关系度量网络和训练后故障分类网络，以构成故障辨识网络。
第二方面，本申请公开了一种风电机组关键部件故障预警装置，包括：
数据预处理模块，用于基于第一预设数据处理方式对风电机组关键部件的SCADA时序数据进行数据处理以得到处理后运行参数数据，并基于第二预设数据处理方式对所述风电机组关键部件的CMS振动数据进行数据处理以得到处理后振动数据；
特征提取模块，用于利用改进后辅助分类器生成对抗网络算法对所述处理后振动数据进行重构以得到振动数据时域特征，并将所述处理后运行参数数据输入至预设组合建模模型中以得到所述处理后运行参数数据的残差特征；
神经网络训练模块，用于基于预设时间尺度将所述振动数据时域特征和所述残差特征进行融合以得到输入特征向量，然后从所述输入特征向量确定出目标输入特征向量并将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量；
辨识网络训练模块，用于通过所述故障判定类别特征向量对初始关系度量网络和初始故障分类网络进行训练以得到由训练后关系度量网络和训练后故障分类网络构成的故障辨识网络，以便根据所述故障辨识网络和所述训练后孪生神经网络子模型构成的风电机组故障预测模型完成对所述风电机组关键部件的故障识别预警。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序以实现前述的风电机组关键部件故障预警方法。
第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的风电机组关键部件故障预警方法。
可见，本申请中，基于第一预设数据处理方式对风电机组关键部件的SCADA时序数据进行数据处理以得到处理后运行参数数据，并基于第二预设数据处理方式对所述风电机组关键部件的CMS振动数据进行数据处理以得到处理后振动数据；利用改进后辅助分类器生成对抗网络算法对所述处理后振动数据进行重构以得到振动数据时域特征，并将所述处理后运行参数数据输入至预设组合建模模型中以得到所述处理后运行参数数据的残差特征；基于预设时间尺度将所述振动数据时域特征和所述残差特征进行融合以得到输入特征向量，然后从所述输入特征向量确定出目标输入特征向量并将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量；通过所述故障判定类别特征向量对初始关系度量网络和初始故障分类网络进行训练以得到由训练后关系度量网络和训练后故障分类网络构成的故障辨识网络，以便根据所述故障辨识网络和所述训练后孪生神经网络子模型构成的风电机组故障预测模型完成对所述风电机组关键部件的故障识别预警。这样一来，通过改进孪生神经网络在传统孪生神经网络基础上改进增加故障辨识分类判别标签以及集成学习算法度量，通过少量样本数据即可获取多类别样本的共通特征；并通过孪生神经子网络利用两个子网络进行小样本模型训练，故障辨识网络完成关键部件故障样本分类任务，三个网络相互约束共同完成小样本条件下的风电机组关键部件故障预警及辨识；提高了小样本数据下的风电机组关键部件故障辨识的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种风电机组关键部件故障预警方法流程图；
图2为本申请公开的一种具体的数据插补方法流程图；
图3为本申请公开的一种具体的振动信号分解算法流程图；
图4为本申请公开的一种具体的改进AC-GAN生成对抗网络流程图；
图5为本申请公开的一种具体的孪生神经网络结构图；
图6为本申请公开的一种具体的基于特征融合改进孪生神经网络算法流程图；
图7为本申请公开的一种风电机组关键部件孪生神经网络子模型和故障辨识网络的训练方法流程图；
图8为本申请公开的一种具体的风电机组关键部件孪生神经网络子模型和故障辨识网络的训练方法流程图；
图9为本申请公开的一种风电机组关键部件故障预警装置结构示意图；
图10为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
由于风电机组长期运行在正常发电状态下，设备实际运行过程中缺乏有效、长期的故障样本积累，造成故障样本稀缺，同时，风电机组在运行过程中由于某些类别的故障发生频次较少，以至于不足以为故障辨识模型训练提供足够大量的样本数据，这类数据称之为小样本数据，最终导致传统数据挖掘算法下风电机组某些类故障辨识准确率偏低、泛化性不强。因此，本申请将具体介绍一种风电机组关键部件故障预警方法，可以提高风电机组关键部件故障识别的准确度。
参见图1所示，本申请实施例公开了一种风电机组关键部件故障预警方法，包括：
步骤S11：基于第一预设数据处理方式对风电机组关键部件的SCADA时序数据进行数据处理以得到处理后运行参数数据，并基于第二预设数据处理方式对所述风电机组关键部件的CMS振动数据进行数据处理以得到处理后振动数据。
本实施例中，所述基于第一预设数据处理方式对风电机组关键部件的SCADA时序数据进行数据处理以得到处理后运行参数数据，包括：基于第一预设数据预处理方式对风电机组关键部件的SCADA时序数据进行数据预处理以得到第一预处理后数据；基于预设聚类算法对所述第一预处理后数据进行数据清洗，并利用预设数据插补方法对清洗后的所述第一预处理后数据进行插补以得到处理后运行参数数据。即，基于第一预设数据处理方式对风电机组关键部件的SCADA（Supervisory Control And Data Acquisition，即数据采集与监视控制）时序数据进行数据处理以得到处理后运行参数数据。具体的，针对SCADA时序数据，采用数据排序、数据去重、数据阈值过滤、数据停机点去除、数据清洗、数据插补、数据归一化等对运行参数数据进行预处理，其中采用KNN聚类算法（K-Nearest Neighbor，即K最邻近分类算法）对时序数据进行清洗，采用基于双向群相似机组的运行参数数据对缺失数据进行插补，提升风电机组运行参数数据完整度。具体的，数据排序和时间校验（增加数据时间序列特征）：将机组运行参数数据按照 数据采集时间标签进行排序，将上送的数据采集时间与当前数据时间进行校验，延迟时间在设定时间外的数据进行告警和剔除。数据阈值清洗：将单点超出阈值范围的数据进行告警和剔除。数据死值清洗：包括风电机组运行参数数据中前一时刻和后一时刻完全相同的数据进行告警和剔除。数据跳变清洗：包括风电机组运行参数数据将前一时刻和后一时刻数据变化率较大的数据进行告警和剔除。变化率d的计算公式如下：
；
式中，x t 为t时刻运行数据点，x t-1 为t-1时刻运行数据点，d为数据点变化率。数据多点联动清洗：包括风电机组状态和有功功率校验（如：风电机组故障停机下，有功功率仍然大于0）、三相电压和三相电流校验（如：三相电压之间差值较大和三相电流差值较大）。数据停机点去除：由于风电机组在停机状态下无法在运行参数数据中体现出风电机组部件的运行状态和参数信息，需要将停机状态下数据剔除。将风速按照区间段划分：将风速按照0.5m/s区间内将数据进行划分。至此得到第一预处理后数据，然后采用KNN算法对第一预处理后数据进行清洗。具体的，计算数据中训练样本数据和待测试样本数据中每个点的k近邻距离并进行排序；选取排名前k个最小距离的样本数据；根据k个样本对其分类的标签进行投票，最终计算得到分类类别（对于k=1的情况，称为KNN最近邻法）。对输入特征向量x，最近邻法将数据与x最近邻点的类作为其分类类别；一般情况下，k取一个较小的值，然后通过交叉验证来确定；取k个最近样本的平均值，或使用加权平均值；滑动平均滤波：设定宽度固定的滑动窗口，取窗口内数据算术平均值作为滤波后输出。之所以在本申请中选择KNN算法，是因为KNN算法依赖周围邻近样本，对于存在交叉或重叠较多的应用场景，KNN算法较为适合，同时算法比较适用于样本数据量比较大的场景。然后，如图2所示，采用基于双向群相似机组的数据插补方法对缺失的数据进行插补。判断风电机组运行参数数据中风速和有功功率是否缺失，若风速缺失，利用风电场测风塔中最接近该风电机组轮毂高度的所在层测风数据进行插补；若有功功率缺失，利用该风电机组历史运行参数数据拟合风功率曲线进行有功功率数据插补。将关键部件运行参数数据缺失前向时间和缺失后向时间的数据分别计算,获取同一风电场内运行状态相关性最高的机组，设待插补数据{xm}，m为数据点数量。假如缺失数据序列点i到数据序列点(i+m)连续m个缺失点，选取数据序列点(i-m)到数据序列点i的m个数据点和数据缺失后数据序列点(i+m)到数据序列点(i+2m)的m个数据点，分别计算相关性得到数据缺失前m个数据点和数据缺失后m 个数据点相关性最高的机组A和机组B。其中，相关性计算采用基于风速功率下的时间序列加权欧氏距离：
；
；
其中：为数据缺失的机组与其它机组相关性计算的前向欧氏距离，欧氏距离的计算过程中增加了权重相关系数，t为数据缺失起始时刻，m为数据缺失的点，v t 、/>分别为两台机组t时刻归一化处理后的风速，p t 、/>分别为两台机组t时刻归一化处理后的有功功率，/>为数据缺失的机组与其它机组相关性计算的后向欧氏距离，距离缺失数据时间序列越近，其权重系数越大。数据缺失前向和缺失后向相关性最高的两台机组计算均值用来插补该时间段内的数据。分别选取机组A和机组B在i时刻到(i+m)时刻连续m个缺失值，{x A |i≤A≤(i+m)}和{x B | i <=B<=(i+m)}，插补的m个缺失值为/>。数据归一化：将数据统一在同一区间内参与后续建模和测试，将数据进行归一化处理，数据归一化公式为：
；
其中，x为运行参数数据，x mean为数据均值，x max为数据最大值，x min为数据最小值，x n为归一化后的数据。
本实施例中，所述基于第二预设数据处理方式对所述风电机组关键部件的CMS振动数据进行数据处理以得到处理后振动数据，包括：基于第二预设数据预处理方式对所述风电机组关键部件的CMS振动数据进行数据预处理以得到第二预处理后数据；基于改进后CEEMDAN算法和小波包分解算法对所述第二预处理后数据进行降噪处理以得到处理后振动数据；其中，所述改进后CEEMDAN算法是基于预设高斯噪声加入方式和预设平均模量计算方式对初始CEEMDAN算法进行改进后得到的算法。即，针对电机风组CMS（ConditionMonitoring System，即状态监测）振动数据，通过数据排序和时间校验、数据停机点去除、数据降噪、数据归一化等环节对CMS振动数据预处理，其中采用改进CEEMDAN（CompleteEnsemble Empirical Mode Decomposition with Adaptive Noise，即自适应噪声完备集合经验模态分解）集成小波包算法对振动数据进行降噪预处理。具体的，数据排序和时间校验：将CMS振动数据按照数据采集的时间标签进行排序，并将上送的数据采集时间与当前数据时间进行校验，延迟时间在设定时间外的数据进行告警和剔除。数据停机点去除：由于风电机组在停机状态下无法在CMS振动数据中体现出风电机组关键部件的运行状态以及振动时频域特征信息，需要将停机状态下数据剔除。振动数据降噪：采用集成改进CEEMDAN-小波包分析的振动数据降噪方法进行振动数据降噪。如图3所示，基于改进CEEMDAN的振动信号分解算法是在传统基于CEEMDAN的振动信号分解算法的基础上，改进了高斯白噪声加入方式和平均模态分量的计算方式。需要说明的是，其中两项算法改进为:1）将模态分量IMF（Intrinsic Mode Functions）分量求解前直接加入高斯白噪声改进为使用EMD（EmpiricalMode Decomposition，即经验模态分解）分解后每一阶IMF得到的信号残差再添加高斯白噪声；2）将分解的模态分量均值计算变为求分解得到残差均值计算。首先，原始振动信号经过改进CEEMDAN算法进行分解，计算其本征模态分量；其次，根据方差贡献率和相关系数将分量筛选分为含噪模态分量和未含噪模态分量；最后，将含噪分量进行小波包去噪，并将去噪后的模态分量和未含噪模态分量进行重构，最终获取降噪后的振动信号。最后进行数据归一化：将数据统一在同一区间内参与后续建模和测试，对CMS振动数据进行归一化处理以得到处理后振动数据。
步骤S12：利用改进后辅助分类器生成对抗网络算法对所述处理后振动数据进行重构以得到振动数据时域特征，并将所述处理后运行参数数据输入至预设组合建模模型中以得到所述处理后运行参数数据的残差特征。
本实施例中，SCADA-CMS多源时频域特征融合方法：将每间隔4小时1条的机组振动数据利用基于改进AC-GAN算法（Auxiliary Classifier-Generative AdversarialNetworks，即辅助分类器生成对抗网络）重构为每间隔10分钟1条的振动数据，并提取重构后的振动数据时频域特征，与运行参数时序数据残差特征按照时间尺度融合，最终得到多参数特征融合的输入特征向量。其中需要说明的是，SCADA数据残差特征为：选取风电机组关键部件运行参数数据训练和测试数据分别输入组合建模模型中计算模型输出与SCADA数据之间的残差，由于输出数据是一段时间序列数据，按10分钟进行计算，计算残差向量8个特征，分别是：风电机组残差按时间序列计算残差向量10分钟最大值、残差向量10分钟最小值、残差向量10分钟均值、残差向量10分钟偏度、残差向量10分钟峰度、残差向量10分钟中位数、残差向量10分钟方差、残差向量10分钟标准差。CMS振动数据时域特征为：振动信号14个时域特征有:加速度有效值、加速度峰峰值、加速度波形指标、加速度峰值指标、加速度脉冲指标、加速度裕度指标、加速度峭度指标、速度有效值、速度峰峰值、速度波形指标、速度峰值指标、速度脉冲指标、速度裕度指标、速度峭度指标。振动信号12个频域特征有：4个加速度频谱特征、4个速度频谱特征、4个加速度包络频谱特征。
本实施例中，所述利用改进后辅助分类器生成对抗网络算法对所述处理后振动数据进行重构以得到振动数据时域特征之前，还包括：建立所述SCADA时序数据和所述CMS振动数据之间的模型关系，并基于所述模型关系和预设生成器网络生成震动预测数据；利用所述震动预测数据和预设判别器网络生成网络更新参数，并基于所述网络更新参数对初始辅助分类器生成对抗网络算法进行更新以得到改进后辅助分类器生成对抗网络算法。即，在传统AC-GAN基础上将生成器的输入进行改进，采用图像翻译(Image-to-Imagetranslation, pix2pix)为改进思路，以条件GAN为基础，将基于pix2pix改进的AC-GAN生成对抗网络引入至时序振动数据的生成过程中，生成器的输入不再是随机噪声，而是采集的风电机组运行数据，以当前运行参数数据作为输入，以振动数据有效值作为输出，建立基于注意力机制的BiLSTM（Bi-directional Long Short-Term Memory，即双向长短期记忆网络）的机组运行参数特征变量与机组振动数据之间的模型关系，生成相应时间段的机组振动数据预测值，优化AC-GAN生成网络的训练过程，并对所提出的算法在CMS数据重构上的有效性进行判断。如图4所示，改进AC-GAN生成对抗网络的主要分两个阶段组成。模型生成阶段：也是对传统AC-GAN生成对抗网络的改进阶段。首先，选取机组运行数据，利用斯皮尔曼相关系数对影响机组振动数据的运行参数数据进行排序筛选，生成器G以参数变量作为输入，以振动数据有效值作为输出，建立基于深度注意力机制的BiLSTM神经网络的运行参数特征变量与机组振动数据之间模型关系，生成相应时间段的机组振动数据预测值。模型判别阶段：判别器D将采集的振动数据和生成器生成的振动数据作为输入，通过判别数据的真伪产生误差，进而指导生成器和判别器的训练。最终，训练后的生成器生成的机组振动数据与真实振动数据完全吻合，训练后的判别器也无法分辨两类数据，输出真实性概率接近于1。改进AC-GAN中生成器和判别器均采用基于改进注意力机制的BiLSTM,生成器输入层为21个神经单元（分别是风速、有功功率、发电机转速、发电机转矩、风向、偏航角度、桨距角数据的最大值、最小值、平均值），隐含层有3层神经单元，输出层1个神经单元（风电机组振动时序数据有效值），激活函数为sigmoid，损失函数选择均方差。利用改进AC-GAN生成大量符合真实样本概率分布特性的振动信号，分别计算生成的振动数据与采集的振动数据的平均值、方差值和最大值以及概率分布用以分析判断基于改进生成对抗网络生成的机组振动数据的有效性。进一步的，基于振动数据的时域特征提取：包含如下表1加速度振动信号、速度振动信号在内的7个时域指标共计14个时域特征。
表1
其中，x为特征序列向量，N为特征序列向量长度；x max 、x min、x rms分别为特征序列向量最大值、最小值、有效值。基于振动数据的频域特征提取：包含如下表2加速度频谱、速度频谱、加速度包络频谱在内的4个频域指标(F1、F2、F3、F4)共计12个频域特征。其中，根据傅里叶级数理论，假设离散化后的振动信号时间序列，采样频率为fs，采样点数为N，频谱为s(k)，k=1,2，…K，K为谱线数。
表2
其中，表中频域特征F 1指标反映振动能量的大小；F 2指标反映振动信号频谱与信号频谱均值的偏离程度；F 3指标反映了振动信号频谱相对于均值不对称的程度；F 4指标反映了振动信号在均值处峰值的大小。总的来说，采用改进辅助分类生成对抗网络AC-GAN算法生成符合风电机组真实振动数据概率分布特性的机组振动数据，提取振动数据的时频域特征，并将该振动特征与运行参数时序数据残差特征在同一时间尺度上相融合，解决风电机组关键部件运行参数数据和振动数据信息颗粒度不匹配的问题，获得风电机组关键部件故障预警模型的SCADA时序数据和CMS振动数据时频域多参数融合的特征向量。
步骤S13：基于预设时间尺度将所述振动数据时域特征和所述残差特征进行融合以得到输入特征向量，然后从所述输入特征向量确定出目标输入特征向量并将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量。
本实施例中，将训练数据中的时序数据残差特征和CMS振动数据时频域特征（数据残差特征共8个，振动数据时频域特征为风电机组振动信号的14个时域特征和12个频域特征）按照时间尺度进行融合，从而获得集成学习及其优化模型的输入特征向量。这样一来，通过将SCADA-CMS多源时频域特征融合能够最大限度挖掘时序数据特征和振动数据特征，避免单一数据对关键部件预警结果的局限和偏差，提升了建模精度。
本实施例中，所述将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量，包括：利用预设特征提取网络将所述振动数据时域特征和所述残差特征在预设时间尺度上进行融合以得到训练后孪生神经网络子模型和目标输入特征向量。或者，所述将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量，包括：将所述目标输入特征向量中的第一特征向量和第二特征向量分别输入至预设孪生神经网络子模型中对应的第一长短期记忆神经网络和第二长短期记忆神经网络中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量。首先需要说明的是，孪生神经网络结构如图5所示。两个网络结构相同且共享权值，分别接收输入x i 、x j ，并将输入映射到新的空间，输出为两个特征向量f(x i )和f(x j )，计算两个特征向量之间的欧氏距离，并通过距离d来衡量样本之间的相似性程度。当输入x i 、x j 属于相同类别时，相似度接近于1；当输入属于不同类别时，相似度接近于0。孪生神经网络采用损失函数优化训练目标如下：
；
其中，xi,xj表示输入样本，y是样本的相似度标签，表征输入样本的相似度，m为设定的阈值，表示两个特征之间的欧氏距离。如图6所示，基于特征融合改进孪生神经网络算法，首先，在传统孪生神经网络基础上增加故障辨识分类判别标签，增加故障分类网络判定条件，使之能够更加有效的利用故障分类判别信息，在故障预警基础上进一步辨识故障相关部件及深层次原因。在传统孪生神经网络基础上引入集成学习算法度量替换传统孪生神经网络固定距离相似度判别，利用相似度判断和故障类别共同判断故障预警及辨识类别。在改进孪生神经网络中，特征提取网络主要确定模型输入。特征提取网络按照上一步的多源时频域特征融合方法，输出为融合的时序数据残差特征和振动数据时频域特征。孪生神经子网络采用基于改进注意力机制的BiLSTM神经网络。输入为:x i 、x j ，随机抽取融合的时序数据残差特征和振动数据时频域特征。输出为：故障判定类别特征向量f(x i )和f(x j )。孪生神经子网络中两个神经网络共享权重、层数、激活函数等参数。
步骤S14：通过所述故障判定类别特征向量对初始关系度量网络和初始故障分类网络进行训练以得到由训练后关系度量网络和训练后故障分类网络构成的故障辨识网络，以便根据所述故障辨识网络和所述训练后孪生神经网络子模型构成的风电机组故障预测模型完成对所述风电机组关键部件的故障识别预警。
本实施例中，故障辨识网络中包括关系度量网络和故障分类网络。关系度量网络主要利用样本相似度信息判断，使得同类信息相似度较高，不同类信息相似度较低；故障分类网络完成故障类别分类。关系度量网络输入为两个特征向量f(x i )和f(x j )，输出为特征向量相似度概率，当样本相似时输出概率为1，样本不相似时输出概率为0；故障分类网络输入同样为两个特征向量f(x i )和f(x j )，输出为故障分类类别概率。利用优化NGBoost（NaturalGradient Boosting，即一种概率预测模型）集成学习算法替代固定距离相似性程度判别，自适应根据集成学习的投票输出故障类别概率。在关系度量网络中，损失函数如下：
；
其中，LS为相似度损失，Y i，j 为样本的相似度标签，R i，j 为网络输出相似度。关系度量网络只利用样本相似度标签，只判断样本相似性，无法直接对样本数据进行故障辨识分类。因此，对改进孪生神经网络中增加了故障分类网络，利用每个样本的故障类别标签信息进行有监督学习训练，直接预测所属故障类别的概率，扩展了模型应用范围。在故障分类网络中，利用均方误差作为其损失函数，如下所示：
；
其中，LC分类损失，Y i 、Y j 为样本的故障类别标签，y i 、y j 为预测类别标签。
最终故障辨识网络的损失函数为:
L=LS+LC；
然后，将测试样本数据输入至训练好的改进孪生神经网络中得到故障判定类别的概率。通过关系度量网络判断输入测试样本是否同类别，通过故障分类网络判断所属哪一类别。最终通过关系度量网络和故障分类网络两者共同实现故障预警及辨识。这样一来，通过改进孪生神经网络中特征提取网络、孪生神经子网络、故障辨识网络三个网络相互约束共同完成小样本条件下的风电机组关键部件故障预警及辨识。改进孪生神经网络最终通过故障辨识网络中关系度量网络和故障分类网络两者输出共同实现小样本下的故障预警及辨识。换句话说，基于改进孪生神经网络的风电机组关键部件故障预警模型（小样本数据），利用时序数据残差特征和CMS振动数据时频域特征多参数融合，孪生神经子网络利用两个子网络进行小样本模型训练，通过小样本数据即可获取多类别样本的共通特征达到自适应根据集成学习投票概率判断故障预警的目标。
可见，本实施例中，基于第一预设数据处理方式对风电机组关键部件的SCADA时序数据进行数据处理以得到处理后运行参数数据，并基于第二预设数据处理方式对所述风电机组关键部件的CMS振动数据进行数据处理以得到处理后振动数据；利用改进后辅助分类器生成对抗网络算法对所述处理后振动数据进行重构以得到振动数据时域特征，并将所述处理后运行参数数据输入至预设组合建模模型中以得到所述处理后运行参数数据的残差特征；基于预设时间尺度将所述振动数据时域特征和所述残差特征进行融合以得到输入特征向量，然后从所述输入特征向量确定出目标输入特征向量并将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量；通过所述故障判定类别特征向量对初始关系度量网络和初始故障分类网络进行训练以得到由训练后关系度量网络和训练后故障分类网络构成的故障辨识网络，以便根据所述故障辨识网络和所述训练后孪生神经网络子模型构成的风电机组故障预测模型完成对所述风电机组关键部件的故障识别预警。这样一来，通过改进孪生神经网络在传统孪生神经网络基础上改进增加故障辨识分类判别标签以及集成学习算法度量，通过少量样本数据即可获取多类别样本的共通特征；并通过孪生神经子网络利用两个子网络进行小样本模型训练，故障辨识网络完成关键部件故障样本分类任务，三个网络相互约束共同完成小样本条件下的风电机组关键部件故障预警及辨识；提高了小样本数据下的风电机组关键部件故障辨识的准确率。
上述实施例对整个风电机组关键部件故障预警方法进行了介绍，本实施例将对神经网络模型训练的过程进行具体介绍。
参见图7所示，本申请实施例公开了一种风电机组关键部件孪生神经网络子模型和故障辨识网络的训练方法，包括：
步骤S21：基于预设随机抽样方法从输入特征向量确定出目标输入特征向量，并将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到当前孪生神经网络子模型和故障判定类别特征向量。
本实施例中，需要说明的是，所述预设随机抽样方法为放回随机抽样的方式。然后抽取样本数据x i 、x j 作为模型输入至预设孪生神经网络子模型中进行训练以得到当前孪生神经网络子模型和故障判定类别特征向量。
步骤S22：通过所述故障判定类别特征向量对初始关系度量网络和初始故障分类网络进行训练以得到当前关系度量网络和当前故障分类网络，并基于预设损失函数确定所述初始关系度量网络和所述初始故障分类网络的总损失值。
步骤S23：若所述总损失值小于预设误差设定值且模型训练次数小于预设训练次数，则将所述当前孪生神经网络子模型确定为新的预设孪生神经网络子模型，并将所述当前关系度量网络和当前故障分类网络确定为新的初始关系度量网络和新的初始故障分类网络，然后跳转至基于预设随机抽样方法从所述输入特征向量确定出目标输入特征向量的步骤。
步骤S24：若所述总损失值大于等于预设误差设定值或模型训练次数大于等于预设训练次数，则将所述当前孪生神经网络子模型确定为训练后孪生神经网络子模型，并将所述当前关系度量网络和所述当前故障分类网络确定为训练后关系度量网络和训练后故障分类网络，以构成故障辨识网络。
本实施例中，若所述总损失值大于等于预设误差设定值或模型训练次数大于等于预设训练次数，则将所述当前孪生神经网络子模型确定为训练后孪生神经网络子模型，并将所述当前关系度量网络和所述当前故障分类网络确定为训练后关系度量网络和训练后故障分类网络，以构成故障辨识网络。即，通过多次迭代最小化损失函数，达到设定最大训练次数或达到误差设定值时，模型训练结束并保存模型参数。
本实施例中，如图8所示，图8为一种具体的风电机组关键部件孪生神经网络子模型和故障辨识网络的训练方法流程图，首先将时序数据残差特征和振动数据时频域特征按照时间尺度进行融合，并将融合后的数据特征按照70%训练数据和30%测试数据切分。然后重构输入特征数据。样本数据为融合的风电机组时序数据残差特征和振动数据时频域特征，采用有放回随机抽样的方式抽取样本数据x i 、x j 作为模型输入，故障辨识标签中关系度量网络(1代表同类别，0代表不同类别)以及故障分类网络(1代表正常，其它数据在代表其它故障类型）作为模型输出，直至训练样本集达到训练要求。然后训练改进注意力机制的BiLSTM孪生神经网络子网络、关系度量网络和故障分类网络，通过多次迭代最小化损失函数，达到设定最大训练次数或达到误差设定值时，模型训练结束并保存模型参数。最后，将测试样本数据输入至训练好的改进孪生神经网络中得到故障判定类别的概率。通过关系度量网络判断输入测试样本是否同类别，通过故障分类网络判断所属哪一类别。最终通过关系度量网络和故障分类网络两者共同实现故障预警及辨识。特征融合改进孪生神经网络建模输入为融合时序数据的残差特征和振动数据时频域特征，具体为8个时序数据残差特征和风电机组CMS 振动数据的14个时域特征和12个频域特征。特征融合改进孪生神经网络建模输出为关系度量网络输出为是否同类别，故障分类网络输出为所属类别的概率，两个网络共同判断最终故障预警及辨识。在模型训练中，x 1、x 2为从训练数据中随机抽取的两条样本数据，关系度量网络的输入和输出为{(x 1,x 2)，是否同类别}，若为同类别则标记为1，若为不同类别则标记为0；故障分类网络的输入和输出为{( x 1，所属类别)，(x 2，所属类别)}，所属类别为1代表正常，其它数据代表其它故障类型，所属类别经归一化后作为故障分类网络输出。在模型测试中，x * 1、x * 2为从测试数据中随机抽取的两条样本数据，关系度量网络的输入和输出为{(x * 1,x * 2)，是否同类别}，若为同类别则输出为1，若为不同类别则输出为0；故障分类网络的输入和输出为{(x * 1，模型输出类别)，(x * 2，模型输出类别)}，模型输出类别为1代表正常，模型输出其它数据代表其它故障类型。基于特征融合改进孪生神经网络风电机组关键部件故障预警及辨识判断准则是：通过关系度量网络判断两条样本数据是否同类别，通过故障分类网络判断故障输出类别。若关系度量网络输出为1，通过故障分类网络判断类型输出，若两个样本故障分类网络输出为同一类型，则最终分类为故障分类网络输出；若两个样本故障分类网络输出为不同类型，将两条样本数据放回至测试样本中继续后续的判断。若关系度量网络输出为0，通过故障分类网络判断类型输出，若两个样本故障分类网络输出为不同类型，则最终分类为故障分类网络输出；若两个样本故障分类网络输出为同一类型，将两条样本数据放回至测试样本中继续后续的判断。总的来说，孪生神经子网络选择使用基于改进注意力机制的BiLSTM神经网络，故障辨识网络选择基于改进旗鱼优化NGBoost集成学习算法，数据源随机抽取数据样本达到模型训练所需样本数据。
可见，本实施例中，通过改进孪生神经网络的数据样本重构机制，随机抽取数据样本和所属类别，形成模型训练和测试的数据集，以孪生神经网络为主干模型，在此基础上增加分类分支，从而形成特征提取网络、孪生神经子网络和故障辨识网络的网络结构，解决风电机组故障小样本及故障类型的辨识问题。孪生神经子网络选择使用基于改进注意力机制的BiLSTM神经网络，故障辨识网络选择基于改进旗鱼优化NGBoost集成学习算法，数据源随机抽取数据样本达到模型训练所需样本数据。这样一来，通过改进孪生神经网络的数据样本重构机制，随机抽取数据样本和所属类别，形成模型训练和测试的数据集，以孪生神经网络为主干模型，在此基础上增加分类分支，从而形成特征提取网络、孪生神经子网络和故障辨识网络的网络结构，从而解决风电机组故障小样本及故障类型的辨识问题。
参考图9所述，本申请实施例还相应公开了一种风电机组关键部件故障预警装置，包括：
数据预处理模块11，用于基于第一预设数据处理方式对风电机组关键部件的SCADA时序数据进行数据处理以得到处理后运行参数数据，并基于第二预设数据处理方式对所述风电机组关键部件的CMS振动数据进行数据处理以得到处理后振动数据；
特征提取模块12，用于利用改进后辅助分类器生成对抗网络算法对所述处理后振动数据进行重构以得到振动数据时域特征，并将所述处理后运行参数数据输入至预设组合建模模型中以得到所述处理后运行参数数据的残差特征；
神经网络训练模块13，用于基于预设时间尺度将所述振动数据时域特征和所述残差特征进行融合以得到输入特征向量，然后从所述输入特征向量确定出目标输入特征向量并将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量；
辨识网络训练模块14，用于通过所述故障判定类别特征向量对初始关系度量网络和初始故障分类网络进行训练以得到由训练后关系度量网络和训练后故障分类网络构成的故障辨识网络，以便根据所述故障辨识网络和所述训练后孪生神经网络子模型构成的风电机组故障预测模型完成对所述风电机组关键部件的故障识别预警。
可见，本实施例中，通过改进孪生神经网络在传统孪生神经网络基础上改进增加故障辨识分类判别标签以及集成学习算法度量，通过少量样本数据即可获取多类别样本的共通特征；并通过孪生神经子网络利用两个子网络进行小样本模型训练，故障辨识网络完成关键部件故障样本分类任务，三个网络相互约束共同完成小样本条件下的风电机组关键部件故障预警及辨识；提高了小样本数据下的风电机组关键部件故障辨识的准确率。
在一些具体的实施例中，所述数据预处理模块11，具体可以包括：
第一数据处理单元，用于基于第一预设数据预处理方式对风电机组关键部件的SCADA时序数据进行数据预处理以得到第一预处理后数据；
数据清洗插补单元，用于基于预设聚类算法对所述第一预处理后数据进行数据清洗，并利用预设数据插补方法对清洗后的所述第一预处理后数据进行插补以得到处理后运行参数数据。
在一些具体的实施例中，所述数据预处理模块11，具体可以包括：
第二数据处理单元，用于基于第二预设数据预处理方式对所述风电机组关键部件的CMS振动数据进行数据预处理以得到第二预处理后数据；
数据去噪单元，用于基于改进后CEEMDAN算法和小波包分解算法对所述第二预处理后数据进行降噪处理以得到处理后振动数据；其中，所述改进后CEEMDAN算法是基于预设高斯噪声加入方式和预设平均模量计算方式对初始CEEMDAN算法进行改进后得到的算法。
在一些具体的实施例中，所述风电机组关键部件故障预警装置，还可以包括：
模型关系确定模块，用于建立所述SCADA时序数据和所述CMS振动数据之间的模型关系，并基于所述模型关系和预设生成器网络生成震动预测数据；
对抗网络生成模块，用于利用所述震动预测数据和预设判别器网络生成网络更新参数，并基于所述网络更新参数对初始辅助分类器生成对抗网络算法进行更新以得到改进后辅助分类器生成对抗网络算法。
在一些具体的实施例中，所述神经网络训练模块13，具体可以包括：
第一特征向量提取单元，用于利用预设特征提取网络将所述振动数据时域特征和所述残差特征在预设时间尺度上进行融合以得到训练后孪生神经网络子模型和目标输入特征向量。
在一些具体的实施例中，所述神经网络训练模块13，具体可以包括：
第二特征向量提取单元，用于将所述目标输入特征向量中的第一特征向量和第二特征向量分别输入至预设孪生神经网络子模型中对应的第一长短期记忆神经网络和第二长短期记忆神经网络中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量。
在一些具体的实施例中，所述神经网络训练模块13和所述辨识网络训练模块14，具体可以包括：
目标输入特征向量确定单元，用于基于预设随机抽样方法从所述输入特征向量确定出目标输入特征向量，并将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到当前孪生神经网络子模型和故障判定类别特征向量；
总损失值计算单元，用于通过所述故障判定类别特征向量对初始关系度量网络和初始故障分类网络进行训练以得到当前关系度量网络和当前故障分类网络，并基于预设损失函数确定所述初始关系度量网络和所述初始故障分类网络的总损失值；
步骤跳转单元，用于若所述总损失值小于预设误差设定值且模型训练次数小于预设训练次数，则将所述当前孪生神经网络子模型确定为新的预设孪生神经网络子模型，并将所述当前关系度量网络和当前故障分类网络确定为新的初始关系度量网络和新的初始故障分类网络，然后跳转至基于预设随机抽样方法从所述输入特征向量确定出目标输入特征向量的步骤；
故障辨识网络确定单元，用于若所述总损失值大于等于预设误差设定值或模型训练次数大于等于预设训练次数，则将所述当前孪生神经网络子模型确定为训练后孪生神经网络子模型，并将所述当前关系度量网络和所述当前故障分类网络确定为训练后关系度量网络和训练后故障分类网络，以构成故障辨识网络。
进一步的，本申请实施例还公开了一种电子设备，图10是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图10为本申请实施例提供的一种电子设备20的结构示意图。该电子设备 20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的风电机组关键部件故障预警方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的风电机组关键部件故障预警方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的风电机组关键部件故障预警方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种风电机组关键部件故障预警方法，其特征在于，包括：
基于第一预设数据处理方式对风电机组关键部件的SCADA时序数据进行数据处理以得到处理后运行参数数据，并基于第二预设数据处理方式对所述风电机组关键部件的CMS振动数据进行数据处理以得到处理后振动数据；
利用改进后辅助分类器生成对抗网络算法对所述处理后振动数据进行重构以得到振动数据时域特征，并将所述处理后运行参数数据输入至预设组合建模模型中以得到所述处理后运行参数数据的残差特征；
基于预设时间尺度将所述振动数据时域特征和所述残差特征进行融合以得到输入特征向量，然后从所述输入特征向量确定出目标输入特征向量并将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量；
通过所述故障判定类别特征向量对初始关系度量网络和初始故障分类网络进行训练以得到由训练后关系度量网络和训练后故障分类网络构成的故障辨识网络，以便根据所述故障辨识网络和所述训练后孪生神经网络子模型构成的风电机组故障预测模型完成对所述风电机组关键部件的故障识别预警。
2.根据权利要求1所述的风电机组关键部件故障预警方法，其特征在于，所述基于第一预设数据处理方式对风电机组关键部件的SCADA时序数据进行数据处理以得到处理后运行参数数据，包括：
基于第一预设数据预处理方式对风电机组关键部件的SCADA时序数据进行数据预处理以得到第一预处理后数据；
基于预设聚类算法对所述第一预处理后数据进行数据清洗，并利用预设数据插补方法对清洗后的所述第一预处理后数据进行插补以得到处理后运行参数数据。
3.根据权利要求1所述的风电机组关键部件故障预警方法，其特征在于，所述基于第二预设数据处理方式对所述风电机组关键部件的CMS振动数据进行数据处理以得到处理后振动数据，包括：
基于第二预设数据预处理方式对所述风电机组关键部件的CMS振动数据进行数据预处理以得到第二预处理后数据；
基于改进后CEEMDAN算法和小波包分解算法对所述第二预处理后数据进行降噪处理以得到处理后振动数据；其中，所述改进后CEEMDAN算法是基于预设高斯噪声加入方式和预设平均模量计算方式对初始CEEMDAN算法进行改进后得到的算法。
4.根据权利要求1所述的风电机组关键部件故障预警方法，其特征在于，所述利用改进后辅助分类器生成对抗网络算法对所述处理后振动数据进行重构以得到振动数据时域特征之前，还包括：
建立所述SCADA时序数据和所述CMS振动数据之间的模型关系，并基于所述模型关系和预设生成器网络生成震动预测数据；
利用所述震动预测数据和预设判别器网络生成网络更新参数，并基于所述网络更新参数对初始辅助分类器生成对抗网络算法进行更新以得到改进后辅助分类器生成对抗网络算法。
5.根据权利要求1所述的风电机组关键部件故障预警方法，其特征在于，所述将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量，包括：
利用预设特征提取网络将所述振动数据时域特征和所述残差特征在预设时间尺度上进行融合以得到训练后孪生神经网络子模型和目标输入特征向量。
6.根据权利要求1所述的风电机组关键部件故障预警方法，其特征在于，所述将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量，包括：
将所述目标输入特征向量中的第一特征向量和第二特征向量分别输入至预设孪生神经网络子模型中对应的第一长短期记忆神经网络和第二长短期记忆神经网络中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量。
7.根据权利要求1至6任一项所述的风电机组关键部件故障预警方法，其特征在于，所述从所述输入特征向量确定出目标输入特征向量并将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量；通过所述故障判定类别特征向量对初始关系度量网络和初始故障分类网络进行训练以得到由训练后关系度量网络和训练后故障分类网络构成的故障辨识网络，包括：
基于预设随机抽样方法从所述输入特征向量确定出目标输入特征向量，并将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到当前孪生神经网络子模型和故障判定类别特征向量；
通过所述故障判定类别特征向量对初始关系度量网络和初始故障分类网络进行训练以得到当前关系度量网络和当前故障分类网络，并基于预设损失函数确定所述初始关系度量网络和所述初始故障分类网络的总损失值；
若所述总损失值小于预设误差设定值且模型训练次数小于预设训练次数，则将所述当前孪生神经网络子模型确定为新的预设孪生神经网络子模型，并将所述当前关系度量网络和当前故障分类网络确定为新的初始关系度量网络和新的初始故障分类网络，然后跳转至基于预设随机抽样方法从所述输入特征向量确定出目标输入特征向量的步骤；
若所述总损失值大于等于预设误差设定值或模型训练次数大于等于预设训练次数，则将所述当前孪生神经网络子模型确定为训练后孪生神经网络子模型，并将所述当前关系度量网络和所述当前故障分类网络确定为训练后关系度量网络和训练后故障分类网络，以构成故障辨识网络。
8.一种风电机组关键部件故障预警装置，其特征在于，包括：
数据预处理模块，用于基于第一预设数据处理方式对风电机组关键部件的SCADA时序数据进行数据处理以得到处理后运行参数数据，并基于第二预设数据处理方式对所述风电机组关键部件的CMS振动数据进行数据处理以得到处理后振动数据；
特征提取模块，用于利用改进后辅助分类器生成对抗网络算法对所述处理后振动数据进行重构以得到振动数据时域特征，并将所述处理后运行参数数据输入至预设组合建模模型中以得到所述处理后运行参数数据的残差特征；
神经网络训练模块，用于基于预设时间尺度将所述振动数据时域特征和所述残差特征进行融合以得到输入特征向量，然后从所述输入特征向量确定出目标输入特征向量并将所述目标输入特征向量输入至预设孪生神经网络子模型中进行训练以得到训练后孪生神经网络子模型和故障判定类别特征向量；
辨识网络训练模块，用于通过所述故障判定类别特征向量对初始关系度量网络和初始故障分类网络进行训练以得到由训练后关系度量网络和训练后故障分类网络构成的故障辨识网络，以便根据所述故障辨识网络和所述训练后孪生神经网络子模型构成的风电机组故障预测模型完成对所述风电机组关键部件的故障识别预警。
9.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求1至7任一项所述的风电机组关键部件故障预警方法。
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的风电机组关键部件故障预警方法。
CN202410372661.0A 2024-03-29 2024-03-29 风电机组关键部件故障预警方法、装置、设备及存储介质 Active CN117972535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410372661.0A CN117972535B (zh) 2024-03-29 2024-03-29 风电机组关键部件故障预警方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410372661.0A CN117972535B (zh) 2024-03-29 2024-03-29 风电机组关键部件故障预警方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117972535A true CN117972535A (zh) 2024-05-03
CN117972535B CN117972535B (zh) 2024-06-14

Family

ID=90849985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410372661.0A Active CN117972535B (zh) 2024-03-29 2024-03-29 风电机组关键部件故障预警方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117972535B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2021105665A4 (en) * 2021-08-17 2021-10-14 Beihang University Remaining useful life prediction method and system of subsea christmas tree system based on digital twin
CN114118251A (zh) * 2021-11-22 2022-03-01 国网辽宁省电力有限公司沈阳供电公司 基于多源数据融合与卷积孪生神经网络的故障诊断与预警方法
CN114463143A (zh) * 2022-01-07 2022-05-10 上海电力大学 一种海上双馈风力发电机scada故障数据增强方法
CN114611235A (zh) * 2022-03-09 2022-06-10 北自所(北京)科技发展股份有限公司 一种数字孪生化纤长丝卷绕车间设备管控系统及方法
CN114863226A (zh) * 2022-04-26 2022-08-05 江西理工大学 一种网络物理系统入侵检测方法
CN114970678A (zh) * 2022-04-26 2022-08-30 华中科技大学 一种基于孪生神经网络的航发轴承故障诊断方法
CN115169815A (zh) * 2022-06-13 2022-10-11 北京华能新锐控制技术有限公司 一种基于混合泛化网络的风电机组异常检测方法
CN115935277A (zh) * 2022-12-28 2023-04-07 哈尔滨工程大学 基于小样本学习的增压锅炉故障诊断方法及故障诊断模型的训练方法和测试方法
CN116756652A (zh) * 2023-06-19 2023-09-15 南京理工大学 基于孪生神经网络的高超声速飞行器执行机构故障诊断方法
EP4270126A1 (en) * 2020-12-24 2023-11-01 Pace Inc. Method for constructing digital twin by combining reduced order models, measurement data and machine learning techniques for multiphysical equipment system
CN117349595A (zh) * 2023-10-09 2024-01-05 上海交通大学 一种面向工业场景的极端少样本故障诊断方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4270126A1 (en) * 2020-12-24 2023-11-01 Pace Inc. Method for constructing digital twin by combining reduced order models, measurement data and machine learning techniques for multiphysical equipment system
AU2021105665A4 (en) * 2021-08-17 2021-10-14 Beihang University Remaining useful life prediction method and system of subsea christmas tree system based on digital twin
CN114118251A (zh) * 2021-11-22 2022-03-01 国网辽宁省电力有限公司沈阳供电公司 基于多源数据融合与卷积孪生神经网络的故障诊断与预警方法
CN114463143A (zh) * 2022-01-07 2022-05-10 上海电力大学 一种海上双馈风力发电机scada故障数据增强方法
CN114611235A (zh) * 2022-03-09 2022-06-10 北自所(北京)科技发展股份有限公司 一种数字孪生化纤长丝卷绕车间设备管控系统及方法
CN114863226A (zh) * 2022-04-26 2022-08-05 江西理工大学 一种网络物理系统入侵检测方法
CN114970678A (zh) * 2022-04-26 2022-08-30 华中科技大学 一种基于孪生神经网络的航发轴承故障诊断方法
CN115169815A (zh) * 2022-06-13 2022-10-11 北京华能新锐控制技术有限公司 一种基于混合泛化网络的风电机组异常检测方法
CN115935277A (zh) * 2022-12-28 2023-04-07 哈尔滨工程大学 基于小样本学习的增压锅炉故障诊断方法及故障诊断模型的训练方法和测试方法
CN116756652A (zh) * 2023-06-19 2023-09-15 南京理工大学 基于孪生神经网络的高超声速飞行器执行机构故障诊断方法
CN117349595A (zh) * 2023-10-09 2024-01-05 上海交通大学 一种面向工业场景的极端少样本故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIACHUAN LONG; LIJUAN XIE; XIANPEI WANG; JUN ZHANG; BING LU; CHUN WEI: "A Comprehensive Review of Signal Processing and Machine Learning Technologies for UHF PD Detection and Diagnosis (II): Pattern Recognition Approaches", IEEE ACCESS, 29 February 2024 (2024-02-29) *
KUICHAO MA, HUANQIANG ZHANG, XIAOXIA GAO, XIAODONG WANG, HENG NIAN AND WEI FAN: "Research on Evaluation Method of Wind Farm Wake Energy Efficiency Loss Based on SCADA Data Analysis", SUSTAINABILITY 2024 16 1813， MDPI, 22 February 2024 (2024-02-22) *
李福兴;李璐爔;彭友;: "基于数字孪生的船舶预测性维护", 船舶工程, no. 1, 15 July 2020 (2020-07-15) *
金晓航;许壮伟;孙毅;单继宏;王欣;: "基于生成对抗网络的风电机组在线状态监测", 仪器仪表学报, no. 04, 15 April 2020 (2020-04-15) *

Also Published As

Publication number Publication date
CN117972535B (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
CN109102005B (zh) 基于浅层模型知识迁移的小样本深度学习方法
CN112783940B (zh) 基于图神经网络的多源时序数据故障诊断方法和介质
CN107179503B (zh) 基于随机森林的风电机组故障智能诊断预警的方法
EP3321859B1 (en) Optical fiber perimeter intrusion signal identification method and device, and perimeter intrusion alarm system
EP3422518B1 (en) A method for recognizing contingencies in a power supply network
CN107689059B (zh) 风力发电机组变桨异常的识别方法及装置
Amihai et al. Modeling machine health using gated recurrent units with entity embeddings and k-means clustering
CN112085111B (zh) 一种负荷辨识方法和装置
Azzalini et al. A minimally supervised approach based on variational autoencoders for anomaly detection in autonomous robots
US20230108916A1 (en) Method and system for forecasting non-stationary time-series
CN117972547A (zh) 一种风电机组关键部件的故障预警方法、装置及介质
CN113610188A (zh) 弓网接触力非区段异常识别方法及装置
CN115758083A (zh) 一种基于时域和时频域融合的电机轴承故障诊断方法
CN117033928A (zh) 基于机器学习的卫星互联网流量识别系统
CN114548586A (zh) 一种基于混合模型的短期电力负荷预测方法及系统
CN118536082A (zh) 基于人工智能的逆变器故障预测方法、装置、终端设备及存储介质
CN118214502A (zh) 一种数字广播信号质量实时监控方法及系统
CN117972535B (zh) 风电机组关键部件故障预警方法、装置、设备及存储介质
CN115310499B (zh) 一种基于数据融合的工业设备故障诊断系统及方法
CN113657149B (zh) 一种基于深度学习的电能质量分析与识别方法
Yan et al. Fault Diagnosis of Rolling Bearing with Small Samples Based on Wavelet Packet Theory and Random Forest
Lee et al. Wind energy system fault classification and detection using deep convolutional neural network and particle swarm optimization‐extreme gradient boosting
CN114548845B (zh) 一种配网管理方法、装置及系统
CN116305531B (zh) 一种航天器健康演化模型建模方法、装置、设备及介质
CN114936203B (zh) 基于时序数据和业务数据融合分析的方法

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