一种用于风力发电机组故障诊断的方法技术

本发明专利技术提供一种用于风力发电机组故障诊断的方法，包括以下步骤：数据挖掘步骤，包括数据采集和数据预处理，对风力发电机组的数据进行采集和处理，生成数据集；模型处理步骤，开发和配置故障诊断模型，利用数据集对故障诊断模型进行训练；后处理步骤，对所述故障诊断模型产生的偏差进行评估，优化故障诊断模型，同时使用控制图获得上下控制限值；故障诊断步骤，实时监控得到的数据输入故障诊断模型，如果输出预测结果超出上下控制限值，则发出故障预警。将风力发电机组不同变量数据的时序关联，降低数据的内存。解决现有技术中数据异常值、数据集及时空特性的问题，更精准地对风力发电机组实时的故障进行预测诊断。机组实时的故障进行预测诊断。机组实时的故障进行预测诊断。

【技术实现步骤摘要】
一种用于风力发电机组故障诊断的方法


[0001]本专利技术涉及风力发电机学科领域，特别是涉及一种用于风力发电机组故障诊断的方法。

技术介绍

[0002]风力发电有自己的一套故障系统，基于控制器的一些原始数据，然后对原始数据进行上传，从前端到后台，然后对这些故障数据、运行数据进行技术挖掘，实现一些故障诊断的应用。
[0003]目前风电装备正朝着大型化的方向发展，需要监控和采集的数据规模也越来越大。现有技术采用改进的果蝇优化算法优化支持向量机(Support Vector Machine，SVM)诊断模型用于机械磨损状态预测，但是该方法并未进行异常值剔除，影响了预测结果的准确度。其次SVM的拟合能力不足以支撑海量数据集。
[0004]已有使用长短期记忆(LSTM，Long Short
‑
Term Memory)人工神经网络用于风力发电机组状态预测，但未考虑时空特性，直接拟合数据之间的关系。LSTM随着时间序列越长，会出现梯度爆炸的情况。

技术实现思路

[0005]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种用于风力发电机组故障诊断的方法，用于解决现有技术中数据异常值、数据集及时空特性的问题。
[0006]为实现上述目的及其他相关目的，本专利技术提供一种用于风力发电机组故障诊断的方法，具有以下优点：能够将风力发电机组的所有采样数据融合起来，提取异常值，进行整机故障排查，并且将风力发电机组不同变量数据的时序关联，降低数据的内存，更精准地对风力发电机组实时的故障进行预测诊断。
[0007]于本专利技术的一实施例中，包括以下步骤：
[0008]数据挖掘步骤，包括数据采集和数据预处理，对所述风力发电机组的数据进行采集和处理，生成数据集；
[0009]模型处理步骤，开发和配置故障诊断模型，利用所述数据集对所述故障诊断模型进行训练；
[0010]后处理步骤，对所述故障诊断模型产生的偏差进行评估，优化所述故障诊断模型，同时使用控制图获得上下控制限值；
[0011]故障诊断步骤，实时监控得到的数据输入所述故障诊断模型，如果输出预测结果超出所述上下控制限值，则发出故障预警。
[0012]于本专利技术的一实施例中，所述数据预处理步骤包括以下清理步骤：
[0013]去除至少有一个输入或输出信号缺失的样本；
[0014]去除所述风力发电机组的输出功率为零的样本；
[0015]去除一个或多个变量超出正常变化范围的样本。
[0016]于本专利技术的一实施例中，所述变量包括温度、风速、机器转速和液体压力。
[0017]于本专利技术的一实施例中，所述清理步骤之后，还包括使用马氏距离公式去除异常值步骤，在对经过所述清理步骤之后的样本进行细分后，计算每个观测值的马氏距离以确定所述异常值。
[0018]于本专利技术的一实施例中，为了执行对所述故障诊断模型进行训练，将所述数据集分为训练集、验证集和测试集。
[0019]于本专利技术的一实施例中，所述模型处理步骤使用前馈神经网络或递归网络开发所述故障诊断模型。
[0020]于本专利技术的一实施例中，所述故障诊断模型结构的配置为提供单个隐藏层，所述隐藏层中的神经元数量为10至30。
[0021]于本专利技术的一实施例中，所述模型处理步骤在模型代码中使用列文伯格
‑
马夸尔特算法将所述数据集的数据用于训练所述故障诊断模型。
[0022]于本专利技术的一实施例中，所述后处理步骤中，包括准确性评估步骤和偏差分析步骤，所述准确性评估步骤得到所述故障诊断模型的偏差，所述偏差分析步骤对所述偏差的成因进行分析，所述后处理步骤的偏差计算公式为偏差＝实际值
‑
估计值。
[0023]于本专利技术的一实施例中，所述后处理步骤中，所述上下控制限值设定在
±
3倍标准差的位置。
[0024]如上所述，本专利技术的一种用于风力发电机组故障诊断的方法，具有以下有益效果：提供一种用于风力发电机组故障诊断的方法，解决现有技术中数据异常值、数据集及时空特性的问题，更精准地对风力发电机组实时的故障进行预测诊断。
附图说明
[0025]图1显示为本专利技术一种用于风力发电机组故障诊断的方法中的四个关键步骤。
[0026]图2显示为本专利技术采用的控制图的基本形式。
[0027]图3显示为本专利技术的一种用于风力发电机组故障诊断的方法流程示意图。
具体实施方式
[0028]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其它优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。还应当理解，本专利技术实施例中使用的术语是为了描述特定的具体实施方案，而不是为了限制本专利技术的保护范围。下列实施例中未注明具体条件的试验方法，通常按照常规条件，或者按照各制造商所建议的条件。
[0029]请参阅图1至图3。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
所能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及
“
一”等的用语，亦仅为便于叙述的明了，而非用以限定本专利技术可实施的范围，其相对关系的改变或调整，在无实质变更
技术实现思路
下，当亦视为本专利技术可实施的范畴。
[0030]风力发电的机组运行肯定有故障，故障有各种类型：硬件设备导致的，通信闪断导致的，还有与安全相关的，比如运行超载、震动超限导致的，都会有故障数据或者故障文件作为一个记录。这个记录会从前端传到后台，然后首先对故障进行处理。例如，通过降容(原来能发100％的电，现在让它发70％的电)使载荷下降，或者温度下降，或者其他一些超过设计要求的指标下降。这样虽然损失了一些电量，但是能够使机组进入安全状态了。还有停机(包括快速停机或者主机停机)，停下来之后让现场人员去处理。本实施例中，在拿到这些数据之后，用本申请的方法，对这些数据进行分析、挖掘和预测，类似进行健康的预测和诊断。例如：齿轮箱，或者轴承有磨损，可能体现在震动不正常、温升不正常，这个就有对应的数据。对这个数据进行分析之后就能知道，在这个数据发展的趋势下，会导致进一步的磨损，比如齿轮箱的打齿，或者轴承的磨损状态。概括地说，就是在故障系统的原始数据中找到故障数据，用这些故障数据进行故障分析和挖掘，预测在目前数据下会进一步导致哪些状态，及时发出预警。
[0031]图1为本专利技术一种用于风力发电机组故障诊断的方法中的四个关键步骤。本专利技术提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于风力发电机组故障诊断的方法，包括以下步骤：数据挖掘步骤，包括数据采集和数据预处理，对所述风力发电机组的数据进行采集和处理，生成数据集；模型处理步骤，开发和配置故障诊断模型，利用所述数据集对所述故障诊断模型进行训练；后处理步骤，对所述故障诊断模型产生的偏差进行评估，优化所述故障诊断模型，同时使用控制图获得上下控制限值；故障诊断步骤，实时监控得到的数据输入所述故障诊断模型，如果输出预测结果超出所述上下控制限值，则发出故障预警。2.根据权利要求1所述的用于风力发电机组故障诊断的方法，其特征在于，所述数据预处理步骤包括以下清理步骤：去除至少有一个输入或输出信号缺失的样本；去除所述风力发电机组的输出功率为零的样本；去除一个或多个变量超出正常变化范围的样本。3.根据权利要求2所述的用于风力发电机组故障诊断的方法，其特征在于，所述变量包括温度、风速、机器转速和液体压力。4.根据权利要求2所述的用于风力发电机组故障诊断的方法，其特征在于：所述清理步骤之后，还包括使用马氏距离公式去除异常值步骤，在对经过所述清理步骤之后的样本进行细分后，计算每个观测值的马氏距离以确定所述异常值。5.根据权利要求1所述的用于风力发电机组故障诊...

【专利技术属性】
技术研发人员：高阳，李宁，邹文斌，吕秀红，
申请(专利权)人：上海中广核工程科技有限公司，
类型：发明
国别省市：