CN117034001A - 一种风电机组故障预测方法、装置及电子设备 - Google Patents
一种风电机组故障预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117034001A CN117034001A CN202310764257.3A CN202310764257A CN117034001A CN 117034001 A CN117034001 A CN 117034001A CN 202310764257 A CN202310764257 A CN 202310764257A CN 117034001 A CN117034001 A CN 117034001A
- Authority
- CN
- China
- Prior art keywords
- data
- wind turbine
- early warning
- turbine generator
- layer
- 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 64
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 239000000306 component Substances 0.000 description 23
- 238000012360 testing method Methods 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/0499—Feedforward networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种风电机组故障预测方法、装置及电子设备,包括:获取风电机组运行数据以及预先训练好的故障预警模型;其中,所述预先训练好的故障预警模型为基于DBN的生成模型,包括多层RBM层与BP层;利用所述多层RBM层对所述风电机组运行数据进行特征提取,获取数据特征;利用所述BP层对所述数据特征进行预测,获得预测数据;对所述预测数据与预警阈值进行比较,根据比较结果确定预警信息。本发明能够很好地实现复杂问题中数据的非线性特征提取和回归预测,灵活性更高,应用范围较广,扩展性也强,且具有较高的预警准确性。
Description
技术领域
本发明涉及风电机组故障预警技术领域,尤其涉及一种风电机组故障预测方法、装置及电子设备。
背景技术
随着国家新节能减排政策的不断出台和持续推进,风能作为绿色清洁能源,其发展越来越得到重视。风电机组是实现风能转换的核心部件之一,其运行状态的监控显得尤为重要。由于风电机组通常运行在高空等恶劣环境下,导致风电机组故障率高且维修困难。风力发电机作为对整个风电机组可用率有着重要影响的关键部件,需要对其运行中的各种参数信号进行及时的监测,并对各种工况如振动、温度等出现的异常做出准确预警,便于提前发现故障,给风电场人员足够的抢修管理时间,减少和避免发生故障所带来严重的经济损失。
风力发电机运行时可能会出现轴承磨损、断裂、润滑剂失效等故障,这些故障会导致轴承温度过高进而影响涡轮轴承的性能。但是目前大多数状态监测与故障诊断技术都是基于振动信号的分析,只能部分评估轴承状态,无法在风电机组运行过程中对轴承温度异常做出准确的预警。因此,研究与发电机温度配套的状态监测与故障诊断技术并建立发电机驱动端轴承温度预警模型,对其稳定高效运行和及时准确发现并排除故障问题有着重要的意义。
在以往对于此类预测问题的研究中,应用较为广泛的是利用典型神经网络方法如BP神经网络、Elman神经网络等所建立的预测模型。然而这些传统的预测模型通常对样本的质量和数量有更高的要求,普遍学习速度更慢,收敛时间更长,并且有着容易陷入局部极小点的缺点,对神经网络的训练较难达到全局最优。
综上,基于振动信号分析的预警方法只能部分评估轴承状态,存在预警范围覆盖不全的问题。传统预测模型的预警方法对样本数据要求较高,对数据的非线性深层特征提取能力较差且预测准确性更低。
发明内容
本发明提供一种风电机组故障预测方法、装置及电子设备,用以解决上述问题。
本发明提供一种风电机组故障预测方法,包括:
获取风电机组运行数据以及预先训练好的故障预警模型;其中,所述预先训练好的故障预警模型为基于DBN的生成模型,包括多层RBM层与BP层;
利用所述多层RBM层对所述风电机组运行数据进行特征提取,获取数据特征;
利用所述BP层对所述数据特征进行预测,获得预测数据;
对所述预测数据与预警阈值进行比较,根据比较结果确定预警信息。
根据本发明提供的一种风电机组故障预测方法,在获取风电机组运行数据之后,方法还包括:
根据风电机组运行状态对所述风电机组运行数据分类,获得分类数据;
根据风电机组的工作原理和斯皮尔曼相关系数对所述分类数据筛选,以获得筛选后数据;
相应地,所述利用所述多层RBM层对所述风电机组运行数据进行特征提取,获取数据特征,包括:
利用所述多层RBM层对所述筛选后数据进行特征提取,获取数据特征。
根据本发明提供的一种风电机组故障预测方法,在所述根据风电机组的工作原理和斯皮尔曼相关系数对所述分类数据筛选,以获得筛选后数据之后,方法还包括:
对所述筛选后数据进行聚类分析,获得异常数据;
根据所述异常数据对所述筛选后数据进行清洗,获得清洗后数据;
相应地,所述利用所述多层RBM层对所述筛选后数据进行特征提取,获取数据特征,包括:
利用所述多层RBM层对所述清洗后数据进行特征提取,获取数据特征。
根据本发明提供的一种风电机组故障预测方法,所述预先训练好的故障预警模型通过如下方式训练得到:
获取历史风电机组运行数据,对所述历史风电机组运行数据进行分类与筛选,以获得筛选后历史数据,并对所述筛选后历史数据进行预处理,获得预处理后历史数据;
基于所述预处理后历史数据对预先构建的故障预警模型中的多层RBM层进行无监督训练,以获得训练好的多层RBM层;
基于所述训练好的多层RBM层的输出对预先构建的故障预警模型中的BP层进行有监督训练,以获得训练好的故障预警模型。
根据本发明提供的一种风电机组故障预测方法,在所述基于所述训练好的多层RBM层的输出对预先构建的故障预警模型中的BP层进行有监督训练,以获得训练好的故障预警模型之后,方法还包括:
通过预设的评价指标对所述训练好的故障预警模型进行性能评价,根据性能评价确定最终的故障预警模型;其中,所述预设的评价指标至少为平均绝对误差、均方误差、均方根误差或决定系数中的一种或多种。
根据本发明提供的一种风电机组故障预测方法,所述预警阈值通过如下方式获取:
利用滑动窗口算法对残差数据进行聚合操作,以获得残差均值和残差标准差;其中,所述残差数据基于预处理后历史数据与预处理后历史数据对应的预测值计算获得;
根据所述残差均值与所述残差标准差确定预警均值与预警标准差,所述预警阈值包括预警均值与预警标准差。
根据本发明提供的一种风电机组故障预测方法,所述对所述预测数据与预警阈值进行比较,根据比较结果确定预警信息,包括:
在所述预测数据对应的残差均值超过所述预警均值且所述预测数据对应的残差标准差超过所述预警标准差的情况下,确定风电机组发生故障。
根据本发明提供的一种风电机组故障预测方法,所述风电机组运行数据包括各个部件的不同类型的运行数据,所述部件至少为风力发电机驱动端轴承、风电机组齿轮箱、叶轮、发电机滑环、机舱控制柜、轮毂或风力发电机非驱动端轴承中的一种或多种,所述运行数据至少为速度、温度、电流或功率中的多种。
本发明还提供一种风电机组故障预测装置,包括:
数据与模型获取模块,用于获取风电机组运行数据以及预先训练好的故障预警模型;其中,所述预先训练好的故障预警模型为基于DBN的生成模型,包括多层RBM层与BP层;
特征提取模块,用于利用所述多层RBM层对所述风电机组运行数据进行特征提取,获取数据特征;
预测模块,用于利用所述BP层对所述数据特征进行预测,获得预测数据;
预警模块,用于对所述预测数据与预警阈值进行比较,根据比较结果确定预警信息。
本发明还提供一种电子设备,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任一种所述的风电机组故障预测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的风电机组故障预测方法。
本发明提供的风电机组故障预测方法、装置及电子设备,其中,风电机组故障预测方法,通过利用上述包括RBM层和BP层的故障预警模型对风电机组各个部件的运行状态进行预测,并对预测数据进行阈值比较,确定风电机组各个部件的运行状态是否正常。其中,故障预警模型对风电机组运行数据进行了充分利用,且能很好地实现复杂问题中数据的非线性特征提取和回归预测,灵活性更高,应用范围较广,扩展性也强,且具有较高的预警准确性。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的风电机组故障预测方法的流程示意图;
图2是本发明实施例提供的故障预警模型训练过程的流程示意图;
图3是本发明实施例提供的K-means聚类结果的示意图;
图4是本发明实施例提供的发电机驱动端轴承温度实际值与预测值的示意图;
图5是本发明实施例提供的滑动窗口残差平滑滤波图;
图6是本发明实施例提供的预警均值示意图;
图7是本发明实施例提供的预警标准差示意图;
图8是本发明实施例提供的风电机组故障预测装置的结构示意图;
图9示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的风电机组故障预测方法的流程示意图;如图1所示,该风电机组故障预测方法,包括如下步骤:
S101,获取风电机组运行数据以及预先训练好的故障预警模型。
其中,所述预先训练好的故障预警模型为基于DBN的生成模型,其包括多层RBM层与BP层。
在本步骤中,风电机组运行数据包括各个部件的不同类型的运行数据,部件有风力发电机驱动端轴承、风电机组齿轮箱、叶轮、发电机滑环、机舱控制柜、轮毂、风力发电机非驱动端轴承等等,不同类型的运行数据有速度、温度、电流、功率等等。
S102,利用所述多层RBM层对所述风电机组运行数据进行特征提取,获取数据特征。
S103,利用所述BP层对所述数据特征进行预测,获得预测数据。
其中,预测数据为各个部件的运行状态预测值,比如说风力发电机驱动端轴承的温度、电流等等。
S104,对所述预测数据与预警阈值进行比较,根据比较结果确定预警信息。
在本步骤中,比较预测数据与预警阈值,若预测数据超过了预警阈值,则判定风电机组相应的部件对应的运行状态发生异常,提前预警,让相关人员及时维护,避免风机发生故障时带来的严重经济损失。若预测数据未超过预警阈值,则判定风电机组对应的部件运行正常,不进行预警。
本发明实施例提供的风电机组故障预测方法,通过利用上述包括RBM层和BP层的故障预警模型对风电机组各个部件的运行状态进行预测,并对预测数据进行阈值比较,确定风电机组各个部件的运行状态是否正常。其中,故障预警模型对风电机组运行数据进行了充分利用,且能很好地实现复杂问题中数据的非线性特征提取和回归预测,灵活性更高,应用范围较广,扩展性也强,且具有较高的预警准确性。
进一步地,在上述实施例的基础上,在获取风电机组运行数据之后,方法还包括:
根据风电机组运行状态对所述风电机组运行数据分类,获得分类数据。
此处的风电机组运行状态是指风电机组各个部件的温度、速度、电流、电压等等信息。
根据风电机组的工作原理和斯皮尔曼相关系数对所述分类数据筛选,以获得筛选后数据。
在本步骤中,考虑到机组的结构和传动关系、各状态参数与机组工作特征的关系,对分类数据进行初步筛选,选取与某一部件的某一运行状态有相关性的运行数据,例如分析影响发电机驱动端轴承温度的部件,确定相关部件的运行数据。在获得具有相关性的运行数据之后计算具有相关性的运行数据与预测对象(此处是指对哪个部件的哪个运行参数进行预测,以前述的举例来说,预测对象即为发电机驱动端轴承的温度)对应的运行数据之间的斯皮尔曼相关系数。根据计算得到的斯皮尔曼相关系数大小进一步对运行数据筛选,以获得与预测对象最为相关的运行数据。
其中,根据计算得到的斯皮尔曼相关系数大小进一步对运行数据筛选,可以是通过预设的系数阈值,也可以是按照由大到小排序后选取排名靠前的m个系数对应的数据作为筛选后数据。
相应地,所述利用所述多层RBM层对所述风电机组运行数据进行特征提取,获取数据特征,包括:
利用所述多层RBM层对所述筛选后数据进行特征提取,获取数据特征。即,将筛选后数据输入预先训练好的故障预警模型。
本发明实施例提供的风电机组故障预测方法,根据风电机组的工作原理以及预测对象与其他部件的运行数据之间的斯皮尔曼相关系数对分类后数据进行筛选,从而获得高相关性运行数据,充分利用了风电机组运行数据,提升预测的准确性。
进一步地,在上述实施例的基础上,在所述根据风电机组的工作原理和斯皮尔曼相关系数对所述分类数据筛选,以获得筛选后数据之后,方法还包括:
对所述筛选后数据进行聚类分析,获得异常数据。
在本步骤中,对获取到的筛选后数据进行清洗以减小错误数据的影响。在本实施例中,具体是利用K-means聚类算法进行异常数据的分析和识别,删除异常数据以减小其对预测精度的影响。在其他实施例中,也可以采用其他常规的聚类算法进行分析,以获得异常数据。
根据所述异常数据对所述筛选后数据进行清洗,获得清洗后数据。
相应地,所述利用所述多层RBM层对所述筛选后数据进行特征提取,获取数据特征,包括:
利用所述多层RBM层对所述清洗后数据进行特征提取,获取数据特征。
本发明实施例提供的风电机组故障预测方法,通过聚类分析确定异常数据,并在筛选后数据中剔除异常数据,以提升模型输入的准确性,进一步提升预测准确性。
图2是本发明实施例提供的故障预警模型训练过程的流程示意图;如图2所示,所述预先训练好的故障预警模型通过如下方式训练得到:
获取历史风电机组运行数据,对所述历史风电机组运行数据进行分类与筛选,以获得筛选后历史数据,并对所述筛选后历史数据进行预处理,获得预处理后历史数据。
基于所述预处理后历史数据对预先构建的故障预警模型中的多层RBM层进行无监督训练,以获得训练好的多层RBM层。
基于所述训练好的多层RBM层的输出对预先构建的故障预警模型中的BP层进行有监督训练,以获得训练好的故障预警模型。
在本实施例中,以发电机驱动端轴承温度这一预测对象为例。首先,从风电场数据库中采用1天的历史风电机组运行数据,采样率为每2秒1个采样点。对历史风电机组运行数据进行类别划分获得分类后历史数据,具体可分为91个类型(包括温度、速度、电压、电流等等),其中关于温度类型的数据最多。
进一步地,对分类后历史数据进行筛选。筛选方法是根据风电机组工作原理和斯皮尔曼相关系数(ρ)来确定故障预警模型的输入数据。具体地,先根据机组的结构和传动关系、各状态参数与机组工作特征的关系,进行分类后历史数据的初步筛选,可以从发电机驱动端轴承温度之外的90个其他类型数据中筛选出33个与发电机驱动端轴承温度有较高相关性的数据,另外再构造T-2、T-4时刻的发电机驱动端轴承温度数据。之后,计算发电机驱动端轴承温度与这35个数据之间的斯皮尔曼相关系数(ρ),选取斯皮尔曼相关系数大于0.7的7个参数作为预测模型的输入参数,结果如表1所示。
表1发电机驱动端轴承温度相关运行数据示意表
再进一步地,对前述筛选得到的高相关性数据进行预处理,并将预处理后历史数据进行合理分配,形成训练集与测试集。
具体地,对获取到的高相关性数据进行清洗以减小错误数据的影响。利用K-means聚类算法进行了异常数据的分析和识别,通过对发电机滑环温度和机舱控制柜温度进行K-means聚类分析并进行可视化处理得到如图3所示结果,可以看到发电机滑环温度存在2处异常值,将这两处数据点的值进行删除以减小该错误数据对预测精度的影响。
然后,根据数据预处理结果,对数据集中的异常数据进行排除并划分训练集与测试集。在本实施例中,获取到的历史风电数据中每个类型有39779个数据,通过数据清洗结果可知,发电机滑环温度存在76个异常值,将其和所在同时段的对应输入参数删除后剩余39703个数据。将训练集和测试集的样本数量比例设置为8:2,即其中31758个温度数据用于模型的训练,后7943个温度数据用于模型的测试。
在准备好训练集与测试集之后,进行模型训练。本实施例中,预先构建的故障预警模型为以DBN算法为基础的回归预测模型,该模型由3层RBM和1层BP组成,3层RBM依次连接,BP层与最后一层的RBM层连接。
基于上述结构的故障预警模型进行训练,首先,对预处理后历史数据进行归一化处理。然后,利用归一化处理后的数据对三层RBM层进行无监督训练,在训练过程中可以将3层RBM中隐含层节点数设置为30,并将预训练好的RBM用于初始化DBN权重。
最后是进行有监督的回归层训练,将依次连接的RBM中第三层RBM隐含层的输出作为BP神经网络的输入,将BP神经网络的隐含层节点数也设置为30。另外,模型训练过程中迭代次数设置为5000次,学习率和学习目标都设置为0.00001,附加动量因子设置为0.6,从而进行误差的反向微调和最终的预测输出。
基于训练集获取的预测结果做了发电机驱动端轴承温度实际值与预测值对应的结果展示,结果如图4所示,从图4中可以看出实际值与预测值曲线几乎重合,说明预测模型的预测精度很高,并对实际值和预测值进行线性拟合,拟合结果如表2所示,可以看出实际值与预测值具有较高的线性相关性。
表2线性拟合结果
进一步地,在上述实施例的基础上,在所述基于所述训练好的多层RBM层的输出对预先构建的故障预警模型中的BP层进行有监督训练,以获得训练好的故障预警模型之后,方法还包括:
通过预设的评价指标对所述训练好的故障预警模型进行性能评价,根据性能评价确定最终的故障预警模型。
其中,所述预设的评价指标至少为平均绝对误差、均方误差、均方根误差或决定系数中的一种或多种。
在本实施例中,利用历史风电机组运行数据中的训练集对预先构建的故障预警模型进行训练,再利用历史风电机组运行数据中的测试集对训练好的故障预警模型进行测试,得到预测结果。
在测试过程中,采用平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)和决定系数(R2)这四项作为故障预警模型性能的评价指标来评价回归模型的预测精度。
具体地,MAE的值越小,预测效果越好,其公式为:
MSE的值越小,预测效果越好,其公式为:
RMSE的值越小,预测效果越好,其公式为:
R2的值越接近1,预测效果越好,其公式为:
上式中,yi为测试数据集的第i个数据的实际值,为测试数据集第i个数据的预测值,/>为测试数据集中的n个实际值的平均值,n为测试数据的个数。
基于前述的测试集以及性能指标介绍,本实施例采用平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)和决定系数(R2)这四项作为模型性能的评价指标,基于测试集所得到的预测数据,计算上述这些评价指标,得到如表3所示结果。
表3预测模型评价指标
MAE/℃ | MSE | RMSE | R2 |
0.0712 | 0.0104 | 0.1020 | 0.9993 |
由表3可以看出,训练得到的故障预警模型具有较好的性能。
本发明实施例提供的风电机组故障预测方法,从不同维度对训练好的故障预警模型进行性能评估,在综合评估达到要求的情况下,将训练好的故障预警模型放在实际场景中应用,从而保证预测准确性。
进一步地,在上述实施例的基础上,所述预警阈值通过如下方式获取:
利用滑动窗口算法对残差数据进行聚合操作,以获得残差均值和残差标准差;其中,所述残差数据基于预处理后历史数据与预处理后历史数据对应的预测值计算获得,即实际值与预测值之间的差值。也即通过在整个残差序列上滑动设定好的窗口,在每个窗口内进行残差均值和残差标准差的计算。
另外残差数据经滑动窗口计算均值后可同时实现对残差数据的平滑滤波;这样可以在预警过程中降低风电机组在运行时的一些不确定性和外界因素对运行参数的干扰性,提高预警准确度。
根据所述残差均值与所述残差标准差确定预警均值与预警标准差,所述预警阈值包括预警均值与预警标准差。
在所述预测数据对应的残差均值超过所述预警均值且所述预测数据对应的残差标准差超过所述预警标准差的情况下,确定风电机组发生故障。
在本实施例中,先明确预警阈值确定的原理,即当风电机组发电机驱动端轴承正常工作时,模型对发电机驱动端轴承温度的预测值与其实际值应基本重合;在发电机驱动端轴承临近发生故障时,预测的发电机驱动端轴承温度曲线与实际的发电机驱动端轴承温度曲线会在某一时间点有明显的偏离趋势。由于轴承温度的升高一般不是突然的,而是一个渐变的过程,利用这种温度升高的趋势可以通过设置阈值在达到超温故障前,提前进行预警,所以当残差线超过一定范围(阈值)时可以进行故障预警。
在明确了预警阈值设置的原理之后,本发明利用滑动窗口残差统计确定预警阈值。在上述由7943个温度数据构成的测试集的基础上进行预警阈值的确定,本实施例中可以将滑动窗口大小设置为30(时间间隔为1min),使用这个窗口对测试集进行聚合操作,即取连续的30个残差数据计算其均值,通过在整个残差序列上滑动这种窗口,对获取到的残差结果实现平滑滤波处理,生成具有相同平滑度的时间残差序列,结果如图5所示,可以看到经滑动窗口处理后的残差曲线变得更加平滑,不会出现过多的局部抖动现象。
将发电机驱动端轴承温度的故障预警阈值记为EY和SY。对窗口内的连续30个温度残差计算温度残差均值和温度残差标准差,假设风电机组正常工作时温度残差绝对值的均值的最大值为ET,温度残差绝对值的标准差的最大值为ST,则发电机驱动端轴承温度的故障预警阈值为:
EY=±k1ET,SY=k2ST
式中,k1和k2均为系数,取值由现场运行人员根据运行经验决定。
基于前述提到的测试集,此处的计算结果为:ET=0.27,ST=0.0215,k1,k2由经验都取值为2,则预警阈值为:EY=±0.54,SY=0.043。基于前述的预警阈值以及预测数据作经过滑动窗口残差处理后的残差均值和残差标准差分布预警图,如图6、7所示。当残差均值和残差标准差同时达到预警阈值时,可发出预警信号。若未达到预警阈值,则不进行预警。
本发明实施例提供的风电机组故障预测方法,根据风电机组中部件故障与正常工作的判断原理,利用滑动窗口残差统计确定预警阈值,从而提升预警阈值的准确性,进一步提升预警信息的准确性。
下面对本发明提供的风电机组故障预测装置进行描述,下文描述的风电机组故障预测装置与上文描述的风电机组故障预测方法可相互对应参照。
图8是本发明实施例提供的风电机组故障预测装置的结构示意图;如图8所示,该风电机组故障预测装置包括数据与模型获取模块801、特征提取模块802、预测模块803以及预警模块804。
数据与模型获取模块801,用于获取风电机组运行数据以及预先训练好的故障预警模型。
其中,所述预先训练好的故障预警模型为基于DBN的生成模型,其包括多层RBM层与BP层。
在本模块中,风电机组运行数据包括各个部件的不同类型的运行数据,部件有风力发电机驱动端轴承、风电机组齿轮箱、叶轮、发电机滑环、机舱控制柜、轮毂、风力发电机非驱动端轴承等等,不同类型的运行数据有速度、温度、电流、功率等等。
特征提取模块802,用于利用所述多层RBM层对所述风电机组运行数据进行特征提取,获取数据特征。
预测模块803,用于利用所述BP层对所述数据特征进行预测,获得预测数据。
其中,预测数据为各个部件的运行状态预测值,比如说风力发电机驱动端轴承的温度、电流等等。
预警模块804,用于对所述预测数据与预警阈值进行比较,根据比较结果确定预警信息。
在本模块中,比较预测数据与预警阈值,若预测数据超过了预警阈值,则判定风电机组相应的部件对应的运行状态发生异常,提前预警,让相关人员及时维护,避免风机发生故障时带来的严重经济损失。若预测数据未超过预警阈值,则判定风电机组对应的部件运行正常,不进行预警。
本发明实施例提供的风电机组故障预测装置,通过利用上述包括RBM层和BP层的故障预警模型对风电机组各个部件的运行状态进行预测,并对预测数据进行阈值比较,确定风电机组各个部件的运行状态是否正常。其中,故障预警模型对风电机组运行数据进行了充分利用,且能很好地实现复杂问题中数据的非线性特征提取和回归预测,灵活性更高,应用范围较广,扩展性也强,且具有较高的预警准确性。
图9示例了一种电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器910(processor)、通信接口920(Communications Interface)、存储器930(memory)和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行上述提供的风电机组故障预测方法,该方法包括:获取风电机组运行数据以及预先训练好的故障预警模型;其中,所述预先训练好的故障预警模型为基于DBN的生成模型,包括多层RBM层与BP层;利用所述多层RBM层对所述风电机组运行数据进行特征提取,获取数据特征;利用所述BP层对所述数据特征进行预测,获得预测数据;对所述预测数据与预警阈值进行比较,根据比较结果确定预警信息。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述提供的风电机组故障预测方法,该方法包括:获取风电机组运行数据以及预先训练好的故障预警模型;其中,所述预先训练好的故障预警模型为基于DBN的生成模型,包括多层RBM层与BP层;利用所述多层RBM层对所述风电机组运行数据进行特征提取,获取数据特征;利用所述BP层对所述数据特征进行预测,获得预测数据;对所述预测数据与预警阈值进行比较,根据比较结果确定预警信息。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述所提供的风电机组故障预测方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种风电机组故障预测方法,其特征在于,包括:
获取风电机组运行数据以及预先训练好的故障预警模型;其中,所述预先训练好的故障预警模型为基于DBN的生成模型,包括多层RBM层与BP层;
利用所述多层RBM层对所述风电机组运行数据进行特征提取,获取数据特征;
利用所述BP层对所述数据特征进行预测,获得预测数据;
对所述预测数据与预警阈值进行比较,根据比较结果确定预警信息。
2.根据权利要求1所述的风电机组故障预测方法,其特征在于,在获取风电机组运行数据之后,方法还包括:
根据风电机组运行状态对所述风电机组运行数据分类,获得分类数据;
根据风电机组的工作原理和斯皮尔曼相关系数对所述分类数据筛选,以获得筛选后数据;
相应地,所述利用所述多层RBM层对所述风电机组运行数据进行特征提取,获取数据特征,包括:
利用所述多层RBM层对所述筛选后数据进行特征提取,获取数据特征。
3.根据权利要求2所述的风电机组故障预测方法,其特征在于,在所述根据风电机组的工作原理和斯皮尔曼相关系数对所述分类数据筛选,以获得筛选后数据之后,方法还包括:
对所述筛选后数据进行聚类分析,获得异常数据;
根据所述异常数据对所述筛选后数据进行清洗,获得清洗后数据;
相应地,所述利用所述多层RBM层对所述筛选后数据进行特征提取,获取数据特征,包括:
利用所述多层RBM层对所述清洗后数据进行特征提取,获取数据特征。
4.根据权利要求1所述的风电机组故障预测方法,其特征在于,所述预先训练好的故障预警模型通过如下方式训练得到:
获取历史风电机组运行数据,对所述历史风电机组运行数据进行分类与筛选,以获得筛选后历史数据,并对所述筛选后历史数据进行预处理,获得预处理后历史数据;
基于所述预处理后历史数据对预先构建的故障预警模型中的多层RBM层进行无监督训练,以获得训练好的多层RBM层;
基于所述训练好的多层RBM层的输出对预先构建的故障预警模型中的BP层进行有监督训练,以获得训练好的故障预警模型。
5.根据权利要求4所述的风电机组故障预测方法,其特征在于,在所述基于所述训练好的多层RBM层的输出对预先构建的故障预警模型中的BP层进行有监督训练,以获得训练好的故障预警模型之后,方法还包括:
通过预设的评价指标对所述训练好的故障预警模型进行性能评价,根据性能评价确定最终的故障预警模型;其中,所述预设的评价指标至少为平均绝对误差、均方误差、均方根误差或决定系数中的一种或多种。
6.根据权利要求4所述的风电机组故障预测方法,其特征在于,所述预警阈值通过如下方式获取:
利用滑动窗口算法对残差数据进行聚合操作,以获得残差均值和残差标准差;其中,所述残差数据基于预处理后历史数据与预处理后历史数据对应的预测值计算获得;
根据所述残差均值与所述残差标准差确定预警均值与预警标准差,所述预警阈值包括预警均值与预警标准差。
7.根据权利要求6所述的风电机组故障预测方法,其特征在于,所述对所述预测数据与预警阈值进行比较,根据比较结果确定预警信息,包括:
在所述预测数据对应的残差均值超过所述预警均值且所述预测数据对应的残差标准差超过所述预警标准差的情况下,确定风电机组发生故障。
8.根据权利要求1-6任一所述的风电机组故障预测方法,其特征在于,所述风电机组运行数据包括各个部件的不同类型的运行数据,所述部件至少为风力发电机驱动端轴承、风电机组齿轮箱、叶轮、发电机滑环、机舱控制柜、轮毂或风力发电机非驱动端轴承中的一种或多种,所述运行数据至少为速度、温度、电流或功率中的多种。
9.一种风电机组故障预测装置,其特征在于,包括:
数据与模型获取模块,用于获取风电机组运行数据以及预先训练好的故障预警模型;其中,所述预先训练好的故障预警模型为基于DBN的生成模型,包括多层RBM层与BP层;
特征提取模块,用于利用所述多层RBM层对所述风电机组运行数据进行特征提取,获取数据特征;
预测模块,用于利用所述BP层对所述数据特征进行预测,获得预测数据;
预警模块,用于对所述预测数据与预警阈值进行比较,根据比较结果确定预警信息。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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1-8任一所述的风电机组故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310764257.3A CN117034001A (zh) | 2023-06-26 | 2023-06-26 | 一种风电机组故障预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310764257.3A CN117034001A (zh) | 2023-06-26 | 2023-06-26 | 一种风电机组故障预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117034001A true CN117034001A (zh) | 2023-11-10 |
Family
ID=88621505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310764257.3A Pending CN117034001A (zh) | 2023-06-26 | 2023-06-26 | 一种风电机组故障预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117034001A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454314A (zh) * | 2023-12-19 | 2024-01-26 | 深圳航天科创泛在电气有限公司 | 风力机组件运行状态预测方法、装置、设备及存储介质 |
-
2023
- 2023-06-26 CN CN202310764257.3A patent/CN117034001A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454314A (zh) * | 2023-12-19 | 2024-01-26 | 深圳航天科创泛在电气有限公司 | 风力机组件运行状态预测方法、装置、设备及存储介质 |
CN117454314B (zh) * | 2023-12-19 | 2024-03-05 | 深圳航天科创泛在电气有限公司 | 风力机组件运行状态预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cerrada et al. | A review on data-driven fault severity assessment in rolling bearings | |
US20220283576A1 (en) | Automatic diagnosis method, system and storage medium for equipment | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN110685868A (zh) | 一种基于改进梯度提升机的风电机组故障检测方法及装置 | |
CN111537219B (zh) | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 | |
CN111209934B (zh) | 风机故障预报警方法及*** | |
CN117034001A (zh) | 一种风电机组故障预测方法、装置及电子设备 | |
Yang et al. | Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization | |
CN107403279A (zh) | 一种输油泵工况自适应状态预警***及方法 | |
CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及*** | |
Cheng et al. | Predicting the remaining useful life of rolling element bearings using locally linear fusion regression | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
Hu et al. | Intelligent condition assessment of industry machinery using multiple type of signal from monitoring system | |
Lv et al. | A new feature extraction technique for early degeneration detection of rolling bearings | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
CN116677570A (zh) | 基于海上风电机组机舱温度监测的故障预警方法及*** | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
CN112241595A (zh) | 基于逻辑回归的机载电源可靠性增长性能退化分析方法 | |
CN116933003A (zh) | 基于DaNet的无人机发动机的剩余使用寿命预测方法 | |
CN113435228A (zh) | 一种基于振动信号建模的电动机轴承寿命预测与分析方法 | |
Song et al. | Anomaly detection of wind turbine generator based on temporal information | |
CN116070368A (zh) | 一种海上风电机组高速轴承剩余寿命预测方法 | |
CN115687864A (zh) | 基于XGBoost-KDE的风机主轴承故障预警方法 | |
CN115375038A (zh) | 一种飞机发动机失效模式识别和寿命预测方法 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 |
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 |