基于bayes算法的风机故障诊断方法和诊断系统技术方案

本发明专利技术提供了一种基于Bayes算法的风机故障诊断方法和故障诊断系统。其特征在于采用Copula关联函数对Bayes进行改进算法，并将改进的Bayes算法应用于风力发电系统故障预测性诊断。诊断系统以风力发电数据养殖为基础，通过标识风力发电系统已知的故障类型及对应时间和各类故障发生前的特征状态用于建立诊断模型，随着数据量的积累，风机故障诊断模型不断优化，实现最大化风电场的在线率并保证风机的安全高效运行。

Fan fault diagnosis method and diagnosis system based on Bayes algorithm

The invention provides a fan fault diagnosis method based on Bayes algorithm and a fault diagnosis system. It is characterized by using the Copula correlation function to improve the algorithm of Bayes, and the improved Bayes algorithm is applied to the fault diagnosis of wind power generation system. The diagnosis system is based on the data of wind power generation breeding, through the feature state identification of wind power generation system known fault type and the corresponding time and all kinds of faults before used to establish the diagnosis model, with the amount of data accumulation, fault diagnosis model of continuous optimization, to achieve online maximum wind rate and ensure safe and efficient operation of the fan the.

【技术实现步骤摘要】
基于bayes算法的风机故障诊断方法和诊断系统
本专利技术涉及故障诊断技术，特别涉及一种基于Bayes算法的风机故障诊断技术和诊断系统。
技术介绍
截止2015年底，中国大陆地区风机装机容量达到145362兆瓦，遥遥领先于美国90007兆瓦，跃居世界第一。中国已经是世界上风电设备制造大国和风电装机容量最多的国家，成为名副其实的风电大国。虽然我国风电装机总容量远远超过美国，但是风电的利用效率低，风电场有效并网发电量仍低于美国（2015年美国风电发电总量1900亿度，中国风电总发电量1300亿度）。从风电大国变成风电强国是一个系统工程，其中一个重要环节是依靠高科技加强风电场的精细化管理水平，提高风电场发电效率，降低运营和维护成本。风力发电故障诊断方法一直是业内的重要研究领域，设想通过故障诊断系统对已上线风力发电机进行预测性诊断，提前发现风力发电机的亚健康状态，优化安排维护保养策略，提高维保人员的工作效率，在避免出现重大安全事故发生的同时，最大化风电场的在线率并保证风机的安全高效运行。在国内，相关领域专家学者也对风电故障诊断和维护进行了研究。例如张晓波，张新燕等采用小波分析的方法来判定风机发电中电力电子的故障；王斌，董兴辉等研究了基于故障树的专家系统在风电齿轮箱上的应用；李辉，郑海起等进行了基于EMD和功率谱的齿轮故障诊断研究。这些研究内容主要是针对风力发电机的一个部件进行故障诊断，极少是从大数据层面出发来对风力发电机进行全面系统的故障诊断。现有技术主要存在以下缺点：1.风力发电机是一个完整运营体系，部件之间都存在一定的关联，现有诊断方法大多针对风力发电机的一个特定部件，不够全面系统；2.无法做到预测性诊断，诊断已经发生的故障无法提高风力发电机的在线率（效率）；3.现有故障诊断算法极少有做到真正从大数据层面出发，融入机器学习理论，保证诊断模型的持续有效。
技术实现思路
针对现有技术存在的上述缺陷，本专利技术提供一种基于Bayes算法的风机故障诊断方法和诊断系统，能够最大化风电场的在线率并保证风机的安全高效运行。本专利技术提供的一种基于Bayes算法的风机故障诊断方法，具体的实施步骤如下：S1，标注风力发电系统已知的故障类型及对应时间。S2，标注风力发电系统各类故障发生前的特征状态。S3，采用copula关联函数改进的Bayes算法建立故障诊断模型。S4，实时采集的风力发电机运行数据传送至本故障诊断系统进行实施诊断，并输出诊断结果。S5，赋予诊断结果对应的标签，用户可在此基础上对风机进行实际运行状态确认，根据确认结果对诊断结果标签进行修正并储入历史数据库。S6，按照需求定期对诊断模型重新拟合，优化故障诊断模型，提高故障诊断准确率，从而提升风力发电在线率。优选的，所述步骤S3中，采用copula关联函数改进的Bayes算法建立故障诊断模型步骤为。第一步，风力发电机设备已知故障代码、风力发电机设备发生故障前特殊标识存入数据库。第二步，导入历史数据库中的历史数据，根据对风力发电设备运行影响的重要程度确定用于建立风电发力设备故障诊断模型相应的参数，所述用于建立风电发力设备故障诊断模型相应的参数必须≥3项。第三步，采用十折多次交叉验证的方式，分别进行故障先验概率计算、copula算法对条件概率密度计算，其中所述条件概率密度计算为选择上述影响风力发电设备运行的参数维度不同组合的概率密度计算。第四步，将故障发生的Bayes后验概率与正常状态的Bayes后验概率比较并进行迭代运算。第五步，根据故障诊断准确率及故障诊断误判率综合评分选择不同设备相应的最优诊断模型，其中所述最优诊断模型，包含故障发生前的特征诊断模型和故障发生后被确认为诊断正确的故障诊断模型。第六步，予以存储，以备调用。优选的，所述步骤S5中，实时诊断结果确认为诊断正确的，将其直接录入历史数据库用于风机故障诊断模型优化；实时诊断结果为误判诊断的，修改故障标签后录入历史数据库用于风机故障诊断模型优化。优选的，所述步骤S6中，随着故障标签数量的增加，及数据标签精度的提升，定期优化故障诊断模型，将得出的Bayes故障诊断最优模型存储于故障诊断模型库并用于实时诊断。本专利技术提供的一种基于Bayes算法的风机故障诊断系统，包括：数据养殖单元和Bayes算法建模单元，其中，所述数据养殖单元用于标注风力发电系统已知的故障类型及对应时间；还标注风力发电系统各类故障发生前的特征状态，为故障预测性诊断创造条件。所述Bayes算法建模单元用于风机系统中至少一个设备故障诊断模型。优选的，所述Bayes算法建模为采用copula关联函数改进的Bayes算法建立故障诊断模型。可选的，所述风机系统包含风轮、叶片、齿轮箱、发电机、控制箱、风速仪和风向标等设备。该系统还包括：实时故障诊断单元和模型优化单元，其中，所述故障诊断单元，通过实时数据与故障标签比对，自动给出诊断结果，诊断结果正确的将该诊断结果标示用于进一步优化诊断模型；诊断结果为误判的，修改原故障标签以进一步优化诊断模型。所述模型优化单元，通过历史数据不断更替提高风机故障诊断模型的准确性。本专利技术的有益效果是：1.采用Copula关联函数改进的Bayes高级算法，诊断准确率更高；2.诊断系统不局限于单个部件、单个故障的诊断，可基于任何故障的特征进行各类故障诊断；3.完全基于大数据及机器学习技术研发诊断模型自优化功能，制定模型最优化决策机制，保证故障诊断系统可广泛运用，并确保长期具有非常高的可靠性；4.不断完善风力发电场历史数据库，可依据各类故障发生前的特征数据建立基于Bayes算法的预测性故障诊断模型。附图说明下面将通过参照附图详细描述本专利技术的示例性实例，使本领域的普通技术人员更清楚本专利技术的上述及其它特征和优点。图1为本专利技术基于bayes算法的风机故障诊断系统的实现流程图。图2为本专利技术基于bayes算法的风机故障诊断系统的结构图。图3为本专利技术实施例中风力发电叶片故障诊断方法的具体流程图。图4为本专利技术实施例中风力发电机故障预测性诊断方法的具体流程图。具体实施方式下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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它实施例，都属于本专利技术保护的范围。下面结合图2为本专利技术基于bayes算法的风机故障诊断系统的结构图。如图2所示，本实施例中的故障诊断方法包括以下步骤：步骤101，结合风机叶片实际异常情况对风机叶片已知的故障类型和对应时间。步骤102，结合风机叶片实际异常情况对风机叶片各类故障发生前的特征状态进行标记。步骤103，采用copula关联函数改进的Bayes算法建立风机叶片故障诊断模型。本步骤中，风机叶片已知故障类型、风机叶片发生故障前特殊标识存入数据库；导入风机叶片的历史数据，根据风机叶片运行特征确定与叶片运行状态密切相关的核心参数：叶片角度、变桨轴承温度、变桨轴承油温、变桨轴承转速，以及能体现风机发电效率的关键参数：有功功率、ls平均风速，并制定用于建模的参数组合，其中所有参数组合中前三组参数必选。然后，采用Copula关联函数求取上述各参数组合的故障诊断条件概率密度，同时统计历史数据的叶片故障本文档来自技高网...

【技术保护点】
一种基于Bayes算法的风力发电故障诊断方法，其特征在于，包括：以风力发电数据养殖为基础，标注风力发电系统故障信息；采用Copula关联函数对Bayes算法进行改进，并将改进的Bayes算法应用于风力发电系统故障预测性诊断；根据对风力发电设备运行影响的重要程度选取用于创建风电发力系统设备故障诊断模型相应的参数，不同维度的参数组合必须≥3项；定期对诊断模型重新拟合，优化故障诊断模型。

【技术特征摘要】
1.一种基于Bayes算法的风力发电故障诊断方法，其特征在于，包括：以风力发电数据养殖为基础，标注风力发电系统故障信息；采用Copula关联函数对Bayes算法进行改进，并将改进的Bayes算法应用于风力发电系统故障预测性诊断；根据对风力发电设备运行影响的重要程度选取用于创建风电发力系统设备故障诊断模型相应的参数，不同维度的参数组合必须≥3项；定期对诊断模型重新拟合，优化故障诊断模型。2.如权利要求1所述的方法，其特征在于，所述风力发电系统的故障信息，该故障信息进一步包括：风力发电系统已知的故障类型和对应的时间。3.如权利要求1所述的方法，其特征在于，所述风力发电系统的故障信息，该故障信息进一步包括：风力发电系统各类故障发生前的特征状态。4.如权利要求1所述的方法，其特征在于，所述不同维度的参数组合至少包含按重要程度影响风力发电系统设备运行的前3项参数。5.如权利要求1所述的方法，其体征在于，所述优化故障诊断模型包括：采用...

【专利技术属性】
技术研发人员：宋哲，周炯，
申请(专利权)人：济中节能技术苏州有限公司，
类型：发明
国别省市：江苏,32