风机关键部件状态监测方法及装置、存储介质和终端制造方法及图纸

本发明专利技术公开了一种风机关键部件状态监测方法及装置、存储介质和终端，其中方法包括：获取风机关键部件的SCADA数据，并对SCADA数据进行筛选得到风机关键部件的正常运行数据；基于预设分析方式从正常运行数据中筛选出与风机关键部件的关键状态变量相关的特征变量数据；采用预设处理方式对特征变量数据进行处理得到时间序列样本；基于预设模型构建风机关键部件的健康指标，并根据健康指标分布构建风机关键部件健康状态的分级策略。本发明专利技术充分考虑风机关键部件的SCADA数据中的时序信息，构建更准确的发电机预测模型，有效地描述发电机健康状态，及时反映追踪其健康状态变化，实现了早期预警的目的。

Condition monitoring method, device, storage medium and terminal of key components of fan

【技术实现步骤摘要】
风机关键部件状态监测方法及装置、存储介质和终端
本专利技术涉及机械设备的故障预测与健康管理
，特别是风机故障检测
，具体为一种风机关键部件状态监测方法。
技术介绍
风电机组是用于产生风能的设备，通常位于气候多变、环境恶劣的偏远地区，如高山、海上。风电机组机械结构复杂且地理位置偏僻，其关键部件发生故障后，维修成本高且耗时较长。因此，实时监测发电机的运行状态，评估发电机当前的健康状态，在发电机健康状态退化时进行提示、在故障发生前进行早期预警，工程师依据此制定合理的维护计划，这对减少风机故障停机、延长设备使用寿命、降低维护成本具有重要意义。现有的风机状态监测及异常检测方法主要包括基于模型的方法、基于信号处理的方法和数据驱动的方法。基于模型的方法需要建立风机及其子部件机械结构的准确数学模型，难度大且监测有效性待提高。信号处理监测方法基于振动数据，振动信号的获得需要安装特定额外的传感器，代价较大。数据驱动方法基于风机数据采集与监视控制系统(SupervisoryControlandDataAcquisition，SCADA)，SCADA系统是风机中常见的监测系统且存储风机大量的运行数据。基于SCADA数据对风机进行状态监测的研究方法目前成为广泛使用，采用的方法包括：风功率曲线建模法、高斯混合模型法、人工神经网络法、支持向量回归方法、深度自编码器法等。该类方法主要关注风机正常运行状态下的模型构建，基于健康数据确定健康评估的阈值，依据与正常模型的偏离度对当前状态进行评估，判断风机状态是否异常。经过对现有技术的公开文献检索发现，目前针对风机状态监测的研究中大部分只使用当前时刻数据来评估当前时刻的健康状态，每一个状态变量序列的时序信息及历史信息对当前时刻数据的影响被忽略了。在报警策略的设计中，大部分研究认为当前时刻监测阈值超过给定阈值便引发报警，认为状态异常。但由于风机运行数据中存在不确定性、扰动、异常值等，这类策略容易产生误报警。此外，监测结果仅提示风机当前是否异常，风机的退化状态未知，并没有展示给工程人员。
技术实现思路
本专利技术所要解决的技术问题是现有技术中未充分利用风机关键部件的运行数据中的时序信息，且退化状态缺少表征。为了解决上述技术问题，本专利技术提供了一种风机关键部件状态监测方法，包括：获取风机关键部件的SCADA数据，并对所述SCADA数据进行筛选得到所述风机关键部件的正常运行数据；基于预设分析方式从所述正常运行数据中筛选出与所述风机关键部件的关键状态变量相关的特征变量数据；采用预设数据处理方式对所述特征变量数据进行处理得到时间序列样本，并基于所述时间序列样本和所述关键状态变量构建所述风机关键部件状态的预测模型；基于所述预设模型构建所述风机关键部件的健康指标，并根据所述健康指标分布构建所述风机关键部件健康状态的分级策略，再基于所述风机关键部件健康状态的分级策略对所述风机关键部件的状态进行监测。优选地，所述风机关键部件状态监测方法还包括：根据所述风机关键部件健康状态的分级策略构建局部辅助指标报警策略，并基于所述局部辅助指标报警策略对所述风机关键部件进行异常检测。优选地，对所述SCADA数据进行筛选得到所述风机关键部件正常运行数据包括：按预处理原则对所述SCADA数据进行筛选得到所述风机关键部件正常运行数据，其中预处理原则包括如下处理方式中的至少一个：剔除状态变量有缺失值或所有状态变量为0值的数据样本；根据系统报警记录，剔除故障发生及故障前后30分钟的数据；剔除超过系统设定阈值的数据样本；剔除风机不在发电状态或有功功率小于等于0的数据样本；剔除风速小于切入风速或大于切出风速的数据样本，从而获得风机健康状态下的数据集。优选地，基于预设分析方式从所述正常运行数据筛选出与所述风机关键部件的关键状态变量相关的特征变量数据包括：基于Pearson相关系数分析法从所述正常运行数据筛选出与所述风机关键部件的关键状态变量相关的特征变量数据。优选地，采用预设数据处理方式对所述特征变量数据进行处理得到时间序列样本包括：采用滑动窗口算法对所述特征变量数据进行处理得到时间序列样本。优选地，基于所述时间序列样本和所述关键状态变量构建所述风机关键部件状态的预测模型包括：将所述时间序列样本作为模型输入，所述关键状态变量作为模型输出，基于LSTM网络构建所述风机关键部件状态的预测模型。优选地，采用所述预测模型的平均绝对误差和平均绝对百分比误差作为所述预测模型的性能评价指标。优选地，基于所述预设模型构建所述风机关键部件的健康指标包括：计算所述预测模型的预测残差，并根据所述预测模型的预设残差采用距离度量方法中的马氏距离构建所述风机关键部件的健康指标。优选地，根据所述健康指标的分布构建所述风机关键部件健康状态的分级策略包括：采用核密度估计法对所述风机关键部件的健康指标的概率密度函数进行估计，得到所述风机关键部件的健康指标的概率密度函数，基于所述风机关键部件的健康指标的概率密度函数计算出所述风机关键部件的健康指标的累积分布函数，基于所述风机关键部件的健康指标的累积分布函数构建所述风机关键部件健康状态的分级策略。优选地，所述风机关键部件包括发电机、齿轮箱和主轴承。优选地，所述发电机的关键状态变量为发电机后轴承温度，所述齿轮箱的关键状态变量为齿轮箱高速轴承温度，所述主轴承的关键状态变量为主轴承温度。为了解决上述技术问题，本专利技术还提供了一种风机关键部件状态监测装置，包括正常运行数据获取模块、特征变量数据获取模块、预测模型构建模块和健康状态监测模块；所述正常运行数据获取模块，用于获取风机关键部件的SCADA数据，并对所述SCADA数据进行筛选得到所述风机关键部件的正常运行数据；所述特征变量数据获取模块，用于基于预设分析方式从所述正常运行数据中筛选出与所述风机关键部件的关键状态变量相关的特征变量数据；所述预测模型构建模块，用于采用预设数据处理方式对所述特征变量数据进行处理得到时间序列样本，并基于所述时间序列样本和所述关键状态变量构建所述风机关键部件状态的预测模型；所述健康状态监测模块，用于基于所述预设模型构建所述风机关键部件的健康指标，并根据所述健康指标分布构建所述风机关键部件健康状态的分级策略，再基于所述风机关键部件健康状态的分级策略对所述风机关键部件的状态进行监测。为了解决上述技术问题，本专利技术还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述风机关键部件状态监测方法。为了解决上述技术问题，本专利技术还提供了一种终端，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如所述风机关键部件状态监测方法。与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：应用本专利技术实施例提供的风机关键部件状态监测方法，将风机关键部件的正常运行SCADA数据作为监测模型构建基础数据，以增强所构建预设模型的精度。同时将与风机关键部件的关键状态变量相关的特征变量作为预设模型输入基础数据，通过滑动窗口对特征变量数据重新组织以获取能作为预测模型输入的时间序列样本，有效地减少因数据不确定性及异常值等引起的误报警；同时还以风机关键部件的关键本文档来自技高网...

【技术保护点】
1.一种风机关键部件状态监测方法，包括：获取风机关键部件的SCADA数据，并对所述SCADA数据进行筛选得到所述风机关键部件的正常运行数据；基于预设分析方式从所述正常运行数据中筛选出与所述风机关键部件的关键状态变量相关的特征变量数据；采用预设数据处理方式对所述特征变量数据进行处理得到时间序列样本，并基于所述时间序列样本和所述关键状态变量构建所述风机关键部件状态的预测模型；基于所述预设模型构建所述风机关键部件的健康指标，并根据所述健康指标分布构建所述风机关键部件健康状态的分级策略，再基于所述风机关键部件健康状态的分级策略对所述风机关键部件的状态进行监测。

【技术特征摘要】
1.一种风机关键部件状态监测方法，包括：获取风机关键部件的SCADA数据，并对所述SCADA数据进行筛选得到所述风机关键部件的正常运行数据；基于预设分析方式从所述正常运行数据中筛选出与所述风机关键部件的关键状态变量相关的特征变量数据；采用预设数据处理方式对所述特征变量数据进行处理得到时间序列样本，并基于所述时间序列样本和所述关键状态变量构建所述风机关键部件状态的预测模型；基于所述预设模型构建所述风机关键部件的健康指标，并根据所述健康指标分布构建所述风机关键部件健康状态的分级策略，再基于所述风机关键部件健康状态的分级策略对所述风机关键部件的状态进行监测。2.根据权利要求1所述的方法，其特征在于，还包括：根据所述风机关键部件健康状态的分级策略构建局部辅助指标报警策略，并基于所述局部辅助指标报警策略对所述风机关键部件进行异常检测。3.根据权利要求1所述的方法，其特征在于，对所述SCADA数据进行筛选得到所述风机关键部件正常运行数据包括：按预处理原则对所述SCADA数据进行筛选得到所述风机关键部件正常运行数据，其中预处理原则包括如下处理方式中的至少一个：剔除状态变量有缺失值或所有状态变量为0值的数据样本；根据系统报警记录，剔除故障发生及故障前后30分钟的数据；剔除超过系统设定阈值的数据样本；剔除风机不在发电状态或有功功率小于等于0的数据样本；剔除风速小于切入风速或大于切出风速的数据样本，从而获得风机健康状态下的数据集。4.根据权利要求1所述的方法，其特征在于，基于预设分析方式从所述正常运行数据筛选出与所述风机关键部件的关键状态变量相关的特征变量数据包括：基于Pearson相关系数分析法从所述正常运行数据筛选出与所述风机关键部件的关键状态变量相关的特征变量数据。5.根据权利要求1所述的方法，其特征在于，采用预设数据处理方式对所述特征变量数据进行处理得到时间序列样本包括：采用滑动窗口算法对所述特征变量数据进行处理得到时间序列样本。6.根据权利要求1所述的方法，其特征在于，基于所述时间序列样本和所述关键状态变量构建所述风机关键部件状态的预测模型包括：将所述时间序列样本作为模型输入，所述关键状态变量作为模型输出，基于LSTM网络构建所述风机关键部件状态的预测模型。7.根据权利要求6所述的方法，其特征在于，采用所述预测模型的平均绝对误差和平均绝对百分比误差作为所述预测模型的性能评价指标...

【专利技术属性】
技术研发人员：宋娜，李柠，卞一鸣，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海,31