风电叶片的叶根螺栓的故障检测方法、系统、设备及介质技术方案

本发明专利技术公开了一种风电叶片的叶根螺栓的故障检测方法、系统、设备及介质，所述故障检测方法包括：获取风电叶片的叶根螺栓的历史风机数据；根据预设规则对历史风机数据进行提取，得到评价叶根螺栓是否故障的模型特征及与模型特征对应的特征数据；基于模型特征、特征数据和随机森林算法构建评价叶根螺栓的故障检测模型；获取与待检测的叶根螺栓对应的当前风机数据；将当前风机数据输入故障检测模型，输出表征待检测的叶根螺栓是否故障的故障值。本发明专利技术预先对采集到的风机数据进行分析提取得到故障检测的关键特征，并采用随机森林模型基于关键特征进行螺栓故障机和正常机的判定分类，降低了人工检测螺栓故障的成本。

【技术实现步骤摘要】
风电叶片的叶根螺栓的故障检测方法、系统、设备及介质
本专利技术属于风电叶片的叶根螺栓的故障检测领域，特别涉及一种风电叶片的叶根螺栓的故障检测方法、系统、设备及介质。
技术介绍
近几年，风力发电设备大幅增加，尤其以风力发电机最多，在不同风场风机叶片轴承与轮毂连接螺栓故障排查中，会发现部分机组存在叶根螺栓松动，甚至是断裂的现象，如果叶根螺栓故障没有及时得到处理，可能进一步导致多个叶根螺栓的断裂，最终导致风机叶片的脱落，叶片脱落会迫使风机故障停机，甚至产生严重的安全事故。因此，及时发现并处理叶根螺栓故障能避免风机因叶片脱落停机造成的功率损失，有利于提高风机的安全性及经济性。为了对螺栓进行校核，目前人们主要通过利用有限元软件分析和科学计算两种途径来对螺栓的可靠性进行设计和校核，但是现有风电数据由于样本采样不均匀、数据产生过程复杂等原因，数据挖掘任务具有不少难点，风力发电机运行机制复杂，偏航系统、变桨系统、检测系统均有“牵一发而动全身”的可能，变量之间可能存在许多非线性相关性，因此最终还是需要维护人员到现场维护进行检测风机是否存在螺栓故障。
技术实现思路
本专利技术要解决的技术问题是为了克服现有技术中需要维护人员到现场维护进行检测风机是否存在螺栓故障的缺陷，提供一种风电叶片的叶根螺栓的故障检测方法、系统、设备及介质。本专利技术是通过下述技术方案来解决上述技术问题：一种风电叶片的叶根螺栓的故障检测方法，所述故障检测方法包括：获取风电叶片的叶根螺栓的历史风机数据；根据预设规则对所述历史风机数据进行提取，得到评价所述叶根螺栓是否故障的模型特征及与所述模型特征对应的特征数据；基于所述模型特征、所述特征数据和随机森林算法构建评价所述叶根螺栓的故障检测模型；获取与待检测的叶根螺栓对应的当前风机数据；将所述当前风机数据输入所述故障检测模型，输出表征所述待检测的叶根螺栓是否故障的故障值。较佳地，所述根据预设规则对所述历史风机数据进行提取，得到评价所述叶根螺栓是否故障的模型特征的步骤具体包括：将所述历史风机数据中的每个参数作为一个原始特征；基于熵值算法得到每个原始特征的熵值，并提取熵值排序靠前的若干原始特征生成第一特征集合；基于专家评分法对每个原始特征进行打分，并提取得分排序靠前的若干原始特征生成第二特征集合；将所述第一特征集合中的特征作为所述模型特征；或，将所述第二特征集合中的特征作为所述模型特征；或，将所述第一特征集合中的特征和所述第二特征集合中的特征均作为所述模型特征；或，获取所述第一特征集合与所述第二特征集合的第一特征并集，并根据所述第一特征并集中每个特征的熵值和/或得分得到所述第一特征并集中每个特征的第一重要度，并提取第一重要度排序靠前的若干特征作为所述模型特征。较佳地，所述基于专家评分算法对每个原始特征进行打分，并提取得分排序靠前的若干原始特征生成第二特征集合的步骤之后，所述故障检测方法还包括：依次剔除一个原始特征，并基于剩余的原始特征、与所述剩余的原始特征对应的历史风机数据和随机森林算法构建评价叶根螺栓的多个预备故障检测模型；分别将风机测试数据输入所述多个预备故障检测模型，并统计每个预备故障检测模型的准确率；提取准确率排序靠后的预备故障检测模型对应的剔除特征生成第三特征集合；将所述第三特征集合中的特征作为所述模型特征；或，将所述第一特征集合中的特征、所述第二特征集合中的特征和所述第三特征集合中的特征均作为所述模型特征；或，获取所述第一特征集合、所述第二特征集合和所述第三特征集合的第二特征并集，并根据所述第二特征并集中每个特征的熵值和/或得分和/或准确率得到所述第二特征并集中每个特征的第二重要度，并提取第二重要度排序靠前的若干特征作为所述模型特征。较佳地，所述提取准确率排序靠后的预备故障检测模型对应的剔除特征生成第三特征集合的步骤之后，所述故障检测方法还包括：将所述第一特征集合中的特征的熵值进行归一化处理；将所述第二特征集合中的特征的得分进行归一化处理；将所述第三特征集合中的特征的准确率进行归一化处理；所述根据所述第一特征并集中每个特征的熵值和/或得分得到所述第一特征并集中每个特征的第一重要度的步骤中，根据归一化后的熵值和/或归一化后的得分得到所述第一重要度；所述根据所述第二特征并集中每个特征的熵值和/或得分和/或准确率得到所述第二特征并集中每个特征的第二重要度的步骤中，根据归一化后的熵值和/或归一化后的得分和/或归一化后的准确率得到所述第二重要度。较佳地，所述将所述历史风机数据中的每个参数作为一个原始特征的步骤之后，所述故障检测方法还包括：滤除所述原始特征中的无关特征，所述无关特征为与所述叶根螺栓的故障不相关的特征。较佳地，所述基于所述模型特征、所述特征数据和随机森林算法构建评价所述叶根螺栓的故障检测模型的步骤具体包括：预设要构建的故障检测模型包含的决策树的数目N；分别从所述特征数据中提取N组训练数据，每组训练数据的数量相同，且每组训练数据包含的故障数据和非故障数据的数量相同；基于所述N组训练数据和所述随机森林算法构建N个随机森林模型；根据所述N个随机森林模型生成所述故障检测模型。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计算机程序时实现上述的风电叶片的叶根螺栓的故障检测方法。一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的风电叶片的叶根螺栓的故障检测方法的步骤。一种风电叶片的叶根螺栓的故障检测系统，所述故障检测系统包括历史风机数据获取模块、特征提取模块、故障检测模型构建模块、当前风机数据获取模块和故障检测模块；所述历史风机数据获取模块用于获取风电叶片的叶根螺栓的历史风机数据；所述特征提取模块用于根据预设规则对所述历史风机数据进行提取，得到评价所述叶根螺栓是否故障的模型特征及与所述模型特征对应的特征数据；所述故障检测模型构建模块用于基于所述模型特征、所述特征数据和随机森林算法构建评价所述叶根螺栓的故障检测模型；所述当前风机数据获取模块用于获取与待检测的叶根螺栓对应的当前风机数据；所述故障检测模块用于将所述当前风机数据输入所述故障检测模型，输出表征所述待检测的叶根螺栓是否故障的故障值。较佳地，所述特征提取模块包括原始特征获取单元、第一特征集合生成单元和第二特征集合生成单元；所述原始特征获取单元用于将所述历史风机数据中的每个参数作为一个原始特征；所述第一特征集合生成单元用于基于熵值算法得到每个原始特征的熵值，并提取熵值排序靠前的若干原始特征生成第一特征集合；所述第二特征集合生成单元用于基于专家评分法对每个原始特征进行打分，并提取得分排序靠前的若干原始特征生成第二特征集合；所述特征提取模块用于将所述第一特征集合中的特征作为所述模型特征；或，将所述第二特征集合中的特征作为所述模型特征；或，将所述第一特征集合中的特征和所述第二特征集合中的特征均作为所述模型特征；或，获取所述第一特征集合与所述第二特征集合的第一特征并集，并根据所述第一特征并集中每个特征的熵值和/或得分得到所述第一特征并集中每个特征的第一重要度，并提取第一重要度排序靠前的若干特征作为所述模型特征。较佳地，所述特征提取模块还包括剔除单元、预备故障检测模型构建单元、模型准确率计算单元本文档来自技高网...

【技术保护点】
1.一种风电叶片的叶根螺栓的故障检测方法，其特征在于，所述故障检测方法包括：获取风电叶片的叶根螺栓的历史风机数据；根据预设规则对所述历史风机数据进行提取，得到评价所述叶根螺栓是否故障的模型特征及与所述模型特征对应的特征数据；基于所述模型特征、所述特征数据和随机森林算法构建评价所述叶根螺栓的故障检测模型；获取与待检测的叶根螺栓对应的当前风机数据；将所述当前风机数据输入所述故障检测模型，输出表征所述待检测的叶根螺栓是否故障的故障值。

【技术特征摘要】
1.一种风电叶片的叶根螺栓的故障检测方法，其特征在于，所述故障检测方法包括：获取风电叶片的叶根螺栓的历史风机数据；根据预设规则对所述历史风机数据进行提取，得到评价所述叶根螺栓是否故障的模型特征及与所述模型特征对应的特征数据；基于所述模型特征、所述特征数据和随机森林算法构建评价所述叶根螺栓的故障检测模型；获取与待检测的叶根螺栓对应的当前风机数据；将所述当前风机数据输入所述故障检测模型，输出表征所述待检测的叶根螺栓是否故障的故障值。2.如权利要求1所述的风电叶片的叶根螺栓的故障检测方法，其特征在于，所述根据预设规则对所述历史风机数据进行提取，得到评价所述叶根螺栓是否故障的模型特征的步骤具体包括：将所述历史风机数据中的每个参数作为一个原始特征；基于熵值算法得到每个原始特征的熵值，并提取熵值排序靠前的若干原始特征生成第一特征集合；基于专家评分法对每个原始特征进行打分，并提取得分排序靠前的若干原始特征生成第二特征集合；将所述第一特征集合中的特征作为所述模型特征；或，将所述第二特征集合中的特征作为所述模型特征；或，将所述第一特征集合中的特征和所述第二特征集合中的特征均作为所述模型特征；或，获取所述第一特征集合与所述第二特征集合的第一特征并集，并根据所述第一特征并集中每个特征的熵值和/或得分得到所述第一特征并集中每个特征的第一重要度，并提取第一重要度排序靠前的若干特征作为所述模型特征。3.如权利要求2所述的风电叶片的叶根螺栓的故障检测方法，其特征在于，所述基于专家评分算法对每个原始特征进行打分，并提取得分排序靠前的若干原始特征生成第二特征集合的步骤之后，所述故障检测方法还包括：依次剔除一个原始特征，并基于剩余的原始特征、与所述剩余的原始特征对应的历史风机数据和随机森林算法构建评价叶根螺栓的多个预备故障检测模型；分别将风机测试数据输入所述多个预备故障检测模型，并统计每个预备故障检测模型的准确率；提取准确率排序靠后的预备故障检测模型对应的剔除特征生成第三特征集合；将所述第三特征集合中的特征作为所述模型特征；或，将所述第一特征集合中的特征、所述第二特征集合中的特征和所述第三特征集合中的特征均作为所述模型特征；或，获取所述第一特征集合、所述第二特征集合和所述第三特征集合的第二特征并集，并根据所述第二特征并集中每个特征的熵值和/或得分和/或准确率得到所述第二特征并集中每个特征的第二重要度，并提取第二重要度排序靠前的若干特征作为所述模型特征。4.如权利要求3所述的风电叶片的叶根螺栓的故障检测方法，其特征在于，所述提取准确率排序靠后的预备故障检测模型对应的剔除特征生成第三特征集合的步骤之后，所述故障检测方法还包括：将所述第一特征集合中的特征的熵值进行归一化处理；将所述第二特征集合中的特征的得分进行归一化处理；将所述第三特征集合中的特征的准确率进行归一化处理；所述根据所述第一特征并集中每个特征的熵值和/或得分得到所述第一特征并集中每个特征的第一重要度的步骤中，根据归一化后的熵值和/或归一化后的得分得到所述第一重要度；所述根据所述第二特征并集中每个特征的熵值和/或得分和/或准确率得到所述第二特征并集中每个特征的第二重要度的步骤中，根据归一化后的熵值和/或归一化后的得分和/或归一化后的准确率得到所述第二重要度。5.如权利要求2所述的风电叶片的叶根螺栓的故障检测方法，其特征在于，所述将所述历史风机数据中的每个参数作为一个原始特征的步骤之后，所述故障检测方法还包括：滤除所述原始特征中的无关特征，所述无关特征为与所述叶根螺栓的故障不相关的特征。6.如权利要求1所述的风电叶片的叶根螺栓的故障检测方法，其特征在于，所述基于所述模型特征、所述特征数据和随机森林算法构建评价所述叶根螺栓的故障检测模型的步骤具体包括：预设要构建的故障检测模型包含的决策树的数目N；分别从所述特征数据中提取N组训练数据，每组训练数据的数量相同，且每组训练数据包含的故障数据和非故障数据的数量相同；基于所述N组训练数据和所述随机森林算法构建N个随机森林模型；根据所述N个随机森林模型生成所述故障检测模型。7.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的风电叶片的叶根螺栓的故障检测方法。8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至...

【专利技术属性】
技术研发人员：王蓓，黄永民，成骁彬，陈雅琳，许王建，
申请(专利权)人：上海电气风电集团有限公司，
类型：发明
国别省市：上海,31