一种基于快速梯度提升机的风电机组故障检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于快速梯度提升机的风电机组故障检测方法及装置，通过最大信息系数相关分析方法，从状态特征集中选取目标状态特征，并且根据代价敏感快速梯度提升机得到故障检测模型，减少了风电机组故障检测过程中的计算量及计算耗时，提高风电机组的故障检测效率和实时性。方法包括：获取风电机组的状态特征集，状态特征集包括至少一个状态特征；根据最大信息系数相关分析方法从状态特征集中选取目标状态特征；根据代价敏感快速梯度提升机得到故障检测模型；根据目标状态特征及故障检测模型，预测得到风电机组的故障检测结果。

A fault detection method and device of wind turbine based on fast gradient elevator

【技术实现步骤摘要】
一种基于快速梯度提升机的风电机组故障检测方法及装置
本专利技术涉及风力发电领域，特别是涉及一种基于快速梯度提升机的风电机组故障检测方法及装置。
技术介绍
风力发电技术作为新能源领域的一个重要方向，而风力资源丰富的地方往往位于偏远地区，外部环境恶劣易造成风电机组故障。风电机组齿轮箱的故障是导致停机时间最长、经济损失最大的原因，齿轮箱故障将直接影响设备的整体性能。因此，对风电机组齿轮箱部件进行故障检测、快速识别故障，对于减少风电机组的运维成本和提高整个风场的生产效率具有重要意义。机器学习方法在风电机组故障诊断领域取得了广泛应用，机器学习方法不需要建立精确的数学模型，也不需要精深的专业知识，只需对数据进行分析与处理，建立故障诊断模型，利用数据模型实现故障诊断。梯度提升算法是经典的机器学习算法之一。梯度提升算法是一种将弱学习器集成为强学习器的算法，根据基学习器的表现，对训练样本进行调整，从而生成强学习器。提升算法多用于分类问题，通过提高错误样本所占的权重来调整算法，提升算法精度。由于提升t算法需要预先知道弱分类器准确率识别的下限，实际故障诊断中应用受到限制。随着专家们对提升算法的研究不断深入，AdaBoost算法解决了提升算法的实际应用问题；GBDT算法有效解决了特征变换复杂性问题；XGBoost算法，采用并行处理，将树模型复杂度加入正则项，有效避免了过拟合。这些方法优化了提升算法模型。但是，由于传统提升算法对异常值非常敏感，当数据样本是异常点时，会极大的干扰基分类器学习效果；传统提升算法训练效率不高，内存占用大；在实际的风电机组故障诊断过程中，由于存在较多的特征向量，传统的提升算法进行计算时，复杂度较大，不能处理海量大数据，进而影响计算效率和故障检测的实时性。
技术实现思路
本专利技术的目的是提供一种基于快速梯度提升机的风电机组故障检测方法及装置，通过最大信息系数相关分析方法，从状态特征集中选取目标状态特征，并且根据代价敏感快速梯度提升机得到故障检测模型，减少了风电机组故障检测过程中的计算量及计算耗时，提高风电机组的故障检测效率和实时性。本专利技术第一方面提供一种基于梯度提升机的风电机组故障检测方法，包括：获取风电机组的状态特征集，状态特征集包括至少一个状态特征；根据最大信息系数相关分析方法从状态特征集中选取目标状态特征；根据代价敏感快速梯度提升机得到故障检测模型；根据目标状态特征及故障检测模型，预测得到风电机组的故障检测结果。进一步的，根据最大信息系数相关分析方法从状态特征集中选取目标状态特征，包括：通过最大信息系数相关分析方法，计算状态特征与风电机组的故障的相关强度系数；根据特征选取规则，选取处于预置系数区间范围内的相关强度系数所对应的状态特征，作为目标状态特征。进一步的，通过最大信息系数相关分析方法，计算状态特征与风电机组的故障的相关强度系数，包括：根据状态特征与风电机组的故障，计算得到故障与状态特征的互信息；基于最大信息系数理论及互信息，计算得到故障与状态特征的相关强度系数。进一步的，根据状态特征与风电机组的故障，计算得到故障与状态特征的互信息，包括：计算得到故障的故障信息熵；计算得到故障与状态特征的条件熵，条件熵表示状态特征发生时故障发生的条件概率分布；将故障信息熵减去故障的条件概率分布，得到故障与状态特征的互信息。进一步的，根据代价敏感快速梯度提升机得到故障检测模型，包括：确定梯度提升机算法的损失函数；计算得到损失函数的一阶损失函数和二阶损失函数；为一阶损失函数赋予第一代价敏感参数，为二阶损失函数赋予第二代价敏感参数，第一代价敏感参数为任意固定取值，第二代价敏感参数根据网格搜索法获取得到；根据一阶损失函数、第一代价敏感参数、二阶损失函数和第二代价敏感参数，得到新的损失函数，根据新的损失函数得到代价敏感快速梯度提升机；根据所述代价敏感快速梯度提升机的算法，得到故障检测模型。本专利技术第二方面提供一种基于快速梯度提升机的风电机组故障检测装置，包括：数据获取模块，用于获取风电机组的状态特征集，状态特征集包括至少一个状态特征；特征选取模块，用于根据最大信息系数相关分析方法从状态特征集中选取目标状态特征；故障检测模型构建模块，用于根据代价敏感快速梯度提升机得到故障检测模型；故障预测模型，用于根据目标状态特征及故障检测模型，预测得到风电机组的故障检测结果。进一步的，特征选取模块包括：相关强度计算单元，用于通过最大信息系数相关分析方法，计算状态特征与风电机组的故障的相关强度系数；故障检测模型参数选取单元，用于根据特征选取规则，选取处于预置系数区间范围内的相关强度系数所对应的状态特征，作为目标状态特征。进一步的，相关强度计算单元，还用于根据状态特征与风电机组的故障，计算得到风电机组的故障与状态特征的互信息；相关强度计算单元，还用于基于最大信息系数理论及互信息，计算得到故障与状态特征的相关强度系数。进一步的，相关强度计算单元，还用于计算得到故障的故障信息熵；相关强度计算单元，还用于计算得到故障与状态特征的条件熵，条件熵表示状态特征发生时故障发生的条件概率分布；相关强度计算单元，还用于将故障信息熵减去故障的条件概率分布，得到故障与状态特征的互信息。进一步的，故障检测模型构建模块包括：确定单元，用于确定梯度提升机算法的损失函数；计算单元，用于计算得到损失函数的一阶损失函数和二阶损失函数；代价敏感参数赋予单元，用于为一阶损失函数赋予第一代价敏感参数，为二阶损失函数赋予第二代价敏感参数，第一代价敏感参数为任意固定取值，第二代价敏感参数根据网格搜索法获取得到；快速梯度提升机算法单元，用于根据一阶损失函数、第一代价敏感参数、二阶损失函数和第二代价敏感参数，得到新的损失函数，根据新的损失函数得到代价敏感快速梯度提升机；故障检测模型构建单元，用于根据代价敏感快速梯度提升机的算法，得到故障检测模型。由上可见，本专利技术中基于快速梯度提升机的风电机组故障检测方法及装置，通过最大信息系数相关分析方法，从状态特征集中选取目标状态特征，从而删选掉了状态特征集中的部分状态特征，减少了故障检测过程的时耗计算量及计算耗时，并且根据代价敏感快速梯度提升机得到故障检测模型，支持并行学习，能高效地处理数据，有效地解决计算效率低、实时性差等问题。因此，提高风电机组的故障检测效率和实时性。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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为本专利技术提供的基于快速梯度提升机的风电机组故障检测方法的一个实施例的流程示意图；本文档来自技高网...

【技术保护点】
1.一种基于快速梯度提升机的风电机组故障检测方法，其特征在于，包括：/n获取风电机组的状态特征集，所述状态特征集包括至少一个状态特征；/n根据最大信息系数相关分析方法从所述状态特征集中选取目标状态特征；/n根据代价敏感快速梯度提升机得到故障检测模型；/n根据所述目标状态特征及所述故障检测模型，预测得到所述风电机组的故障检测结果。/n

【技术特征摘要】
1.一种基于快速梯度提升机的风电机组故障检测方法，其特征在于，包括：
获取风电机组的状态特征集，所述状态特征集包括至少一个状态特征；
根据最大信息系数相关分析方法从所述状态特征集中选取目标状态特征；
根据代价敏感快速梯度提升机得到故障检测模型；
根据所述目标状态特征及所述故障检测模型，预测得到所述风电机组的故障检测结果。


2.根据权利要求1所述的方法，其特征在于，所述根据最大信息系数相关分析方法从所述状态特征集中选取目标状态特征，包括：
通过最大信息系数相关分析方法，计算所述状态特征与所述风电机组的故障的相关强度系数；
根据特征选取规则，选取处于预置系数区间范围内的相关强度系数所对应的状态特征，作为目标状态特征。


3.根据权利要求2所述的方法，其特征在于，所述通过最大信息系数相关分析方法，计算所述状态特征与所述风电机组的故障的相关强度系数，包括：
根据所述状态特征与所述风电机组的故障，计算得到所述故障与所述状态特征的互信息；
基于最大信息系数理论及所述互信息，计算得到所述故障与所述状态特征的相关强度系数。


4.根据权利要求3所述的方法，其特征在于，所述根据所述状态特征与所述风电机组的故障，计算得到所述故障与所述状态特征的互信息，包括：
计算得到所述故障的故障信息熵；
计算得到所述故障与所述状态特征条件熵，所述条件熵表示所述状态特征发生时所述故障发生的条件概率分布；
将所述故障信息熵减去所述故障的条件概率分布，得到所述故障与所述状态特征的互信息。


5.根据权利要求1-4中任一项所述的方法，其特征在于，所述根据代价敏感快速梯度提升机得到故障检测模型，包括：
确定梯度提升机算法的损失函数；
计算得到所述损失函数的一阶损失函数和二阶损失函数；
为所述一阶损失函数赋予第一代价敏感参数，为所述二阶损失函数赋予第二代价敏感参数，所述第一代价敏感参数为任意固定取值，所述第二代价敏感参数根据网格搜索法获取得到；
根据所述一阶损失函数、所述第一代价敏感参数、所述二阶损失函数和所述第二代价敏感参数，得到新的损失函数，根据所述新的损失函数得到代价敏感快速梯度提升机；
根据所述代价敏感快速梯度提升机的算法，得到故障检测模型。


6.一种基于梯度提升机的风电机组故障检测装置，其特...

【专利技术属性】
技术研发人员：彭巨，唐明珠，赵琪，陈冬林，龙文，李泽文，
申请(专利权)人：内蒙古青电云电力服务有限公司，长沙理工大学，
类型：发明
国别省市：内蒙;15