一种风电故障诊断知识库构建方法技术

本申请涉及一种风电故障诊断知识库构建方法，属于知识库构建技术领域。本申请包括：利用预设本体构建工具构建风电故障知识本体；获取风电故障的原生数据，根据数据的类型，采用相应的知识抽取策略进行知识抽取；根据构建出的风电故障知识本体和抽取的知识生成风电故障诊断的知识图谱，并进行存储。本申请通过故障诊断知识的具象化来满足使用者对故障诊断可理解性和可解释性的使用需求。

【技术实现步骤摘要】
一种风电故障诊断知识库构建方法
本申请属于知识库构建
，具体涉及一种风电故障诊断知识库构建方法。
技术介绍
风力发电利用风机将空气动能转化为电能，风力发电场的效益依赖于每台风机的发电效率和有效发电(开机)时间。因此，风力发电厂的运营要求尽可能地提高单机发电效率和延长开机时间，也就是需要尽可能地减少停机时间，提高开机时的发电效率。除了极端天气(飓风等)和常规维护要求的必要停机外，非预期的故障是造成停机的最大原因，如出现故障无法及时排查，等候维修所用零部件等情况，会造成有效发电时间的浪费，进而造成风电场损失。另外，有些故障虽然不需要停机，但是会造成发电效率降低，还有可能进一步引发更严重的故障。相关技术中，风机故障诊断可以通过厂家提供的故障处理手册进行，故障处理手册作为一个风机故障诊断知识库，虽然故障处理手册在诊断过程中起到了重要的作用，但其往往难以完全覆盖大量随着运营过程产生的故障，同时，故障处理手册属于专家对风机构造和特性的理解和经验，因而对于一般使用者来说故障处理手册在可理解性方面可能存在不足。此外，相关技术中，每台风机都装备了SCADA(SupervisoryControlAndDataAcquisition)系统，即数据采集与监视控制系统。SCADA会记录风机不同系统(机械、电气、油路、发电、环境等)、不同部位(叶片、主机、传动等)的各种实时测量值，以及根据预设的逻辑产生的事件(如“油压过低”这样的警报，如“开机”这样的状态)，其数据项依风机厂家和型号不同，数量在一百到三百之间；采样频率一般为秒级，即每台风机每秒会产生一条具有上百个字段的记录。这些实时数据可作为故障诊断的依据，有助于保障风电故障诊断覆盖的全面性，在实际应用中，可以使用机器学习进行故障预测，基于机器学习建立风电故障诊断知识库。但是由于表现好的模型通常使用深度模型或集成模型，对一般使用者来讲，其可解释性方面存在不足，也难以完成推理。
技术实现思路
为至少在一定程度上克服相关技术中存在的问题，本申请提供一种风电故障诊断知识库构建方法，旨在通过故障诊断知识的具象化来满足使用者对故障诊断可理解性和可解释性的使用需求。为实现以上目的，本申请采用如下技术方案：本申请提供一种风电故障诊断知识库构建方法，所述方法包括：利用预设本体构建工具构建风电故障知识本体；获取风电故障的原生数据，根据数据的类型，采用相应的知识抽取策略进行知识抽取；根据构建出的风电故障知识本体和抽取的知识生成风电故障诊断的知识图谱，并进行存储。进一步地，所述利用预设本体构建工具构建风电故障知识本体，包括：利用Protégé，从类、对象属性、数据属性和实例四方面构建风电故障知识本体。进一步地，所述原生数据，包括：SCADA风机数据、SCADA事件数据、风机故障运维记录表、故障处理手册以及与风机或事件相关的静态数据。进一步地，所述根据数据的类型，采用对应的知识抽取策略进行知识抽取，包括：对于所述SCADA风机数据和所述SCADA事件数据，采用Redis数据库对预设周期内的数据进行全量提取，并利用机器学习进行知识抽取；对于所述风机故障运维记录表，直接读取并保存为结构化数据；以及对于所述故障处理手册和所述静态数据，先进行数据的基本清洗，之后通过正则匹配的方式进行内容的结构化处理。进一步地，所述利用机器学习进行知识抽取，包括：根据全量提取的所述预设周期内的所述SCADA风机数据和所述SCADA事件数据，利用预设故障预测模型得到风电故障事件预测结果；以及根据全量提取的所述预设周期内的所述SCADA事件数据，结合所述风机故障运维记录表，抽取大于或者等于预设发生频次的事件作为高频事件，然后将抽取的所述高频事件进行组合，利用预设关联规则算法产生关联规则，并利用预设的置信度和提升度进行所述关联规则的筛选。进一步地，其中，所述故障预测模型是基于LightGBM算法构建得到的。进一步地，其中，所述关联规则算法采用Apirori算法，所述置信度设置为大于0.5，所述提升度设置为大于1。进一步地，其中，对于所述知识图谱的存储，包括：将所述故障预测模型的输出结果存储于预设关系型数据库，以及将抽取的其它知识存储于图数据库。进一步地，其中，所述关系型数据库采用Mysql数据库，所述图数据库采用Neo4j数据库。进一步地，所述方法还包括：根据抽取的知识，定期更新所述故障预测模型和所述关联规则，以及根据更新后的所述故障预测模型和所述关联规则更新所述知识图谱。本申请采用以上技术方案，至少具备以下有益效果：本申请通过构建风电故障知识本体，然后获取风电故障的原生数据，根据数据的类型，采用对应的知识抽取策略进行知识抽取，以此生成风电故障的知识图谱，并进行存储。由此，构建出风电故障诊断知识库，该知识库能实现故障诊断知识的具象化，进而可以满足使用者对故障诊断可理解性和可解释性的使用需求。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。附图说明为了更清楚地说明本申请实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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是根据一示例性实施例示出的一种风电故障诊断知识库构建方法的流程图；图2是根据一示例性实施例示出的风电故障知识本体中类方面的主要考虑内容示意图；图3是根据一示例性实施例示出的风电故障知识本体中对象属性方面的主要考虑内容示意图；图4是根据一示例性实施例示出的风电故障知识本体中数据属性方面的主要考虑内容示意图；图5是根据另一示例性实施例示出的一种风电故障诊断知识库构建方法的流程图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。请参阅图1，图1是根据一示例性实施例示出的一种风电故障诊断知识库构建方法的流程图，如图1所示，该风电故障诊断知识库构建方法包括如下步骤：步骤S101、利用预设本体构建工具构建风电故障知识本体；步骤S102、获取风电故障的原生数据，根据数据的类型，采用相应的知识抽取策略进行知识抽取；步骤S103、根据构建出的风电故障知识本体和抽取的知识生成风电故障诊断的知识图谱，并进行存储。上述实施例方案通过构建风电故障知识本体，然后获取风电故障的原生数据，根据数据的类型，采用对应的知识抽取策略进行知识抽取，以此生成风电故障的知识图谱，并进行本文档来自技高网...

【技术保护点】
1.一种风电故障诊断知识库构建方法，其特征在于，所述方法包括：/n利用预设本体构建工具构建风电故障知识本体；/n获取风电故障的原生数据，根据数据的类型，采用相应的知识抽取策略进行知识抽取；/n根据构建出的风电故障知识本体和抽取的知识生成风电故障诊断的知识图谱，并进行存储。/n

【技术特征摘要】
1.一种风电故障诊断知识库构建方法，其特征在于，所述方法包括：
利用预设本体构建工具构建风电故障知识本体；
获取风电故障的原生数据，根据数据的类型，采用相应的知识抽取策略进行知识抽取；
根据构建出的风电故障知识本体和抽取的知识生成风电故障诊断的知识图谱，并进行存储。


2.根据权利要求1所述的方法，其特征在于，所述利用预设本体构建工具构建风电故障知识本体，包括：
利用Protégé，从类、对象属性、数据属性和实例四方面构建风电故障知识本体。


3.根据权利要求1所述的方法，其特征在于，所述原生数据，包括：
SCADA风机数据、SCADA事件数据、风机故障运维记录表、故障处理手册以及与风机或事件相关的静态数据。


4.根据权利要求3所述的方法，其特征在于，所述根据数据的类型，采用对应的知识抽取策略进行知识抽取，包括：
对于所述SCADA风机数据和所述SCADA事件数据，采用Redis数据库对预设周期内的数据进行全量提取，并利用机器学习进行知识抽取；
对于所述风机故障运维记录表，直接读取并保存为结构化数据；以及
对于所述故障处理手册和所述静态数据，先进行数据的基本清洗，之后通过正则匹配的方式进行内容的结构化处理。


5.根据权利要求4所述的方法，其特征在于，所述利用机器学习进行知识抽取，包括：
根...

【专利技术属性】
技术研发人员：卢红伟，王祯，彭加立，郭鹏程，张广斌，潘肖宇，
申请(专利权)人：中国水电工程顾问集团有限公司，北京清玉德科技有限公司，
类型：发明
国别省市：北京;11