基于Neo4j与贝叶斯的风机变桨系统故障诊断方法技术方案

本发明专利技术公开了一种基于Neo4j与贝叶斯的风机变桨系统故障诊断方法，包括以下步骤：从风机的历史故障工单中提取出故障知识储存在图Neo4j图数据库中；建立风电故障关系模型；将实时故障工单中的故障知识送入风电故障关系模型中，并用Cypher语言对Neo4j图数据库进行故障路径的查询；针对查询出来的故障路径建立证据融合的贝叶斯网络进行定量计算，得到各故障路径的概率，概率最高的故障路径作为最后的诊断结果。本发明专利技术通过将故障的定性推理与定量计算相结合，可缩小故障定位的难度，提高故障诊断效率。

【技术实现步骤摘要】
基于Neo4j与贝叶斯的风机变桨系统故障诊断方法
本专利技术涉及风电领域，特别涉及一种基于Neo4j与贝叶斯的风机变桨系统故障诊断方法。
技术介绍
随着全球的能源需求不断增加，风能作为重要可持续的清洁能源之一，具有重要的发展价值。近年来随着装机数量的不断增加，降低风电机组的故障率显得尤为重要。随着CPS和人工智能的发展，传统的故障定位方法已经不能满足日益发展的需要。因此风力发电故障诊断各方面的新技术也纷纷涌现。文献“基于堆叠自编码网络的风电机组发电机状态监测与故障诊断”提出了一种基于风电机组发电机正常状态下数据采集与监控(SCADA)样本数据的堆叠自编码网络深度学习方法。学术上的故障研究成果很多，然而当前风电公司运维大多是依赖于报警系统与运维工程师的经验积累，因此利用历史故障知识进行故障排查显得更加切实可行。目前，基于领域知识的研究被广大研究者所重视，其中基于知识进行相关故障诊断的研究成果越来越多。文献“无标签数据下基于特征知识迁移的机械设备智能故障诊断”提出基于特征知识迁移的机械设备智能故障诊断方法，完成不同机械设备之间监测数据的特征知识迁移，实现无标签数据下的机械设备智能故障诊断。文献“基于专家知识和模糊推理的大科学装置故障诊断方法”提出了基于专家知识和模糊推理相结合的故障诊断方法和模式匹配算法，实现了电气驱动及控制系统故障的智能诊断。在风电领域，由于风电故障的频发性和无规律性，利用历史故障知识对风电故障诊断进行定量分析还少有研究。
技术实现思路
为了解决上述技术问题，本专利技术提供一种算法简单、诊断精度高的基于Neo4j与贝叶斯的风机变桨系统故障诊断方法。本专利技术解决上述问题的技术方案是：一种基于Neo4j与贝叶斯的风机变桨系统故障诊断方法，包括以下步骤：步骤一：从风机的历史故障工单中提取出故障知识储存在图Neo4j图数据库中；步骤二：建立风电故障关系模型；步骤三：将实时故障工单中的故障知识送入风电故障关系模型中，并用Cypher语言对Neo4j图数据库进行故障路径的查询；步骤四：针对查询出来的故障路径建立证据融合的贝叶斯网络进行定量计算，得到各故障路径的概率，概率最高的故障路径作为最后的诊断结果。上述基于Neo4j与贝叶斯的风机变桨系统故障诊断方法，所述步骤一中，Neo4j图数据库是以图的形式来表示和存储具有语义查询的节点、边和属性的数据库，在一个图中包含节点和关系，节点和关系拥有属性，各个节点和关系联系起来形成关系型网络结构。上述基于Neo4j与贝叶斯的风机变桨系统故障诊断方法，所述步骤二中，风电故障关系模型包括四层，第一层为故障层，故障层中为故障类型节点表示第n1个故障类型节点；第二层为原因层，原因层中为故障原因节点表示第n2个故障原因节点；第三层为特征层，特征层中为特征节点表示第n3个特征节点；第四层为现象层，现象层中为现象节点表示第n4个现象节点。上述基于Neo4j与贝叶斯的风机变桨系统故障诊断方法，所述步骤二中，风电故障关系模型中各节点间的关系分为3种，其中F与R间的关系为”F的原因是R”，R与T间的关系为”R的特征是T”，T与P间的关系为”T的现象是P”，即F、R、T、P依次连接；将同一层的某个节点与其他层的多个节点存在连接关系的现象统称为故障耦合现象。上述基于Neo4j与贝叶斯的风机变桨系统故障诊断方法，所述步骤三中，输入实时故障工单中的故障类型、故障原因、特征和现象至风电故障关系模型中，找到风电故障关系模型中对应层的对应节点，按照F、R、T、P依次连接的顺序得到若干条故障路径。上述基于Neo4j与贝叶斯的风机变桨系统故障诊断方法，所述步骤四中，贝叶斯网络是一个有向无环图DAG和一个条件概率表集合，贝叶斯网络具体算法如下式所示：其中P(A|B)是后验概率，P(A)是先验概率，P(B|A)是似然概率，P(B)是标准化常量；采用等级反应模型GRM和有效θ方法确定节点变量间条件概率，GRM中每个任务有不同的难度等级，各个等级上的难度严格单调递增GRM用函数表示为:式中：aj为第j个项目的区分度；bjk为第j个项目等级k难度系数；θi表示第i个被试风机的故障程度为θ，表示故障程度为θ的被试风机i在第j个项目得等级k以上分数的概率，Pijk(θ)表示故障程度为θ的被试风机i在第j个项目恰得等级k的概率，logit为逻辑函数；采用有效θ方法将故障程度有效定义，引入参数c与d，c为关联系数，d为截距，以生成一个用于单参数GRM的变量，记作θ**；当子节点仅由一个父节点决定时，称子节点h与父节点H之间存在直接依赖关系，经线性变换此时有效θ表达式为为子节点的有效θ，θH为父节点的故障程度，ch,H与dh,H分别为子节点h与父节点H线性变换的关联系数与截距；当子节点由两个以上父节点决定时，称子节点h与父节点H1,H2…Hm间存在联合关系，m的取值为1,2,3…所有正整数，其有效θ表示为其中表示子节点的m个父节点，min是最小值函数，表示对子节点h贡献最小的父节点故障程度，与分别表示线性变换的关联系数与截距，表示子节点h与父节点Hm之间的关联系数，通过调整参数c和d，将有效θ代入GRM函数中，得到各节点间的条件概率。本专利技术的有益效果在于：本专利技术首先从风机的历史故障工单中提取出故障知识储存在图Neo4j图数据库中；然后建立风电故障关系模型；接着将实时故障工单中的故障知识送入风电故障关系模型中，并用Cypher语言对Neo4j图数据库进行故障路径的查询；最后针对查询出来的故障路径建立证据融合的贝叶斯网络进行定量计算，得到各故障路径的概率；本专利技术通过将故障的定性推理与定量计算相结合，可缩小故障定位的难度，提高故障诊断效率。附图说明图1为本专利技术的流程图。图2为Neo4j图节点与关系的示意图。图3为故障关系模型示意图。图4为实施例中基于Neo4j的变桨齿轮箱故障关系模型示意图。图5为实施例中故障子图搜索结构示意图。图6为实施例中等级反应模型GRM的示意图。图7为实施例中证据集合1可靠性和可信度均为高，证据集合2的可靠度与可信度均为低的实验结果图。图8为证据集合1的可靠度与可信度均为高，证据集合2的可靠度高、可信度低的实验结果图。具体实施方式下面结合附图和实施例对本专利技术作进一步的说明。如图1所示，一种基于Neo4j与贝叶斯的风机变桨系统故障诊断方法，包括以下步骤：步骤一：从风机的历史故障工单中提取出故障知识储存在图Neo4j图数据库中。Neo4j图数据库是以图的形式来表示和存储具有语义查询的节点、边和属性的数据库，如图2所示，在一个图中包含节点和关系，节点和关系拥有属性，各个节点和关系联系起来形成关系型网络结构。图数据库相比于传统的关系型数据库而言，能更直观地体现数据间的关联特性。在扩展性方面，图数据库具有良好的可扩展性，可根据需求对图本文档来自技高网...

【技术保护点】
1.一种基于Neo4j与贝叶斯的风机变桨系统故障诊断方法，其特征在于，包括以下步骤：/n步骤一：从风机的历史故障工单中提取出故障知识储存在图Neo4j图数据库中；/n步骤二：建立风电故障关系模型；/n步骤三：将实时故障工单中的故障知识送入风电故障关系模型中，并用Cypher语言对Neo4j图数据库进行故障路径的查询；/n步骤四：针对查询出来的故障路径建立证据融合的贝叶斯网络进行定量计算，得到各故障路径的概率，概率最高的故障路径作为最后的诊断结果。/n

【技术特征摘要】
1.一种基于Neo4j与贝叶斯的风机变桨系统故障诊断方法，其特征在于，包括以下步骤：
步骤一：从风机的历史故障工单中提取出故障知识储存在图Neo4j图数据库中；
步骤二：建立风电故障关系模型；
步骤三：将实时故障工单中的故障知识送入风电故障关系模型中，并用Cypher语言对Neo4j图数据库进行故障路径的查询；
步骤四：针对查询出来的故障路径建立证据融合的贝叶斯网络进行定量计算，得到各故障路径的概率，概率最高的故障路径作为最后的诊断结果。


2.根据权利要求1所述的基于Neo4j与贝叶斯的风机变桨系统故障诊断方法，其特征在于，所述步骤一中，Neo4j图数据库是以图的形式来表示和存储具有语义查询的节点、边和属性的数据库，在一个图中包含节点和关系，节点和关系拥有属性，各个节点和关系联系起来形成关系型网络结构。


3.根据权利要求1所述的基于Neo4j与贝叶斯的风机变桨系统故障诊断方法，其特征在于，所述步骤二中，风电故障关系模型包括四层，第一层为故障层，故障层中为故障类型节点表示第n1个故障类型节点；第二层为原因层，原因层中为故障原因节点表示第n2个故障原因节点；第三层为特征层，特征层中为特征节点表示第n3个特征节点；第四层为现象层，现象层中为现象节点表示第n4个现象节点。


4.根据权利要求3所述的基于Neo4j与贝叶斯的风机变桨系统故障诊断方法，其特征在于，所述步骤二中，风电故障关系模型中各节点间的关系分为3种，其中F与R间的关系为”F的原因是R”，R与T间的关系为”R的特征是T”，T与P间的关系为”T的现象是P”，即F、R、T、P依次连接；将同一层的某个节点与其他层的多个节点存在连接关系的现象统称为故障耦合现象。


5.根据权利要求4所述的基于Neo4j与贝叶斯的风机变桨系统故障诊断方法，其特征在于，所述步骤三中，输入实时故障工单中的故障类型、故障原因、特...

【专利技术属性】
技术研发人员：陈月平，段斌，刘昌杰，张潇丹，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：湖南;43