基于图像主特征提取的风机故障诊断系统、方法及应用技术方案

本发明专利技术提供了一种基于图像主特征提取的风机故障诊断系统、方法及应用，包括：S1：整理并收集风机发生故障时和正常运行时的历史相关测点数据；S2：对S1中进行分割、清洗和平衡化处理，获取训练数据和测试数据；S3：对S2中训练数据和测试数据进行主特征提取；S4：对S3中训练数据提取的主特征通过梯度下降树算法进行分类模型训练；S5：通过S3中测试数据提取的主特征验证S4中的训练模型；S6：通过精确率、召回率和平均数对S5中的验证结果进行参数调整和优化，获取最优模型；S7：将历史相关测点数据、最优模型的输出结果和诊断结果进行可视化展示；S8：出现特定故障时，根据实时相关测点数据对应S7中的结果，给出故障诊断结果。给出故障诊断结果。给出故障诊断结果。

【技术实现步骤摘要】
基于图像主特征提取的风机故障诊断系统、方法及应用


[0001]本专利技术涉及风机故障诊断
，尤其涉及一种基于图像主特征提取的风机故障诊断系统、方法及应用。

技术介绍

[0002]风机故障诊断一直是风电运维工作的重点。风机发生故障后，检修人员必须根据风机故障结果推测最先发生问题的部件，做出相应的维修方案。但维修完成并不意味着问题解决，找出风机故障的根本原因才是维护风机的最好方法。通常只有经验丰富的维修工才能比较准确的推测出导致风机发生故障的直接原因，但是经验丰富的风机维修工毕竟是少数，再者导致风机发生故障的直接原因可能不是一种，可能是几种因素的集合，人力难以达到，这对风机的维护和故障的预防提出了更高的要求。在一般情况下，风机部件发生故障需要将停机维修，这就不可避免的造成相应的经济损失。
[0003]孙莉等于2020年在《基于稀疏贝叶斯极限学习机的光伏电站设备故障诊断研究》一文中提出了提出一种基于稀疏贝叶斯极限学习机(SBELM)的精准的光伏逆变器故障诊断方法。通过首先分析逆变器故障数据主特征,将该问题转化为一个多分类问题；然后,采用合成少数类过采样技术(SMOTE)方法人工生成数据,解决数据不均衡问题,根据环境和逆变器实时监控据提取主特征向量,并通过SBELM训练模型,可给出输出的概率分布,自动修剪冗余的隐藏节点,在不影响性能的前提下实现用部分节点进行多故障分类。杨增华于2018年在《基于振动的风力发电机故障诊断》一文中提出了基于振动判断风力发电机大部分故障,通过分析振动图谱,信号等,解析为维护设备相关的有价值信息。
[0004]此二文献分别提到了基于稀疏贝叶斯极限学习机分类算法对光伏电站设备故障诊断方法，和应用振动图谱信号分析方法判断风力发电机故障。
[0005]但以往研究并没有实现风力发电机故障的诊断方法，或者只是采用了较简单的浅层统计和分析方法，风机故障的诊断方法不足以满足现有生产力和生产要求。
[0006]因此，有必要研究一种基于图像主特征提取的风机故障诊断系统、方法及应用来应对现有技术的不足，以解决或减轻上述一个或多个问题。

技术实现思路

[0007]有鉴于此，本专利技术提供了一种基于图像主特征提取的风机故障诊断系统、方法及应用，利用机器学习相关算法进行风机故障的分析和诊断，将导致风机故障的直接因素做到定性，在后期的维护过程中可以根据这些因素做出正确的决策，避免决策者盲目等待风机发生故障的时候才进行修复。
[0008]一方面，本专利技术提供一种基于图像主特征提取的风机故障诊断方法，所述风机故障诊断方法包括以下步骤：
[0009]S1：整理并收集风机历史相关测点数据；
[0010]S2：对S1中历史相关测点数据进行分割、清洗和平衡化处理，获取训练数据和测试
数据；
[0011]S3：对S2中训练数据和测试数据进行主特征提取；
[0012]S4：对S3中训练数据提取的主特征通过梯度下降树算法进行分类模型训练；
[0013]S5：通过S3中测试数据提取的主特征验证S4中的分类模型，对比测试数据中的结果进行验证；
[0014]S6：通过精确率、召回率和平均数对S5中的验证结果进行参数调整和优化，获取最优模型；
[0015]S7：将历史相关测点数据、最优模型和验证结果进行可视化展示；
[0016]S8：出现特定故障时，根据实时相关测点数据对应历史相关测点数据和最优模型，给出故障诊断结果。
[0017]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S1中历史相关测点数据包括发生故障时的数据和正常运行时的数据，风机故障原因包括：风机启动过程振动、停机过程振动、偏航过程振动、大风引起振动和振幅超限，数据源中的数据点包括风机启动命令、停机命令、偏航命令、风速、振幅超限和机舱振幅。
[0018]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S2中清洗和平衡化处理具体为：将历史相关测点数据去除脏数据，同时数据平衡化处理，使故障数据和正常运行数据量对等。
[0019]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S2中分割结果为：风机发生故障时和正常运行时的数据中，训练数据分别占比为60％
‑
80％，测试数据分别占比为20％
‑
40％。
[0020]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S3中主特征提取具体为：将数据转化为矩阵，再编码成图像，最后通过PCA算法进行主特征提取。
[0021]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S4中梯度下降树算法具体为：通过GBDT对转化后的数字画像进行分类，通过多轮迭代,每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练，通过降低偏差提高最终分类器的精度。
[0022]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S6具体为：采用精确率Precision、召回率Recall和平均数F1来评价分类模型，其具体的表达式如下：
[0023][0024][0025][0026]其中，TP为True Postive TP，真阳性，用于表示若一个图像是正常并且被预测为正常图像；FN为False Negative FN，伪阴性，用于表示若一个图像是正常图像，但是被预测成为故障图像；FP为False Postive FP，伪阳性，用于表示若一个图像是故障图像，但是被预测成为正常图像，精确率和召回率表示对两类流量识别的效果，F1是精确率和召回率的调和平均。
[0027]如上所述的方面和任一可能的实现方式，进一步提供一种基于图像主特征提取的风机故障诊断系统，所述风机故障诊断系统包括：
[0028]数据获取模块，用于整理并收集风机发生故障时和正常运行时的历史相关测点数据；
[0029]数据预处理模块，用于历史相关测点数据进行分割、清洗和平衡化处理；
[0030]主特征提取模块，用于对处理后的数据进行主特征提取；
[0031]模型训练模块，根据提取的主特征进行分类模型训练；
[0032]模型验证模块，用于验证训练模块输出的训练模型；
[0033]参数调整和优化模块，通过精确率、召回率和平均数模型验证模块的验证结果进行参数调整和优化，获取最优模型；
[0034]可视化展示模块，用于将历史相关测点数据、最优模型的输出结果和诊断结果进行可视化展示；
[0035]故障判断模块，出现特定故障时，将实时相关测点数据输入可视化展示模块进行比对，给出故障诊断结果。
[0036]如上所述的方面和任一可能的实现方式，进一步提供一种基于图像主特征提取的风机故障诊断方法的应用，所述应用通过所述风机故障诊断方法，给出历史风机故障诊断结果，并提供历史相应处理方法，当出现特定故障时，根据实时相关测点数据，给出实时风机故障诊断结果，根据历史相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像主特征提取的风机故障诊断方法，其特征在于，所述风机故障诊断方法包括以下步骤：S1：整理并收集风机历史相关测点数据；S2：对S1中历史相关测点数据进行分割、清洗和平衡化处理，获取训练数据和测试数据；S3：对S2中训练数据和测试数据进行主特征提取；S4：对S3中训练数据提取的主特征通过梯度下降树算法进行分类模型训练；S5：通过S3中测试数据提取的主特征验证S4中的分类模型，对比测试数据中的结果进行验证；S6：通过精确率、召回率和平均数对S5中的验证结果进行参数调整和优化，获取最优模型；S7：将历史相关测点数据、最优模型和验证结果进行可视化展示；S8：出现特定故障时，根据实时相关测点数据对应历史相关测点数据和最优模型，给出故障诊断结果。2.根据权利要求1所述的风机故障诊断方法，其特征在于，所述S1具体为：所述历史相关测点数据包括发生故障时的数据和正常运行时的数据，风机故障原因包括：风机启动过程振动、停机过程振动、偏航过程振动、大风引起振动和振幅超限，数据源中的数据点包括风机启动命令、停机命令、偏航命令、风速、振幅超限和机舱振幅。3.根据权利要求2所述的风机故障诊断方法，其特征在于，所述S2中清洗和平衡化处理具体为：将历史相关测点数据去除脏数据，同时数据平衡化处理，使故障数据和正常运行数据量对等。4.根据权利要求1所述的风机故障诊断方法，其特征在于，所述S2中分割结果为：风机发生故障时和正常运行时的数据中，训练数据分别占比为60％
‑
80％，测试数据分别占比为20％
‑
40％。5.根据权利要求1所述的风机故障诊断方法，其特征在于，所述S3中主特征提取具体为：将数据转化为矩阵，再编码成图像，最后通过PCA算法进行主特征提取。6.根据权利要求5所述的风机故障诊断方法，其特征在于，所述S4中梯度下降树算法具体为：通过GBDT对转化后的数字画像进行分类，通过多轮迭代,每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练，通过降低偏差提高最终分类器的精度。7.根据权利要求1所述的风机故障诊断方法，其特征在于，所述S6具...

【专利技术属性】
技术研发人员：沈龙，张轶，谢丹妮，战柏胜，谢生杰，田炳亮，李雪丹，
申请(专利权)人：深圳光耀智微科技有限公司，
类型：发明
国别省市：