一种基于CNN和热点图的风力机组故障诊断方法及系统技术方案

本发明专利技术公开了一种基于CNN和热点图的风力机组故障诊断方法及系统包括，采集风力机组不同工况下的数据采集与监控系统的数据，对数据进行预处理；将预处理之后的数据转换为热点图，划分训练集和测试集；构建ResNet50卷积神经网络模型，将所述训练集与所述测试集输入所述ResNet50卷积神经网络模型，确定最佳ResNet50卷积神经网络模型；采集新的故障前24小时运行数据，进行预处理，并生成热点图，将其输入到所述最佳ResNet50卷积神经网络模型，实现故障识别和分类。本发明专利技术从数据采集与监控系统的数据中获取正常运行与故障前24小时数据，利用相关性分析降低状态参数维数，结合多层卷积神经网络对热点图进行识别、处理，提高了故障诊断分类正确率。障诊断分类正确率。障诊断分类正确率。

【技术实现步骤摘要】
一种基于CNN和热点图的风力机组故障诊断方法及系统


[0001]本专利技术涉及故障诊断
，尤其涉及一种基于CNN和热点图的风力机组故障诊断方法及系统。

技术介绍

[0002]人口的增长伴随着城市化和工业化的快速发展，加速了能源危机的发生。石油和天然气的巨大消耗严重威胁着生态和环境。目前，可再生能源被认为是应对能源危机和气候变化的一种有希望的替代方法。其中，风能在发电中发挥着重要的作用，已经被视为主要的能源类型之一。因此，风力发电机组因其优良的风能转化能力而受到广泛关注。风力发电机组由转子轮毂、叶片、齿轮箱、发电机等数百个部件和子系统组成。风力机组工作在复杂的风况和恶劣的气候条件下，容易出现传感器、执行器和部件的各种故障。因此，开发故障检测系统对即将发生的故障进行预警是十分必要的。
[0003]目前许多研究侧重于信号的瞬时变化，容易验证故障的发生。但考虑到风电场的运行与维护，故障诊断系统的预测能力显得尤为重要。一般情况下，在机械故障发生之前，故障的一些特殊特性会自发地释放出来，影响机器的性能。这样，采集到的风力机组的状态参数可以隐含有价值的信息，可以用来预测故障。因此，研究失效前的状态参数对预测失效和分析失效机理具有重要意义。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
[0006]因此，本专利技术提供了一种基于CNN和热点图的风力机组故障诊断方法及系统，能够解决传统的风电机组故障诊断技术花费高昂，误报情况多，适用性差等问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案，一种基于CNN和热点图的风力机组故障诊断方法，包括：
[0008]采集风力机组不同工况下的数据采集与监控系统的数据，对数据进行预处理；
[0009]将预处理之后的数据转换为热点图，划分训练集和测试集；
[0010]构建ResNet50卷积神经网络模型，将所述训练集与所述测试集输入所述ResNet50卷积神经网络模型，确定最佳ResNet50卷积神经网络模型；
[0011]采集新的故障前24小时运行数据，进行预处理，并生成热点图，将其输入到所述最佳ResNet50卷积神经网络模型，实现故障识别和分类。
[0012]作为本专利技术所述的基于CNN和热点图的风力机组故障诊断方法的一种优选方案，其中：所述不同工况下的数据采集与监控系统的数据包括正常运行状态数据和故障前24小时运行数据，
[0013]当对正常运行参数进行相关性分析时，依据相关性的大小选择参数，降低数据采集与监控系统的系统参数维数；
[0014]当参数维数降低后，依据降维后的状态参数，再次对故障前24小时数据和正常运行数据进行相关性分析，并转换为热点图，划分训练集和测试集。
[0015]作为本专利技术所述的基于CNN和热点图的风力机组故障诊断方法的一种优选方案，其中：所述相关性分析包括，
[0016][0017]其中，R表示皮尔逊相关系数，x
i
＝{x1,x2,
…
,x
n
}，y
i
＝{y1,y2,
…
,y
n
}，反映2个变量之间相关程度，皮尔逊相关系数的取值范围为
‑
1到1，取值为0表明2个变量之间没有显著的线性关系，
‑
1和1表示2者完全负或正相关，i为样本取值，n为样本总量。
[0018]作为本专利技术所述的基于CNN和热点图的风力机组故障诊断方法的一种优选方案，其中：所述最佳ResNet50卷积神经网络模型包括，
[0019]将所述训练集输入到所述ResNet50卷积神经网络模型，进行迭代学习训练，优化参数，直到训练的ResNet50卷积神经网络模型收敛；
[0020]将所述测试集输入训练后的ResNet50卷积神经网络模型，确定故障分类，评估诊断正确率，优化结构和参数，直到最佳，保存最佳ResNet50卷积神经网络模型。
[0021]作为本专利技术所述的基于CNN和热点图的风力机组故障诊断方法的一种优选方案，其中：所述训练集和测试集包括，
[0022]第一样本组合，所述第一样本组合由所述训练集为总样本80％和所述测试集为总样本20％的集合组成；
[0023]第二样本组合，所述第二样本组合由所述训练集为总样本60％和所述测试集为总样本40％的集合组成。
[0024]作为本专利技术所述的基于CNN和热点图的风力机组故障诊断方法的一种优选方案，其中：所述最佳ResNet50卷积神经网络模型还包括，当带入所述训练集后，神经网络模型正确率达到85％时，所述ResNet50卷积神经网络模型收敛。
[0025]作为本专利技术所述的基于CNN和热点图的风力机组故障诊断方法的一种优选方案，其中：所述最佳ResNet50卷积神经网络模型还包括，当带入所述测试集后，神经网络模型正确率达到95％时，所述ResNet50卷积神经网络模型训练达到最佳。
[0026]一种基于CNN和热点图的风力机组故障诊断系统，其特征在于：包括数据采集与处理模块、数据转换分类模块、模型构建模块与测试模块，
[0027]数据采集与处理模块，所述数据采集与处理模块采集风力机组不同工况下的数据采集与监控系统的数据，对数据进行预处理；
[0028]数据转换分类模块，所述数据转换分类模块将预处理之后的数据转换为热点图，划分训练集和测试集；
[0029]模型构建模块，所述模型构建模块构建ResNet50卷积神经网络模型，将所述训练集与所述测试集输入所述ResNet50卷积神经网络模型，确定最佳ResNet50卷积神经网络模
型；
[0030]测试模块，所述测试模块采集新的故障前24小时运行数据，进行预处理，并生成热点图，将其输入到所述最佳ResNet50卷积神经网络模型，实现故障识别和分类。
[0031]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
[0032]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，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
[0033]本专利技术的有益效果：本专利技术提出一种基于CNN和热点图的风力机组故障诊断方法及系统，本专利技术从数据采集与监控系统的数据中获取正常运行与故障前24小时数据，利用相关性分析降低状态参数维数，结合多层卷积神经网络对热点图进行识别、处理，提高了故障诊断分类正确率。
附图说明
[0034]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN和热点图的风力机组故障诊断方法，其特征在于：包括，采集风力机组不同工况下的数据采集与监控系统的数据，对数据进行预处理；将预处理之后的数据转换为热点图，划分训练集和测试集；构建ResNet50卷积神经网络模型，将所述训练集与所述测试集输入所述ResNet50卷积神经网络模型，确定最佳ResNet50卷积神经网络模型；采集新的故障前24小时运行数据，进行预处理，并生成热点图，将其输入到所述最佳ResNet50卷积神经网络模型，实现故障识别和分类。2.如权利要求1所述的基于CNN和热点图的风力机组故障诊断方法，其特征在于：所述不同工况下的数据采集与监控系统的数据包括正常运行状态数据和故障前24小时运行数据，当对正常运行参数进行相关性分析时，依据相关性的大小选择参数，降低数据采集与监控系统的系统参数维数；当参数维数降低后，依据降维后的状态参数，再次对故障前24小时数据和正常运行数据进行相关性分析，并转换为热点图，划分训练集和测试集。3.如权利要求2所述的基于CNN和热点图的风力机组故障诊断方法，其特征在于：所述相关性分析包括，其中，R表示皮尔逊相关系数，x
i
＝{x1,x2,
…
,x
n
}，y
i
＝{y1,y2,
…
,y
n
}，}，反映2个变量之间相关程度，皮尔逊相关系数的取值范围为
‑
1到1，取值为0表明2个变量之间没有显著的线性关系，
‑
1和1表示2者完全负或正相关，i为样本取值，n为样本总量。4.如权利要求3所述的基于CNN和热点图的风力机组故障诊断方法，其特征在于：所述最佳ResNet50卷积神经网络模型包括，将所述训练集输入到所述ResNet50卷积神经网络模型，进行迭代学习训练，优化参数，直到训练的ResNet50卷积神经网络模型收敛；将所述测试集输入训练后的ResNet50卷积神经网络模型，确定故障分类，评估诊断正确率...

【专利技术属性】
技术研发人员：陈乃超，王东明，曹晨艺，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：