一种基于图神经网络的风电轴承预测与健康管理系统及方法技术方案

本发明专利技术提供了一种基于图数据结构的风电轴承故障预测与健康管理的系统及方法，其特征在于，包括通过提供对于不同风电场SCADA数据和CMS数据等结构化信息的规范接口模块，结合“节点

【技术实现步骤摘要】
一种基于图神经网络的风电轴承预测与健康管理系统及方法


[0001]本专利技术涉及风电轴承的领域，具体地说是一种基于图神经网络的风电轴承故障预测与健康管理的系统及方法。

技术介绍

[0002]风电轴承是风力发电机组中在机械结构部分其传动作用的关键部件，且在不同类型的风力发电机组中的数量较多，其直径与所安装的风力发电机组的兆瓦等级相关，制造成本较高，且涉及风力发电机组的主轴、齿轮箱、偏航、变桨、电机等多个系统。风电轴承在其服役期间的部件状态对于风力发电机组无论是各个系统层级还是整机层级都有重要影响。但由于风电轴承的加工制造因素还是实际运行工况恶劣的问题，从而导致其故障率较高。相较于其他风力发电机组中的非机械故障而言，由于其故障现象不明显，故障原因排查周期长，专家经验依赖程度较高，从而导致风电轴承涉及的机械故障运维周期长，影响风力发电机组的正常运行，直接影响风电场经济效益。因此，实现风电轴承基于状态的维护对与风力发电机组及风电场而言有重要意义。

技术实现思路

[0003]本专利技术的目的是为了实现风电轴承基于状态的诊断和预测性维护，降本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的风电轴承预测与健康管理系统及方法，其特征在于，包括数据规范模块，图神经网络模块，知识库模块，交互模块和控制器模块；其中所述的数据规范模块包括数据接口模块，数据预处理模块，图建模模块和数据存储模块；所述数据接口模块提供SCADA数据和CMS数据等结构化数据中的风电轴承数据相关数据的分析筛选功能；所述的数据预处理模块包括数据缺失值处理、信号降噪处理及特征提取方法；所述的图建模模块包括KNN邻近图、路径图等图建模方法；图数据存储模块包括相应的数据规范及相应数据库表；图神经网络模块主要包括基于图节点和图形式预训练得到的退化趋势预测和故障诊断模型，用以实现风电轴承的故障预测；知识库模块主要包括实体关系抽取模块、知识更新模块、知识库存储模块；交互模块主要包括可视化模块和配置模块；控制器模块用于实现各模块功能调度，与数据规范模块，图神经网络模块，知识库模块，交互模块相连；基于图神经网络的风电轴承故障预测与健康管理系统及方法具体流程如下：S1、获取数据并完成数据预处理和数据建模，并将建模结构存储到数据库中；S2、结合步骤S1处理得到的图数据，选用预先训练完成的图神经网络模型对风电轴承进行故障预测；S3、通过S2中得到的故障诊断结果，从而结合轴承信息从知识库中获取相应的健康管理策略；S4、通过交互模块中可视化模块实现所需数据的展示，并将实际处理结果报表通过需求模块传入知识库中，通过知识库中的实体、关系抽取和知识更新模块实现知识库更新，并将其保存在知识库存储模块对应的数据库中，数据存储模块所对应的数据库优选Neo4j数据库构建。2.根据权利要求1所述的一种基于图神经网络的风电轴承预测与健康管理系统及方法，其特征在于，所述步骤S1具体包括以下内容：S1
‑
1：通过数据规范模块中的数据接口模块获取结构化数据中与风电轴承相关温度信号、振动信息等传感器信号x；S1
‑
2：通过步骤S1
‑
1获取的传感器信号对其进行数据缺失值处理、信号降噪及特征提取，得到处理后的传感器信号X，其中信号降噪方法包括EMD、VMD、EEMD和小波降噪等降噪方法，特征提取方法可采用时域原始信号，时域特征和频域信号及特征；S1
‑
3：将S1
‑
2处理得到的传感器信号X；结合图建模模块构建节以“节点
‑
边(权重)
‑
节点”的三元组的图结构数据，处理方式如下：G(V,ε)＝Φ(X)其中，Φ为图建模函数，X为步骤S1
‑
2处理得到的传感器信号，G表示图结构数据，V表示图结构数据中的节点集合，ε表示图结构数据中的边权重集合；X
i
,X
j
分别表示X中等长度的传感器信号段，即节点i和节点j，σ表示高斯频带带宽，ε
i,j
表示节点i和节点j之前的边权重，该步骤中图建模方法主要包括KNN图、半径图、路径图以及离散动态图方法；S1
‑...

【专利技术属性】
技术研发人员：陈捷，高伟峰，刘连华，郭名君，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：