一种基于大数据的风电机组故障监测预警方法及系统技术方案

本发明专利技术提供了一种基于大数据的风电机组故障监测预警方法及系统，属于风电机组故障监测技术领域，本发明专利技术中将振动数据和标签构建为训练集，通过训练集对故障监测模型进行多阶段训练，从而降低训练时间提高训练精度，在获得训练完成的故障监测模型后，采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分，在故障评分高于设定故障阈值时，进行报警处理。进行报警处理。进行报警处理。

【技术实现步骤摘要】
一种基于大数据的风电机组故障监测预警方法及系统


[0001]本专利技术涉及风电机组故障监测
，具体而言，涉及一种基于大数据的风电机组故障监测预警方法及系统。

技术介绍

[0002]现有风电机组故障监测预警方法采集风电机组变桨系统的多种传感器信号，并采用神经网络对多种传感器信号进行处理，得到风电机组故障情况，但是神经网络需要训练，其训练精度决定风电机组故障情况的评估精度，现有通常采用交叉熵损失函数进行训练，若训练时间较长，则评估精度较高，若训练时间较短，则评估精度较低，因此，训练时间和评估精度难以兼容。

技术实现思路

[0003]本专利技术的目的在于提供一种基于大数据的风电机组故障监测预警方法及系统，其解决了现有风电机组故障监测预警方法存在训练时间和评估精度难以兼容的问题。
[0004]本专利技术的实施例通过以下技术方案实现：一种基于大数据的风电机组故障监测预警方法，包括以下步骤：S1、提取大数据中风电机组故障类型和振动数据，对风电机组故障类型进行打分得到标签，将振动数据和标签构建为训练集；S2、采用训练集对故障监测模型进行多阶段训练，得到训练完成的故障监测模型；S3、采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分；S4、在故障评分高于设定故障阈值时，进行报警处理。
[0005]进一步地，所述S2中故障监测模型包括：特征提取子模型和故障评分输出子模型；所述特征提取子模型用于对振动数据进行特征提取，得到特征数据；所述故障评分输出子模型用于根据特征数据，计算故障评分。
[0006]进一步地，所述特征提取子模型的表达式为：进一步地，所述特征提取子模型的表达式为：其中，为第一特征数据，为第二特征数据，为训练集中训练样本的第个振动数据，为训练样本中振动数据的数量，为训练样本中最大振动数据，为训练
样本中最小振动数据。
[0007]进一步地，所述故障评分输出子模型的表达式为：其中，为故障评分输出子模型的输出，为第一权重，为第二权重，为偏置。
[0008]进一步地，所述S2中包括以下分步骤：S21、设置故障监测模型中权重和偏置的初值；S22、将训练集中样本输入到故障监测模型中进行第一阶段训练，得到第一阶段损失值；S23、判断第一阶段损失值是否低于第一阈值，若是，则跳转至步骤S25，若否，则跳转至步骤S24；S24、采用梯度下降法对故障监测模型中权重和偏置进行更新，并跳转至步骤S22；S25、将训练集中样本输入到故障监测模型中进行第二阶段训练，得到第二阶段损失值；S26、判断第二阶段损失值是否低于第二阈值，若是，则得到训练完成的故障监测模型，若否，则跳转至步骤S27；S27、采用梯度下降法对故障监测模型中权重和偏置进行更新，并跳转至步骤S25。
[0009]进一步地，所述S22中第一阶段损失值的计算公式为：其中，为第一阶段损失值，为第次训练时故障监测模型的输出，为第次训练时的标签，为指数系数，为调整系数。
[0010]进一步地，所述指数系数的表达式为：。
[0011]进一步地，所述S25中第二阶段损失值的计算公式为：其中，为第二阶段损失值。
[0012]一种基于大数据的风电机组故障监测预警方法的系统，包括：训练集构建单元、训练单元、故障评分单元和报警单元；所述训练集构建单元用于提取大数据中风电机组故障类型和振动数据，对风电机组故障类型进行打分得到标签，将振动数据和标签构建为训练集；所述训练单元用于采用训练集对故障监测模型进行多阶段训练，得到训练完成的故障监测模型；
所述故障评分单元用于采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分；所述报警单元用于在故障评分高于设定故障阈值时，进行报警处理。
[0013]本专利技术实施例的技术方案至少具有如下优点和有益效果：本专利技术中将振动数据和标签构建为训练集，通过训练集对故障监测模型进行多阶段训练，从而降低训练时间提高训练精度，在获得训练完成的故障监测模型后，采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分，在故障评分高于设定故障阈值时，进行报警处理。
附图说明
[0014]图1为一种基于大数据的风电机组故障监测预警方法的流程图。
具体实施方式
[0015]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0016]如图1所示，一种基于大数据的风电机组故障监测预警方法，包括以下步骤：S1、提取大数据中风电机组故障类型和振动数据，对风电机组故障类型进行打分得到标签，将振动数据和标签构建为训练集；S2、采用训练集对故障监测模型进行多阶段训练，得到训练完成的故障监测模型；S3、采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分；S4、在故障评分高于设定故障阈值时，进行报警处理。
[0017]所述S2中故障监测模型包括：特征提取子模型和故障评分输出子模型；所述特征提取子模型用于对振动数据进行特征提取，得到特征数据；所述故障评分输出子模型用于根据特征数据，计算故障评分。
[0018]所述特征提取子模型的表达式为：所述特征提取子模型的表达式为：其中，为第一特征数据，为第二特征数据，为训练集中训练样本的第个振动数据，为训练样本中振动数据的数量，为训练样本中最大振动数据，为训练样本中最小振动数据。
[0019]所述故障评分输出子模型的表达式为：其中，为故障评分输出子模型的输出，为第一权重，为第二权重，为偏置。
[0020]所述S2中包括以下分步骤：S21、设置故障监测模型中权重和偏置的初值；S22、将训练集中样本输入到故障监测模型中进行第一阶段训练，得到第一阶段损失值；S23、判断第一阶段损失值是否低于第一阈值，若是，则跳转至步骤S25，若否，则跳转至步骤S24；S24、采用梯度下降法对故障监测模型中权重和偏置进行更新，并跳转至步骤S22；S25、将训练集中样本输入到故障监测模型中进行第二阶段训练，得到第二阶段损失值；S26、判断第二阶段损失值是否低于第二阈值，若是，则得到训练完成的故障监测模型，若否，则跳转至步骤S27；S27、采用梯度下降法对故障监测模型中权重和偏置进行更新，并跳转至步骤S25。
[0021]所述S22中第一阶段损失值的计算公式为：其中，为第一阶段损失值，为第次训练时故障监测模型的输出，为第次训练时的标签，为指数系数，为调整系数。
[0022]所述指数系数的表达式为：。
[0023]所述S25中第二阶段损失值的计算公式为：其中，为第二阶段损失值。
[0024]本专利技术中设置分阶段对故障监测模型进行训练，第一阶段加快训练时间，第二阶段提升训练精度。
[0025]一种基于大数据的风电机组故障监测预警本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的风电机组故障监测预警方法，其特征在于，包括以下步骤：S1、提取大数据中风电机组故障类型和振动数据，对风电机组故障类型进行打分得到标签，将振动数据和标签构建为训练集；S2、采用训练集对故障监测模型进行多阶段训练，得到训练完成的故障监测模型；S3、采用训练完成的故障监测模型对风电机组故障时的振动数据进行处理，得到故障评分；S4、在故障评分高于设定故障阈值时，进行报警处理。2.根据权利要求1所述的基于大数据的风电机组故障监测预警方法，其特征在于，所述S2中故障监测模型包括：特征提取子模型和故障评分输出子模型；所述特征提取子模型用于对振动数据进行特征提取，得到特征数据；所述故障评分输出子模型用于根据特征数据，计算故障评分。3.根据权利要求2所述的基于大数据的风电机组故障监测预警方法，其特征在于，所述特征提取子模型的表达式为：特征提取子模型的表达式为：其中，为第一特征数据，为第二特征数据，为训练集中训练样本的第个振动数据，为训练样本中振动数据的数量，为训练样本中最大振动数据，为训练样本中最小振动数据。4.根据权利要求3所述的基于大数据的风电机组故障监测预警方法，其特征在于，所述故障评分输出子模型的表达式为：其中，为故障评分输出子模型的输出，为第一权重，为第二权重，为偏置。5.根据权利要求1所述的基于大数据的风电机组故障监测预警方法，其特征在于，所述S2中包括以下分步骤：S21、设置故障监测模型中权重和偏置的初值；S22、将训练集中样本输入到故障监测模型中进行第一阶段训练，得到第一阶段损失值；S23、判断第一阶段损失值是否低于第一阈值，若是，则跳...

【专利技术属性】
技术研发人员：高国青，杨介立，易伟峰，孔金良，车坤涛，史向成，孟建，王彦龙，刘海斌，刘阳，李晓刚，杨文浩，
申请(专利权)人：华能新能源股份有限公司山西分公司，
类型：发明
国别省市：