【技术实现步骤摘要】
本专利技术涉及大型设备运维大数据处理与分析领域，尤其涉及一种基于运维大数据的风机状态与故障诊断方法及应用。
技术介绍
1、在大型设备的现代化运维过程中，产生了大量数据，以风机为例，包括运行状态数据、环境监测数据、历史维修记录等。传统的风机状态监测和故障诊断方法通常基于经验和个人知识，无法充分利用所有可用的数据，也难以准确预测潜在的故障。
2、一篇公开号为cn110705609a、公开日为2020.01.17的中国专利技术专利申请公开一种引风机运行状态诊断方法、装置及电子设备、存储介质，根据获得的多种运行状态参数、预先训练的随机森林算法诊断模型、以及确定历史诊断结果的历史运行状态参数和历史运行状态参数之间的关联条件生成诊断结果。该方案虽然能够在引风机发生故障之前，通过各个多种运行状态参数之间的相互之间的作用，对引风机进行故障预警。该方法应用在火力发电引风机上，仍有大量有价值的信息未能得到充分挖掘，其泛化能力也不理想。
3、此外，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。但这些过采样和
技术实现思路
1、本专利技术的目的在于提供一种高泛化能力的基于运维大数据的风机状态与故障诊断方法，用于风力发电风机的状态与故障诊断；为解决现有技术中存在的一个或多个技术问题，至少提供一种有益选择或创造条件。
2、为达到以上目的，本专利技术采用如下技术方案。
3、一种基于运维大数据的风机状态与故障诊断方法，其包括以下步骤。
4、步骤s100：利用振动、温度、位移传感器收集风机运行过程中的多种参数，记录运行区间对应的运行状态与故障部位，参数与运行状态、故障部位组合成为风机运维数据集；其中一个运行区间对应一种状态和若干故障工况。
5、步骤s200：针对风机运维数据故障分布不均匀问题，结合过采样少数类、标签平滑和特征平滑方法进行样本修正。
6、步骤s300：基于前述风机运维数据集，确立分析目标特征，初始化故障诊断集合模型。
7、步骤s400：基于集合模型，利用多输出树与多任务分割进行诊断任务，输出目标分析特征。
8、步骤s500：基于持久化大数据与模型策略，生成故障诊断结果和维护建议，基于可视化界面，展示实时的风机状态信息。
9、更为优选的是，所述步骤s200包括：针对数据样本进行聚类处理，处理得到数据不同类别的中心样本。
10、首先构造目标函数。
11、（1）。
12、目标函数中的约束方程为。
13、（2）。
14、（3）。
15、式中：a为数据样本数目；c为样本分类数目；b为数据样本长度；代表第j个样本数据；类别参考中心；为第j个样本对第i个参考中心的关联匹配程度；为第i个参考中心的第k个特征参数的权重；为模糊指数和权重指数；为维度转换的非线性映射函数。
16、针对目标函数，选取核函数构造映射函数。
17、（4）。
18、式中：k为核函数，此处采用二次有理核函数，来降低目标函数处理耗时。
19、（5）。
20、d为核函数偏量，x、y为向量，特别的，k(x,y) = 1时，目标函数可以简化为。
21、（6）。
22、利用smote过采样技术对参考中心进行少数数据的增强处理，插值处理方式为。
23、（7）。
24、式中：为样本中邻近数据点中的第i个数据点，，m为邻近数据中少数类别样本的个数；random为0-1之间的随机数；x为少数类样本。
25、针对处理完成的数据样本参考中心，进行特征平滑处理。
26、（8）。
27、式中，代表类别e的概率，表示类别e的样本数量，代表非e类别的样本数量，为平滑系数。
28、更为优选的是，的取值为1-2。
29、更为优选的是，所述步骤s300包括：初始化损失函数；使用负对数似然作为损失函数。
30、（9）。
31、式中，m代表数据点数目，代表数据对应的目标值或者标签值，为针对数据的预测概率。
32、构建并行运算提升树模型，把损失函数负梯度当作目前决策树的残差近似，在每次迭代过程中保持原有模型不变，然后在模型中添加新的函数，使预测值不断接近实际值。
33、模型目标函数如下所示。
34、（10）。
35、式中：为核函数对应的正则化项。
36、更为优选的是，所述步骤s400包括：定义多任务分割损失函数。
37、（11）。
38、式中：代表第i个样本的梯度集合，代表第i个样本的，为任务影响度因子，其范围为10-100，为偏移量。
39、通过每个样本的多个目标梯度进行融合，使得每个样本拥有一个融合梯度，在每个树节点进行分裂的时候，将样本划为两部分，令损失增益l（融合梯度）最小。
40、（12）。
41、式中，是决策树参数，为的估计值，对每个叶子节点，产生等同于学习目标数目的输出，使用落在他们相应的目标的数据梯度的均值进行更新。
42、更为优选的是，所述步骤s500包括：结合风力发电运维数据特点与企业管理需求，构建运行大数据云平台；主要由基础设施层、数据源层、数据融合层、数据持久层、数据分析层、数据服务层、数据管理层、应用展示层、大数据标准与预警层等几部分组成。
43、更为优选的是，所述运行区间包括启动区、转速上升区、过渡区和恒功率区。
44、另一方面，本专利技术还提供如上所述的一种基于运维大数据的风机状态与故障诊断方法在风力发电风机上的应用。
45、另一方面，本专利技术还提供一种电子设备，其包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现如上所述的一种基于运维大数据的风机状态与故障诊断方法的步骤。
46、所述的一种电子设备包括显示装置，用于显示风机状态信息、故障诊断结果和维护建议。
47、本专利技术采用如上方案，至少具有以下有益效果。
48、本专利技术是一种基于优化聚类、标签平滑的不平衡故障数据集处理算法，其结合过采样少数类、标签平滑和特征平滑方法对风机运维数据集进行样本修正，可以充分利用风力发电风机的运行状态数据、环境监测数据、历史维修记录等，避免过采样可能会导本文档来自技高网...
【技术保护点】
1.一种基于运维大数据的风机状态与故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于运维大数据的风机状态与故障诊断方法，其特征在于，所述步骤S200包括：针对数据样本进行聚类处理，处理得到数据不同类别的中心样本；
3.根据权利要求2所述的一种基于运维大数据的风机状态与故障诊断方法，其特征在于，的取值为1-2。
4.根据权利要求1所述的一种基于运维大数据的风机状态与故障诊断方法，其特征在于，所述步骤S300包括：初始化损失函数；使用负对数似然作为损失函数：
5.根据权利要求1所述的一种基于运维大数据的风机状态与故障诊断方法，其特征在于，所述步骤S400包括：定义多任务分割损失函数：
6.根据权利要求1所述的一种基于运维大数据的风机状态与故障诊断方法，其特征在于，所述步骤S500包括：结合风力发电运维数据特点与企业管理需求，构建运行大数据云平台，主要由基础设施层、数据源层、数据融合层、数据持久层、数据分析层、数据服务层、数据管理层、应用展示层、大数据标准与预警层等几部分组成。
7.根据权利
8.如权利要求1-7中任意一项所述的一种基于运维大数据的风机状态与故障诊断方法在风力发电风机上的应用。
9.一种电子设备，其特征在于，包括：
10.根据权利要求9所述的一种电子设备，其特征在于，包括显示装置，用于显示风机状态信息、故障诊断结果和维护建议。
...【技术特征摘要】
1.一种基于运维大数据的风机状态与故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于运维大数据的风机状态与故障诊断方法，其特征在于，所述步骤s200包括：针对数据样本进行聚类处理，处理得到数据不同类别的中心样本；
3.根据权利要求2所述的一种基于运维大数据的风机状态与故障诊断方法，其特征在于，的取值为1-2。
4.根据权利要求1所述的一种基于运维大数据的风机状态与故障诊断方法，其特征在于，所述步骤s300包括：初始化损失函数；使用负对数似然作为损失函数：
5.根据权利要求1所述的一种基于运维大数据的风机状态与故障诊断方法，其特征在于，所述步骤s400包括：定义多任务分割损失函数：
6.根据权利要求1所述的一种基于...
【专利技术属性】
技术研发人员：刘辉，唐建生，李建辉，井福荣，钟宏杨，伍剑波，
申请(专利权)人：佛山职业技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。