System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于故障诊断,具体涉及一种风机故障诊断方法及系统。
技术介绍
1、故障诊断是风电机组运维的重要功能,是风电系统安全、经济、可靠运行的基础。故障诊断的精确度直接影响风电系统的安全性、经济性和供电质量。因此如何提高故障诊断精确度是目前故障诊断技术研究的重点。
2、目前的风电机组故障诊断方法主要有基于模型的方法和基于数据驱动的方法两大类。基于模型的方法包括卡尔曼滤波、观测器技术以及奇偶方程等。这些方法的核心思想是通过分析风电机组及其子系统的运行物理特性,掌握其运行规律,从而建立准确的数学或物理模型。基于数据驱动的方法主要有支持向量机,非线性状态估计,反向传播神经网络,群智能算法以及深度学习算法等。深度学习算法由于学习能力强、涉及领域广、适应力强、具有良好的可移植性,成为风电机组故障诊断中的一种重要方法。
3、但是上述方法中采用的数据集中正常数据和故障数据分布不平衡,存在数据偏分问题,导致存在误判的情况,故障诊断精确度低;而且数据集维度较高,存在维度高的干扰信息,导致故障诊断精确度低。
技术实现思路
1、本专利技术的目的在于提供一种风机故障诊断方法及系统,用以解决现有技术中风机组故障诊断结果精确度低的问题。
2、为解决上述技术问题,本专利技术所提供的技术方案以及技术方案对应的有益效果如下:
3、本专利技术的一种风机故障诊断方法,包括以下步骤:
4、1)获取风机组运行数据,并记为原始数据集,所述风机组运行数据包括正常数据和
5、2)对所述原始数据集进行过采样处理,生成符合故障数据特征的合成样本集,所述合成样本集与原始数据集构成增强训练集;
6、3)提取增强训练集的数据特征,利用提取特征后的增强训练集训练构建的分类模型,训练完成得到故障诊断模型;
7、4)将待测风机组运行数据的数据特征输入至所述故障诊断模型进行故障诊断,输出故障分类结果。
8、上述技术方案的有益效果为:本专利技术对原始数据集进行采样处理,生成符合故障数据特征的合成样本集,合成样本集与原始数据构成增强数据集。通过过采样处理学习得到故障数据的潜在特征,生成故障数据,使正常数据和故障数据数量上达到平衡,从而有效解决了数据偏分布问题,进而在利用增强数据集训练的分类模型时,时分类模型学习到更准确的故障特征,在故障诊断时得到更准确的诊断结果,从而提高风机组故障诊断的准确度。
9、进一步地,为了提高精确度,所述原始数据集中每一组数据的属性包括风机组的发电机转速和有功功率,在步骤2)之前,需根据风机组的发电机转速和有功功率剔除包含停机数据和空数据的数据组。
10、进一步地,为了清洗掉与故障无关的风机属性的数据,步骤2)之前需对所述原始数据集中风机组的所有属性进行故障相关性分析,筛选风机组的所有属性中与故障相关度较高的属性,得到高相关度的数据集,步骤2)中对高相关度的数据集进行过采样处理。
11、进一步地,为了清洗掉与故障无关的风机属性的数据,采用基尼指数对所述原始数据集中风机组的所有属性进行故障相关性分析。
12、进一步地,为了提高精确度,在步骤3)之前需利用bagging算法对所述增强训练集进行抽样,以产生正常数据与故障数据数量上分布均衡的多个训练子集,利用得到的训练子集训练所述分类模型。
13、进一步地,步骤3)中对所述增强训练集采用生成对抗网络进行对抗过采样处理;所述生成对抗网络的计算公式为:
14、
15、其中,pd表示真实样本分布,pg表示合成样本分布,d(x)表示样本为真实样本的概率,||d||l≤1表示判别器d需满足1-lipschitz条件限制,x表示样本。
16、进一步地,为了去除高维干扰特征信息,提高故障诊断精确度,步骤3)中通过特征降维的方式提取增强训练集的数据特征。
17、进一步地,为了提高故障诊断精确度,利用堆叠稀疏自编码器实现所述特征降维。
18、进一步地,为了提高故障诊断精确度,步骤3)中所述分类模型采用极端随机树算法构建得到。
19、本专利技术提供的一种风机故障诊断系统,该系统包括处理器,所述处理器用于执行计算机程序,以实现如本专利技术的一种风机故障诊断方法。
20、上述技术方案的有益效果为:本专利技术对原始数据集进行采样处理,生成符合故障数据特征的合成样本集,合成样本集与原始数据构成增强数据集。通过过采样处理学习得到故障数据的潜在特征,生成故障数据,使正常数据和故障数据数量上达到平衡,从而有效解决了数据偏分布问题,进而在利用增强数据集训练的分类模型时,时分类模型学习到更准确的故障特征,在故障诊断时得到更准确的诊断结果,从而提高风机组故障诊断的准确度。
本文档来自技高网...【技术保护点】
1.一种风机故障诊断方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的风机故障诊断方法,其特征在于:所述原始数据集中每一组数据的属性包括风机组的发电机转速和有功功率,在步骤2)之前,需根据风机组的发电机转速和有功功率剔除包含停机数据和空数据的数据组。
3.根据权利要求1所述的风机故障诊断方法,其特征在于:步骤2)之前需对所述原始数据集中风机组的所有属性进行故障相关性分析,筛选风机组的所有属性中与故障相关度较高的属性,得到高相关度的数据集,步骤2)中对高相关度的数据集进行过采样处理。
4.根据权利要求3所述的风机故障诊断方法,其特征在于:采用基尼指数对所述原始数据集中风机组的所有属性进行故障相关性分析。
5.根据权利要求1所述的风机故障诊断方法,其特征在于:在步骤3)之前需利用Bagging算法对所述增强训练集进行抽样,以产生正常数据与故障数据数量上分布均衡的多个训练子集,利用得到的训练子集训练所述分类模型。
6.根据权利要求1所述的风机故障诊断方法,其特征在于:步骤3)中对所述增强训练集采用生成对抗网络进行对抗过
7.根据权利要求1所述的风机故障诊断方法,其特征在于:步骤3)中通过特征降维的方式提取增强训练集的数据特征。
8.根据权利要求7所述的风机故障诊断方法,其特征在于:利用堆叠稀疏自编码器实现所述特征降维。
9.根据权利要求1至8任一项所述的风机故障诊断方法,其特征在于:步骤3)中所述分类模型采用极端随机树算法构建得到。
10.一种风机故障诊断系统,其特征在于:该系统包括处理器,所述处理器用于执行计算机程序,以实现如权利要求1-9任一项所述的风机故障诊断方法。
...【技术特征摘要】
1.一种风机故障诊断方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的风机故障诊断方法,其特征在于:所述原始数据集中每一组数据的属性包括风机组的发电机转速和有功功率,在步骤2)之前,需根据风机组的发电机转速和有功功率剔除包含停机数据和空数据的数据组。
3.根据权利要求1所述的风机故障诊断方法,其特征在于:步骤2)之前需对所述原始数据集中风机组的所有属性进行故障相关性分析,筛选风机组的所有属性中与故障相关度较高的属性,得到高相关度的数据集,步骤2)中对高相关度的数据集进行过采样处理。
4.根据权利要求3所述的风机故障诊断方法,其特征在于:采用基尼指数对所述原始数据集中风机组的所有属性进行故障相关性分析。
5.根据权利要求1所述的风机故障诊断方法,其特征在于:在步骤3)之前需利用bagging算法对所述增强训练...
【专利技术属性】
技术研发人员:张博,杨田野,石亚光,杨迎春,黄浩然,张航,李世通,王鹍鹏,王少鹏,丁博,丁亮,刘洪星,肖寰宇,贾亚楠,吴可可,刘科成,梁鹏威,朱朝磊,霍智超,陈鹏鹏,张延辉,贺博,张向前,周山虎,方韬,杨克南,卢政宇,李文,刘珂祯,安珂,李哲,王博,
申请(专利权)人:许昌许继软件技术有限公司,
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。