【技术实现步骤摘要】
本专利技术涉及风电机组检测，具体为一种基于多维故障特征学习的风电机组关键部件异常探测方法。
技术介绍
1、风电机组的部件异常探测方法技术包括振动分析、温度监测、油液分析、电流电压监测、图像识别以及数据分析与机器学习等，这些技术手段可以帮助实时监测和诊断风电机组部件的异常情况，提高风电机组的可靠性和运行效率。
2、振动分析通过安装振动传感器，监测风电机组各个部件的振动情况，异常振动可以指示部件的磨损、松动或其他故障，振动分析可以通过频谱分析、时域分析等方法，识别出异常振动的特征，并进行故障诊断。
3、温度监测通过温度传感器，实时监测风电机组各个部件的温度变化。异常温度可以指示部件的过热、冷却不良等问题，温度监测可以通过设定温度阈值，当温度超过阈值时发出警报或采取相应的维护措施。
4、油液分析通过对风电机组的润滑油或液压油进行采样和分析，可以检测到部件的磨损、污染、水分等异常情况，油液分析可以通过测量油液的粘度、酸值、水分含量等指标，判断部件的健康状态，并及时采取维护措施。
5、电流电压监测通过电流传感器和电压传感器，实时监测风电机组的电流和电压变化，异常的电流和电压波动可以指示电气部件的故障或不良连接，电流电压监测可以通过设定阈值，当电流或电压超过阈值时发出警报或采取相应的维护措施。
6、图像识别通过安装摄像头或红外热像仪，对风电机组的部件进行图像采集和分析，图像识别技术可以识别出部件的磨损、裂纹、松动等异常情况，并进行故障诊断。
7、但是，上述风电机组的部件
8、1、传感器故障：传感器是异常探测的核心组件，但传感器本身也可能出现故障或失灵的情况，例如，振动传感器可能受到环境干扰或损坏，导致振动数据的准确性下降，因此，传感器的可靠性和稳定性是一个需要考虑的问题。
9、2、数据处理复杂：风电机组的部件异常探测需要大量的数据采集和处理，这些数据可能包含大量的噪声和冗余信息，需要进行有效的数据处理和特征提取，数据处理的复杂性可能导致算法的计算量增加，对计算资源的要求较高。
10、3、故障诊断准确性：部件异常探测技术依赖于故障诊断算法的准确性，然而，由于风电机组的复杂性和多变性，故障诊断算法可能存在误判或漏判的情况，特别是在面对多个部件同时出现异常的情况下，准确诊断故障变得更加困难。
11、4、维护成本高：部件异常探测技术需要定期的数据采集、分析和维护工作，这些工作需要专业的技术人员和设备支持，增加了维护成本和人力资源的投入。
12、因此，本领域技术人员提供了一种基于多维故障特征学习的风电机组关键部件异常探测方法，以解决上述
技术介绍
中提出的问题。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于多维故障特征学习的风电机组关键部件异常探测方法，解决了传统的风电机组的部件异常探测方法仍然存在一些客观的缺点的问题。
3、(二)技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现：
5、一种基于多维故障特征学习的风电机组关键部件异常探测方法，包括以下过程：
6、步骤s1、在线监测数据
7、首先结合设备的运行记录、报警记录等信息，从设备及同类设备的历史监测数据库中选取设备处于正常工作模式下的数据，作为构建重构模型和残差参考分布的基准数据集；
8、步骤s2、数据预处理
9、根据数据的实际情况，对获取的数据进行必要的预处理，如异常值剔除、缺失值处理、滤波、归一化等；
10、步骤s3、重构预测
11、通过预处理确定重构模型的输入和输出参数后，将预处理后的基准数据集转换为重构模型的“输入-输出对”的形式，并进一步划分为训练数据和测试数据两部分，其中训练数据用于建立参数的重构模型，测试数据用于对残差分布进行标定；
12、步骤s4、残差计算
13、对残差的统计分布进行估计，取检测时间点前一段时间内(如一小时或一天等，确保具有足够的样本数量)的预测残差构成统计样本，统计样本均值μ和标准差σ以及样本中高于基准分布90％分位点的样本数量nh；
14、步骤s5、构建特征指标对偏离程度进行量化
15、将上述步骤s4中三项统计量加工成三项特征指标对残差分布相对基准分布的偏离程度进行量化：
16、1)偏离度指标，衡量残差均值相对基准分布的偏离：
17、
18、2)波动度指标，衡量残差方差相对基准分布的偏离：
19、
20、3)显著度指标，衡量残差中基准分布的离群点的比例，采用残差样本中高于基准分布90％分位点的比例定义：
21、
22、其中，n为在线残差样本的样本容量。
23、步骤s6、特征指标的概率化
24、将上述步骤s5中三项特征指标融合为一个表征设备健康状态的健康指标，首先采用概率的形式将三项指标的尺度统一到同一范围内。对偏离度指标和波动度指标，通过假设检验理论对其进行概率化，分别为：
25、1)概率偏离度指标：
26、pdi＝2φ(di)-1
27、式中，φ(·)为标准正态分布的累积分布函数。
28、2)概率波动度指标：
29、pvi＝f(vi,n,n*)
30、式中，f(·)为f分布的累积分布函数；
31、n*为离线阶段残差基准分布统计的样本数目。
32、步骤s7、健康指标计算
33、上述步骤s6中完成三项特征指标的概率化后，设备的健康指标可由概率特征指标的乘积给出：
34、hi＝pdi·pvi·psi
35、健康指标h i是一个取值范围在0到1之间的数，代表设备当前状态偏离其正常运行模式的概率。
36、进一步地，所述步骤s1中的重构模型通常是按均匀时间步长进行预测的时间序列模型，需要对原始数据进行重采样以使其在时间轴上均匀分布。
37、进一步地，所述步骤s2中的数据预处理包括：根据所关心的设备故障模式，选择其相关关键参数作为重构模型的输出参数y，采用参数互相关分析筛选与y相关程度较高的其他监测参数，以构造重构模型输入参数中的x向量；
38、进一步地，所述步骤s2中的数据预处理，具体方法可采用pearson相关系数法，通过计算特定的统计量来量化两个参数之间相关程度的大小，参数x和参数y的pearson相关系数即线性回归分析中的相关系数，其计算方式为：
39、
40、式中，cov(x,y)为参数x与y的协方差，σx和σy分别为参数x和y的标准差。
41、进一步地，所述步骤s3中具体采用的拟合模型可采用svr支持向量回归，构建训练完成的模型表达式为：<本文档来自技高网...
【技术保护点】
1.一种基于多维故障特征学习的风电机组关键部件异常探测方法，其特征在于，包括以下过程：
2.根据权利要求1所述的基于多维故障特征学习的风电机组关键部件异常探测方法，其特征在于，所述步骤S1中的重构模型通常是按均匀时间步长进行预测的时间序列模型，需要对原始数据进行重采样以使其在时间轴上均匀分布。
3.根据权利要求1所述的基于多维故障特征学习的风电机组关键部件异常探测方法，其特征在于，所述步骤S2中的数据预处理包括：根据所关心的设备故障模式，选择其相关关键参数作为重构模型的输出参数y，采用参数互相关分析筛选与y相关程度较高的其他监测参数，以构造重构模型输入参数中的X向量。
4.根据权利要求1所述的基于多维故障特征学习的风电机组关键部件异常探测方法，其特征在于，所述步骤S2中的数据预处理，具体方法可采用Pearson相关系数法，通过计算特定的统计量来量化两个参数之间相关程度的大小，参数x和参数y的Pearson相关系数即线性回归分析中的相关系数，其计算方式为：
5.根据权利要求1所述的基于多维故障特征学习的风电机组关键部件异常探测方法，其
6.根据权利要求1所述的基于多维故障特征学习的风电机组关键部件异常探测方法，其特征在于，所述步骤S5中设置显著度指标的应对数据中少量的异常点可能对偏离度指标和波动度指标造成较大影响的问题，以防止异常点导致计算得到的健康指标的大幅度波动，从而减少误报警的概率。
7.根据权利要求1所述的基于多维故障特征学习的风电机组关键部件异常探测方法，其特征在于，所述步骤S6中，对显著度指标，则采用Sigmoid函数族中的tanh函数处理，即：
8.根据权利要求1所述的基于多维故障特征学习的风电机组关键部件异常探测方法，其特征在于，所述步骤S7中，HI越接近0表示设备的运行状态越健康，而越接近1则表示设备可能存在潜在的异常和故障；
9.根据权利要求1所述的基于多维故障特征学习的风电机组关键部件异常探测方法，其特征在于，该探测方法通过在风电机组正常运行状态下，利用监测参数之间的相关关系，可建立特定监测参数的重构模型，即利用与其具有相关关系的监测参数及该参数的历史数据将这一参数的值计算出来，称为参数的重构值。
10.根据权利要求1所述的基于多维故障特征学习的风电机组关键部件异常探测方法，其特征在于，该探测方法在风电机组的运行模式不变的情况下，通过采用适当的建模方式，可使重构模型具有较高的精度，即参数的重构值在其测量值附近的小范围内波动；
...【技术特征摘要】
1.一种基于多维故障特征学习的风电机组关键部件异常探测方法，其特征在于，包括以下过程：
2.根据权利要求1所述的基于多维故障特征学习的风电机组关键部件异常探测方法，其特征在于，所述步骤s1中的重构模型通常是按均匀时间步长进行预测的时间序列模型，需要对原始数据进行重采样以使其在时间轴上均匀分布。
3.根据权利要求1所述的基于多维故障特征学习的风电机组关键部件异常探测方法，其特征在于，所述步骤s2中的数据预处理包括：根据所关心的设备故障模式，选择其相关关键参数作为重构模型的输出参数y，采用参数互相关分析筛选与y相关程度较高的其他监测参数，以构造重构模型输入参数中的x向量。
4.根据权利要求1所述的基于多维故障特征学习的风电机组关键部件异常探测方法，其特征在于，所述步骤s2中的数据预处理，具体方法可采用pearson相关系数法，通过计算特定的统计量来量化两个参数之间相关程度的大小，参数x和参数y的pearson相关系数即线性回归分析中的相关系数，其计算方式为：
5.根据权利要求1所述的基于多维故障特征学习的风电机组关键部件异常探测方法，其特征在于，所述步骤s3中具体采用的拟合模型可采用svr支持向量回归，构建训练完成的模型表达式为：
6.根据权利要求1所述的基于多维故障特...
【专利技术属性】
技术研发人员：丁锋，张立强，胡政，师华凯，高宏杰，郭惠民，赵德骏，
申请(专利权)人：国家能源集团山西电力有限公司，
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。