【技术实现步骤摘要】
本申请涉及风电机组故障诊断、人工智能、数据处理、机器学习，尤其涉及一种传动链的故障识别模型的训练方法、故障识别方法及装置。
技术介绍
1、风力发电机组通过将风能转化为机械能再转化为电能的方式供电，而传动链在风电机组的运行过程中发挥了重要的作用。
2、传动链发生异常和损坏会直接导致风力发电机组停机甚至更进一步地造成大部件损坏，使场站蒙受巨大的经济损失。现有相关的诊断方法中，一部分是设置专家库，以半人工的方式通过经验来设置阈值进行异常诊断，当传动链的相关参数超过阈值后则判断存在振动异常；另一部分采用人工智能方法，通过模型训练的方式判断传动链是否异常或者定位故障位置。但模型训练方法需要学习的过程，且需要大量的数据，也需要大量的时间来积累。由于各个场站的风机也存在各自不同的运行情况，同一套训练的模型无法完全适用，泛化能力较差，每个场站积累的数据量也不同，不一定能到达训练的要求的量。
技术实现思路
1、本公开提供一种传动链的故障识别模型的训练方法、故障识别方法及装置，以至少解决相关技术中风力发电机组对应的传动链的故障识别模型泛化能力较差的问题。
2、本申请第一方面实施例提出了一种传动链的故障识别模型的训练方法，包括：基于预设核函数构建多分类支持向量机，其中，预设核函数为指数核函数与方差分析核函数之和；基于样本风电机组的第一传动链相关数据获取训练样本集，基于训练样本集对多分类支持向量机进行训练，获取训练完成后多分类支持向量机的模型参数；构建初始故障识别模型，初始故障识别
3、根据本申请的一个实施例，基于样本风电机组的第一传动链相关数据获取训练样本集，包括：获取样本风电机组对应的第一传动链相关数据；对第一传动链相关数据进行预处理；对预处理之后的第一传动链相关数据进行聚类，获得聚类结束后生成的多个样本聚类簇，并对每个样本聚类簇内的第一传动链相关数据标注上该样本聚类簇对应的样本标签，样本标签包括传动链的故障类型和故障位置；基于预处理之后的第一传动链相关数据和每个第一传动链相关数据对应的样本标签生成训练样本集。
4、根据本申请的一个实施例，基于预处理之后的第一传动链相关数据和每个第一传动链相关数据对应的样本标签生成训练样本集，包括：对预处理之后的第一传动链相关数据进行参数降维，获取参数降维后生成的降维数据；对降维数据进行特征选取，获取特征选取后生成的样本数据；获取每个样本数据对应的样本标签；基于样本数据和样本数据对应的样本标签生成训练样本集。
5、根据本申请的一个实施例，预设核函数的公式可表示为：
6、
7、其中，
8、
9、k2(x,y)＝exp(-σ(xk-yk)2)d
10、上式中，k(x,y)为分类支持向量机的预设核函数，k1(x,y)为指数核函数，k2(x,y)为方差分析核函数，x和y分别表示输入样本的特征向量，σ2是方差，k是方差分析核要分析的因素的数量，d是方差分析核函数的次数，‖x-y‖表示特征向量之间的曼哈顿距离。
11、根据本申请的一个实施例，第一传动链相关数据包括部署在样本风电机组的多个部位的传感器采集的传动链振动数据、样本风电机组的传动链使用时间、样本风电机组的维修次数、样本风电机组的所属区域的所有风电机组的传动链平均使用时间、样本风电机组的所属区域的平均风速、样本风电机组的所属区域的最大风速。
12、本申请第二方面实施例提出了一种传动链的故障识别方法，包括：获取待识别的目标风电机组的实时传动链相关数据；将实时传动链相关数据输入至目标故障识别模型中，以获取目标风电机组的故障识别结果，故障识别结果包括目标风电机组的传动链的故障类型和故障位置，其中，目标故障识别模型为采用如上第一方面实施例的模型训练方法训练出的模型。
13、本申请第三方面实施例提出了一种传动链的故障识别模型的训练装置，包括：第一构建模块，用于基于预设核函数构建多分类支持向量机，其中，预设核函数为指数核函数与方差分析核函数之和；参数获取模块，用于基于样本风电机组的第一传动链相关数据获取训练样本集，基于训练样本集对多分类支持向量机进行训练，获取训练完成后多分类支持向量机的模型参数；第二构建模块，用于构建初始故障识别模型，初始故障识别模型由多分类支持向量机和迁移学习网络组成；第一训练模块，用于获取待识别的目标风电机组对应的第二传动链相关数据，对初始故障识别模型内的多分类支持向量机按照模型参数进行参数冻结，并基于第二传动链相关数据对迁移学习网络进行训练，获取训练结束后生成的中间故障识别模型；第二训练模块，用于对中间故障识别模型内的多分类支持向量机进行参数解冻，并基于第二传动链相关数据对中间故障识别模型进行参数微调，获得最终生成的目标故障识别模型。
14、本申请第四方面实施例提出了一种传动链的故障识别装置，包括：获取模块，用于获取待识别的目标风电机组的实时传动链相关数据；识别模块，用于将实时传动链相关数据输入至目标故障识别模型中，以获取目标风电机组的故障识别结果，故障识别结果包括目标风电机组的传动链的故障类型和故障位置。
15、本申请第五方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现如本申请第一方面实施例所述的传动链的故障识别模型的训练方法和第二方面实施例所述的传动链的故障识别方法。
16、本申请第六方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于实现如本申请第一方面实施例所述的传动链的故障识别模型的训练方法和第二方面实施例所述的传动链的故障识别方法。
17、本申请第七方面实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如本申请第一方面实施例所述的传动链的故障识别模型的训练方法和第二方面实施例所述的传动链的故障识别方法。
18、本公开的实施例提供的技术方案至少带来以下有益效果：本申请将多分类支持向量机的核函数改成组合核函数(指数核函数和方差分析核函数之和)，使最终生成的目标故障识别模型对数据中的噪音有着较好的抗干扰能力，同时还排除了因为风机个体间的不同或其他随机因素导致的误差，并且，本申请通过使用迁移学习，使在对环境条件差别较大的新场站(比如西北荒漠和沿海地区)的目标风电机组应用模型时只需要少量数据和小幅调整就能直接使用，并具备较高准确率和较低的过拟合本文档来自技高网...
【技术保护点】
1.一种传动链的故障识别模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于样本风电机组的第一传动链相关数据获取训练样本集，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于预处理之后的第一传动链相关数据和每个第一传动链相关数据对应的所述样本标签生成所述训练样本集，包括：
4.根据权利要求3所述的方法，其特征在于，所述预设核函数的公式可表示为：
5.根据权利要求1所述的方法，其特征在于，所述第一传动链相关数据包括部署在样本风电机组的多个部位的传感器采集的传动链振动数据、样本风电机组的传动链使用时间、样本风电机组的维修次数、样本风电机组的所属区域的所有风电机组的传动链平均使用时间、样本风电机组的所属区域的平均风速、样本风电机组的所属区域的最大风速。
6.一种传动链的故障识别方法，其特征在于，包括：
7.一种传动链的故障识别模型的训练装置，其特征在于，包括：
8.一种传动链的故障识别装置，其特征在于，包括：
9.一种电子设备，包括：
1
...【技术特征摘要】
1.一种传动链的故障识别模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于样本风电机组的第一传动链相关数据获取训练样本集，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于预处理之后的第一传动链相关数据和每个第一传动链相关数据对应的所述样本标签生成所述训练样本集，包括：
4.根据权利要求3所述的方法，其特征在于，所述预设核函数的公式可表示为：
5.根据权利要求1所述的方法，其特征在于，所述第一传动链相关数据包括部署在样本风电机组的多个部位的传感器采集的传动链振动数据、样本...
【专利技术属性】
技术研发人员：王宝岳，杜静宇，张燧，王青天，黄思皖，史鉴恒，杨雪，曹治，刘吉辰，冯笑丹，孟喆，包紫晨，郭巍，徐美娇，王宏伟，杨家兴，李玉冬，
申请(专利权)人：华能新能源股份有限公司，
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。