[發(fā)明專利]一種風電設備故障診斷方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201710106483.7
• 申請日: 2017-02-27
• 公開（公告）號: CN107133632A
• 公開（公告）日: 2017-09-05
• 發(fā)明（設計）人: 卞曉東;孫立華;孟慶強;胡牧;鄧春;孔震;羅黎明;白愷;宋鵬;楊偉新;來驥
• 申請（專利權）人: 國網冀北電力有限公司;國網冀北電力有限公司電力科學研究院;國家電網公司;南京南瑞集團公司;南京南瑞信息通信科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G05B23/02
• 代理公司: 南京縱橫知識產權代理有限公司32224
• 代理人: 董建林

技術領域

本發(fā)明涉及風電設備故障診斷領域，具體講涉及一種風電設備故障診斷方法及系統(tǒng)。

背景技術

風電機組是一個復雜的多體和多域系統(tǒng)，既有旋轉的葉片、輪轂、齒輪箱、軸承、軸等機械部件，又有液壓系統(tǒng)、電氣系統(tǒng)以及復雜的控制系統(tǒng)和電力電子系統(tǒng)。如果能夠利用實時狀態(tài)監(jiān)測數(shù)據(jù)與SCADA等信息可以在災難性故障發(fā)生前，通過故障預測算法和技術將潛在的事故征兆預測或識別出來，可提前實施預防性維修，避免事故引發(fā)重大損失。

而風電設備故障診斷是涉及多方面的知識，目前針對風電機組葉片/變槳系統(tǒng)的研究較多的方法是利用風機輸出電功率分析、推演葉片和變槳距控制機構的過程參數(shù)變化趨勢進行故障預測；國內外學者在研究采用諸如數(shù)據(jù)統(tǒng)計、模糊理論等技術領域，取得了一定的進展，如Holst-Jenson利用FFT譜分析對變槳距系統(tǒng)節(jié)距角誤差仿真進行預測變槳距機構的早期故障特征；而Kusiak研究葉片不對稱故障和節(jié)距角不可信故障的預測算法。

以上研究都是基于數(shù)據(jù)統(tǒng)計方法的，這些方法對葉片質量不對稱、節(jié)距控制結構異常問題非常有效，應用這些方法在故障診斷方面雖然都有一定的優(yōu)勢，但采用單一的診斷模式對風機設備進行故障診斷時，會存在推理能力弱，出現(xiàn)匹配沖突，容錯能力差的缺點，故很難識別疲勞損傷或機械裂紋的早期故障。因此，僅僅單憑某一個方法就主觀地下結論容易導致誤判或漏判，故有待需要研究基于數(shù)據(jù)挖掘方法對故障進行準確預測。

發(fā)明內容

針對風電設備故障診斷的問題，本發(fā)明目的是在于提供一種基于數(shù)據(jù)聚類及關聯(lián)規(guī)則的風電設備故障診斷方法及系統(tǒng)，其綜合多個設備數(shù)據(jù)進行的數(shù)據(jù)聚類、關聯(lián)分析方法，形成多智能判據(jù)綜合診斷風電設備故障，克服了單一方法的缺陷與不足，提高風機設備故障診斷的準確度。

為實現(xiàn)上述目的，本發(fā)明的技術方案如下：

一種風機故障診斷方法，其包括如下步驟:

根據(jù)預先建立的多維數(shù)據(jù)模型和故障事實表對故障數(shù)據(jù)進行聚類分析和關聯(lián)規(guī)則分析；

根據(jù)聚類分析結果以及關聯(lián)規(guī)則分析結果，確定故障事件之間的關系；

根據(jù)預先確定的故障事件之間的條件概率和聯(lián)合條件概率，確定故障發(fā)生互相影響的可能性。

進一步的，所述多維數(shù)據(jù)模型的建立過程為：

抽取風機故障樣本數(shù)據(jù)；

對不同數(shù)據(jù)源的所述故障樣本數(shù)據(jù)進行類型轉換并分類加載至數(shù)據(jù)倉庫；

將預先建立的故障事實表與多維數(shù)據(jù)模型內的維度表通過外鍵建立關聯(lián)。

進一步的，所述對故障數(shù)據(jù)進行聚類分析的步驟包括如下：

利用歐氏距離作為故障樣本數(shù)據(jù)間的相似性度量；

確定評價聚類性能的準則函數(shù)；

對每一類故障數(shù)據(jù)進行聚類分析并采用迭代方式得到最終的聚類結果，完成風電設備故障的相似度處理。

進一步的，所述相似性度量的表達式如下:

其中X＝{X_m|m＝1,2,…，total}為數(shù)據(jù)集；X中的樣本用數(shù)目為d的描述屬性A₁,A₂,…A_d，來表示，且d個描述屬性都是連續(xù)型屬性；數(shù)據(jù)樣本X_i＝(X_i1,X_i2,…X_id)，X_j＝(X_j1,X_j2,…X_jd)；其中X_i1,X_i2,…X_id和X_j1,X_j2,…X_jd分別是樣本X_i和X_j對應d個描述屬性A₁,A₂,...A_d的具體取值；樣本X_i，和X_j之間的相似度用它們之間的距離d(x_i,x_j)來表示。

進一步的，所述準則函數(shù)的表達式如下: