[發明專利]基于難樣本挖掘的深度度量網絡的風機多故障診斷方法

有效

• 申請號: 201910835384.1
• 申請日: 2019-09-05
• 公開（公告）號: CN110555478B
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 劉金海;劉曉媛;曲福明
• 申請（專利權）人: 東北大學
• 主分類號: G06F18/2411
• 分類號: G06F18/2411;G06F18/214;G06N3/0464;G06N3/08;G01M13/02
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李珉

本發明提供一種基于難樣本挖掘的深度度量網絡的風機多故障診斷方法，涉及風力渦輪機故障診斷技術領域。該方法首先針對一個風力渦輪機z種不同類型的SCADA數據構建難樣本數據集，將構造的難樣本數據集進行圖像化處理，優化各類SCADA數據變量，使數據變量之間的排列在時間空間上連續，最終得到優化后的訓練樣本，構造基于改進三元組訓練樣本集損失函數的深度度量網絡模型；最后將三元組樣本通過深度度量網絡映射得到的特征向量作為訓練集輸入到SVM模型中，進行風力渦輪機故障診斷。該方法基于三元組模型進行樣本生成，提出一個運用單模型診斷多故障的方法，運用改進的三元組損失函數訓練模型，提高了多故障診斷的準確性。

技術領域

本發明涉及風力渦輪機故障診斷技術領域，尤其涉及一種基于難樣本挖掘的深度度量網絡的風機多故障診斷方法。

背景技術

近年來，由于礦產、石油等資源的日益枯竭，無法滿足人類對能源日益增長的需求，綠色環保可持續的風能成為再生資源的主力軍，其在整個能源體系的地位也日益增長。全球風能理事會(GWEC)發布的數據顯示：2018年全球新增裝機容量為51.3GW，總裝機容量為591GW，與2017年相比增長了9％，預計到2023年，陸上和海上的新增裝機容量每年將超過55GW。

隨著風力發電技術的迅速發展，越來越多的風電場和風力渦輪機投入使用，風電機組遭遇的問題也原來越多。風電場一般位于風力資源較豐富的偏遠地區或者近誨區域，交通不便，風電場內風電機組分布面積廣、數量多、工作環境惡劣、受氣候和環境影響大，風速極不穩定，在交變荷載的作用下，機組的一些關鍵部件容易損壞，因此風力發電機在發電過程中很容易出現故障，并且維修難度和成本很高，據悉運營和維修服務是發電成本的25-35％。無論從安全的角度，還是從經濟效益出發，風電機組的故障分析和建立完備的故障診斷系統是具有極其重要的實際意義的。

目前針對風力渦輪機(即風機)的故障診斷方法主要包括以下三類：基于信號的方法、基于模型的方法、基于數據驅動的方法。其中，基于數據驅動的方法對信號噪聲魯棒性較好，因此數據驅動方法在故障診斷中被廣泛使用。然而，大多數風力渦輪機故障檢測方法只能檢測風力渦輪機的一類故障，在實際中，故障種類是多種多樣的，單模型診斷單故障會導致信息混亂、計算量增大、時效性降低等問題，因此提出一種利用單模型解決多故障的方法具有重要的意義和研究價值。

在理論研究中，有很多基于數據驅動的故障診斷方法可以實現單模型對多故障的診斷，其中包括人工神經網絡(ANN)、支持向量機(SVM)、模糊邏輯系統(FLS)。這些方法可以通過訓練進而從輸入故障數據中識別出不同的故障類型，因而可以用來實現多故障診斷。然而現有的單模型診斷多故障方法性能差，且這些方法嚴重依賴于風力渦輪機領域知識，因此能夠檢測到的故障類型數量有限。由上所述，可見，如何建立單模型來診斷多故障，并提高診斷的精度，是當前風力渦輪機故障診斷領域亟需解決的難題之一。

發明內容

本發明要解決的技術問題是針對上述現有技術的不足，提供一種基于難樣本挖掘的深度度量網絡的風機多故障診斷方法，實現風力渦輪機的多種故障診斷，并提高多故障診斷的精度。

為解決上述技術問題，本發明所采取的技術方案是：基于難樣本挖掘的深度度量網絡的風機多故障診斷方法，包括以下步驟：

步驟1：構建難訓練樣本挖掘模型；針對一個風力渦輪機z種不同類型的SCADA數據集，D＝[D₁，D₂，...，D_z]^T，其中每一類型包括正常數據Rⁿ、異常數據R^f；為了選擇訓練精度高的樣本集，將異常數據R^f分為早期故障數據S^ef和故障數據S^f，對正常數據和異常數據進行樣本均衡化，構成難樣本集A＝Rⁿ∪R^f；

步驟1.1：生成正常數據訓練樣本集Rⁿ，如下公式所示：