[發(fā)明專利]基于多分辨率時序循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組故障診斷方法

在審

• 申請?zhí)枺?/td>: 202011639677.1
• 申請日: 2020-12-31
• 公開（公告）號: CN112798956A
• 公開（公告）日: 2021-05-14
• 發(fā)明（設(shè)計）人: 武鑫;呂佃順;王立鵬;馬強;趙棟利;江國乾;謝平;何群
• 申請（專利權(quán)）人: 江蘇國科智能電氣有限公司;燕山大學(xué)
• 主分類號: G01R31/34
• 分類號: G01R31/34;G06N3/04
• 代理公司: 北京科迪生專利代理有限責(zé)任公司 11251
• 代理人: 關(guān)玲

一種基于多分辨率時序循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組故障診斷方法，利用SCADA多變量時間序列固有的時空相關(guān)性和交互性特性，通過自適應(yīng)動態(tài)融合方式同時對變量從全局和局部進(jìn)行動態(tài)權(quán)重的調(diào)整，以級聯(lián)方式捕獲傳感器變量間的時空相關(guān)性信息，并且以并行方式將調(diào)整后的信息同時輸入神經(jīng)網(wǎng)絡(luò)，深度挖掘變量間交互互補的特征，加強了對特征篩選提取的性能，使得變量之間的關(guān)聯(lián)性進(jìn)一步加強。本發(fā)明融合了時空依賴性提取和多分辨率特征學(xué)習(xí)方法，能夠提取更為豐富的故障診斷信息，與傳統(tǒng)的門控循環(huán)單元網(wǎng)絡(luò)模型及其他傳統(tǒng)機器學(xué)習(xí)方法相比，本發(fā)明能夠有效提高風(fēng)電機組部件故障診斷性能。

技術(shù)領(lǐng)域

本發(fā)明涉及一種風(fēng)電機組故障診斷方法。

背景技術(shù)

風(fēng)能是一種清潔、可再生能源，近些年發(fā)展迅猛，裝機容量持續(xù)增加。然而，伴隨著風(fēng)電的持續(xù)快速發(fā)展和風(fēng)電機組裝機規(guī)模的不斷增加，在役的風(fēng)電機組故障不斷涌現(xiàn)，機組倒塌、葉片結(jié)冰、葉片開裂等事故也不斷發(fā)生。風(fēng)電設(shè)備機組的運行效率低、壽命短、故障率高、可靠性差等問題日益突出，維護(hù)費用居高不下、故障導(dǎo)致的停機損失等因素不僅阻礙了風(fēng)電場的經(jīng)濟(jì)效益發(fā)展，同時也給我國風(fēng)電產(chǎn)業(yè)的健康發(fā)展帶來了強大的沖擊。

當(dāng)前風(fēng)力發(fā)電機故障監(jiān)測主要是通過在風(fēng)力發(fā)電機傳動系統(tǒng)布置振動傳感器和溫度傳感器，基于振動模態(tài)分析的監(jiān)測手段和基于紅外掃描的檢測手段來監(jiān)測風(fēng)力發(fā)電機的運行狀態(tài)。然而風(fēng)機部件失效根因復(fù)雜，檢測難度高，往往無法及時、準(zhǔn)確地告警風(fēng)機某一部件的故障。近年來，監(jiān)測控制和數(shù)據(jù)采集(Supervisory Control and DataAcquisition，以下簡稱SCADA)系統(tǒng)近年來發(fā)展迅速。SCADA系統(tǒng)作為風(fēng)電場的基本組成部分，是風(fēng)場已經(jīng)安裝好的已有系統(tǒng)，能夠提供豐富的風(fēng)電機組運行狀態(tài)的環(huán)境、電氣和機械信息。

目前已有通過處理風(fēng)力發(fā)電機SCADA數(shù)據(jù)實現(xiàn)部件故障檢測的分類方法，但是SCADA數(shù)據(jù)本質(zhì)上是多變量時間序列，具有典型的時空相關(guān)性和交互性特性，而現(xiàn)有部件故障檢測分類方法存在因數(shù)據(jù)時間序列密切關(guān)聯(lián)度的清晰度不足，普遍存在缺乏捕獲這些特征的能力，從而影響故障預(yù)測精度和準(zhǔn)確率。

發(fā)明內(nèi)容

針對當(dāng)前風(fēng)電機組對風(fēng)電機組監(jiān)測控制和數(shù)據(jù)采集SCADA數(shù)據(jù)挖掘和特征提取方法存在的不足，本發(fā)明提出一種基于多分辨率時序循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組故障診斷方法，通過從原始信號進(jìn)行空間上動態(tài)調(diào)整不同特征的權(quán)重，同時對原始信號進(jìn)行小波分解，并對多分辨率信號從空間上動態(tài)調(diào)整不同時刻的數(shù)據(jù)權(quán)重，將調(diào)整后的信息同時分別輸入到門控循環(huán)單元(GatedRecurrent Unit，以下簡稱GRU)神經(jīng)網(wǎng)絡(luò)進(jìn)行時間維度的信息挖掘，再將每個子網(wǎng)絡(luò)的輸出繼續(xù)級聯(lián)，實現(xiàn)全局特征和局部特征時空信息的同步挖掘，達(dá)到變量間空間和時間上的自適應(yīng)動態(tài)融合，進(jìn)一步加強對特征篩選提取的性能，使得變量之間的關(guān)聯(lián)性進(jìn)一步加強。本發(fā)明能夠有效的提高風(fēng)力發(fā)電機組發(fā)生故障分類準(zhǔn)確率，從而及時對風(fēng)力發(fā)電機故障部件進(jìn)行處理和維護(hù)，避免風(fēng)力發(fā)電機部件的深度傷害，從而保持風(fēng)力發(fā)電機部件的健康和延長壽命，發(fā)揮更大的經(jīng)濟(jì)效益。

本發(fā)明包括如下步驟：

S1：對風(fēng)電機組監(jiān)測控制和數(shù)據(jù)采集系統(tǒng)采集到的數(shù)據(jù)進(jìn)行小波分解，設(shè)置相應(yīng)的小波分解層數(shù)L，計算得到原始輸入信號的高頻細(xì)節(jié)系數(shù)，直到達(dá)到所述分解水平L，得到原始輸入的局部信號；

S2：將原始信號和分解得到的局部信號分別進(jìn)行空間上變量間動態(tài)調(diào)整不同特征的權(quán)重，進(jìn)行空間維度的學(xué)習(xí)，并將調(diào)整后的信號同時輸入到門控循環(huán)單元(GatedRecurrent Unit，以下簡稱GRU)神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征學(xué)習(xí)，獲取輸入信號在的全局特征輸出子網(wǎng)絡(luò)和局部特征輸出子網(wǎng)絡(luò)的時間維度上的信息；

S3：將全局特征和局部特征每個子網(wǎng)絡(luò)的輸出進(jìn)行級聯(lián)，實現(xiàn)全局特征和局部特征的自適應(yīng)動態(tài)融合，再將融合后的結(jié)果輸入到軟最大化softmax分類器，根據(jù)所述的輸入時間序列的多分辨率特征產(chǎn)生其分類結(jié)果；

S4：將分類結(jié)果通過滑動窗口和多數(shù)投票的方法以生成最終的檢測結(jié)果。