本發(fā)明涉及故障診斷技術(shù)，特別涉及一種基于Bayes算法的風(fēng)機(jī)故障診斷技術(shù)和診斷系統(tǒng)。

背景技術(shù)：

截止2015年底，中國大陸地區(qū)風(fēng)機(jī)裝機(jī)容量達(dá)到145362兆瓦，遙遙領(lǐng)先于美國90007兆瓦，躍居世界第一。中國已經(jīng)是世界上風(fēng)電設(shè)備制造大國和風(fēng)電裝機(jī)容量最多的國家，成為名副其實(shí)的風(fēng)電大國。雖然我國風(fēng)電裝機(jī)總?cè)萘窟h(yuǎn)遠(yuǎn)超過美國，但是風(fēng)電的利用效率低，風(fēng)電場有效并網(wǎng)發(fā)電量仍低于美國（2015年美國風(fēng)電發(fā)電總量1900億度，中國風(fēng)電總發(fā)電量1300億度）。從風(fēng)電大國變成風(fēng)電強(qiáng)國是一個系統(tǒng)工程，其中一個重要環(huán)節(jié)是依靠高科技加強(qiáng)風(fēng)電場的精細(xì)化管理水平，提高風(fēng)電場發(fā)電效率，降低運(yùn)營和維護(hù)成本。風(fēng)力發(fā)電故障診斷方法一直是業(yè)內(nèi)的重要研究領(lǐng)域，設(shè)想通過故障診斷系統(tǒng)對已上線風(fēng)力發(fā)電機(jī)進(jìn)行預(yù)測性診斷，提前發(fā)現(xiàn)風(fēng)力發(fā)電機(jī)的亞健康狀態(tài)，優(yōu)化安排維護(hù)保養(yǎng)策略，提高維保人員的工作效率，在避免出現(xiàn)重大安全事故發(fā)生的同時，最大化風(fēng)電場的在線率并保證風(fēng)機(jī)的安全高效運(yùn)行。

在國內(nèi)，相關(guān)領(lǐng)域?qū)＜覍W(xué)者也對風(fēng)電故障診斷和維護(hù)進(jìn)行了研究。例如張曉波，張新燕等采用小波分析的方法來判定風(fēng)機(jī)發(fā)電中電力電子的故障；王斌，董興輝等研究了基于故障樹的專家系統(tǒng)在風(fēng)電齒輪箱上的應(yīng)用；李輝，鄭海起等進(jìn)行了基于EMD和功率譜的齒輪故障診斷研究。這些研究內(nèi)容主要是針對風(fēng)力發(fā)電機(jī)的一個部件進(jìn)行故障診斷，極少是從大數(shù)據(jù)層面出發(fā)來對風(fēng)力發(fā)電機(jī)進(jìn)行全面系統(tǒng)的故障診斷。

現(xiàn)有技術(shù)主要存在以下缺點(diǎn)：

1. 風(fēng)力發(fā)電機(jī)是一個完整運(yùn)營體系，部件之間都存在一定的關(guān)聯(lián)，現(xiàn)有診斷方法大多針對風(fēng)力發(fā)電機(jī)的一個特定部件，不夠全面系統(tǒng)；

2.無法做到預(yù)測性診斷，診斷已經(jīng)發(fā)生的故障無法提高風(fēng)力發(fā)電機(jī)的在線率（效率）；

3.現(xiàn)有故障診斷算法極少有做到真正從大數(shù)據(jù)層面出發(fā)，融入機(jī)器學(xué)習(xí)理論，保證診斷模型的持續(xù)有效。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的上述缺陷，本發(fā)明提供一種基于Bayes算法的風(fēng)機(jī)故障診斷方法和診斷系統(tǒng)，能夠最大化風(fēng)電場的在線率并保證風(fēng)機(jī)的安全高效運(yùn)行。

本發(fā)明提供的一種基于Bayes算法的風(fēng)機(jī)故障診斷方法，具體的實(shí)施步驟如下：

S1，標(biāo)注風(fēng)力發(fā)電系統(tǒng)已知的故障類型及對應(yīng)時間。

S2，標(biāo)注風(fēng)力發(fā)電系統(tǒng)各類故障發(fā)生前的特征狀態(tài)。

S3，采用copula關(guān)聯(lián)函數(shù)改進(jìn)的Bayes算法建立故障診斷模型。

S4，實(shí)時采集的風(fēng)力發(fā)電機(jī)運(yùn)行數(shù)據(jù)傳送至本故障診斷系統(tǒng)進(jìn)行實(shí)施診斷，并輸出診斷結(jié)果。

S5，賦予診斷結(jié)果對應(yīng)的標(biāo)簽，用戶可在此基礎(chǔ)上對風(fēng)機(jī)進(jìn)行實(shí)際運(yùn)行狀態(tài)確認(rèn)，根據(jù)確認(rèn)結(jié)果對診斷結(jié)果標(biāo)簽進(jìn)行修正并儲入歷史數(shù)據(jù)庫。

S6，按照需求定期對診斷模型重新擬合，優(yōu)化故障診斷模型，提高故障診斷準(zhǔn)確率，從而提升風(fēng)力發(fā)電在線率。

優(yōu)選的，所述步驟S3中，采用copula關(guān)聯(lián)函數(shù)改進(jìn)的Bayes算法建立故障診斷模型步驟為。

第一步，風(fēng)力發(fā)電機(jī)設(shè)備已知故障代碼、風(fēng)力發(fā)電機(jī)設(shè)備發(fā)生故障前特殊標(biāo)識存入數(shù)據(jù)庫。

第二步，導(dǎo)入歷史數(shù)據(jù)庫中的歷史數(shù)據(jù)，根據(jù)對風(fēng)力發(fā)電設(shè)備運(yùn)行影響的重要程度確定用于建立風(fēng)電發(fā)力設(shè)備故障診斷模型相應(yīng)的參數(shù)，所述用于建立風(fēng)電發(fā)力設(shè)備故障診斷模型相應(yīng)的參數(shù)必須≥3項(xiàng)。

第三步，采用十折多次交叉驗(yàn)證的方式，分別進(jìn)行故障先驗(yàn)概率計(jì)算、copula算法對條件概率密度計(jì)算，其中所述條件概率密度計(jì)算為選擇上述影響風(fēng)力發(fā)電設(shè)備運(yùn)行的參數(shù)維度不同組合的概率密度計(jì)算。

第四步，將故障發(fā)生的Bayes后驗(yàn)概率與正常狀態(tài)的Bayes后驗(yàn)概率比較并進(jìn)行迭代運(yùn)算。

第五步，根據(jù)故障診斷準(zhǔn)確率及故障診斷誤判率綜合評分選擇不同設(shè)備相應(yīng)的最優(yōu)診斷模型，其中所述最優(yōu)診斷模型，包含故障發(fā)生前的特征診斷模型和故障發(fā)生后被確認(rèn)為診斷正確的故障診斷模型。

第六步，予以存儲，以備調(diào)用。

優(yōu)選的，所述步驟S5中，實(shí)時診斷結(jié)果確認(rèn)為診斷正確的，將其直接錄入歷史數(shù)據(jù)庫用于風(fēng)機(jī)故障診斷模型優(yōu)化；實(shí)時診斷結(jié)果為誤判診斷的，修改故障標(biāo)簽后錄入歷史數(shù)據(jù)庫用于風(fēng)機(jī)故障診斷模型優(yōu)化。

優(yōu)選的，所述步驟S6中，隨著故障標(biāo)簽數(shù)量的增加，及數(shù)據(jù)標(biāo)簽精度的提升，定期優(yōu)化故障診斷模型，將得出的Bayes故障診斷最優(yōu)模型存儲于故障診斷模型庫并用于實(shí)時診斷。

本發(fā)明提供的一種基于Bayes算法的風(fēng)機(jī)故障診斷系統(tǒng)，包括：數(shù)據(jù)養(yǎng)殖單元和Bayes算法建模單元，其中，

所述數(shù)據(jù)養(yǎng)殖單元用于標(biāo)注風(fēng)力發(fā)電系統(tǒng)已知的故障類型及對應(yīng)時間；還標(biāo)注風(fēng)力發(fā)電系統(tǒng)各類故障發(fā)生前的特征狀態(tài)，為故障預(yù)測性診斷創(chuàng)造條件。

所述Bayes算法建模單元用于風(fēng)機(jī)系統(tǒng)中至少一個設(shè)備故障診斷模型。

優(yōu)選的，所述Bayes算法建模為采用copula關(guān)聯(lián)函數(shù)改進(jìn)的Bayes算法建立故障診斷模型。

可選的，所述風(fēng)機(jī)系統(tǒng)包含風(fēng)輪、葉片、齒輪箱、發(fā)電機(jī)、控制箱、風(fēng)速儀和風(fēng)向標(biāo)等設(shè)備。

該系統(tǒng) 還包括：實(shí)時故障診斷單元和模型優(yōu)化單元，其中，

所述故障診斷單元，通過實(shí)時數(shù)據(jù)與故障標(biāo)簽比對，自動給出診斷結(jié)果，診斷結(jié)果正確的將該診斷結(jié)果標(biāo)示用于進(jìn)一步優(yōu)化診斷模型；診斷結(jié)果為誤判的，修改原故障標(biāo)簽以進(jìn)一步優(yōu)化診斷模型。

所述模型優(yōu)化單元，通過歷史數(shù)據(jù)不斷更替提高風(fēng)機(jī)故障診斷模型的準(zhǔn)確性。

本發(fā)明的有益效果是：

1.采用Copula關(guān)聯(lián)函數(shù)改進(jìn)的Bayes高級算法，診斷準(zhǔn)確率更高；

2.診斷系統(tǒng)不局限于單個部件、單個故障的診斷，可基于任何故障的特征進(jìn)行各類故障診斷；

3.完全基于大數(shù)據(jù)及機(jī)器學(xué)習(xí)技術(shù)研發(fā)診斷模型自優(yōu)化功能，制定模型最優(yōu)化決策機(jī)制，保證故障診斷系統(tǒng)可廣泛運(yùn)用，并確保長期具有非常高的可靠性；

4.不斷完善風(fēng)力發(fā)電場歷史數(shù)據(jù)庫，可依據(jù)各類故障發(fā)生前的特征數(shù)據(jù)建立基于Bayes算法的預(yù)測性故障診斷模型。

附圖說明

下面將通過參照附圖詳細(xì)描述本發(fā)明的示例性實(shí)例，使本領(lǐng)域的普通技術(shù)人員更清楚本發(fā)明的上述及其它特征和優(yōu)點(diǎn)。

圖1為本發(fā)明基于bayes算法的風(fēng)機(jī)故障診斷系統(tǒng)的實(shí)現(xiàn)流程圖。

圖2為本發(fā)明基于bayes算法的風(fēng)機(jī)故障診斷系統(tǒng)的結(jié)構(gòu)圖。

圖3為本發(fā)明實(shí)施例中風(fēng)力發(fā)電葉片故障診斷方法的具體流程圖。

圖4為本發(fā)明實(shí)施例中風(fēng)力發(fā)電機(jī)故障預(yù)測性診斷方法的具體流程圖。

具體實(shí)施方式

下面將對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

下面結(jié)合圖2為本發(fā)明基于bayes算法的風(fēng)機(jī)故障診斷系統(tǒng)的結(jié)構(gòu)圖。如圖2所示，本實(shí)施例中的故障診斷方法包括以下步驟：

步驟101，結(jié)合風(fēng)機(jī)葉片實(shí)際異常情況對風(fēng)機(jī)葉片已知的故障類型和對應(yīng)時間。

步驟102，結(jié)合風(fēng)機(jī)葉片實(shí)際異常情況對風(fēng)機(jī)葉片各類故障發(fā)生前的特征狀態(tài)進(jìn)行標(biāo)記。

步驟103，采用copula關(guān)聯(lián)函數(shù)改進(jìn)的Bayes算法建立風(fēng)機(jī)葉片故障診斷模型。

本步驟中，風(fēng)機(jī)葉片已知故障類型、風(fēng)機(jī)葉片發(fā)生故障前特殊標(biāo)識存入數(shù)據(jù)庫；導(dǎo)入風(fēng)機(jī)葉片的歷史數(shù)據(jù)，根據(jù)風(fēng)機(jī)葉片運(yùn)行特征確定與葉片運(yùn)行狀態(tài)密切相關(guān)的核心參數(shù)：葉片角度、變槳軸承溫度、變槳軸承油溫、變槳軸承轉(zhuǎn)速，以及能體現(xiàn)風(fēng)機(jī)發(fā)電效率的關(guān)鍵參數(shù)：有功功率、ls平均風(fēng)速，并制定用于建模的參數(shù)組合，其中所有參數(shù)組合中前三組參數(shù)必選。然后，采用Copula關(guān)聯(lián)函數(shù)求取上述各參數(shù)組合的故障診斷條件概率密度，同時統(tǒng)計(jì)歷史數(shù)據(jù)的葉片故障先驗(yàn)概率密度，并代入Bayes計(jì)算公式計(jì)算后驗(yàn)條件概率，并通過多次十折交叉驗(yàn)證的方式提高概率計(jì)算的準(zhǔn)確性。隨后，將風(fēng)機(jī)葉片故障發(fā)生的Bayes后驗(yàn)條件概率與風(fēng)機(jī)葉片處于正常狀態(tài)的Bayes后驗(yàn)條件概率比較并進(jìn)行迭代運(yùn)算，選擇風(fēng)機(jī)葉片故障診斷正確率大于70%、風(fēng)機(jī)葉片故障誤判率小于10%，或者根據(jù)需求設(shè)定同時滿足風(fēng)機(jī)葉片故障診斷正確率大于70%、風(fēng)機(jī)葉片故障誤判率小于10%的風(fēng)機(jī)葉片故障發(fā)生前的最優(yōu)特征診斷模型和風(fēng)機(jī)葉片故障發(fā)生后被確認(rèn)為診斷正確的最優(yōu)故障診斷模型。最后，將最優(yōu)風(fēng)機(jī)故障診斷模型存入數(shù)據(jù)庫，以備調(diào)用。

步驟104，實(shí)時采集的風(fēng)機(jī)葉片運(yùn)行數(shù)據(jù)傳送至本故障診斷系統(tǒng)進(jìn)行實(shí)施診斷，并輸出診斷結(jié)果。

步驟105，賦予診斷結(jié)果對應(yīng)的標(biāo)簽，用戶可在此基礎(chǔ)上對風(fēng)機(jī)進(jìn)行實(shí)際運(yùn)行狀態(tài)確認(rèn)，根據(jù)確認(rèn)結(jié)果對診斷結(jié)果標(biāo)簽進(jìn)行修正并儲入歷史數(shù)據(jù)庫。

步驟106，按照需求定期對診斷模型重新擬合，優(yōu)化故障診斷模型。

至此本流程結(jié)束。

下面結(jié)合圖4為本發(fā)明實(shí)施例中風(fēng)力發(fā)電機(jī)故障預(yù)測性診斷方法的具體流程圖。本實(shí)施例中的故障診斷方法包括以下步驟。

步驟201，結(jié)合風(fēng)機(jī)發(fā)電機(jī)實(shí)際異常情況對風(fēng)機(jī)發(fā)電機(jī)已知的故障類型和對應(yīng)時間。

步驟202，結(jié)合風(fēng)機(jī)發(fā)電機(jī)實(shí)際異常情況對風(fēng)機(jī)發(fā)電機(jī)各類故障發(fā)生前的特征狀態(tài)進(jìn)行標(biāo)記。

步驟203，采用copula關(guān)聯(lián)函數(shù)改進(jìn)的Bayes算法建立風(fēng)機(jī)發(fā)電機(jī)故障診斷模型。

本步驟中，風(fēng)機(jī)發(fā)電機(jī)已知故障類型、風(fēng)機(jī)發(fā)電機(jī)發(fā)生故障前特殊標(biāo)識存入數(shù)據(jù)庫；導(dǎo)入風(fēng)機(jī)發(fā)電機(jī)的歷史數(shù)據(jù)，根據(jù)風(fēng)機(jī)發(fā)電機(jī)運(yùn)行特征確定與發(fā)電機(jī)運(yùn)行狀態(tài)密切相關(guān)的核心參數(shù)：發(fā)電機(jī)轉(zhuǎn)述、有功功率、ls平均風(fēng)速、繞線組最高溫度、變槳電機(jī)溫度、變槳電機(jī)扭矩，并制定用于建模的參數(shù)組合，其中所有參數(shù)組合中前三組參數(shù)必選。然后，采用Copula關(guān)聯(lián)函數(shù)求取上述各參數(shù)組合的故障診斷條件概率密度，同時統(tǒng)計(jì)歷史數(shù)據(jù)的發(fā)電機(jī)故障先驗(yàn)概率密度，并代入Bayes計(jì)算公式計(jì)算后驗(yàn)條件概率，并通過多次十折交叉驗(yàn)證的方式提高概率計(jì)算的準(zhǔn)確性。隨后，將風(fēng)機(jī)發(fā)電機(jī)故障發(fā)生的Bayes后驗(yàn)條件概率與風(fēng)機(jī)發(fā)電機(jī)處于正常狀態(tài)的Bayes后驗(yàn)條件概率比較并進(jìn)行迭代運(yùn)算，選擇風(fēng)機(jī)發(fā)電機(jī)故障診斷正確率大于80%、風(fēng)機(jī)發(fā)電機(jī)故障誤判率小于10%的風(fēng)機(jī)發(fā)電機(jī)故障發(fā)生前的最優(yōu)特征診斷模型和風(fēng)機(jī)發(fā)電機(jī)故障發(fā)生后被確認(rèn)為診斷正確的最優(yōu)故障診斷模型。最后，將最優(yōu)風(fēng)機(jī)故障診斷模型存入數(shù)據(jù)庫，以備調(diào)用。

步驟204，實(shí)時采集的風(fēng)力發(fā)電機(jī)運(yùn)行數(shù)據(jù)傳送至本故障診斷系統(tǒng)進(jìn)行實(shí)施診斷，并輸出診斷結(jié)果。

步驟205，賦予診斷結(jié)果對應(yīng)的標(biāo)簽，用戶可在此基礎(chǔ)上對風(fēng)機(jī)進(jìn)行實(shí)際運(yùn)行狀態(tài)確認(rèn)，根據(jù)確認(rèn)結(jié)果對診斷結(jié)果標(biāo)簽進(jìn)行修正并儲入歷史數(shù)據(jù)庫。

步驟206，按照需求定期對診斷模型重新擬合，優(yōu)化故障診斷模型。

至此本流程結(jié)束。

以上所述僅為本發(fā)明的實(shí)施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其它相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。