本技術(shù)涉及風(fēng)電設(shè)備運(yùn)維，尤其涉及一種基于多類(lèi)型征兆的風(fēng)電機(jī)組故障診斷方法及系統(tǒng)。

背景技術(shù)：

1、隨著新型電力系統(tǒng)的不斷建設(shè)，風(fēng)力發(fā)電進(jìn)入了穩(wěn)定增長(zhǎng)階段，風(fēng)力發(fā)電機(jī)組的裝機(jī)容量不斷增加。風(fēng)力發(fā)電的快速發(fā)展也帶來(lái)了運(yùn)維和管理上的挑戰(zhàn)，當(dāng)風(fēng)電機(jī)組故障時(shí)會(huì)影響機(jī)組的正常運(yùn)行。因此，需要對(duì)于風(fēng)電機(jī)組發(fā)生的故障進(jìn)行快速和準(zhǔn)確的診斷，以增強(qiáng)風(fēng)電場(chǎng)的運(yùn)維檢修效率，降低運(yùn)營(yíng)維護(hù)成本。

2、相關(guān)技術(shù)中，在進(jìn)行風(fēng)電機(jī)組故障診斷時(shí)，一般僅是通過(guò)單一的故障判斷方式進(jìn)行診斷，比如，獲取機(jī)組系統(tǒng)監(jiān)測(cè)的機(jī)組參數(shù)，由相關(guān)人員根據(jù)歷史經(jīng)驗(yàn)，或者將監(jiān)測(cè)數(shù)據(jù)與預(yù)先設(shè)定的固定安全數(shù)值進(jìn)行比較來(lái)判斷風(fēng)電機(jī)組是否故障。

3、然而，在實(shí)際應(yīng)用中，由于風(fēng)電機(jī)組中的部件較多，各個(gè)部件差異大，且運(yùn)行工況復(fù)雜，存在故障類(lèi)型和故障原因也較多。上述相關(guān)技術(shù)中的診斷方案無(wú)法滿足精細(xì)化的診斷需求，獲得的診斷結(jié)果可能存在偏差，并且診斷結(jié)果的解釋性較差，無(wú)法隨之確定故障原因。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問(wèn)題之一。

2、為此，本技術(shù)的第一個(gè)目的在于提出一種基于多類(lèi)型征兆的風(fēng)電機(jī)組故障診斷方法，該方法結(jié)合多種故障征兆和推理方式，可以快速和準(zhǔn)確的診斷出機(jī)組在復(fù)雜工況下的故障模式和故障原因，提高了風(fēng)電機(jī)組故障診斷的準(zhǔn)確性、及時(shí)性和可靠性。

3、本技術(shù)的第二個(gè)目的在于提出一種基于多類(lèi)型征兆的風(fēng)電機(jī)組故障診斷系統(tǒng)；

4、本技術(shù)的第三個(gè)目的在于提出一種非臨時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

5、為達(dá)上述目的，本技術(shù)的第一方面在于提出一種基于多類(lèi)型征兆的風(fēng)電機(jī)組故障診斷方法，該方法包括以下步驟：

6、獲取風(fēng)電機(jī)組的設(shè)備知識(shí)和故障知識(shí)，基于本體理論將獲取的知識(shí)進(jìn)行結(jié)構(gòu)化表達(dá)，并通過(guò)neo4j圖數(shù)據(jù)庫(kù)對(duì)結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行存儲(chǔ)，以生成風(fēng)電機(jī)組故障診斷知識(shí)庫(kù)；

7、檢測(cè)所述風(fēng)電機(jī)組的實(shí)時(shí)運(yùn)行參數(shù)，基于所述知識(shí)庫(kù)中的故障機(jī)理從所述實(shí)時(shí)運(yùn)行參數(shù)中提取多種目標(biāo)參數(shù)，并通過(guò)預(yù)設(shè)的基于gmm的征兆提取模型和基于bilstm網(wǎng)絡(luò)的征兆提取模型，分別從所述多種目標(biāo)參數(shù)中提取出閾值型征兆和趨勢(shì)型征兆；

8、將包括所述閾值型征兆和所述趨勢(shì)型征兆在內(nèi)的多種故障征兆，輸入所述風(fēng)電機(jī)組故障診斷知識(shí)庫(kù)進(jìn)行基于故障知識(shí)本體的確定性推理，并利用所述多種故障征兆進(jìn)行基于證據(jù)理論融合的不確定性推理；

9、結(jié)合所述確定性推理和所述不確定性推理的診斷結(jié)果，確定所述風(fēng)電機(jī)組當(dāng)前的故障模式和故障原因。

10、可選地，在本技術(shù)的一個(gè)實(shí)施例中，通過(guò)所述基于bilstm網(wǎng)絡(luò)的征兆提取模型從所述多種目標(biāo)參數(shù)中提取出所述趨勢(shì)型征兆，包括：將所述風(fēng)電機(jī)組的歷史故障數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，通過(guò)深度學(xué)習(xí)訓(xùn)練算法對(duì)bilstm網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成所述基于bilstm網(wǎng)絡(luò)的征兆提取模型；將先前時(shí)段內(nèi)的所述目標(biāo)參數(shù)輸入所述基于bilstm網(wǎng)絡(luò)的征兆提取模型，獲取模型預(yù)測(cè)的未來(lái)時(shí)段內(nèi)的數(shù)據(jù)趨勢(shì)；持續(xù)采集所述風(fēng)電機(jī)組的目標(biāo)參數(shù)，將所述未來(lái)時(shí)段內(nèi)的實(shí)際目標(biāo)參數(shù)與所述數(shù)據(jù)趨勢(shì)進(jìn)行比較，在根據(jù)比較結(jié)果確定偏離值持續(xù)超出模型預(yù)測(cè)的置信區(qū)間的情況下，提取所述實(shí)際目標(biāo)參數(shù)對(duì)應(yīng)的趨勢(shì)型故障征兆。

11、可選地，在本技術(shù)的一個(gè)實(shí)施例中，在所述分別從所述多種目標(biāo)參數(shù)中提取出閾值型征兆和趨勢(shì)型征兆之后，還包括：通過(guò)多種現(xiàn)場(chǎng)檢測(cè)方式采集所述風(fēng)電機(jī)組的多種輔助征兆；將所述多種輔助征兆作為所述確定性推理中的補(bǔ)充征兆，并將所述多種輔助征兆作為所述不確定性推理中的補(bǔ)充證據(jù)。

12、可選地，在本技術(shù)的一個(gè)實(shí)施例中，所述進(jìn)行基于故障知識(shí)本體的確定性推理，包括：將所述多種故障征兆匯總為征兆集合輸入所述風(fēng)電機(jī)組故障診斷知識(shí)庫(kù)進(jìn)行匹配，通過(guò)查詢知識(shí)圖譜搜索出與所述征兆集合對(duì)應(yīng)的目標(biāo)故障模式；結(jié)合所述目標(biāo)故障模式和所述補(bǔ)充征兆，在所述風(fēng)電機(jī)組故障診斷知識(shí)庫(kù)中查詢出所述目標(biāo)故障模式的故障原因。

13、可選地，在本技術(shù)的一個(gè)實(shí)施例中，所述進(jìn)行基于故障知識(shí)本體的確定性推理，還包括：通過(guò)cypher查詢語(yǔ)句在所述風(fēng)電機(jī)組故障診斷知識(shí)庫(kù)中查詢與所述征兆集合對(duì)應(yīng)的目標(biāo)故障模式，以及所述目標(biāo)故障模式的故障原因。

14、可選地，在本技術(shù)的一個(gè)實(shí)施例中，所述利用所述多種故障征兆進(jìn)行基于證據(jù)理論融合的不確定性推理，包括：獲取多位專(zhuān)家對(duì)風(fēng)電機(jī)組故障診斷的專(zhuān)家經(jīng)驗(yàn)知識(shí)，并在d-s證據(jù)理論算法的識(shí)別框架上為每種所述專(zhuān)家經(jīng)驗(yàn)知識(shí)設(shè)置一個(gè)對(duì)應(yīng)的基本可信度分配函數(shù)；以所述多種故障征兆作為待查驗(yàn)的證據(jù)，將所述待查驗(yàn)的證據(jù)和原因備選集輸入設(shè)置完成的識(shí)別框架，并將所述補(bǔ)充證據(jù)作為輸入?yún)?shù)輸入至與所述補(bǔ)充證據(jù)對(duì)應(yīng)的基本可信度分配函數(shù)；通過(guò)合成法則對(duì)全部的所述基本可信度分配函數(shù)的輸出數(shù)據(jù)進(jìn)行合成，根據(jù)合成結(jié)果生成所述風(fēng)電機(jī)組的故障診斷結(jié)論。

15、為達(dá)上述目的，本技術(shù)的第二方面還提出了一種基于多類(lèi)型征兆的風(fēng)電機(jī)組故障診斷系統(tǒng)，包括以下模塊：

16、獲取模塊，用于獲取風(fēng)電機(jī)組的設(shè)備知識(shí)和故障知識(shí)，基于本體理論將獲取的知識(shí)進(jìn)行結(jié)構(gòu)化表達(dá)，并通過(guò)neo4j圖數(shù)據(jù)庫(kù)對(duì)結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行存儲(chǔ)，以生成風(fēng)電機(jī)組故障診斷知識(shí)庫(kù)；

17、提取模塊，用于檢測(cè)所述風(fēng)電機(jī)組的實(shí)時(shí)運(yùn)行參數(shù)，基于所述知識(shí)庫(kù)中的故障機(jī)理從所述實(shí)時(shí)運(yùn)行參數(shù)中提取多種目標(biāo)參數(shù)，并通過(guò)預(yù)設(shè)的基于gmm的征兆提取模型和基于bilstm網(wǎng)絡(luò)的征兆提取模型，分別從所述多種目標(biāo)參數(shù)中提取出閾值型征兆和趨勢(shì)型征兆；

18、推理模塊，用于將包括所述閾值型征兆和所述趨勢(shì)型征兆在內(nèi)的多種故障征兆，輸入所述風(fēng)電機(jī)組故障診斷知識(shí)庫(kù)進(jìn)行基于故障知識(shí)本體的確定性推理，并利用所述多種故障征兆進(jìn)行基于證據(jù)理論融合的不確定性推理；

19、確定模塊，用于結(jié)合所述確定性推理和所述不確定性推理的診斷結(jié)果，確定所述風(fēng)電機(jī)組當(dāng)前的故障模式和故障原因。

20、為了實(shí)現(xiàn)上述實(shí)施例，本技術(shù)第三方面實(shí)施例還提出了一種非臨時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述第一方面實(shí)施例中的基于多類(lèi)型征兆的風(fēng)電機(jī)組故障診斷方法。

21、本技術(shù)的實(shí)施例提供的技術(shù)方案至少帶來(lái)以下有益效果：本技術(shù)先基于本體理論和知識(shí)圖譜構(gòu)建了風(fēng)電機(jī)組故障診斷知識(shí)庫(kù)，實(shí)現(xiàn)了風(fēng)機(jī)故障診斷知識(shí)的結(jié)構(gòu)化表達(dá)；然后從閾值型征兆和趨勢(shì)型征兆兩個(gè)方面進(jìn)行分析，提取了多種與機(jī)組故障相關(guān)聯(lián)的故障征兆；再利用多種故障征兆進(jìn)行基于故障知識(shí)與數(shù)據(jù)驅(qū)動(dòng)的風(fēng)電機(jī)組故障診斷，結(jié)合基于故障知識(shí)本體的確定性推理和基于證據(jù)理論融合的不確定性推理確定機(jī)組故障診斷結(jié)果。由此，本技術(shù)利用大數(shù)據(jù)分析技術(shù)和人工智能技術(shù)等先進(jìn)技術(shù)，進(jìn)行風(fēng)電機(jī)組的狀態(tài)監(jiān)測(cè)和故障診斷，通過(guò)整合風(fēng)電機(jī)組的故障信息與大量知識(shí)數(shù)據(jù)，能夠更準(zhǔn)確地診斷機(jī)組在復(fù)雜運(yùn)行條件下的故障狀況。其中，基于知識(shí)圖譜的故障查詢結(jié)果可以快速響應(yīng)故障診斷任務(wù)，并提供清晰的故障因果關(guān)系，再結(jié)合不確定性的推理結(jié)果可以減少多源知識(shí)推理后的結(jié)論分歧。從而，本技術(shù)結(jié)合多種故障征兆和推理方式，可以快速和準(zhǔn)確的診斷出機(jī)組在復(fù)雜工況下的故障模式和故障原因，提高了風(fēng)電機(jī)組故障診斷的準(zhǔn)確性、及時(shí)性和可靠性，可以實(shí)現(xiàn)預(yù)測(cè)性維護(hù)，有利于增強(qiáng)風(fēng)電場(chǎng)的運(yùn)維檢修效率，保證風(fēng)電機(jī)組的安全、穩(wěn)定的運(yùn)行。

22、本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。