基于bayes算法的風機故障診斷方法和診斷系統技術方案

本發明專利技術提供了一種基于Bayes算法的風機故障診斷方法和故障診斷系統。其特征在于采用Copula關聯函數對Bayes進行改進算法，并將改進的Bayes算法應用于風力發電系統故障預測性診斷。診斷系統以風力發電數據養殖為基礎，通過標識風力發電系統已知的故障類型及對應時間和各類故障發生前的特征狀態用于建立診斷模型，隨著數據量的積累，風機故障診斷模型不斷優化，實現最大化風電場的在線率并保證風機的安全高效運行。

Fan fault diagnosis method and diagnosis system based on Bayes algorithm

The invention provides a fan fault diagnosis method based on Bayes algorithm and a fault diagnosis system. It is characterized by using the Copula correlation function to improve the algorithm of Bayes, and the improved Bayes algorithm is applied to the fault diagnosis of wind power generation system. The diagnosis system is based on the data of wind power generation breeding, through the feature state identification of wind power generation system known fault type and the corresponding time and all kinds of faults before used to establish the diagnosis model, with the amount of data accumulation, fault diagnosis model of continuous optimization, to achieve online maximum wind rate and ensure safe and efficient operation of the fan the.

【技術實現步驟摘要】
基于bayes算法的風機故障診斷方法和診斷系統
本專利技術涉及故障診斷技術，特別涉及一種基于Bayes算法的風機故障診斷技術和診斷系統。
技術介紹
截止2015年底，中國大陸地區風機裝機容量達到145362兆瓦，遙遙領先于美國90007兆瓦，躍居世界第一。中國已經是世界上風電設備制造大國和風電裝機容量最多的國家，成為名副其實的風電大國。雖然我國風電裝機總容量遠遠超過美國，但是風電的利用效率低，風電場有效并網發電量仍低于美國（2015年美國風電發電總量1900億度，中國風電總發電量1300億度）。從風電大國變成風電強國是一個系統工程，其中一個重要環節是依靠高科技加強風電場的精細化管理水平，提高風電場發電效率，降低運營和維護成本。風力發電故障診斷方法一直是業內的重要研究領域，設想通過故障診斷系統對已上線風力發電機進行預測性診斷，提前發現風力發電機的亞健康狀態，優化安排維護保養策略，提高維保人員的工作效率，在避免出現重大安全事故發生的同時，最大化風電場的在線率并保證風機的安全高效運行。在國內，相關領域專家學者也對風電故障診斷和維護進行了研究。例如張曉波，張新燕等采用小波分析的方法來判定風機發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在風電齒輪箱上的應用；李輝，鄭海起等進行了基于EMD和功率譜的齒輪故障診斷研究。這些研究內容主要是針對風力發電機的一個部件進行故障診斷，極少是從大數據層面出發來對風力發電機進行全面系統的故障診斷。現有技術主要存在以下缺點：1.風力發電機是一個完整運營體系，部件之間都存在一定的關聯，現有診斷方法大多針對風力發電機的一個特定部件，不夠全面系統；2.無法做到預測性診斷，診斷已經發生的故障無法提高風力發電機的在線率（效率）；3.現有故障診斷算法極少有做到真正從大數據層面出發，融入機器學習理論，保證診斷模型的持續有效。
技術實現思路
針對現有技術存在的上述缺陷，本專利技術提供一種基于Bayes算法的風機故障診斷方法和診斷系統，能夠最大化風電場的在線率并保證風機的安全高效運行。本專利技術提供的一種基于Bayes算法的風機故障診斷方法，具體的實施步驟如下：S1，標注風力發電系統已知的故障類型及對應時間。S2，標注風力發電系統各類故障發生前的特征狀態。S3，采用copula關聯函數改進的Bayes算法建立故障診斷模型。S4，實時采集的風力發電機運行數據傳送至本故障診斷系統進行實施診斷，并輸出診斷結果。S5，賦予診斷結果對應的標簽，用戶可在此基礎上對風機進行實際運行狀態確認，根據確認結果對診斷結果標簽進行修正并儲入歷史數據庫。S6，按照需求定期對診斷模型重新擬合，優化故障診斷模型，提高故障診斷準確率，從而提升風力發電在線率。優選的，所述步驟S3中，采用copula關聯函數改進的Bayes算法建立故障診斷模型步驟為。第一步，風力發電機設備已知故障代碼、風力發電機設備發生故障前特殊標識存入數據庫。第二步，導入歷史數據庫中的歷史數據，根據對風力發電設備運行影響的重要程度確定用于建立風電發力設備故障診斷模型相應的參數，所述用于建立風電發力設備故障診斷模型相應的參數必須≥3項。第三步，采用十折多次交叉驗證的方式，分別進行故障先驗概率計算、copula算法對條件概率密度計算，其中所述條件概率密度計算為選擇上述影響風力發電設備運行的參數維度不同組合的概率密度計算。第四步，將故障發生的Bayes后驗概率與正常狀態的Bayes后驗概率比較并進行迭代運算。第五步，根據故障診斷準確率及故障診斷誤判率綜合評分選擇不同設備相應的最優診斷模型，其中所述最優診斷模型，包含故障發生前的特征診斷模型和故障發生后被確認為診斷正確的故障診斷模型。第六步，予以存儲，以備調用。優選的，所述步驟S5中，實時診斷結果確認為診斷正確的，將其直接錄入歷史數據庫用于風機故障診斷模型優化；實時診斷結果為誤判診斷的，修改故障標簽后錄入歷史數據庫用于風機故障診斷模型優化。優選的，所述步驟S6中，隨著故障標簽數量的增加，及數據標簽精度的提升，定期優化故障診斷模型，將得出的Bayes故障診斷最優模型存儲于故障診斷模型庫并用于實時診斷。本專利技術提供的一種基于Bayes算法的風機故障診斷系統，包括：數據養殖單元和Bayes算法建模單元，其中，所述數據養殖單元用于標注風力發電系統已知的故障類型及對應時間；還標注風力發電系統各類故障發生前的特征狀態，為故障預測性診斷創造條件。所述Bayes算法建模單元用于風機系統中至少一個設備故障診斷模型。優選的，所述Bayes算法建模為采用copula關聯函數改進的Bayes算法建立故障診斷模型。可選的，所述風機系統包含風輪、葉片、齒輪箱、發電機、控制箱、風速儀和風向標等設備。該系統還包括：實時故障診斷單元和模型優化單元，其中，所述故障診斷單元，通過實時數據與故障標簽比對，自動給出診斷結果，診斷結果正確的將該診斷結果標示用于進一步優化診斷模型；診斷結果為誤判的，修改原故障標簽以進一步優化診斷模型。所述模型優化單元，通過歷史數據不斷更替提高風機故障診斷模型的準確性。本專利技術的有益效果是：1.采用Copula關聯函數改進的Bayes高級算法，診斷準確率更高；2.診斷系統不局限于單個部件、單個故障的診斷，可基于任何故障的特征進行各類故障診斷；3.完全基于大數據及機器學習技術研發診斷模型自優化功能，制定模型最優化決策機制，保證故障診斷系統可廣泛運用，并確保長期具有非常高的可靠性；4.不斷完善風力發電場歷史數據庫，可依據各類故障發生前的特征數據建立基于Bayes算法的預測性故障診斷模型。附圖說明下面將通過參照附圖詳細描述本專利技術的示例性實例，使本領域的普通技術人員更清楚本專利技術的上述及其它特征和優點。圖1為本專利技術基于bayes算法的風機故障診斷系統的實現流程圖。圖2為本專利技術基于bayes算法的風機故障診斷系統的結構圖。圖3為本專利技術實施例中風力發電葉片故障診斷方法的具體流程圖。圖4為本專利技術實施例中風力發電機故障預測性診斷方法的具體流程圖。具體實施方式下面將對本專利技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅是本專利技術的一部分實施例，而不是全部的實施例。基于本專利技術中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其它實施例，都屬于本專利技術保護的范圍。下面結合圖2為本專利技術基于bayes算法的風機故障診斷系統的結構圖。如圖2所示，本實施例中的故障診斷方法包括以下步驟：步驟101，結合風機葉片實際異常情況對風機葉片已知的故障類型和對應時間。步驟102，結合風機葉片實際異常情況對風機葉片各類故障發生前的特征狀態進行標記。步驟103，采用copula關聯函數改進的Bayes算法建立風機葉片故障診斷模型。本步驟中，風機葉片已知故障類型、風機葉片發生故障前特殊標識存入數據庫；導入風機葉片的歷史數據，根據風機葉片運行特征確定與葉片運行狀態密切相關的核心參數：葉片角度、變槳軸承溫度、變槳軸承油溫、變槳軸承轉速，以及能體現風機發電效率的關鍵參數：有功功率、ls平均風速，并制定用于建模的參數組合，其中所有參數組合中前三組參數必選。然后，采用Copula關聯函數求取上述各參數組合的故障診斷條件概率密度，同時統計歷史數據的葉片故障本文檔來自技高網...

【技術保護點】
一種基于Bayes算法的風力發電故障診斷方法，其特征在于，包括：以風力發電數據養殖為基礎，標注風力發電系統故障信息；采用Copula關聯函數對Bayes算法進行改進，并將改進的Bayes算法應用于風力發電系統故障預測性診斷；根據對風力發電設備運行影響的重要程度選取用于創建風電發力系統設備故障診斷模型相應的參數，不同維度的參數組合必須≥3項；定期對診斷模型重新擬合，優化故障診斷模型。

【技術特征摘要】
1.一種基于Bayes算法的風力發電故障診斷方法，其特征在于，包括：以風力發電數據養殖為基礎，標注風力發電系統故障信息；采用Copula關聯函數對Bayes算法進行改進，并將改進的Bayes算法應用于風力發電系統故障預測性診斷；根據對風力發電設備運行影響的重要程度選取用于創建風電發力系統設備故障診斷模型相應的參數，不同維度的參數組合必須≥3項；定期對診斷模型重新擬合，優化故障診斷模型。2.如權利要求1所述的方法，其特征在于，所述風力發電系統的故障信息，該故障信息進一步包括：風力發電系統已知的故障類型和對應的時間。3.如權利要求1所述的方法，其特征在于，所述風力發電系統的故障信息，該故障信息進一步包括：風力發電系統各類故障發生前的特征狀態。4.如權利要求1所述的方法，其特征在于，所述不同維度的參數組合至少包含按重要程度影響風力發電系統設備運行的前3項參數。5.如權利要求1所述的方法，其體征在于，所述優化故障診斷模型包括：采用...

【專利技術屬性】
技術研發人員：宋哲，周炯，
申請(專利權)人：濟中節能技術蘇州有限公司，
類型：發明
國別省市：江蘇,32