一种风机状态估计的方法及系统与流程

本发明涉及风机故障诊断领域，特别是涉及一种风机状态估计的方法及系统。

背景技术：

随着风电市场的快速发展与竞争的加剧，风力发电公司越来越感到运营成本的压力，迫切希望能够在保证机组安全运行的前提下，尽可能的降低运营成本，而通过更加有效的使用维护和维修服务，减少机组非计划停运与设备故障是降低运营成本的有效手段。

一台风力机组通常有近20～25年的使用寿命，在此期间，"是否"需要维修已经不是一个问题，"何时"维修才是需要关注的关键。因此风电公司和风电设备生产厂家对风机进行在线状态监测和性能评估具有迫切的需求。

现有的风机故障诊断的方法往往是通过风电场运行人员对风机重要参数进行监视，发现问题后通过人为经验对风机进行维修。这种方法误判率高，不仅消耗大量的人力成本，还往往找不到风机故障的根本原因。

技术实现要素：

本发明的目的是提供一种风机状态估计的方法及系统，用来解决现有技术中风机故障诊断方法误判率高的问题。

为实现上述目的，本发明提供了如下方案：

本发明提供了一种风机状态估计方法，所述风机状态估计方法包括：

获取风机的在线运行数据；

对所述在线运行数据进行预处理，获得时间序列数据；

通过在线状态监测模型判断所述时间序列数据是否表示风机处于故障状态，得到判断结果；

当判断结果表示风机不处于故障状态时，输出检测结果为健康；

当判断结果表示风机处于故障状态时，标记表示风机处于故障状态的所述时间序列数据，得到故障检测样本；

通过在线故障检测模型确定所述故障检测样本所对应的故障类型；

输出所述故障类型。

可选的，所述获取风机的在线运行数据具体包括：

获取风机的风速、风向、低速轴转速、高速轴转速、偏航转速、主轴轴承温度、齿轮箱高速轴温度、齿轮箱油温、发电机绕组温度、机舱内温度、机舱外温度、冷却媒温度、电池温度、液压站油压、齿轮箱滤芯进口油压、齿轮箱滤芯出口油压、刹车片厚度、刹车片温度和振动频率。

可选的，在所述通过在线状态监测模型判断所述时间序列数据是否表示风机处于故障状态之前还包括：

获取风机的历史数据；所述历史数据包括标签样本和非标签样本；所述标签样本表示所述历史数据是否为故障数据已知，所述标签样本表示所述历史数据是否为故障数据未知；

根据所述非标签样本构建多个第一隐含层的自动编码器；

根据风机状况确定第一输出层，所述第一输出层的元素包括健康和故障两种；

根据所述标签样本与所述第一输出层的关系，通过bp算法对所述第一隐含层的自动编码器进行调整，得到在线状态监测模型。

可选的，在所述通过在线故障检测模型确定所述故障检测样本所对应的故障类型之前还包括：

获取风机的故障数据，所述故障数据包括标签数据和非标签数据；所述标签数据表示所述故障数据的故障类型已知，所述非标签数据表示所述故障数据的故障类型未知；

根据所述非标签数据构建多个第二隐含层的自动编码器；

根据风机故障类型确定第二输出层，所述第二输出层的元素为故障数据的类型；

根据所述标签数据与所述第二输出层的关系，通过bp算法对所述第二隐含层的自动编码器进行调整，得到在线故障检测模型。

可选的，所述对所述在线运行数据进行预处理，获得时间序列数据，具体包括：

对所述在线运行数据进行去量纲处理，得到无量纲数据；

去除所述无量纲数据中的异常点，得到预处理数据；

按照时间排列，将所述预处理数据整理成数据段，得到时间序列数据。

可选的，在获取风机的历史运行数据之前还包括：获取风机的第一虚拟样本；所述第一虚拟样本为风机仿真模型在健康状态和故障状态下的模拟数据，所述第一虚拟样本为标签样本。

可选的，在获取风机的故障数据之前还包括：获取风机的第二虚拟样本，所述第二虚拟样本为风机仿真模型在不同故障状态下的模拟数据，所述第二虚拟样本为标签数据。

本发明还提供了一种风机状态估计系统，所述风机状态估计系统包括：

获取模块，用于获取风机的在线运行数据；

预处理模块，用于对所述在线运行数据进行预处理，获得时间序列数据；

判断模块，用于通过在线状态监测模型判断所述时间序列数据是否表示风机处于故障状态，得到判断结果；

第一输出模块，用于当判断结果表示风机不处于故障状态时，输出检测结果为健康；

标记模块，用于当判断结果表示风机处于故障状态时，标记表示风机处于故障状态的所述时间序列数据，得到故障检测样本；

确定模块，用于通过在线故障检测模型确定所述故障检测样本所对应的故障类型；

第二输出模块，用于输出所述故障类型。

可选的，所述获取模块具体用于获取风机的风速、风向、低速轴转速、高速轴转速、偏航转速、主轴轴承温度、齿轮箱高速轴温度、齿轮箱油温、发电机绕组温度、机舱内温度、机舱外温度、冷却媒温度、电池温度、液压站油压、齿轮箱滤芯进口油压、齿轮箱滤芯出口油压、刹车片厚度、刹车片温度和振动频率。

可选的，所述预处理模块，具体包括：

去量纲单元，用于对所述在线运行数据进行去量纲处理，得到无量纲数据；

去除单元，用于去除所述无量纲数据中的异常点，得到预处理数据；

整理单元，用于按照时间排列，将所述预处理数据整理成数据段，得到时间序列数据。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的一种风机状态估计的方法，采用时间序列数据作为输入的检测样本，相对于单一的状态信息具有时序性，更加真实，能够反映风机系统的时变信息，提高了风机的故障诊断率。

本发明提供的在线状态检测模型和在线故障检测模型采用半监督学习的方法进行训练，并且采用大量的无标签的数据，减少了标签样本的数量，节省了大量的人力、财力；并且提高了系统的可靠性，减少非计划停机损失和多次维修带多的额外费用；通过精确定位潜在故障，提高维护维修效率，减少维修损失。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种风机状态估计方法的实施例的流程图；

图2为对在线运行数据进行预处理获得时间序列数据的流程图；

图3为本发明的在线状态监测模型的构建流程图；

图4为本发明一种风机状态估计系统的实施例的结构连接图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明一种风机状态估计方法的实施例的流程图。如图1所示，一种风机状态估计方法包括：

步骤101，获取风机的在线运行数据。

获取的风机的在线运行数据包括风机的风速、风向、低速轴转速、高速轴转速、偏航转速、主轴轴承温度、齿轮箱高速轴温度、齿轮箱油温、发电机绕组温度、机舱内温度、机舱外温度、冷却媒温度、电池温度、液压站油压、齿轮箱滤芯进口油压、齿轮箱滤芯出口油压、刹车片厚度、刹车片温度和振动频率。每一个状态样本点都包括这19个测点的数据。

步骤102，对在线运行数据进行预处理，获得时间序列数据。

图2为对在线运行数据进行预处理获得时间序列数据的流程图，如图2所示，对在线运行数据进行预处理，获得时间序列数据包括：

步骤1021，对在线运行数据进行去量纲处理，得到无量纲数据。

步骤1022，去除无量纲数据中的异常点，得到预处理数据。

步骤1023，按照时间排列，将预处理数据整理成数据段，得到时间序列数据。

假如有风速、风向、低速轴转速、高速轴转速4个测点的数据。每个测点的数据都是按照时间采集的一个一个的点，这些数据是1个时间序列。按照5分钟采集数据序列的其中一段，然后把这些数据按照时间顺序拼接起来，就成了一个数据段。这个数据段在程序里面就是一个矩阵，然后把这些数据段通过编程转换成图片。

本发明采用时间序列数据作为输入的检测样本，相对于单一的状态信息具有时序性，更加真实，能够反映风机系统的时变信息，提高了风机的故障诊断率。

步骤103，通过在线状态监测模型判断所述时间序列数据是否表示风机处于故障状态，得到判断结果。

在线状态监测模型是根据深度学习得到的，具体过程如下：

步骤a1，获取风机的历史数据；所述历史数据包括标签样本和非标签样本；所述标签样本表示所述历史数据是否为故障数据已知，所述标签样本表示所述历史数据是否为故障数据未知；

步骤a2，根据所述非标签样本构建多个第一隐含层的自动编码器；

步骤a3，根据风机状态确定第一输出层，所述第一输出层的元素包括健康和故障两种；

步骤a4，根据所述标签样本与所述第一输出层的关系，通过bp算法对所述第一隐含层的自动编码器进行调整，得到在线状态监测模型。

随着数据收集和存储技术的飞速发展，收集大量未标记的(unlabeled)示例已相当容易，而获取大量有标记的示例则相对较为困难，因为获得这些标记可能需要耗费大量的人力物力。在风里发电行业中，对于风机运行数据的获取相对较为容易，但是所获得的数据往往都是风电机组的状态测点数据，如果想要对状态进行判定，往往需要进行大量的人工标记。但是如果只使用少量的有标记示例，那么利用它们所训练出的学习系统往往很难具有强泛化能力；另一方面，如果仅使用少量“昂贵的”有标记示例而不利用大量“廉价的”未标记示例，则是对数据资源的极大的浪费。

半监督学习的基本设置是给定一个来自某未知分布的有标记示例集l＝{(x1,y1),(x2,y2),...,(xl,yl)}以及一个未标记示例集u＝{x1’,x2’,...,xu’}，有标记样本集l远远小于未标记样本集u。半监督学习器就是让学习器不再依赖外界交互、自动地利用未标记样本来提高学习性能。实际上，只要能够合理建立未标记示例分布和学习目标之间的联系，就可以利用未标记示例来辅助提高学习性能。

本发明的在线状态监测模型采用深度学习训练而成。深度学习最初是以一种半监督学习的形式出现。深度学习旨在通过模拟大脑的学习过程，构建深层次的模型，结合海量的训练数据，来学习数据中隐含的特征，即利用大数据来学习特征，从而刻画数据丰富的内在信息，最终提升分类或预测的精度。深度学习技术虽然在语音识别、图像处理和自然语言处理等方面的应用在不同程度上取得了一定的成功，但在电力系统中的应用研究却是刚刚起步。深度学习具有较强地从少量数据样本中提取特征和进行特征转换的能力，提取或转换后的特征更能从本质上反映数据的特征，更为便于分类，进而提升分类准确度。

本发明采用分类深度自编码网络进行在线状态监测模型的训练。深度学习中最关键的环节是自编码。分类深度自编码网络(classifieddeepauto-encodernetworks,cdaens)模型，它包括输入层、隐含层和输出层，隐含层为多层，由若干层自动编码器(ae，autoencoder)堆叠而成，输出层代表期望输出变量的分类层。

图3为本发明的在线状态监测模型的构建流程图。如图3所示，在线状态监测模型的训练分为模型初始化、预训练和微调三个阶段。预训练主要是采用无标签样本或去标签样本作为网络的输入，通过bp算法完成前部若干层ae，参数的初始化；微调则是通过标签样本对包括输出层在内的整个网络参数进行调整，使得网络的判别性能达到最优。

在进行隐含层的参数调整时，将无标签数据输入一个encoder编码器，就会得到一个code，这个code也就是输入的一个表示。然后再将得到的特征信息通过一个decoder解码器，这时候decoder就会输出一个信息和输入比较相似的信息。通过bp算法调整encoder和decoder的参数，使得重构误差最小，这时候就得到了输入input信号的第一个表示了，也就是编码code了。因为是无标签数据，所以误差的来源就是直接重构后与原输入相比得到。

多层隐含层经过训练得到一个最后的特征code。为了实现分类，我们就可以在ae的最顶的编码层添加一个分类器(例如罗杰斯特回归、svm等)，然后通过标准的多层神经网络的监督训练方法(梯度下降法)去训练。此时的输出层只包括两类：健康和故障。

这时候，我们需要将最后一层的特征code输入到最后的分类器，通过有标签样本，通过监督学习进行微调。

可选的，为了增加标签样本的数量，本发明还构建了风机仿真模型，用于模拟风机在健康状态和故障状态下的数据，得到相应状态下的虚拟样本。

步骤104，当判断结果表示风机不处于故障状态时，输出检测结果为健康。

将风机的在线运行数据输入到在线状态监测模型中，根据训练好的分类深度自编码网络判断风机的状态。当输出层输出为健康时，则估计风机的状态为健康。

步骤105，当判断结果表示风机处于故障状态时，标记表示风机处于故障状态的所述时间序列数据，得到故障检测样本。

当在线状态监测模型的输出层输出的分类为故障时，则将这些故障数据输入在线故障检测模型，进行故障类型的判断。

步骤106，通过在线故障检测模型确定所述故障检测样本所对应的故障类型。

在线故障检测模型的构建过程如下：

步骤b1，获取风机的故障数据，所述故障数据包括标签数据和非标签数据；所述标签数据表示所述故障数据的故障类型已知，所述非标签数据表示所述故障数据的故障类型未知；

步骤b2，根据所述非标签数据构建多个第二隐含层的自动编码器；

步骤b3，根据风机故障类型确定第二输出层，所述第二输出层的元素为故障数据的类型；

步骤b4，根据所述标签数据与所述第二输出层的关系，通过bp算法对所述第二隐含层的自动编码器进行调整，得到在线故障检测模型。

可选的，为了增加标签样本的数量，本发明还构建了风机仿真模型，用于模拟风机在不同故障状态下的数据，得到相应状态下的虚拟样本。

在线状态检测模型和在线故障检测模型的核心都是基于分类自编码网络。模型的训练样本来自数据采集与监视控制(scada，supervisorycontrolanddataacquisition)系统，有标签的数据分为两类，一类是健康模式下的数据，另一类是故障模式下的数据。因为故障的种类有很多，且不同的故障之间可能存在高关联以及强耦合性。因此这里故障样本数据要尽可能的多并且有高代表性，这样有利于训练模型的泛化性能的提高。在线状态检测和在线故障检测归根到底都是分类问题，只是模型的训练样本有所差异。以在线状态检测模型为例，模型分为两类待测样本，一类是有故障的样本，一类是无故障的样本。在这里我们对测点进行连续采样形成时间序列数据，将数据整理成数据段的样本形式输入到网络中。本发明只有一小部分有标签的样本，其余都是大量无标签样本。

在线故障检测模型和在线状态检测模型的过程类似，主要包括以下步骤：

1、按照每1分钟对19个测点进行连续采样，以小时为单位，构成19*60的数据段。100台风机1年的数据则为876000个数据段，构成深度学习的训练样本。

2、每一个数据段作为一个样本，从876000个数据样本随机选取80％的样本作为分类自编码网络的输入。根据这些无标签的数据对深度自编码(dae，deepauto-encoder)网络进行预训练。

3、预训练完成后，利用有标签数据集，通过bp算法同时调整整个深度学习网络的所有层参数以达到全局最优，这个过程是微调过程。

4、网络训练完成后，在线输入待检测样本，实现对待测样本的分类。

目前针对风电机组故障已开展的故障诊断业务，主要针对传动链故障模式，例如轴承故障、齿轮箱齿轮故障、联轴器故障或发电机本体的故障等，主要是利用振动数据分析方法解决上述故障的诊断问题。故障模式识别模型：变桨系统故障、电气控制故障、电气系统故障、齿轮箱故障、主轴故障及发电机故障。

风机典型的故障模式主要有以下15种：变桨角度故障、变桨转矩异常、变桨电机故障、轴承磨损、轴承表面损伤、齿轮点蚀、齿轮磨损、联轴器不对中、偏航定位不准确、偏航电缆缠绕、限位开关故障、发电机转子不平衡、转子绕组匝间短路和钉子绕组匝间短路。

步骤107，输出所述故障类型，提醒风机维护人员进行重点关注。

基于深度学习的风机故障诊断实质上为一个多分类问题，它是根据风机的运行数据特征来对故障情况进行判别和分类，正好符合深度学习的应用条件。相比于bp神经网络、svm等智能故障诊断方法，它具有以下优势：

(1)样本利用率高。bp神经网络、svm和elm方法为监督机器学习方法，训练时必须采用标签样本进行有导师学习，而且对样本的准确性和完备性要求较高；深度学习的ae自编码和限制波尔兹曼机(rbm，restrictedboltzmannmachines)方法均为无监督机器学习方法，训练时可以采用大量无标签样本进行特征学习。

(2)学习能力强，可提高故障诊断准确率。bp神经网络、svm、elm等方法均属于浅层机器学习方法，学习能力有一定的局限性，应用于变压器故障诊断时，诊断性能达到一定高度时很难再有大的提升；而深度学习可以通过构建多层网络结构模型来实现对任何复杂函数的模拟情况，属于深层机器学习方法，具有更强的学习能力。

图4为本发明一种风机状态估计系统的实施例的结构连接图，如图4所示，一种风机状态估计系统包括：获取模块401、预处理模块402、判断模块403、第一输出模块404、标记模块405、确定模块406和第二输出模块407。

获取模块401，用于获取风机的在线运行数据；所述获取模块401具体用于获取风机的风速、风向、低速轴转速、高速轴转速、偏航转速、主轴轴承温度、齿轮箱高速轴温度、齿轮箱油温、发电机绕组温度、机舱内温度、机舱外温度、冷却媒温度、电池温度、液压站油压、齿轮箱滤芯进口油压、齿轮箱滤芯出口油压、刹车片厚度、刹车片温度和振动频率。

预处理模块402，用于对所述在线运行数据进行预处理，获得时间序列数据。

预处理模块402，具体包括：去量纲单元、去除单元和整理单元。去量纲单元，用于对所述在线运行数据进行去量纲处理，得到无量纲数据；去除单元，用于去除所述无量纲数据中的异常点，得到预处理数据；整理单元，用于按照时间排列，将所述预处理数据整理成数据段，得到时间序列数据。

假如有风速、风向、低速轴转速、高速轴转速4个测点的数据。每个测点的数据都是按照时间采集的一个一个的点，这些数据是1个时间序列。按照5分钟采集数据序列的其中一段，然后把这些数据按照时间顺序拼接起来，就成了一个数据段。这个数据段在程序里面就是一个矩阵，然后把这些数据段通过编程转换成图片。

本发明采用时间序列数据作为输入的检测样本，相对于单一的状态信息具有时序性，更加真实，能够反映风机系统的时变信息，提高了风机的故障诊断率。

判断模块403，用于通过在线状态监测模型判断所述时间序列数据是否表示风机处于故障状态，得到判断结果。

第一输出模块404，用于当判断结果表示风机不处于故障状态时，输出检测结果为健康。

标记模块405，用于当判断结果表示风机处于故障状态时，标记表示风机处于故障状态的所述时间序列数据，得到故障检测样本。

确定模块406，用于通过在线故障检测模型确定所述故障检测样本所对应的故障类型。风机典型的故障模式主要有以下15种：变桨角度故障、变桨转矩异常、变桨电机故障、轴承磨损、轴承表面损伤、齿轮点蚀、齿轮磨损、联轴器不对中、偏航定位不准确、偏航电缆缠绕、限位开关故障、发电机转子不平衡、转子绕组匝间短路和钉子绕组匝间短路。

第二输出模块407，用于输出所述故障类型。

本发明的风机状态估计系统还包括在线状态监测模型构建模块和在线故障检测模型构建模块(图3中未示出)。在线状态监测模型构建模块，用于构建基于深度学习的在线状态监测模型。在线故障检测模型构建模块，用于构建基于深度学的在线故障检测模型构建。

本发明采用深度学习对在线状态监测模型和在线故障检测模型进行训练，，并且采用大量的无标签的数据，减少了标签样本的数量，节省了大量的人力、财力；并且提高了系统的可靠性，减少非计划停机损失和多次维修带多的额外费用；通过精确定位潜在故障，提高维护维修效率，减少维修损失。

对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。