风电联轴器打滑诊断方法、装置、电子设备及存储介质

本发明涉及风力发电机异常诊断，尤其涉及一种风电联轴器打滑诊断方法、装置、电子设备及存储介质。

背景技术：

1、风力发电系统是将风的动能转换为电能的系统，亦称为风力发电机组(下面简称为风电机组)，风电机组主要包括风轮、发电机，其中，风电齿轮箱是风力发电机的核心部件之一，其作用是将风轮产生的低速旋转转换为高速旋转，以便驱动发电机发电。联轴器是风电机组高速旋转齿轮箱和发电机之间的唯一机械连接件，其主要作用包括：传递扭矩和转速、弥补齿轮箱输出轴和发电机输入轴之间的不对中量、缓解振动对齿轮箱和发电机的影响、对风电机组进行漏电保护，以及在异常过载情况下，联轴器的扭矩限制器可以有效保护风电机组的传动链。

2、在实际情况中，由于外界风场中风速是频繁变化的，从而使得联轴器受到叶轮转动中传递的随机变载，容易造成联轴器的打滑，对风电机组带来重大影响和经济损失，因此为了保证风电机组的正常运行，需要对风电机组进行异常诊断。而在相关技术中，对于风电机组的异常诊断，当前采用的方式为当风电机组出现异常问题之后通过人工排查方式进行调整，或者对整个风电机组的故障运行情况进行检测告警，不仅检测效率低下，而且容易出现错检误检的问题。

技术实现思路

1、本发明提供了一种风电联轴器打滑诊断方法、装置、电子设备及存储介质，用于解决或部分解决现有的风电机组故障检测方法中检测效率低下，且容易出现错检误检等的技术问题。

2、本发明提供的一种风电联轴器打滑诊断方法，应用于风电联轴器打滑诊断系统，所述风电联轴器打滑诊断系统包括多线程日志文件提取模块以及基于随机森林算法的打滑预测模型，所述多线程日志文件提取模块设有消息队列，所述方法包括：

3、接收来自第一用户写入所述消息队列的文件路径，所述文件路径对应待测风电机组的日志文件；

4、响应于第二用户针对所述文件路径的提取操作，将所述日志文件解析成结构化数据；

5、通过所述打滑预测模型从所述结构化数据中提取第一原始特征，根据所述第一原始特征构建对应的第一衍生特征，并将所述第一原始特征与所述第一衍生特征进行融合，获得待测特征，基于所述待测特征对所述待测风电机组的联轴器打滑情况进行诊断；

6、根据诊断结果确定所述待测风电机组中出现联轴器打滑的目标风电机组。

7、可选地，所述第一原始特征包括所述待测风电机组的转子转速、发电机转速以及发电功率，所述通过所述打滑预测模型从所述结构化数据中提取第一原始特征，根据所述第一原始特征构建对应的第一衍生特征，包括：

8、步骤s1：通过所述打滑预测模型从所述结构化数据中提取所述待测风电机组的转子转速、发电机转速以及发电功率；

9、步骤s2：计算所述转子转速、所述发电机转速以及所述发电功率各自对应的原始统计量；

10、步骤s3：采用所述转子转速对应的原始统计量以及所述发电机转速对应的原始统计量先进行归一化处理，再进行做差计算，获得差值统计量；

11、步骤s4：从所述日志文件中提取所述第一原始特征对应的时间长度，按照所述时间长度将所述第一原始特征平均划分为4个区间数据段，并分别计算各个所述区间数据段对应的转子转速统计量、发电机转速统计量以及发电功率统计量；

12、步骤s5：采用所述区间数据段对应的转子转速统计量以及发电机转速统计量先进行归一化处理，再进行做差计算，获得所述区间数据段的区间差值统计量；

13、步骤s6：重复步骤s5，获得各个所述区间数据段对应的区间差值统计量；

14、步骤s7：将所述差值统计量、所述转子转速统计量、所述发电机转速统计量、所述发电功率统计量、各个所述区间数据段对应的区间差值统计量，以及所述转子转速、所述发电机转速、所述发电功率各自对应的原始统计量一并作为所述第一原始特征对应的第一衍生特征；

15、其中，统计量中的数据包括均值、标准差、最大值以及最小值。

16、可选地，所述风电联轴器打滑诊断系统还包括线上环境，所述方法还包括：

17、构建基于随机森林算法的初始打滑预测模型，获取风电机组的样本集，将所述样本集按照3:1:1比例，以及采用分层抽样方式划分为训练集、验证集以及测试集，并根据所述训练集、所述验证集以及所述测试集对所述初始打滑预测模型进行训练；

18、基于训练结果确定用于联轴器打滑诊断的打滑预测模型，将所述打滑预测模型部署至线上环境，同时融合进多线程日志文件提取模块；

19、响应于消息队列创建操作，在所述多线程日志文件提取模块中设置消息队列。

20、可选地，所述根据所述训练集、所述验证集以及所述测试集对所述初始打滑预测模型进行训练，包括：

21、结合网格搜索确定优化模型参数，采用所述训练集、所述验证集以及所述测试集通过3折交叉验证方式对所述初始打滑预测模型进行训练以及验证；

22、基于交叉验证结果，对应生成3个不同的模型权重。

23、可选地，所述基于训练结果确定用于联轴器打滑诊断的打滑预测模型，包括：

24、从3个所述模型权重中选出得分最高的目标模型权重，并基于所述目标模型权重确定用于联轴器打滑诊断的打滑预测模型。

25、可选地，在所述获取风电机组的样本集之前，所述方法还包括：

26、获取风电机组的历史检测数据以及多个历史日志文件，根据所述历史检测数据对各个所述历史日志文件进行打滑标注，获得各自对应的初始标注样本；

27、提取各个所述初始标注样本的第二原始特征，根据各个所述第二原始特征构建对应的第二衍生特征，并将各个所述第二原始特征与各自对应的所述第二衍生特征进行融合，获得各个所述第二原始特征各自对应的样本特征；

28、将各个所述样本特征对应的初始标注样本均更新为目标标注样本，所述目标标注样本为打滑样本或非打滑样本；

29、若所述目标标注样本为打滑样本，则对所述打滑样本进行样本扩充处理，再通过滑动窗口法进行数据平滑处理，获得对应的扩充打滑样本；

30、将各个所述扩充打滑样本与各个所述非打滑样本存储为所述风电机组的样本集。

31、可选地，所述对所述打滑样本进行样本扩充处理，再通过滑动窗口法进行数据平滑处理，获得对应的扩充打滑样本，包括：

32、从所述样本集中不放回地抽取一个打滑样本作为第一目标打滑样本、有放回地抽取一个目标标注样本作为随机样本；

33、采用所述随机样本替换所述第一目标打滑样本的前后20％区间内的数据，获得第一替换打滑样本；

34、通过滑动窗口法对所述第一替换打滑样本进行数据平滑处理，获得所述第一目标打滑样本对应的扩充打滑样本。

35、可选地，所述对所述打滑样本进行样本扩充处理，再通过滑动窗口法进行数据平滑处理，获得对应的扩充打滑样本，包括：

36、从所述样本集中抽取一个打滑样本作为第二目标打滑样本；

37、对所述第二目标打滑样本加入预设量的均值为0的随机白噪声，形成第二替换打滑样本；

38、通过滑动窗口法对所述第二替换打滑样本进行数据平滑处理，获得所述第二目标打滑样本对应的扩充打滑样本。

39、可选地，所述风电联轴器打滑诊断系统还包括数据库，所述方法还包括：

40、将所述诊断结果写入所述数据库；

41、当所述打滑预测模型运行完成后，从所述数据库提取所述诊断结果，并根据所述诊断结果对所述打滑预测模型进行复盘分析，筛选出错检样本；

42、对所述错检样本进行错检标注，获得对应的错检标注样本，并将所述错检标注样本添加至风电机组的样本集，获得增量样本集；

43、采用所述增量样本集对所述打滑预测模型进行增量训练，并基于增量训练结果对所述打滑预测模型进行更新。

44、本发明还提供了一种风电联轴器打滑诊断装置，应用于风电联轴器打滑诊断系统，所述风电联轴器打滑诊断系统包括多线程日志文件提取模块以及基于随机森林算法的打滑预测模型，所述多线程日志文件提取模块设有消息队列，所述装置包括：

45、文件路径接收模块，用于接收来自第一用户写入所述消息队列的文件路径，所述文件路径对应待测风电机组的日志文件；

46、结构化数据解析模块，用于响应于第二用户针对所述文件路径的提取操作，将所述日志文件解析成结构化数据；

47、打滑诊断处理模块，用于通过所述打滑预测模型从所述结构化数据中提取第一原始特征，根据所述第一原始特征构建对应的第一衍生特征，并将所述第一原始特征与所述第一衍生特征进行融合，获得待测特征，基于所述待测特征对所述待测风电机组的联轴器打滑情况进行诊断；

48、目标风电机组确定模块，用于根据诊断结果确定所述待测风电机组中出现联轴器打滑的目标风电机组。

49、本发明还提供了一种电子设备，所述设备包括处理器以及存储器：

50、所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

51、所述处理器用于根据所述程序代码中的指令执行如上任一项所述的风电联轴器打滑诊断方法。

52、本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上任一项所述的风电联轴器打滑诊断方法。

53、从以上技术方案可以看出，本发明具有以下优点：提供了一种风电联轴器打滑诊断方法，以及对应的风电联轴器打滑诊断系统，首先构建风电机组的样本集并对样本集进行数据处理以及样本训练集划分，接着构建基于随机森林算法的打滑预测模型并通过训练模块采用样本训练集进行模型训练，将进行训练后的模型部署至线上环境，同时融合进多线程日志文件提取模块，第一用户可以上传待测风电机组日志文件对应的文件路径至多线程日志文件提取模块的消息队列，第二用户可以从消息队列中提取文件路径，将文件路径对应的日志文件解析成结构化数据并导入打滑预测模型的预测模块进行联轴器打滑异常诊断，从而实现了通过风电机组的日志文件，快速确定出现联轴器打滑的机组，提高了检测效率以及诊断准确性，接着可以将诊断结果输入至数据库，打滑预测模型的训练模块可以从数据库中获取诊断结果，并基于诊断结果进行模型优化的增量训练，从而形成“模型训练→模型使用→模型优化训练→模型使用”的良性闭环，不断提高联轴器打滑异常诊断的准确度，以及降低检测时间，提高响应速度。