一种故障预警方法及装置与流程

本发明涉及风力发电机技术领域，具体而言，涉及一种故障预警方法及装置。

背景技术：

目前的风力发电机的故障预警方法大多基于一种来源的数据来实现对风力发电机的故障预警，由于数据来源单一，对风力发电机的故障预警的准确率并不高。

技术实现要素：

本发明的目的在于提供一种故障预警方法及装置，该故障预警方法通过风力发电机的多种数据实现风力发电机的故障预警功能，进而提高了预警准确率。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种故障预警方法，用于对风力发电机进行故障预警，所述方法包括：获取所述风力发电机的多种历史正常运行数据和多种历史故障运行数据；将所述多种历史正常运行数据和所述多种历史故障运行数据进行特征选取得到数据特征；将所述数据特征进行模型训练得到训练模型；将所述风力发电机的实时运行数据输入至所述训练模型得到预警信息。

进一步地，所述获取所述风力发电机的多种历史正常运行数据和多种历史故障运行数据的步骤包括：从数据库中获取所述风力发电机的多种历史正常运行数据和多种历史故障运行数据；所述将所述风力发电机的实时运行数据输入至所述训练模型得到预警信息的步骤之后，所述方法还包括：将所述实时运行数据作为新的历史正常运行数据或新的历史故障运行数据存储到所述数据库中，以便对所述训练模型进行更新。

进一步地，所述多种历史正常运行数据和所述多种历史故障运行数据均包括scada信号、风机声音传感器信号及cms振动监测信号。

进一步地，所述多种历史正常运行数据和所述多种历史故障运行数据按照预设比例获取。

进一步地，所述根据将所述多种历史正常运行数据和所述多种历史故障运行数据进行特征选取得到数据特征的步骤包括：按照特征工程的方法对所述多种历史正常运行数据和所述多种历史故障运行数据进行特征选取得到数据特征。

进一步地，所述将所述数据特征进行模型训练得到训练模型的步骤包括：根据机器学习方法将所述数据特征进行模型训练得到训练模型。

进一步地，所述将所述数据特征进行模型训练得到训练模型的步骤包括：根据深度学习方法将所述数据特征进行模型训练得到训练模型。

第二方面，本发明实施例还提供了一种故障预警装置，用于对风力发电机进行故障预警，所述装置包括：获取模块，用于获取所述风力发电机的多种历史正常运行数据和多种历史故障运行数据；特征选取模块，用于将所述多种历史正常运行数据和所述多种历史故障运行数据进行特征选取得到数据特征；模型训练模块，用于将所述数据特征进行模型训练得到训练模型；预警模块，用于将所述风力发电机的实时运行数据输入至所述训练模型得到预警信息。

进一步地，所述获取模块，用于从数据库中获取所述风力发电机的多种历史正常运行数据和多种历史故障运行数据；所述装置还包括：更新模块，用于将所述实时运行数据作为新的历史正常运行数据或新的历史故障运行数据存储到所述数据库中，以便对所述训练模型进行更新。

进一步地，所述多种历史正常运行数据和所述多种历史故障运行数据均包括scada信号、风机声音传感器信号及cms振动监测信号。

本发明实施例提供的一种故障预警方法及装置，该故障预警方法包括获取风力发电机的多种历史正常运行数据和多种历史故障运行数据；将多种历史正常运行数据和多种历史故障运行数据进行特征选取得到数据特征；将数据特征进行模型训练得到训练模型；将风力发电机的实时运行数据输入至训练模型得到预警信息。可见，本故障预警方法通过获取多种历史正常运行数据和多种历史故障运行数据进行特征选取得到数据特征，进而根据数据特征得到训练模型，再将实时运行数据带入训练模型就能实现对风力发电机的故障预警，由于采用多种历史正常运行数据和多种历史故障运行数据，可以提高预警准确率。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例提供的故障预警方法及装置的应用环境示意图；

图2示出了本发明实施例提供的服务器的结构框图；

图3示出了本发明实施例提供的故障预警方法的流程示意图；

图4示出了本发明实施例提供的故障预警装置的结构框图。

图标：1-服务器；10-存储器；20-处理器；30-通信单元；40-故障预警装置；41-获取模块；42-特征选取模块；43-模型训练模块；44-预警模块；45-更新模块；2-客户端；3-监测服务器；4-风力发电机。

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

本发明实施例提供了一种故障预警方法及装置，该故障预警方法及装置应用环境如图1所示，服务器1、客户端2和监测服务器3位于无线网络或有限网络中，通过该无线网络或有限网络，服务器1与客户端2和监测服务器3进行数据交互，监测服务器3还与风力发电机4电连接。

本发明实施例提出的故障预警方法及装置可适用于服务器1。该服务器1可以是，但不限于主机(host)，也可以是云端服务器等。该客户端2可以是，但不限于智能手机、个人电脑(personalcomputer，pc)、平板电脑、个人数字助理(personaldigitalassistant，pda)、移动上网设备(mobileinternetdevice，mid)等。该监测服务器3包括数据采集与监视控制系统(supervisorycontrolanddataacquisition，scada)、cms振动监测系统、测风塔系统，风功率预测系统等，用于监测风力发电机4实际输出的信号及状态，cms振动监测系统通过在风力发电机4中安装振动传感器用于监测风力发电机4的主轴、齿轮箱、发电机的cms振动监测信号，并将cms振动监测信号发送给服务器1，服务器1将cms振动监测信号存放至数据库中，测风塔系统通过采集风场测风塔的信号并发送给服务器1，风功率系统是对风速和功率做出短期，超短期预测，预测结果数据发送给服务器1。

如图2所示，是图1所示的服务器1的方框示意图。该服务器1包括存储器10、处理器20、通信单元30及故障预警装置40。

存储器10、处理器20、通信单元30及故障预警装置40相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。故障预警装置40包括至少一个可以软件或固件(firmware)的形式存储于存储器10中或固化在服务器1的操作系统(operatingsystem，os)中的软件功能模块。处理器20用于执行存储器10中存储的可执行模块，例如故障预警装置40所包括的软件功能模块及计算机程序等。

其中，所述存储器10可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。处理器20可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器20也可以是任何常规的处理器等。其中，所述存储器10用于存储程序以及数据库，所述处理器20在接收到执行指令后，执行所述程序。所述通信单元30用于通过所述网络建立所述服务器1与客户端2和监测服务器3之间的通信连接，并用于通过所述网络收发数据。

可以理解，图2所示的结构仅为示意，服务器1还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。

如图3所示，为本发明实施例提供的故障预警方法的流程示意图，该故障预警方法用于对风力发电机4进行故障预警，应说明的是，本发明所述的故障预警方法并不以图3以及以下所述的具体顺序为限制。应当理解，在其它实施例中，本发明所述的故障预警方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。下面将对图3所示的具体流程进行详细阐述。请参阅图3，本实施例描述的是服务器1的处理流程，所述方法包括：

步骤s1，获取所述风力发电机4的多种历史正常运行数据和多种历史故障运行数据。

在本实施例中，从数据库中获取所述风力发电机4的多种历史正常运行数据和多种历史故障运行数据。

其中，所述多种历史正常运行数据和所述多种历史故障运行数据均包括scada信号、风机声音传感器信号及cms振动监测信号。在本实施例中，多种历史正常运行数据和多种历史故障运行数据并不限定于scada信号、风机声音传感器信号及cms振动监测信号，多种历史正常运行数据和多种历史故障运行数据是指风力发电机4产生的各种数据信号。例如，还可以包括转速信号、转矩信号以及桨距角信号等。

可以理解，风力发电机4的多种历史正常运行数据和多种历史故障运行数据的数据来源于多种信号，包括但不限于scada信号、风机声音传感器信号及cms振动监测信号等。

例如，当需要对风力发电机4的齿轮箱振动是否超限进行故障预警时，多种历史正常运行数据和多种历史故障运行数据则包括cms振动监测信号、风机声音传感器信号以及风机功率信号。

在本实施例中，多种历史正常运行数据和多种历史故障运行数据按照预设比例获取。可以理解，从数据库中获取风力发电机4的多种历史正常运行数据和多种历史故障运行数据时可以按照1:1的比例获取，即多种历史正常运行数据与多种历史故障运行数据的比例为1:1。

步骤s2，将所述多种历史正常运行数据和所述多种历史故障运行数据进行特征选取得到数据特征。

在本实施例中，按照特征工程的方法对所述多种历史正常运行数据和所述多种历史故障运行数据进行特征选取得到数据特征。

可以理解，先将获取的多种历史正常运行数据和多种历史故障运行数据进行数据清洗，即去除含有nan值的多种历史正常运行数据或多种历史故障运行数据，并将剩余的多种历史正常运行数据和多种历史故障运行数据进行归一化处理得到第一处理数据；然后对处理数据进行数据降维处理，可以使用pca方法对处理数据进行降维处理，选取线性不相关的第二处理数据；再对第二处理数据使用相关系数法评估每个第二处理数据与结果的相关性，将相关性最强的特定数量的第二处理数据留下作为数据特征，可以使用python机器学习库中的selectkbest函数实现相关系数法，其中特定数量可以设置为30个。

步骤s3，将所述数据特征进行模型训练得到训练模型。

在本实施例中，将数据特征按照预先设置的规则进行标注，以区分多种历史正常运行数据的数据特征和多种历史故障运行数据的数据特征。其中，可以在多种历史正常运行数据的数据特征后标注为0，在多种历史故障运行数据的数据特征后标注为1。

将进行标注的数据特征进行模型训练进而得到训练模型。在本实施例中，可以根据机器学习方法将所述数据特征进行模型训练得到训练模型，还可以根据深度学习方法将所述数据特征进行模型训练得到训练模型。

可以理解，将进行标注的数据特征可以选取决策树、随机森林或梯度下降树的方法进行模型训练得到多个模型，然后从多个模型中选择准确率最高的模型作为训练模型。

步骤s4，将所述风力发电机4的实时运行数据输入至所述训练模型得到预警信息。

在本实施例中，将风力发电机4的实时运行数据输入到训练模型中得到训练结果，若训练结果与设定值的偏差超过预设范围，则认为风力发电机4出现异常，进而生成预警信息；若训练结果与设定值的偏差在预设范围内，则认为风力发电机4无异常情况出现。不会生成预警信息。

进一步地，在本实施例中，将所述实时运行数据作为新的历史正常运行数据或新的历史故障运行数据存储到所述数据库中，以便对所述训练模型进行更新。

可以理解，在步骤s4之后，会将步骤s4中的实时运行数据保存至数据中作为新的历史正常运行数据或新的历史故障运行数据，在将下一个实时运行数据输入训练模型中判断风力发电机4是否有故障发生时，上一个实时运行数据可能会作为历史正常运行数据或历史故障运行数据进行特征选取，进而得到新的数据特征，以便于进行模型训练得到新的训练模型，以此实现训练模型的更新。

在本实施例中，可以指定每天的特定时间，进行训练模型的更新。其中，特定时间可以为每天0点。

在本实施例中，若对实时运行数据带入训练模型得到了预警信息，则在将该实时运行数据保存至数据库时，该实时运行数据为新的历史故障运行数据；若对实时运行数据带入训练模型未得到预警信息，则在将该实时运行数据保存至数据库时，该实时运行数据为新的历史正常运行数据。

如图4所示，为本发明实施例提供的故障预警装置40的结构示意图，所述故障预警装置40用于对风力发电机4进行故障预警，需要说明的是，本实施例所提供的故障预警装置40其基本原理及产生的技术效果与前述方法实施例相同，为简要描述，本实施例中未提及部分，可参考前述方法实施例中的相应内容。所述故障预警装置40包括获取模块41、特征选取模块42、模型训练模块43及预警模块44。

所述获取模块41用于获取所述风力发电机4的多种历史正常运行数据和多种历史故障运行数据。

可以理解，所述获取模块41可以执行上述步骤s1。

所述特征选取模块42用于将所述多种历史正常运行数据和所述多种历史故障运行数据进行特征选取得到数据特征。

可以理解，所述特征选取模块42可以执行上述步骤s2。

所述模型训练模块43用于将所述数据特征进行模型训练得到训练模型。

可以理解，所述模型训练模块43可以执行上述步骤s3。

预警模块44用于将所述风力发电机4的实时运行数据输入至所述训练模型得到预警信息。

可以理解，所述预警模块44可以执行上述步骤s4。

进一步地，在本实施例中，该装置还包括更新模块45，用于将所述实时运行数据作为新的历史正常运行数据或新的历史故障运行数据存储到所述数据库中，以便对所述训练模型进行更新。

综上所述，本发明实施例提供的故障预警方法及装置，该故障预警方法包括获取风力发电机的多种历史正常运行数据和多种历史故障运行数据；将多种历史正常运行数据和多种历史故障运行数据进行特征选取得到数据特征；将数据特征进行模型训练得到训练模型；将风力发电机的实时运行数据输入至训练模型得到预警信息。可见，本故障预警方法通过获取多种历史正常运行数据和多种历史故障运行数据进行特征选取得到数据特征，进而根据数据特征得到训练模型，再将实时运行数据带入训练模型就能实现对风力发电机的故障预警，由于采用多种历史正常运行数据和多种历史故障运行数据，可以提高预警准确率。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。