一种风电机组关联故障在线诊断方法与流程

本发明涉及风电故障诊断技术领域，特别涉及一种风电机组关联故障在线诊断方法。

背景技术：

风力发电机组结构的复杂性、运行条件的严酷性和相关因素的多样性导致其故障率不断增长；如何降低风力发电机组故障率和故障停机时间，降低运维成本，提高发电率和经济效益，已成为风力发电投资、建设、运营维护最为关心的问题。

目前，风电机组故障诊断研究方向主要集中在对叶片、主轴承、发电机、风机塔架、齿轮箱以及变频器等单一故障进行研究，忽略了各故障之间的关联性，导致专家系统中的关联故障库不健全，影响专家系统评判的精度。

技术实现要素：

本发明的目的是提供一种风电机组关联故障在线诊断方法。

为此，本发明技术方案如下：

一种风电机组关联故障在线诊断方法，包括按顺序进行的下列步骤：

一)实时检测风电机组在运行过程中是否发生故障，若发生故障，则进入下一步，若不发生故障，则继续执行步骤一)；

二)采集风电机组运行故障信息，并将该故障信息发送到专家系统中进行解析，找出该故障可能诱发的其它故障，并将解析结果发送到人机交互界面进行显示；该专家系统包括故障信息库、推理机、知识库和解析器；其中，知识库是通过如下步骤建立的：

1)获取风电机组运行过程中的故障日志数据；

2)统计故障日志数据中的频繁故障信息，并利用fp-growth算法构建频繁故障信息的fp树；

3)利用fp树的关联故障链信息构建贝叶斯网络模型；

4)将贝叶斯网络模型发送到推理机，并将推理机的推理结果进行存储，形成知识库。

进一步的，所述的步骤2)中构建频繁故障信息的fp树时，包括按顺序进行的下列步骤：

2.1)进行初始化设置，给定最小支撑度、最小置信度与提升度；

2.2)扫描故障日志数据库d一次，收集故障频繁项的集合f和各故障频繁项的支持度计数，各故障频繁项在集合f中按支持度计数降序排序，选定大于最小支撑度的故障频繁项组成列表l；

2.3)创建fp树的根结点，以“null”标记它；

2.4)故障日志数据库d按一定的时间间隔划分为若干个事务集，对于故障日志数据库d中每个事务集，执行如下操作：

选择事务集中的故障频繁项，并按列表l中的次序排序，设事务集排序后的故障频繁项列表为p，其中pi是故障频繁项列表p中第i个元素，i的初始值设为1；

2.5)将根节点null作为当前节点node，定义当前节点node的子女为child，调用函数insert_tree(pi，t)，判断故障频繁项列表p中是否存在pi使得pi.item-name＝child.item-name，且pi的支撑度、置信度与提升度是否均大于最小支撑度、最小置信度与提升度，若判断结果为“是”，则进入下一步，否则，判断i是否小于故障频繁项列表p中故障频繁项的个数，若判断结果为“是”，则i值加1后继续执行步骤2.5)；

2.6)将当前节点node的计数增加1，该子女节点作为当前节点node；否则，创建一个新结点n，将其计数设置为1，并将新结点n链接到节点node作为新的子女节点，然后将新节点n作为当前节点node，继续执行步骤2.5)。

进一步的，所述的步骤3)中包括按顺序进行的下列步骤：

3.1)对fp树中的每个关联故障链，在贝叶斯网络中建立一个父结点或子结点，并根据该事件名称进行命名，对于重复事件只建立一个结点；

3.2)按照故障树fp中各事件之间的连接关系建立贝叶斯网络中各结点之间的连接；

3.3)按照故障树fp中相应底事件的失效概率确定贝叶斯网络中父结点的先验概率；

3.4)按照故障树fp中的逻辑门确定贝叶斯网络中各结点的条件概率。

进一步的，所述的知识库还包括现场经验和专家知识。

进一步的，所述的故障信息发送到专家系统中进行解析时，包括如下步骤：

4.1)将风机发生的故障送入到故障信息库保存；

4.3)专家系统对故障信息库的故障进行推理分析，反复匹配知识库中的规则，从而得到相应的故障原因以及该故障可能诱发的其它故障；

4.4)将故障原因送入到解释器中，根据推理的路线和结论给出相应的解释并呈现在人机交互界面上，使用户可以清楚的看到推理过程。

与现有技术相比，该风电机组关联故障在线诊断方法采用fp-growth算法挖掘故障日志数据中关联故障，并将统计结果送入贝叶斯网络，结合领域内知识构建贝叶斯网络推理模型，同时借助了专家系统对做出诊断，预测出由当前故障可能引发的其它故障，可以通过人为干涉避免其它故障的发生，为风电机组的安全可靠运行提供了保障，从而可以优化电网调度，实现电网的安全、稳定和经济运行。

附图说明

图1为本发明提供的风电机组关联故障在线诊断方法的流程图。

图2为fp-growth算法结构图。

图3为贝叶斯网络拓扑图。

具体实施方式

下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。

一种风电机组关联故障在线诊断方法，如图1所示，包括按顺序进行的下列步骤：

一)实时检测风电机组在运行过程中是否发生故障，若发生故障，则进入下一步，若不发生故障，则继续执行步骤一)；

二)采集风电机组运行故障信息，并将该故障信息发送到专家系统中进行解析，找出该故障可能诱发的其它故障，并将解析结果发送到人机交互界面进行显示；该专家系统包括故障信息库、推理机、知识库和解析器；其中，知识库是通过如下步骤建立的：

1)获取风电机组运行过程中的故障日志数据；

2)对故障日志数据进行清洗，统计故障日志数据中的频繁故障信息，并利用fp-growth算法构建频繁故障信息的fp树，fp树的模型如图2所示，在图2中，实线箭头表示的是一条关联故障链，虚线箭头指的是同一个故障；

故障链1：fc2:7—fc1:4—fc5:1

故障链1中故障fc1是由故障fc2触发引起的；

故障链2：fc1:2—fc3:2

故障链2中的故障fc1是单独发生，fc1发生触发fc3；

其中，构建频繁故障信息的fp树时，包括按顺序进行的下列步骤：

2.1)进行初始化设置，给定最小支撑度、最小置信度与提升度；

2.2)扫描故障日志数据库d一次，收集故障频繁项的集合f和各故障频繁项的支持度计数，各故障频繁项在集合f中按支持度计数降序排序，选定大于最小支撑度的故障频繁项组成列表l；

2.3)创建fp树的根结点，以“null”标记它；

2.4)故障日志数据库d按一定的时间间隔划分为若干个事务集，对于故障日志数据库d中每个事务集，执行如下操作：

选择事务集中的故障频繁项，并按列表l中的次序排序，设事务集排序后的故障频繁项列表为p，其中pi是故障频繁项列表p中第i个元素，i的初始值设为1；

2.5)将根节点null作为当前节点node，定义当前节点node的子女为child，调用函数insert_tree(pi，t)，判断故障频繁项列表p中是否存在pi使得pi.item-name＝child.item-name，且pi的支撑度、置信度与提升度是否均大于最小支撑度、最小置信度与提升度，若判断结果为“是”，则进入下一步，否则，判断i是否小于故障频繁项列表p中故障频繁项的个数，若判断结果为“是”，则i值加1后继续执行步骤2.5)；

2.6)将当前节点node的计数增加1，该子女节点作为当前节点node；否则，创建一个新结点n，将其计数设置为1，并将新结点n链接到节点node作为新的子女节点，然后将新节点n作为当前节点node，继续执行步骤2.5)。

3)利用fp树的关联故障链信息构建贝叶斯网络模型，如图3所示，贝叶斯网络，由一个有向无环图(dag)和条件概率表(cpt)组成，贝叶斯网络通过一个有向无环图来表示一组随机变量跟它们的条件依赖关系，它通过条件概率分布来参数化；

贝叶斯网络模型具体搭建步骤如下：

3.1)对fp树中的每个关联故障链，在贝叶斯网络中建立一个父结点或子结点，并根据该事件名称进行命名，对于重复事件只建立一个结点；

3.2)按照故障树fp中各事件之间的连接关系建立贝叶斯网络中各结点之间的连接；

3.3)按照故障树fp中相应底事件的失效概率确定贝叶斯网络中父结点的先验概率；

3.4)按照故障树fp中的逻辑门确定贝叶斯网络中各结点的条件概率。

4)将贝叶斯网络模型发送到推理机，并将推理机的推理结果进行存储，形成知识库，其中，所述的知识库还包括现场经验和专家知识。

所述的故障信息发送到专家系统中进行解析时，包括如下步骤：

4.1)将风机发生的故障送入到故障信息库保存；

4.3)专家系统对故障信息库的故障进行推理分析，反复匹配知识库中的规则，从而得到相应的故障原因以及该故障可能诱发的其它故障；

4.4)将故障原因送入到解释器中，根据推理的路线和结论给出相应的解释并呈现在人机交互界面上，使用户及时了解该故障可能诱发的其它故障，对其它故障的发生提前做出有效地预防。