风机故障检测方法、控制装置及存储介质与流程

本发明涉及故障检测，具体提供一种风机故障检测方法、控制装置及存储介质。

背景技术：

1、风能作为一种清洁无污染的可再生能源，具有分布广、储量巨大的优势，受到了世界各国的重视。风力发电技术是风能的主要利用形式，也是新能源领域的重点研究方向。因此，利用风力发电逐渐成为替代传统发电的新途径。

2、风力发电技术的快速发展和风能的大规模开发利用提出了与可靠性、成本效益和能源安全相关的关键挑战。一方面，风电机组长期暴露在极端、多变、24/7全天候的天气条件下，使风电机组在运行过程中容易发生事故。另一方面，风电机组通常安装在交通不便的偏远地区或近海地区，机舱一般安装在距离地面数十米甚至上百米的高空，使得风电机组的日常监控和维护变得困难。一旦出现问题，需要相当长的时间来检查故障原因，这大大降低了风电场的利润。对风电机组进行状态监测和故障诊断，在故障发生前及时预警，提早发现微弱故障，能有效避免严重故障的发生，可以有效降低风电机组的运维成本、提高机组可靠性。

3、监控与数据采集系统（supervisory control and data acquisition, scada）是风电机组常用的状态监测系统。该系统实现对风电机组进行实时监控、数据记录、故障报警等主要功能，可以实时地监测到风场中所有风电机组的运行及发电状态、整个风场发电量、历史故障信息等。此外，在系统中记录了大量的与风电机组运行状态相关的数据信息如风速、转速、振动、电流、电压、风力等。

4、纵观风力发电机组scada系统的现有文献内容，有关风力发电机组异常运行状态辨识与检测方面，大致分为三大类：基于统计学习的异常运行状态辨识方法，基于机器学习的异常运行状态辨识方法，以及基于密度/距离的异常运行状态辨识方法。

5、在风电领域中，有关基于scada数据分析的风力发电机组故障检测、诊断及预警方面，目前学术界与工业界中常见技术主要可以分为警报评估与专家系统方法、趋势分析方法、聚类/分类方法、损伤模型建模方法以及正常行为建模方法。正常行为建模方法的基本原理与风力发电机组的故障检测与预警需求较为契合，现有研究也表明其在故障检测与预警的准确性方面表现较好，已逐渐成为基于scada数据分析的风力发电机组故障检测、诊断与预警的重点研究方向。

6、然而，现有的采用建模方式来预测风机故障的方案仅适用于特定的输入数据，当输入数据改变或输入数据维度增加时，需要对模型进行重新训练，才能得到一个较准确的预测结果。即采用现有方式建立的模型存在对历史任务遗忘的问题，它们在适应新任务的同时忘记了大量以前学习过的任务，若输入数据改变，则无法得到准确的故障检测结果。

7、基于此，本领域需要一种新的风机故障检测方案来解决上述问题。

技术实现思路

1、为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决现有检测模型因遗忘历史任务而导致故障检测不准确的技术问题的风机故障检测方法、装置、控制装置及存储介质。

2、在第一方面，本发明提供一种风机故障检测方法，所述方法包括：

3、获取待检测风机的运行数据；

4、将所述运行数据输入至预先训练好的故障检测模型，以使所述预先训练好的故障检测模型输出所述待检测风机是否发生故障的检测结果；其中，所述故障检测模型包括初步检测网络和与所述初步检测网络连接的子记忆网络；所述子记忆网络用于对所述初步检测网络输出的数据分类信息进行优化，以获得优化后的分类信息作为所述检测结果。

5、在上述风机故障检测方法的一个技术方案中，将所述运行数据输入至预先训练好的故障检测模型包括：对所述运行数据进行预处理，获得处理后的数据；将所述处理后的数据输入至预先训练好的故障检测模型；其中，对所述运行数据进行预处理包括：

6、采用dbscan聚类算法剔除所述运行数据中密度低于预设密度阈值的数据，获得无噪声数据；

7、根据最小二乘法和/或3-sigma法则对所述无噪声数据设置正态数据区间；

8、剔除所述正态数据区间外的数据，获得所述处理后的数据。

9、在上述风机故障检测方法的一个技术方案中，所述初步检测网络包括：cnn-lstm网络；所述cnn-lstm网络用于对接收到的所述运行数据进行特征提取，并基于提取到的特征信息输出与所述运行数据对应的数据分类信息。

10、在上述风机故障检测方法的一个技术方案中，所述cnn-lstm网络包括：依次连接的输入层、卷积层、激活层、池化层、lstm层和全连接层；其中，所述卷积层和所述全连接层均有多层；所述子记忆网络包括：至少一个子存储器，以及，与每个所述子存储器对应的子分类器；多层所述全连接层至少部分跳过连接至与当前所述输入数据对应的所述子存储器；每个所述子存储器用于存储与该子存储器跳过连接的所述全连接层输出的分类信息；每个所述子分类器与最后一层全连接层连接，每个所述子分类器还与与其对应的子存储器连接；每个所述子分类器用于基于最后一层全连接层输出的数据分类信息和当前子存储器输出的分类信息，获得所述优化后的分类信息作为所述检测结果。

11、在上述风机故障检测方法的一个技术方案中，每个所述子分类器还用于对所述优化后的分类信息进行l2范数归一化操作，获得归一化后的分类信息作为所述检测结果。

12、在上述风机故障检测方法的一个技术方案中，在对每个所述子存储器进行训练的过程中，采用的损失函数为：

13、

14、其中，为所述损失函数；为超参数，用于防止历史任务性能下降；为用于保留历史任务所学习到的知识的损失项；为通过所述cnn-lstm网络和第个所述子存储器的前馈输出计算出的误差；为迁移学习损失；为超参数，用于控制迁移学习损失的重要性；表示正则化。

15、在上述风机故障检测方法的一个技术方案中，所述损失项采用以下表达式表达：

16、

17、其中，是从当前任务图像中获取的现有模型的输出；是在训练期间将当前任务图像馈送到网络中获取的现有模型的输出；是标签数；和均为任务序号；为通过增加预定权重来软化权重分布的温度，为一个预设常数；

18、和/或，所述误差采用以下表达式表达：

19、

20、其中，为第个所述子分类器的输出；为函数，为一个激活函数；

21、和/或，所述迁移学习损失采用以下表达式表达：

22、

23、其中，为第个所述子分类器的输出；为第个所述子存储器的输出；为函数，为一个激活函数。

24、在上述风机故障检测方法的一个技术方案中，所述子记忆网络还采用以下方式获得所述检测结果：

25、计算所述优化后的分类信息的均方根误差；

26、判断所述均方根误差是否大于预设阈值；

27、当所述均方根误差大于所述预设阈值时，确定所述待检测风机发生故障；

28、当所述均方根误差不大于所述预设阈值时，确定所述待检测风机没有发生故障。

29、在第二方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述风机故障检测方法的技术方案中任一项技术方案所述的风机故障检测方法。

30、在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述风机故障检测方法的技术方案中任一项技术方案所述的风机故障检测方法。

31、本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：

32、在实施本发明的技术方案中，通过预先训练好的具有发展记忆的cnn-lstm模型来检测风机故障，由于该模型能够基于每一次的输入数据生成与该次输入数据对应的子记忆网络，因此其不仅能够学习当前输入数据的特征，并且能够保留历史输入数据的特征，即其能够通过不断生成子记忆网络来学习并保留单个任务的重要特征，有效解决了现有的风机故障模型对历史任务的遗忘问题。因此，本发明提供的技术方案，即使在输入的风机运行数据发生改变的情况下，也能够准确地检测风机故障，极大地提高了风机故障的检测准确率。