[发明专利]一种基于大数据分析的风电机组传动链故障预警方法

权利要求书

1.一种基于大数据分析的风电机组传动链故障预警方法，其特征在于，包括：

采集风电机组传动链部件的振动监测数据，形成具有多属性的数据文件并存储在数据库中；从数据库提取风电机组传动链振动监测数据，并进行预处理；

按照第一数据属性对振动监测数据进行采样提取，分别按照第一数据属性的数值大小划分区间，对每一数值区间内的振动监测数据进行Beta分布拟合，并通过最小二乘法得到最优参数α,β；

根据每一数值区间内计算得到的Beta分布最优参数，确定对应的λ₁和λ₂，以计算基于第一数据属性的振动监测数据的预警阈值区间；

通过选取不同数据属性进行振动监测数据的提取，构建不同数据属性的数据数值区间与预警阈值区间的映射，形成知识库；

设定预设的采样时间间隔，采集风电机组实时工作的传动链振动监测数据，判断采样时间间隔内采样的振动监测数据中，在构建知识库的全部数据属性的数据数值落入知识库中对应的数据数值区间时，对应的振动监测数据是否落入与数据数值区间映射的预警阈值区间内；若判断为否的振动监测数据小于等于总采样振动监测数据的85％，则发出风电机组传动链故障警报。

2.根据权利要求1所述的基于大数据分析的风电机组传动链故障预警方法，其特征在于，对数据库中振动监测数据进行预处理的步骤包括：

判断振动监测数据是否符合正态分布；

若不符合，对振动监测数据进行离差标准化：通过对原始数据的线性变化，将数值映射到[0，1]的范围内，变换函数如下：

其中，X_max为振动监测数据的最大值，X_min为振动监测数据的最小值。

3.根据权利要求2所述的基于大数据分析的风电机组传动链故障预警方法，其特征在于，在对每一数值区间内的振动监测数据进行Beta分布拟合，并通过最小二乘法得到最优参数α,β的步骤中，包括步骤：

设随机变量密度函数为

其中Γ表示伽马函数，α0,β0,0≤x≤1

设估计概率密度函数

f(X_i,α,β)＝m_i/2nh_i i＝1,2,…,N (3)

其中：X_i是样本数据按一定范围划分后每个区间的中点值；m_i是样本数据落在第i个区间内的个数；n是样本数据的个数；h_i是每个区间的半宽度；N是区间总数；

形状参数寻优算法

ε_i＝ln{m_i/[2nh_if(X_i,α,β)]} (4)

令

则由即可求得参数α,β，

其中：W_i为权重系数，由观测数据频数决定；f(X_i,α,β)为标准Beta分布的概率密度函数。

4.根据权利要求2所述的基于大数据分析的风电机组传动链故障预警方法，其特征在于，根据标准贝塔分布，计算全部拟合的Beta分布的双侧α分位数λ₁和λ₂，其中，λ₁为的上侧分位数，λ₂为的上侧α分位数。

5.根据权利要求4所述的基于大数据分析的风电机组传动链故障预警方法，其特征在于，振动监测数据预警阈值区间为[Threshol d1，Threshol d2]：

阈值上限：

Threshol d1＝λ₁×(X_max-X_min)+X_min (5)

阈值下限：

Threshol d2＝λ₂×(X_max-X_min)+X_min (6)

其中，X_max为振动监测数据的最大值，X_min为振动监测数据的最小值。