[发明专利]用于风机主轴承的故障诊断方法及系统

说明书

本公开提供一种用于风机主轴承的故障诊断方法和系统。该方法可以包括：从SCADA数据中采集与主轴承相关的参数数据；对与主轴承相关的参数数据进行预处理并进行特征提取；将提取的特征输入异常检测模型和故障检测模型，并且基于异常检测模型的输出值和故障检测模型的输出值对风机主轴承的状态进行诊断。利用本公开的故障诊断方法和系统可以降低故障漏报率以及降低风机运维成本。

技术领域

本发明涉及风力发电领域，尤其涉及用于风机主轴承的基于人工智能的故障诊断方法及系统。

背景技术

伴随着风能的快速发展和风电机组的广泛安装使用，风电机组的运行故障问题日益突出。风电机组的安全、稳定、无故障运转不仅可以提供稳定的电力供应，也可以大幅降低风电的成本，是整个产业链健康发展的关键环节。

目前，针对风电机组运行故障提出了多种诊断方法和系统。然而几乎所有的诊断方法都集中在齿轮箱、发电机或相对高速转动的轴承上，而很少开发针对主轴承的诊断方法，因为主轴承相对低速的转动且非平稳的轴承振动信号为故障频率分析造成非常大的挑战。由于主轴承的低速转动以及脉动载荷(pulsating-load)工况，当前主流的基于风电机组CMS(状态监测系统)信号的标尺驱动(ruler-driven)轴承故障检测方法将会变得无能为力。由此，评估主轴承的健康状况成为风机运行和维护的难题。

因此，需要开发一种能够用于风机主轴承的故障诊断方法及系统，以解决以上问题。

发明内容

本发明的一个方面提供了一种用于风机主轴承的故障诊断方法。该方法包括：从SCADA数据中采集与主轴承相关的参数数据；对所述与主轴承相关的参数数据进行预处理并进行特征提取；将提取的特征输入异常检测模型和故障检测模型，并且基于所述异常检测模型的输出值和所述故障检测模型的输出值对风机主轴承的状态进行诊断。其中，当所述异常检测模型的输出值小于等于第一阈值时，将风机主轴承的状态诊断为正常；和/或当所述异常检测模型的输出值大于所述第一阈值时，则将所述故障检测模型的输出值与第二阈值进行比较。如果所述故障检测模型的输出值小于等于第二阈值，则将风机主轴承的状态诊断为异常；和/或如果所述故障检测模型的输出值大于第二阈值，则将风机主轴承的状态诊断为故障。

根据一个或多个实施例，该方法还可以进一步包括对所述异常检测模型和故障检测模型进行训练。该训练可以包括：从SCADA数据和历史故障检查报告中采集与主轴承相关的参数数据；对所述与主轴承相关的参数数据进行预处理；为所述预处理后的参数数据设置多个标签并且基于设置有标签的参数数据进行特征提取，提取后的特征包括具有多个标签中的特定标签的第一特征和具有多个标签中的除了所述特定标签之外的标签的第二特征；通过将所述第一特征作为所述异常检测模型的输入并且将异常概率值作为所述异常检测模型的输出值，对所述异常检测模型进行训练；以及通过将所述第一特征和所述第二特征共同作为所述故障检测模型的输入并且将故障概率值作为所述故障检测模型的输出值，对所述故障检测模型进行训练。

根据一个或多个实施例，所述为参数数据设置标签还可以进一步包括基于所述历史故障检查报告中的检查信息来评估主轴承的健康状态等级；以及根据所述主轴承的健康状态等级，为与主轴承相关的参数数据设置相对应的标签。

根据一个或多个实施例，对所述与主轴承相关的参数数据进行预处理可以包括执行以下各项中的至少一项：数据清理，数据筛选以及数据编码。

根据一个或多个实施例，所述执行所述数据清理可以进一步包括：将符合预定条件的参数数据移除，所述符合预定条件的参数数据包括空值和常数值中的至少一个。

根据一个或多个实施例，执行所述数据筛选可以进一步包括：基于工况参数的有效范围来对所述参数数据进行筛选。

根据一个或多个实施例，所述特征提取可以包括关键特征处理。所述关键特征处理包括：基于相关性分析和重要性分析，从经过预处理后的参数数据中选择参数作为关键特征。所述关键特征包括温度、振动、功率和速度参数中的至少一个。