[发明专利]基于bayes算法的风机故障诊断方法和诊断系统

说明书

技术领域

本发明涉及故障诊断技术，特别涉及一种基于Bayes算法的风机故障诊断技术和诊断系统。

背景技术

截止2015年底，中国大陆地区风机装机容量达到145362兆瓦，遥遥领先于美国90007兆瓦，跃居世界第一。中国已经是世界上风电设备制造大国和风电装机容量最多的国家，成为名副其实的风电大国。虽然我国风电装机总容量远远超过美国，但是风电的利用效率低，风电场有效并网发电量仍低于美国（2015年美国风电发电总量1900亿度，中国风电总发电量1300亿度）。从风电大国变成风电强国是一个系统工程，其中一个重要环节是依靠高科技加强风电场的精细化管理水平，提高风电场发电效率，降低运营和维护成本。风力发电故障诊断方法一直是业内的重要研究领域，设想通过故障诊断系统对已上线风力发电机进行预测性诊断，提前发现风力发电机的亚健康状态，优化安排维护保养策略，提高维保人员的工作效率，在避免出现重大安全事故发生的同时，最大化风电场的在线率并保证风机的安全高效运行。

在国内，相关领域专家学者也对风电故障诊断和维护进行了研究。例如张晓波，张新燕等采用小波分析的方法来判定风机发电中电力电子的故障；王斌，董兴辉等研究了基于故障树的专家系统在风电齿轮箱上的应用；李辉，郑海起等进行了基于EMD和功率谱的齿轮故障诊断研究。这些研究内容主要是针对风力发电机的一个部件进行故障诊断，极少是从大数据层面出发来对风力发电机进行全面系统的故障诊断。

现有技术主要存在以下缺点：

1. 风力发电机是一个完整运营体系，部件之间都存在一定的关联，现有诊断方法大多针对风力发电机的一个特定部件，不够全面系统；

2.无法做到预测性诊断，诊断已经发生的故障无法提高风力发电机的在线率（效率）；

3.现有故障诊断算法极少有做到真正从大数据层面出发，融入机器学习理论，保证诊断模型的持续有效。

发明内容

针对现有技术存在的上述缺陷，本发明提供一种基于Bayes算法的风机故障诊断方法和诊断系统，能够最大化风电场的在线率并保证风机的安全高效运行。

本发明提供的一种基于Bayes算法的风机故障诊断方法，具体的实施步骤如下：

S1，标注风力发电系统已知的故障类型及对应时间。

S2，标注风力发电系统各类故障发生前的特征状态。

S3，采用copula关联函数改进的Bayes算法建立故障诊断模型。

S4，实时采集的风力发电机运行数据传送至本故障诊断系统进行实施诊断，并输出诊断结果。

S5，赋予诊断结果对应的标签，用户可在此基础上对风机进行实际运行状态确认，根据确认结果对诊断结果标签进行修正并储入历史数据库。

S6，按照需求定期对诊断模型重新拟合，优化故障诊断模型，提高故障诊断准确率，从而提升风力发电在线率。

优选的，所述步骤S3中，采用copula关联函数改进的Bayes算法建立故障诊断模型步骤为。

第一步，风力发电机设备已知故障代码、风力发电机设备发生故障前特殊标识存入数据库。

第二步，导入历史数据库中的历史数据，根据对风力发电设备运行影响的重要程度确定用于建立风电发力设备故障诊断模型相应的参数，所述用于建立风电发力设备故障诊断模型相应的参数必须≥3项。

第三步，采用十折多次交叉验证的方式，分别进行故障先验概率计算、copula算法对条件概率密度计算，其中所述条件概率密度计算为选择上述影响风力发电设备运行的参数维度不同组合的概率密度计算。

第四步，将故障发生的Bayes后验概率与正常状态的Bayes后验概率比较并进行迭代运算。

第五步，根据故障诊断准确率及故障诊断误判率综合评分选择不同设备相应的最优诊断模型，其中所述最优诊断模型，包含故障发生前的特征诊断模型和故障发生后被确认为诊断正确的故障诊断模型。

第六步，予以存储，以备调用。

优选的，所述步骤S5中，实时诊断结果确认为诊断正确的，将其直接录入历史数据库用于风机故障诊断模型优化；实时诊断结果为误判诊断的，修改故障标签后录入历史数据库用于风机故障诊断模型优化。

优选的，所述步骤S6中，随着故障标签数量的增加，及数据标签精度的提升，定期优化故障诊断模型，将得出的Bayes故障诊断最优模型存储于故障诊断模型库并用于实时诊断。

本发明提供的一种基于Bayes算法的风机故障诊断系统，包括：数据养殖单元和Bayes算法建模单元，其中，