[发明专利]一种风电设备故障诊断方法及系统

说明书

技术领域

本发明涉及风电设备故障诊断领域，具体讲涉及一种风电设备故障诊断方法及系统。

背景技术

风电机组是一个复杂的多体和多域系统，既有旋转的叶片、轮毂、齿轮箱、轴承、轴等机械部件，又有液压系统、电气系统以及复杂的控制系统和电力电子系统。如果能够利用实时状态监测数据与SCADA等信息可以在灾难性故障发生前，通过故障预测算法和技术将潜在的事故征兆预测或识别出来，可提前实施预防性维修，避免事故引发重大损失。

而风电设备故障诊断是涉及多方面的知识，目前针对风电机组叶片/变桨系统的研究较多的方法是利用风机输出电功率分析、推演叶片和变桨距控制机构的过程参数变化趋势进行故障预测；国内外学者在研究采用诸如数据统计、模糊理论等技术领域，取得了一定的进展，如Holst-Jenson利用FFT谱分析对变桨距系统节距角误差仿真进行预测变桨距机构的早期故障特征；而Kusiak研究叶片不对称故障和节距角不可信故障的预测算法。

以上研究都是基于数据统计方法的，这些方法对叶片质量不对称、节距控制结构异常问题非常有效，应用这些方法在故障诊断方面虽然都有一定的优势，但采用单一的诊断模式对风机设备进行故障诊断时，会存在推理能力弱，出现匹配冲突，容错能力差的缺点，故很难识别疲劳损伤或机械裂纹的早期故障。因此，仅仅单凭某一个方法就主观地下结论容易导致误判或漏判，故有待需要研究基于数据挖掘方法对故障进行准确预测。

发明内容

针对风电设备故障诊断的问题，本发明目的是在于提供一种基于数据聚类及关联规则的风电设备故障诊断方法及系统，其综合多个设备数据进行的数据聚类、关联分析方法，形成多智能判据综合诊断风电设备故障，克服了单一方法的缺陷与不足，提高风机设备故障诊断的准确度。

为实现上述目的，本发明的技术方案如下：

一种风机故障诊断方法，其包括如下步骤:

根据预先建立的多维数据模型和故障事实表对故障数据进行聚类分析和关联规则分析；

根据聚类分析结果以及关联规则分析结果，确定故障事件之间的关系；

根据预先确定的故障事件之间的条件概率和联合条件概率，确定故障发生互相影响的可能性。

进一步的，所述多维数据模型的建立过程为：

抽取风机故障样本数据；

对不同数据源的所述故障样本数据进行类型转换并分类加载至数据仓库；

将预先建立的故障事实表与多维数据模型内的维度表通过外键建立关联。

进一步的，所述对故障数据进行聚类分析的步骤包括如下：

利用欧氏距离作为故障样本数据间的相似性度量；

确定评价聚类性能的准则函数；

对每一类故障数据进行聚类分析并采用迭代方式得到最终的聚类结果，完成风电设备故障的相似度处理。

进一步的，所述相似性度量的表达式如下:

其中X＝{X_m|m＝1,2,…，total}为数据集；X中的样本用数目为d的描述属性A₁,A₂,…A_d，来表示，且d个描述属性都是连续型属性；数据样本X_i＝(X_i1,X_i2,…X_id)，X_j＝(X_j1,X_j2,…X_jd)；其中X_i1,X_i2,…X_id和X_j1,X_j2,…X_jd分别是样本X_i和X_j对应d个描述属性A₁,A₂,...A_d的具体取值；样本X_i，和X_j之间的相似度用它们之间的距离d(x_i,x_j)来表示。

进一步的，所述准则函数的表达式如下: