一种基于风电机组电控柜的智能运维方法及系统与流程

本发明涉及电控柜维护，具体涉及一种基于风电机组电控柜的智能运维方法及系统。

背景技术：

1、随着全球对清洁能源需求的不断增长，风力发电作为可再生能源的重要组成部分得到了快速发展。风电装机规模的持续攀升，使风电机组的长期安全稳定运行成为行业关注的焦点。在风电机组运行过程中，电控柜承担着发电控制、状态监测、故障保护、并网调节等核心功能，其内部集成了大量关键元器件，如断路器、接触器、电容器、igbt功率模块、继电器等。电控柜一旦出现故障，轻则导致发电量下降，重则引发机组停机甚至安全事故。与此同时，我国风电场运维经历了从纯人工运维到少人化运维再到无人化运维的三次系统性升级，人员依赖度高、安全风险突出、运营效率不足等问题正加速推动行业向智能化运维转型。

2、近年来，工业机器人技术与智能运维技术的融合为上述问题提供了新的解决路径。在配电、变电站等领域，智能运维机器人已开始应用于设备巡检和基础操作。风电机组电控柜内部空间紧凑、元器件布局密集，对机器人的运动精度、末端操作能力和多数据融合感知能力提出了特殊要求。基于此，研发一套能够自主执行电控柜内元器件操作任务、实现部件级健康评估与寿命预测的智能运维系统，具有重要的工程应用价值。

技术实现思路

1、针对上述现有技术的不足，本发明旨在提供一种基于风电机组电控柜的智能运维方法及系统，实现电控柜内部件自动维护。

2、为了解决上述问题，本发明采用了如下的技术方案：

3、一方面，本发明提供一种基于风电机组电控柜的智能运维方法，包括：

4、在风电机组电控柜中安装直角坐标机器人，在直角坐标机器人上设置末端执行器，末端执行器通过伺服电机沿x、y、z轴进行移动，末端执行器上设置多个功能零件头，末端执行器具备沿中心线自转以及功能零件头具备沿中心线自转的功能；

5、在末端执行器上设置六维力矩传感器和微型工业相机，六维力矩传感器用于检测操作过程中末端执行器的六维力矩数据，微型工业相机用于检测部件的图像；

6、在风电机组电控柜内设置电气测试接口设备，用于检测部件的电学性能；

7、将末端执行器的六维力矩数据、伺服电机编码器记录的各运动关节的位置数据、微型工业相机检测部件的图像以及操作完成后的部件的电学性能数据进行时间统一，并进行数据预处理；

8、基于预处理后的数据，进行各部件的健康指标计算；

9、基于各部件的累积退化以及各部件的健康指标，采用遗传编程的符号回归算法搜索正式退化方程，并采用贝叶斯方法输出各部件的剩余寿命预测及其置信区间；

10、通过各部件的健康指标、剩余寿命预测、剩余寿命预测的置信区间半宽、累计退化量和最近一次被机器人操作时的质量评分、系统级健康指标、耦合矩阵的压缩摘要、机器人自身的健康状态以及环境信息，在满足机会约束的前提下最小化总维护成本，通过约束强化学习策略求解多部件协同维护的最优决策方案。

11、另一方面，本发明提供一种基于风电机组电控柜的智能运维系统，包括：

12、安装于风电机组电控柜中的直角坐标机器人，直角坐标机器人上设置末端执行器，末端执行器通过伺服电机沿x、y、z轴进行移动，末端执行器上设置多个功能零件头，末端执行器具备沿中心线自转以及功能零件头具备沿中心线自转的功能；

13、末端执行器上设置六维力矩传感器和微型工业相机，六维力矩传感器用于检测操作过程中末端执行器的六维力矩数据，微型工业相机用于检测部件的图像；

14、风电机组电控柜内设置电气测试接口设备，用于检测部件的电学性能；

15、数据处理模块，用于将末端执行器的六维力矩数据、伺服电机编码器记录的各运动关节的位置数据、微型工业相机检测部件的图像以及操作完成后的部件的电学性能数据进行时间统一，并进行数据预处理；

16、健康指标计算模块，用于基于预处理后的数据，进行各部件的健康指标计算；

17、剩余寿命预测模块，用于基于各部件的累积退化以及各部件的健康指标，采用遗传编程的符号回归算法搜索正式退化方程，并采用贝叶斯方法输出各部件的剩余寿命预测及其置信区间；

18、最优决策方案输出模块，用于通过各部件的健康指标、剩余寿命预测、剩余寿命预测的置信区间半宽、累计退化量和最近一次被机器人操作时的质量评分、系统级健康指标、耦合矩阵的压缩摘要、机器人自身的健康状态以及环境信息，在满足机会约束的前提下最小化总维护成本，通过约束强化学习策略求解多部件协同维护的最优决策方案。

19、本发明的有益效果在于：本发明通过在电控柜内集成直角坐标机器人，利用操作后的短时停机窗口主动注入测试信号，可原位测量电容器esr、igbt导通压降、继电器线圈电阻等深层特征参数，弥补了监视控制与数据采集系统低频被动监测的信息盲区；构建跨部件耦合矩阵进行健康评估，并通过信息熵计算动态权重，使系统级健康指标能够反映部件间的正反馈加速老化效应，避免评估结果过于乐观；采用符号回归自动发现各部件的正式退化方程，避免了黑箱模型，结合贝叶斯方法输出剩余寿命的95%置信区间，为维护决策提供明确的概率依据。

1.一种基于风电机组电控柜的智能运维方法，其特征在于，包括：

2.根据权利要求1所述的基于风电机组电控柜的智能运维方法，其特征在于，所述多个功能零件头包括绝缘推杆、u型拨叉和旋转套筒。

3.根据权利要求1所述的基于风电机组电控柜的智能运维方法，其特征在于，所述基于预处理后的数据，进行各部件的健康指标计算包括：

4.根据权利要求3所述的基于风电机组电控柜的智能运维方法，其特征在于，还包括对各部件的健康指标进行修正，得修正后的健康指标：

5.根据权利要求4所述的基于风电机组电控柜的智能运维方法，其特征在于，所述基于各部件的累积退化以及各部件的健康指标，采用遗传编程的符号回归算法搜索正式退化方程包括：

6.根据权利要求5所述的基于风电机组电控柜的智能运维方法，其特征在于，所述采用贝叶斯方法输出各部件的剩余寿命预测及其置信区间包括：

7.根据权利要求6所述的基于风电机组电控柜的智能运维方法，其特征在于，所述通过约束强化学习策略求解多部件协同维护的最优决策方案包括：

8.一种基于风电机组电控柜的智能运维系统，其特征在于，包括：

9.根据权利要求8所述的基于风电机组电控柜的智能运维系统，其特征在于，所述基于预处理后的数据，进行各部件的健康指标计算包括：

10.根据权利要求9所述的基于风电机组电控柜的智能运维系统，其特征在于，还包括对各部件的健康指标进行修正，得修正后的健康指标；