融合高低频信号的风机综合健康分析方法及系统与流程

1.本发明涉及风机故障检测技术领域，尤其涉及一种融合高低频信号的风机综合健康分析方法及系统。


背景技术：

2.随着传感器成本的降低、算力的不断提升，风力发电机的健康状态监测和运维也在由单纯的数字化向智能化发展。风电机组故障预警系统利用风电行业目前广泛采用的scada低频信号(其采样率通常最高为1hz)和cms高频振动信号(其频率至少为10khz)对风机的叶片、传动机构、发电机、电控系统等进行监测。然而，目前这两类信号监测系统所提供的功能相对独立，现有的风机故障预警系统鲜见有将二者结合为用户提供系统性的风机健康评估功能的，现有的风机故障预警系统并不能完全满足用户对于风力发电机实现真正系统级的智能化健康分析的需求。


技术实现要素：

3.为了解决上述技术问题或者至少部分地解决上述技术问题，本发明提供了一种融合高低频信号的风机综合健康分析方法及系统。
4.第一方面，本发明提供了一种融合高低频信号的风机综合健康分析方法，包括：
5.采集风机在历史时间段内的低频监测数据和高频监测数据，对所述低频监测数据和所述高频监测数据进行时间对齐，对所述低频监测数据和所述高频监测数据进行质量评估，并将不符合质量指标的数据剔除；
6.在所述质量评估后保留的低频监测数据和高频监测数据中筛选出预设工况下的监测数据；对所述监测数据进行分窗处理，得到多个时间窗口下的监测数据；对每一个时间窗口下的低频监测数据和高频监测数据分别进行特征提取，将提取到的特征进行合并得到所述风机在对应时间窗口下的特征子集，并将各个时间窗口下的特征子集按照时间顺序形成特征集；
7.根据所述特征集进行模型训练，得到风机异常监测模型；将所述风机当前的低频监测数据和高频监测数据对应的特征集输入至所述风机异常监测模型中，得到所述风机当前的健康风险评估值，根据所述健康风险评估值确定所述风机当前是否出现故障。
8.第二方面，本发明提供一种融合高低频信号的风机综合健康分析系统，包括：
9.数据采集模块，用于采集风机在历史时间段内的低频监测数据和高频监测数据，对所述低频监测数据和所述高频监测数据进行时间对齐，对所述低频监测数据和所述高频监测数据进行质量评估，并将不符合质量指标的数据剔除；
10.特征提取模块，用于在所述质量评估后保留的低频监测数据和高频监测数据中筛选出预设工况下的监测数据；对所述监测数据进行分窗处理，得到多个时间窗口下的监测数据；对每一个时间窗口下的低频监测数据和高频监测数据分别进行特征提取，将提取到的特征进行合并得到所述风机在对应时间窗口下的特征子集，并将各个时间窗口下的特征
子集按照时间顺序形成特征集；
11.健康分析模块，用于根据所述特征集进行模型训练，得到风机异常监测模型；将所述风机当前的低频监测数据和高频监测数据对应的特征集输入至所述风机异常监测模型中，得到所述风机当前的健康风险评估值，根据所述健康风险评估值确定所述风机当前是否出现故障。
12.本实施例提供的融合高低频信号的风机综合健康分析方法及系统，采集风机在历史时间段内的低频监测数据和高频监测数据，对监测数据进行时间对齐、质量评估，筛选出预设工况下的监测数据，对所述监测数据进行分窗处理，对每一个时间窗口下监测数据进行特征提取，将提取到的特征进行合并得到所述风机在对应时间窗口下的特征子集，并将各个时间窗口下的特征子集按照时间顺序形成特征集；进而根据特征集进行风机异常监测模型的训练，进而利用训练好的风机异常监测模型进行故障识别监测。本发明在方法中引入数据质量评估，从而可以确保数据的建模可用性，而且将低频监控数据和高频监控数据融合后，进行非监督式学习，无需一定有故障样本，只需要有明确、足量的风机状态数据即可。充分利用目前风力发电机可能已经具备的数据基础，针对风机健康问题进行异常检测与预警，可以满足用户对于风力发电机实现真正系统级的智能化健康分析的需求。
附图说明
13.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
14.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
15.图1～3是本发明提供的一种融合高低频信号的风机综合健康分析方法的流程示意图；
16.图4是本发明中风场升压站监控中心的风机综合健康评估系统的架构图；
17.图5是本发明中集团或省部级集控中心的风机综合健康评估系统的架构图。
具体实施方式
18.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.第一方面，本发明提供一种融合高低频信号的风机综合健康分析方法，如图1～3所示，该方法包括：
20.s110、采集风机在历史时间段内的低频监测数据和高频监测数据，对所述低频监测数据和所述高频监测数据进行时间对齐，对所述低频监测数据和所述高频监测数据进行质量评估，并将不符合质量指标的数据剔除；
21.在具体实施时，所述采集风机在历史时间段内的低频监测数据和高频监测数据，可以包括：从数据采集与监视控制系统(即supervisory control and data acquisition，
scada)中获取所述风机的低频监测数据，所述低频监测数据包括风机轴承温度、风机转速、机舱温度、风速和风功率中的至少一项；从状态监控系统(即condition monitoring system，cms)中获取所述风机的高频监测数据，所述高频监测数据包括所述风机的轴承高频振动信号。
22.其中，低频监测数据的采样频率不会超过1hz，高频监测数据的频率不会低于10khz。
23.其中，监测数据的采集主要由数据采集模块完成，主要负责采集、接入、传输、存储风力发电机的低频监测与高频监测数据。由于低频监测数据和高频监测数据在风机中主要以独立方式采集，时间戳并未对齐，该数据采集模块也需要对低频监测数据和高频监测数据进行时间对齐。
24.其中，对所述低频监测数据和所述高频监测数据进行质量评估的目的是检测检测数据中是否存在不符合质量要求的数据，进而将不符合质量要求的数据删除。对监测数据的质量评估可以由数据质量评估模块实现，主要负责针对高频监测数据和低频监测数据的质量分别进行判断与评估，确保建模的数据可用。针对低频监测数据，通常采用通用的针对时间序列的数据质量检查项。针对高频监测数据，由于此类数据通常有较强的机理分析价值，如振动、音频等，通常采用与此类信号特性相适应的机理数据质量检测项。
25.在具体实施时，对所述低频监测数据的质量评估方法可以包括：奇异值检测方法、缺失点比例检测方法、数据超限检测方法中的至少一种。通过奇异值检测方法可以将低频检测数据中的奇异值检测出来并剔除掉。缺失点比例检测方法可以检测出缺失数据所占的比例，在所占比例不高于阈值时整条数据可用，在所占比例高于阈值时整条数据不可用。数据超限检测方法是检测检测数据中是否有数据超出了上限值和下限值，将超出上限值和下限值的数据剔除。这样做的目的是剔除一些因外界干扰因素而导致常波动的数据，避免这些数据影响故障识别准确率。
26.在具体实施时，对所述高频检测数据的质量评估方法可以包括：有效性检验方法、均值漂移检验方法、正负点数比例检验方法和连续值比例检验方法中的至少一种。这些检验方法也是将监测数据中的异常波动数据检测数来并删除，这里不一一介绍。
27.s120、在所述质量评估后保留的低频监测数据和高频监测数据中筛选出预设工况下的监测数据；对所述监测数据进行分窗处理，得到多个时间窗口下的监测数据；对每一个时间窗口下的低频监测数据和高频监测数据分别进行特征提取，将提取到的特征进行合并得到所述风机在对应时间窗口下的特征子集，并将各个时间窗口下的特征子集按照时间顺序形成特征集；
28.其中，所述预设工况可以为所述风机除了停机工况和限电工况之外的工况。也就是说，预设工况为非人为干扰下的工况。在预设工况下，风机可能健康运行，也可能会发生故障。这里将停机工况和限电工况下的监测数据删除，只保留预设工况下的监测数据，用于后续的异常检测。具体可以根据风速、发电机转速等条件筛选出预设工况下的监测数据，这些数据是适合建模的。
29.在具体实施时，在对数据进行分窗之前，可以先进行数据清洗。在分窗时，可以对低频监测数据和高频监测数据分别进行分窗处理，例如，以每1小时为单位进行数据切分，实现分窗处理。在每1小时的时间窗口的数据中，计算scada数据的统计量特征。在每1小时
的时间窗口的数据中，计算cms数据的时频域特征。
30.也就是说，对每一个时间窗口下的所述低频监测数据进行提取的特征可以包括：提取每一个时间窗口下的所述低频监测数据的统计量特征，所述统计量特征包括均值、方差、最大值、最小值和峰值中的至少一项。对每一个时间窗口下的所述高频监测数据进行提取的特征包括：提取每一个时间窗口下的所述高频监测数据的时频域机理特征，所述时频域机理特征包括故障特征频率对应的频域能量大小、通频有效值和峭度中的至少一项。具体可以采用特征准备模块实现特征提取。
31.在得到每一个时间窗口下的统计量特征和时频域机理特征，将两者组合形成一个时间窗口下的特征子集，将各个时间窗口下的特征子集按照时间顺序形成特征集。
32.可理解的是，上述统计量特征为统计特征，而时频域机理特征为机理特征，在每一个时间窗口下均具有统计特征和机理特征。
33.s130、根据所述特征集进行模型训练，得到风机异常监测模型；将所述风机当前的低频监测数据和高频监测数据对应的特征集输入至所述风机异常监测模型中，得到所述风机当前的健康风险评估值，根据所述健康风险评估值确定所述风机当前是否出现故障。
34.其中，当前的监测数据对应的特征集，例如，在当天的低频监测数据和高频监测数据，将当天的监测数据以每一个小时作为一个时间窗口进行分窗处理，提取每一个时间窗口内的特征子集，将各个时间窗口内的特征子集组合形成当前对应的特征集。当前的特征集与历史时间段内的特征集的形成过程是相同的。
35.如图2和3所示，s130中具体可以采用异常检测模块实现对风机的异常检测。异常检测模块的作用是评估风机的异常风险，并将风机异常风险推送至可视化界面进行展示。异常检测的基本思路是：基于健康状态的基线模型，比较当前特征集与基线模型之间的偏移程度，从而衡量当前风机健康状态的变化。这种偏移程度可以基于能够量化数据所代表的分布间差异的方法(例如，残差法、相似度计算等)得到。健康风险评估值可以是某个可以表征风机整体健康水平的统计量，也可以是经过归一化之后的0-100之间的值。
36.其中，采用在历史时间段对应的所述特征集用来训练风机异常监测模型，所述风机异常监测模型可以采用主成分分析方法所构建。
37.在具体实施时，风机异常监测模型的健康风险评估过程可以包括：
38.所述风机异常监测模型确定将当前的所述特征集与基线模型之间的偏移程度，根据所述偏移程度确定所述风机当前的健康风险评估值。
39.其中，所述基线模型为采用风机的健康特征集采用主成分分析方法所构建的健康标准模型。
40.可理解的是，风机异常监测模型和所述基线模型均可以采用主成分分析方法进行构建。风机异常监测模型采用的训练数据为在历史时间段内的监测数据训练得到，这段时间内风机可能会发生故障。而所述基线模型采用的是一个时间段内的健康数据训练得到，基线模型提供的是一个健康的标准线。所以将当前的特征集和健康的标准线进行对比，得到当前的特征集相对于健康的标准线之间的偏移程度，进而根据偏移程度可以确定风机当前的健康风险评估值，进而在健康风险评估值高于预设阈值时认为风机当前出现故障。
41.风机异常监测模型在线运行时，该模型将根据当前的特征集与基线模型在主成分空间投影，并以hotelling’s t2(即霍特林统计量)或者spe(即q统计量)作为异常风险评估
值。
42.在具体实施时，本发明提供的方法还可以包括：在确定所述风机当前出现故障时，计算所述特征集中的各个特征对残差的贡献度，将贡献度最大的特征作为所述风机当前健康风险的根因，并在可视化界面上展示所述健康风险评估值和所述根因。
43.上述残差是体现当前的特征集和健康的标准线之间偏移程度的数据，有的特征对于产生残差的贡献较大，有的特征对产生残差的贡献较小，这里计算所述特征集中的各个特征对残差的贡献度，然后按照贡献度从大到小的方式进行排序，据此可以判断出出现故障的部件，例如，发电机轴承的相关特征如果排名最靠前，则说明异常很可能是由于发电机轴承造成的，将该特征作为引发风机故障的根因。为了使用户更加直观的了解到风机目前的状况，可以在可视化界面上显示其健康风险评估值和根因。
44.在具体实施时，本发明提供的方法还可以包括：将贡献度最大的特征对应的机理特征与多个预设故障等级阈值进行比对，确定所述风机当前的故障等级，并根据所述故障等级提供维修决策。
45.也就是说，在出现故障时，筛选出贡献度最大的特征(例如，发电机轴承的相关特征)对应的机理特征(例如，轴承的外圈故障频率)，根据机理特征与提前设置好的多个预设故障等级阈值进行对比，确定机理特征对应的故障等级，即风机当前轴承异常的故障等级，然后可以根据故障等级提供对应的维修决策(例如，润滑或者更换)，将维修决策显示在可视化界面上。
46.在具体实施时，本发明提供的方法还可以包括：在确定所述风机当前出现故障时，在所述可视化界面上展示当前故障对应的时间窗口内的所述低频监测数据和所述高频监测数据，且在所述可视化界面上展示所述特征集输入在主成分空间的投影和所述健康特征集在主成分空间的投影的对比散点图。
47.参见图2和图3，可以采用异常诊断模块实现对异常的诊断。异常诊断模块主要负责针对异常情况进行根因分析，帮助用户快速定位异常可能出现的原因，同时判断故障等级，支持维护维修决策。根因分析主要通过计算产生异常的贡献度来判断。这种贡献度的计算主要思路通常是：计算造成异常程度(即分布偏移程度)得各类特征的权重来衡量。故障等级的定义需要首先筛选出异常贡献度大的特征，之后根据对应的机理特征的程度来定义故障等级，如振动烈度、轴承振动信号、某个故障频率的谐波大小等。根据设定阈值规则，判断风机整体的故障严重程度。
48.其中，数据采集模块、数据质量评估模块、特征准备模块、异常检测模块、异常诊断模块可以集成和承载在一台专用服务器上，服务器可灵活选择部署在风场升压站监控中心、省部级集控中心或集团监控中心。参见图4和5。例如，以上各模块承载在某风场升压站监控中心的专用服务器上，服务器通过交换机及modbus协议与低频scada数据服务器以及传动链cms系统数据服务器进行数据传递。
49.也就是说，在出现故障时，在可视化界面上显示当前出现故障的时间窗口中的监控数据，即原始数据，然后在可视化界面上显示当前特征集和健康特征集在主成分空间上投影的对比散点图，从而更加直观的使用户了解到风机当前状况与健康状况的差距。
50.本发明主要的创新点在于：(1)在方法中引入数据质量评估，从而可以确保数据的建模可用性；(2)将低频监控数据和高频监控数据融合后，进行非监督式学习，无需一定有
故障样本，只需要有明确、足量的风机状态数据即可；(3)在风机出现异常时，采用特征对残差的贡献度来确定根因；(4)根据机理特征的程度，辅助判断故障等级。
51.本发明旨在提出一种融合风力发电机的低频监测数据和高频监测数据的风机健康评估方法，充分利用目前风力发电机可能已经具备的数据基础，针对风机健康问题进行异常检测与预警，并通过整合机理特征与统计特征的方式，对异常根因进行初步的诊断，从而快速定位问题。
52.本发明提供的融合高低频信号的风机综合健康分析方法，采集风机在历史时间段内的低频监测数据和高频监测数据，对监测数据进行时间对齐、质量评估，筛选出预设工况下的监测数据，对所述监测数据进行分窗处理，对每一个时间窗口下监测数据进行特征提取，将提取到的特征进行合并得到所述风机在对应时间窗口下的特征子集，并将各个时间窗口下的特征子集按照时间顺序形成特征集；进而根据特征集进行风机异常监测模型的训练，进而利用训练好的风机异常监测模型进行故障识别监测。本发明在方法中引入数据质量评估，从而可以确保数据的建模可用性，而且将低频监控数据和高频监控数据融合后，进行非监督式学习，无需一定有故障样本，只需要有明确、足量的风机状态数据即可。充分利用目前风力发电机可能已经具备的数据基础，针对风机健康问题进行异常检测与预警，可以满足用户对于风力发电机实现真正系统级的智能化健康分析的需求。
53.第二方面，本发明提供一种融合高低频信号的风机综合健康分析系统，包括：
54.数据采集模块，用于采集风机在历史时间段内的低频监测数据和高频监测数据，对所述低频监测数据和所述高频监测数据进行时间对齐，对所述低频监测数据和所述高频监测数据进行质量评估，并将不符合质量指标的数据剔除；
55.特征提取模块，用于在所述质量评估后保留的低频监测数据和高频监测数据中筛选出预设工况下的监测数据；对所述监测数据进行分窗处理，得到多个时间窗口下的监测数据；对每一个时间窗口下的低频监测数据和高频监测数据分别进行特征提取，并将提取到的特征进行合并得到所述风机在对应时间窗口下的特征子集，将各个时间窗口下的特征子集按照时间顺序形成特征集；
56.健康分析模块，用于将所述特征集输入至风机异常监测模型中，得到所述风机当前的健康风险评估值，根据所述健康风险评估值确定所述风机当前是否出现故障。
57.可理解的是，第二方面提供的系统中的有关举例、具体实施方式、有益效果等内容可以参考第一方面中的相应部分。
58.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
59.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
60.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质
(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
61.上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。