变桨系统的故障预测方法、装置、设备及风电机组与流程

1.本发明涉及故障预测技术领域，尤其涉及一种变桨系统的故障预测方法、装置、设备及风电机组。


背景技术：

2.风力发电机组的变桨控制中对变桨异常的判断是故障级别的，即当变桨出现明确的故障特征时执行故障停机，这种对变桨的处理方法无法从早期识别出异常状态，若风力发电机组长期运行在该状态下，会导致风电机组的输出的有功功率下降，并导致变桨电机、轴承等关键部件的损坏。
3.目前，变桨控制的故障判断主要依靠人工经验，只有在故障发生时才能够进行故障维修，影响风电机组的工作效率。


技术实现要素：

4.本发明提供一种变桨系统的故障预测方法、装置、设备及风电机组，用以解决现有技术中人工故障检修效率低下的缺陷，通过机器学习模型提前预测变桨系统故障，有助于提高风电机组的工作效率。
5.本发明提供一种变桨系统的故障预测方法，包括：
6.获取变桨系统的当前工作参数和当前变桨电机转矩；
7.输入所述当前工作参数至故障检测模型，输出目标变桨电机转矩，所述故障检测模型是基于工作参数样本和变桨电机转矩样本进行训练后得到的；
8.确定所述当前变桨电机转矩与所述目标变桨电机转矩的当前残差，并根据所述当前残差，预测所述变桨系统的故障状态。
9.根据本发明提供的一种变桨系统的故障预测方法，所述故障检测模型的训练过程包括：
10.初始化神经网络模型，确定神经网络模型的模型优化参数；
11.基于所述模型优化参数，输入所述工作参数样本和所述变桨电机转矩样本至神经网络模型进行训练，构建故障检测模型。
12.根据本发明提供的一种变桨系统的故障预测方法，所述输入所述工作参数样本和所述变桨电机转矩样本至神经网络模型进行训练之前，还包括：
13.确定故障检测模型的特征参数；
14.采集与所述特征参数相对应训练数据；
15.对所述训练数据进行预处理，并通过滑动时间窗口对所述预处理后的训练数据进行采集，得到工作参数样本和变桨电机转矩样本。
16.根据本发明提供的一种变桨系统的故障预测方法，所述采集与所述特征参数相对应训练数据，包括：
17.获取所述故障检测模型对应的所有特征参数；
18.在所述所有特征参数中筛选湍流强度小于预设湍流强度工况下的特征参数，作为训练数据。
19.根据本发明提供的一种变桨系统的故障预测方法，所述根据所述当前残差，预测所述变桨系统的故障状态，包括：
20.确定残差概率密度函数；
21.基于正态分布特性和所述概率密度函数，得到残差告警阈值；
22.若所述当前残差的绝对值大于所述告警阈值，则确定所述变桨系统为故障状态。
23.根据本发明提供的一种变桨系统的故障预测方法，所述确定所述变桨系统为故障状态之后，还包括：
24.输入所述当前残差和所述当前工作参数至故障分类模型，输出所述变桨系统的故障类型，所述故障分类模型是基于残差样本、工作参数样本和故障类型样本进行训练得到的。
25.根据本发明提供的一种变桨系统的故障预测方法，所述故障分类模型的训练过程包括：
26.确定变桨系统的故障类型数量；
27.基于预设计算关系和所述故障类型数量，建立目标数量的二分类器；
28.基于残差样本、工作参数样本和故障类型样本，分别训练所述目标数量的二分类器，得到目标数量的故障分类子模型；
29.将所述目标数量的故障分类子模型进行融合，以融合后的分类结果最大值对应的融合模型作为故障分类模型，或者显示所述融合后的各种分类结果对应融合模型的概率。
30.根据本发明提供的一种变桨系统的故障预测方法，所述当前工作参数包括目标桨距角、实际桨距角、目标变桨速率、实际变桨速率、风轮位置、发电机转速、风速、风向和功率中的至少一种。
31.本发明还提供一种变桨系统的故障预测装置，包括：
32.获取模块，用于获取变桨系统的当前工作参数和当前变桨电机转矩；
33.机器学习模块，用于输入所述当前工作参数至故障检测模型，输出目标变桨电机转矩，所述故障检测模型是基于工作参数样本和变桨电机转矩样本进行训练后得到的；
34.预测模块，用于确定所述当前变桨电机转矩与所述目标变桨电机转矩的当前残差，并根据所述当前残差，预测所述变桨系统的故障状态。
35.本发明还提供一种风电机组，包括：如上述任一项所述的变桨系统的故障预测方法进行变桨系统的故障预测。
36.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述变桨系统的故障预测方法的步骤。
37.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述变桨系统的故障预测方法的步骤。
38.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述变桨系统的故障预测方法的步骤。
39.本发明提供的一种变桨系统的故障预测方法、装置、设备及风电机组，方法通过获
取变桨系统的当前工作参数和当前变桨电机转矩；输入所述当前工作参数至故障检测模型，输出目标变桨电机转矩，所述故障检测模型是基于工作参数样本和变桨电机转矩样本进行训练后得到的；确定所述当前变桨电机转矩与所述目标变桨电机转矩的当前残差，并根据所述当前残差，预测所述变桨系统的故障状态，通过机器学习的方式提前根据变桨系统的工作参数预测出即将发生的故障，从而可以提前进行故障维修，保证风电机组的工作效率。
附图说明
40.为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
41.图1是本发明提供的变桨系统的故障预测方法的流程示意图；
42.图2是本发明提供的lstm网络模型的原理示意图；
43.图3是本发明提供的滑动时间窗口构建网络输入参数的原理示意图；
44.图4是本发明提供的残差分布概率示意图；
45.图5是本发明提供的变桨系统的故障预测装置的结构示意图
46.图6是本发明提供的电子设备的结构示意图。
具体实施方式
47.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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作出创造性劳动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。
48.下面结合图1-图6描述本发明的一种变桨系统的故障预测方法、装置、设备及风电机组。
49.图1是本发明提供的变桨系统的故障预测方法的流程示意图。
50.如图1所示，本发明实施例提供的一种变桨系统的故障预测方法，执行主体可以是风电机组的控制系统，主要包括以下步骤：
51.101、获取变桨系统的当前工作参数和当前变桨电机转矩。
52.具体的，获取变桨系统的当前工作参数和当前变桨电机转矩的方式可以是通过各种不同的传感器，也可以是通过其他的方式，只要能够准确地获取到对应的变桨系统的工作参数即可。其中，当前工作参数可以是某一时刻的工作参数，也可以是某一时间段内的工作参数，而具体的工作参数则包括了目标桨距角、实际桨距角、目标变桨速率、实际变桨速率、风轮位置、发电机转速、风速、风向和功率中的至少一种，本实施例中优选所有的参数同时作为模型训练的数据。
53.102、输入当前工作参数至故障检测模型，输出目标变桨电机转矩，故障检测模型是基于工作参数样本和变桨电机转矩样本进行训练后得到的。
54.具体的，在准确地获取到变桨系统的当前工作参数之后，将当前工作参数输入至
故障检测模型，故障检测模型经过数据运算处理，输出目标变桨电机转矩，其中目标变桨电机转矩为在变桨系统正常工作时对应的标准的变桨电机转矩，也就是在当前工作参数下，变桨系统应该对应的变桨电机转矩。其中，故障检测模型为机器学习模型，是基于工作参数样本和变桨电机转矩样本进行训练后得到的，通过训练后得到的故障检测模型能够快速的根据不同的工作参数得到对应的变桨电机转矩，从而更快速地完成后续的故障检测与分类。例如，故障检测模型可以是基于长短时记忆(long short-term memory，lstm)网络进行训练后得到的，lstm是一种基于时序相关数据的深度学习算法，它能够记忆过去的信息，并与当前时刻的输入融合预测下一时刻的输出，相较于其他深度学习算法，lstm网络能充分挖掘数据的时序信息以提高预测精度。
55.103、确定当前变桨电机转矩与目标变桨电机转矩的当前残差，并根据当前残差，预测变桨系统的故障状态。
56.具体的，通过故障检测模型得到当前工作参数对应的目标变桨电机转矩之后，将神经网络模型输出的标准的目标变桨电机转矩与当前工作参数对应的实际的当前变桨电机转矩进行比较，将目标变桨电机转矩记为变桨系统实际对应的当前变桨电机转矩记为y
t
，计算当前工作参数下的当前变桨电机转矩与目标变桨电机转矩的残差绝对值，记为re，然后通过对re的数值分析可以对变桨系统的状态进行评估，评估的最终结果便是根据re的大小，确定当前的变桨系统是否发生了故障，即使故障状态还是正常状态，从而最终完成了对变桨系统的故障预测。
57.本实施例提供的一种变桨系统的故障预测方法，通过获取变桨系统的当前工作参数和当前变桨电机转矩；输入所述当前工作参数至故障检测模型，输出目标变桨电机转矩，所述故障检测模型是基于风速和变桨电机转矩样本进行训练后得到的；确定所述当前变桨电机转矩与所述目标变桨电机转矩的当前残差，并根据所述当前残差，预测所述变桨系统的故障状态，通过机器学习的方式提前根据变桨系统的工作参数预测出即将发生的故障，从而可以提前进行故障维修，保证风电机组的工作效率。
58.进一步的，在上述实施例的基础上，本实施例中对故障检测模型的训练过程进行详细描述说明，主要包括：初始化神经网络模型，确定神经网络模型的模型优化参数；基于模型优化参数，输入工作参数样本和变桨电机转矩样本至神经网络模型进行训练，构建故障检测模型。
59.图2是本发明提供的lstm网络模型的原理示意图，以lstm网络为例进行说明，lstm神经网络模型如图2所示，其中c
t-1
表示细胞，h
t-1
表示累计输入，即目标桨距角样本、实际桨距角样本、目标变桨速率样本、实际变桨速率样本、风轮位置样本、发电机转速样本、风速样本、风向样本和功率样本等，x
t
表示当前输入，σ表示sigmoid激活函数，tanh表示tanh激活函数，b表示偏置，w表示权值系数，f
t
指的是遗忘门，i
t
指的是更新门，o
t
指的是输出门，最终的输出结果h
t
便是变桨电机转矩，通过层层迭代计算最终构建得出故障检测模型。图2中的上半部分的流程为单个的训练流程即将上一次的输入和上一次的细胞结合当前的输入共同输入遗忘门，然后遗忘门决定丢弃什么信息，通过预设计算公式得到输出结果如公式(1)，然后再通过更新门，决定储存什么信息，具体如公式(2)，最后再经过输出门，决定神经元的输出结果，如公式(3)。图2中下半部分的公式为示例的多个神经元的计算过程，更加具
体的神经网络模型的训练过程不再进行详细说明。
60.f
t
＝σ(wf·
[h
t-1
，x
t
] bf)
ꢀꢀꢀ
(1)
[0061]it
＝σ(wi·
[h
t-1
，x
t
] bi)
[0062]c′
t
＝tanh(wc·
[h
t-1
，x
t
] bc)
ꢀꢀꢀ
(2)
[0063]ct
＝f
t
*c
t-1
i
tc′
t
[0064][0065]
其中，f
t
表示遗忘门，i
t
表示更新门，o
t
表示输出门，h
t-1
表示累计输入，x
t
表示当前输入，σ表示sigmoid激活函数，tanh表示tanh激活函数，bf、bi、bc、bo表示偏置，wf、wi、wc、wo表示权值系数，c
t
表示细胞状态，c
′
t
为中间变量。
[0066]
确定了神经网络模型之后，便需要对lstm网络进行初始化，而在对lstm网络进行初始化之前，首先确定时间窗口尺寸ts、隐含层数nh、每个隐含层的神经元数量nc，为了解决传统根据经验确定模型参数导致模型效果表现不一的缺陷，本实施例中对模型参数进行优化，即优化ts、nh和nc三个模型参数，可以是通过群智能算法对模型参数优化，例如通过粒子群(pso)优化算法对三个模型参数变量进行寻优，pso优化算法模拟鸟群通过信息共享的捕食过程，鸟群中的每个粒子相当于一组参数，每个粒子根据位置和速度两个属性进行更新，在满足迭代次数或者粒子最优位置要求时停止更新迭代。
[0067]
具体过程如下：设定lstm网络待寻优参数ts、nh和nc的初始值与寻优范围，限制lstm训练迭代次数为固定值，将网络训练误差作为优化目标，则pso的适应度函数为lstm网络的训练误差均方差：
[0068][0069]
其中，表示神经网络预测值，yk表示神经网络实际值。
[0070]
假设群体规模为p，在t时刻，第i个粒子第d维的位置和速度分别为x
id
(t)和v
id
(t)；个体和群体第d维的历史最优位置分别为p
id
(t)和p
xd
(t)；t 1时刻，粒子的更新公式为：
[0071]vid
(t 1)＝wv
id
(t) c1r
1d
(t)(p
id
(t)-x
id
(t)) c2r
2d
(t)(p
gd
(t)-x
id
(t))
ꢀꢀꢀ
(5)
[0072]
x
id
(t 1)＝x
id
(t) v
id
(t 1)
ꢀꢀꢀ
(6)
[0073]
式中，(i＝1,2...p)，(d＝1,2...d)，w为惯性权重，c1和c2称为学习因子，分别代表粒子对自身历史经验的认知和对社会共享经验的认知。r
1dr2d
为两个相互独立且服从[0,1]之间均匀分布的随机数，从而使粒子的行为具有不确定性，加强了算法的空间搜索能力。
[0074]
在得到初始的网络模型对应参数之后，便可以减少模型训练迭代的次数，快速的完成模型的训练，结合优化后的模型参数和工作参数样本以及变桨电机转矩样本，对神经网络模型进行迭代训练，确定时间窗口尺寸ts、隐含层数nh、每个隐含层的神经元数量nc后开始对网络进行训练。其中t时刻的输入数据为xt＝(x1t,
…
,xnt)。然后设置细胞个数m，得到隐藏层的m个细胞c1,
…
,cm，再将时序数据代入lstm网络，通过链式结构挖掘时间信息，神经网络中权值和偏置的更新采用误差反向传播法进行。然后便需要再次通过测试集校验故障检测模型的效果，知道满足最终的迭代要求之后，停止训练，得到最终的故障检测模型。
[0075]
进一步的，在上述实施例的基础上，本实施例中输入工作参数样本和变桨电机转矩样本至神经网络模型进行训练之前，还包括：确定故障检测模型的特征参数；采集与特征参数相对应训练数据，例如可以是在scada数据集中采集训练数据；对训练数据进行预处理，并通过滑动时间窗口对预处理后的训练数据进行采集，得到工作参数样本和变桨电机转矩样本。其中，scada的全称为supervisory control and data acquisition，即数据采集与监视控制，在电力系统中，scada系统应用最为广泛，技术发展也最为成熟。它在远动系统中占重要地位,可以对现场的运行设备进行监视和控制，以实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能，因此scada数据集包括了全部的变桨电机的相关数据。
[0076]
具体的，变桨系统通过变桨驱动齿轮与变桨轴承内圈齿轮的啮合使叶片绕其轴线旋转，实现桨距角的控制。变桨系统硬件(变桨电机、减速机、轴承齿轮等)疲劳、磨损时往往会在变桨电机的转矩中体现出异常。风机运行时叶片根部载荷主要有风剪、偏航等引起的气动载荷和重力、惯性力、陀螺力矩等力学载荷，而影响变桨电机出力转矩大小的因素主要有变桨速率变化率、变桨轴承内的摩擦力矩、因风产生的叶片轴向推力和转矩、叶片自身重力和转动时的离心力等。故选取以下变量作为特征参数：目标桨距角、实际桨距角、目标变桨速率、实际变桨速率、风轮位置(可推断出每支叶片与竖直方向的夹角)、发电机转速、风速、风向、功率、变桨电机转矩。
[0077]
在确定了具体的特征参数之后，在选取与特征参数相对应训练数据，具体可以是获取故障检测模型对应的的所有特征参数，也就是选取scada数据集中的所有特征参数；考虑到不同风况情况下叶片所受载荷存在较大差异，导致对lstm网络精度会有一定的影响，因此选择湍流强度较小工况下的数据用于网络训练和预测，例如在所有特征参数中筛选湍流强度小于预设湍流强度工况下的特征参数，作为训练数据，其中预设湍流强度为人为确定值，可以根据实际情况进行调整。
[0078]
湍流强度(ti)是指10分钟内风速随机变化幅度大小，是10分钟平均风速的标准偏差与同期平均风速的比率，标准湍流强度的计算公式如(7)所示：
[0079][0080]
其中，表示10分钟平均风速。
[0081]
对scada数据集中的历史数据进行筛选采集，要求为合适的风况下机组启机运行的连续时间数据，且变桨指令变化的时长要占总时长的60％以上的数据作为训练数据(60％仅为示例数值，可选其他值)。从而得到的训练数据更符合模型训练的要求。
[0082]
在得到训练数据之后，对训练数据进行预处理，从而提高建模质量，消除缺失值、重复值、异常值对后续建模的影响，将预处理后的训练数据进行标准化(归一化)处理，消除量纲的影响，具体的标准化公式如公式(8)：
[0083][0084]
其中，xi表示任意样本点，x表示样本集合，表示标准化后的数据。
[0085]
得到特征参数，并进行数据预处理和标准化处理之后，然后再构建lstm网络输入
参数，具体的可以通过滑动时间窗口对预处理后的训练数据进行采集，得到工作参数样本和变桨电机转矩样本，scada数据采样间隔为0.1s，时间窗口尺寸设置为ts，则每个时间窗口包含10ts个时间序列，每个时间序列的维度为11维。图3是本发明提供的滑动时间窗口构建网络输入参数的原理示意图，如图3所示，为通过时间窗口法构建网络输入参数的原理示意图，每次采集到的时间窗口对应的数据均为11维的预设窗口尺寸对应大小的数据，每次进行时间窗口滑动时均有相互重叠的部分，从而使得最终得到的工作参数样本和变桨电机转矩样本。
[0086]
进一步的，在上述实施例的基础上，本实施例中的根据当前残差，预测变桨系统的故障状态，包括：确定残差概率密度函数；进一步得到残差告警阈值；若当前残差的绝对值大于告警阈值，则确定变桨系统为故障状态，否则确定变桨系统为正常状态。
[0087]
大多数情况下变桨系统处于正常工作状态，将正常工作区间内的参数输入模型，模型预测效果较好，残差较小；而当变桨系统处于异常工作状态时，动态特性也会随之改变，使实测值即当前变桨电机转矩和预测值目标变桨电机转矩出现越来越大的偏差，导致残差发生偏移并增大。由于lstm网络精度问题，残差是一个随机变量，一般服从统计学分布，图4是本发明提供的残差分布概率示意图，假设残差分布服从正态分布，如图4所示，根据3σ准则，在正态分布中，数据点有99.74％分布在μ
±
3σ范围内，本方案确定概率密度函数为f(re)，且分布在μ
±
3σ范围外的点为异常点，则残差告警阀值可以通过公式(9)计算得出：
[0088][0089]
其中，re为残差绝对值；t为告警阈值；α为著性水平(0《α《1)，α可取0.01。
[0090]
也就是说，当计算得到的残差在阈值范围以内时，表明当前的变桨系统正常，而当得到的残差在阈值范围以外时，表明此时的变桨系统异常，当然也可以是看残差的变化，将残差告警阈值t作为警戒线，若残差始终在残差告警阈值以下或者偶尔发在阈值以上，判定变桨系统正常，偶尔可以根据经验确定具体的次数；若残差在阈值以上且呈现出无反弹的特征，判定为变桨系统异常。同时系统在判定某段数据为异常后，标记异常时间点，并取异常时间点前后数据作为故障分类样本，以进行下一步的故障分类。
[0091]
进一步的，在上述实施例的基础上，本实施例中在确定变桨系统为故障状态之后，还包括：输入当前残差和当前工作参数至故障分类模型，输出变桨系统的故障类型，故障分类模型是基于残差样本、工作参数样本和故障类型样本进行训练得到的。在得到当前工作参数状态下对应的当前残差之后，将其当前参数和当前工作参数输入至预先训练好的故障分类模型之中，故障分类模型便会根据当前残差和当前工作参数进行数据处理，输出最终的故障类型。
[0092]
而故障分类模型可以是基于不同的神经网络进行训练得到的，可以是lstm网络，也可以是支持向量机(support vector machine,svm)，本实施例中优选基于svm进行故障分类模型的训练，支持向量机(support vector machine,svm)是建立在统计学习理论基础上性能优越的分类器，它在解决非线性及高维模式识别中表现出许多特有的优势，已在众多领域得到了广泛的应用。svm最基本的理论是针对二分类问题，然而在变桨异常故障分属于多类问题，且分类数并不多，故本实施例采用一对一方法实现svm处理多分类问题，即在
k-类训练样本中构造所有可能的二类分类器，每类仅仅在k-类中的二类训练样本上训练，结果共构造n＝k(k－1)/2个二分类器，组合这些二类分类器采用投票法，以得票最多获胜。
[0093]
具体过程可以包括：确定变桨系统的故障类型数量k；基于预设计算关系和故障类型数量，建立目标数量的二分类器；如公式(10)：
[0094]
n＝k(k－1)/2
ꢀꢀꢀꢀ
(10)
[0095]
其中，n表示二分类器的数量，k表示故障类型数量。
[0096]
然后再基于残差样本、工作参数样本和故障类型样本，分别训练目标数量的二分类器，得到目标数量的故障分类子模型，然后使用k折交叉验证法使故障分类子模型参数最优，误差最小。最后将目标数量的故障分类子模型进行融合，以融合后的分类结果最大值对应的融合模型作为故障分类模型，即将n个二分类器的分类结果做加法运算，分类数值最大的为最终分类结果，当然也可将各种分类可能以概率形式给出，即显示融合后的各种分类结果对应融合模型的概率，从而得到最终的故障分类模型。
[0097]
具体故障判定及分类实现过程如下：
[0098]
1、将验证集数据输入lstm模型得到变桨电机电流预测值，计算预测值与实际值的残差绝对值re，对re分布拟合发现其服从对数正态分布，其概率密度函数为(11)：
[0099][0100]
其中，μ和σ分别为均值参数和标准差参数，根据式(9)和式(11)得到告警阈值t。
[0101]
2、将待判定异常的样本数据(11维)输入lstm神经网络预测当前变桨电机电流，判定残差超限后标记触发时刻，持续输入样本数据直至预测结束。取标记点前后一定时间的样本数据，与这段时间每一时刻的残差值共同组成svm故障辨识样本数据(12维)。
[0102]
3、将待分类故障的样本数据(12维)输入svm神经网络进行分类，给出符合各种类型故障的概率，取概率最大的为故障辨识结果。
[0103]
在故障分类模型进行训练时也是同样的，对残差样本、当前工作参数样本和故障类型样本进行训练所得到的，残差样本可根据给出的实际分布的概率密度函数式(11)，工作参数样本包括目标桨距角样本、实际桨距角样本、目标变桨速率样本、实际变桨速率样本、风轮位置样本、发电机转速样本、风速样本、风向样本和功率样本等，故障类型包括了变桨轴承齿面磨损，变桨轴承开裂，变桨回转支撑开裂，变桨电机异常，变桨减速机异常等。故障分类模型即建立了不同的残差与不同的工作参数之间的多种不同的组合关系与故障类型的一一对应关系，从而使得根据任一的当前残差和当前工作参数均可以快速的计算得出对应的故障类型。
[0104]
基于同一总的发明构思，本技术还保护一种变桨系统的故障预测装置，下面对本发明提供的变桨系统的故障预测装置进行描述，下文描述的变桨系统的故障预测装置与上文描述的变桨系统的故障预测方法可相互对应参照。
[0105]
图5是本发明提供的变桨系统的故障预测装置的结构示意图。
[0106]
如图5所示，本实施例提供的一种变桨系统的故障预测装置，包括：
[0107]
获取模块501，用于获取变桨系统的当前工作参数和当前变桨电机转矩；
[0108]
机器学习模块502，用于输入所述当前工作参数至故障检测模型，输出目标变桨电
机转矩，所述故障检测模型是基于工作参数样本和变桨电机转矩样本进行训练后得到的；
[0109]
预测模块503，用于确定所述当前变桨电机转矩与所述目标变桨电机转矩的当前残差，并根据所述当前残差，预测所述变桨系统的故障状态。
[0110]
本实施例提供的一种变桨系统的故障预测装置，通过获取变桨系统的当前工作参数和当前变桨电机转矩；输入所述当前工作参数至故障检测模型，输出目标变桨电机转矩，所述故障检测模型是基于工作参数样本和变桨电机转矩样本进行训练后得到的；确定所述当前变桨电机转矩与所述目标变桨电机转矩的当前残差，并根据所述当前残差，预测所述变桨系统的故障状态，通过机器学习的方式提前根据变桨系统的工作参数预测出即将发生的故障，从而可以提前进行故障维修，保证风电机组的工作效率。
[0111]
进一步的，本实施例中的机器学习模块502，还用于：
[0112]
初始化神经网络模型，确定神经网络模型的模型优化参数；
[0113]
基于所述模型优化参数，输入所述工作参数样本和所述变桨电机转矩样本至神经网络模型进行训练，构建故障检测模型。
[0114]
进一步的，本实施例中的机器学习模块502，还用于：
[0115]
确定故障检测模型的特征参数；
[0116]
采集与所述特征参数相对应训练数据；
[0117]
对所述训练数据进行预处理，并通过滑动时间窗口对所述预处理后的训练数据进行采集，得到工作参数样本和变桨电机转矩样本。
[0118]
进一步的，本实施例中的机器学习模块502，还用于：
[0119]
获取所述故障检测模型对应的所有特征参数；
[0120]
在所述所有特征参数中筛选湍流强度小于预设湍流强度工况下的特征参数，作为训练数据。
[0121]
进一步的，本实施例中的预测模块503，还用于：
[0122]
确定残差概率密度函数；
[0123]
基于正态分布特性和所述概率密度函数，得到残差告警阈值；
[0124]
若所述当前残差的绝对值大于所述告警阈值，则确定所述变桨系统为故障状态，否则确定所述变桨系统为正常状态。
[0125]
进一步的，本实施例中还包括故障分类模块，用于：
[0126]
输入所述当前残差和所述当前工作参数至故障分类模型，输出所述变桨系统的故障类型，所述故障分类模型是基于残差样本、工作参数样本和故障类型样本进行训练得到的。
[0127]
进一步的，本实施例中的故障分类模块，还用于：
[0128]
确定变桨系统的故障类型数量；
[0129]
基于预设计算关系和所述故障类型数量，建立目标数量的二分类器；
[0130]
基于残差样本、工作参数样本和故障类型样本，分别训练所述目标数量的二分类器，得到目标数量的故障分类子模型；
[0131]
将所述目标数量的故障分类子模型进行融合，以融合后的分类结果最大值对应的融合模型作为故障分类模型，或者显示所述融合后的各种分类结果对应融合模型的概率。
[0132]
进一步的，本实施例中的当前工作参数包括目标桨距角、实际桨距角、目标变桨速
率、实际变桨速率、风轮位置、发电机转速、风速、风向和功率中的至少一种。
[0133]
本实施例还提供一种风电机组，包括：如上述任一实施例的变桨系统的故障预测方法或任一实施例的变桨系统的故障预测装置进行变桨系统的故障预测。
[0134]
图6是本发明提供的电子设备的结构示意图。
[0135]
如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行变桨系统的故障预测方法，该方法包括：获取变桨系统的当前工作参数和当前变桨电机转矩；输入所述当前工作参数至故障检测模型，输出目标变桨电机转矩，所述故障检测模型是基于工作参数样本和变桨电机转矩样本进行训练后得到的；确定所述当前变桨电机转矩与所述目标变桨电机转矩的当前残差，并根据所述当前残差，预测所述变桨系统的故障状态。
[0136]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0137]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的变桨系统的故障预测方法，该方法包括：获取变桨系统的当前工作参数和当前变桨电机转矩；输入所述当前工作参数至故障检测模型，输出目标变桨电机转矩，所述故障检测模型是基于工作参数样本和变桨电机转矩样本进行训练后得到的；确定所述当前变桨电机转矩与所述目标变桨电机转矩的当前残差，并根据所述当前残差，预测所述变桨系统的故障状态。
[0138]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的变桨系统的故障预测方法，该方法包括：获取变桨系统的当前工作参数和当前变桨电机转矩；输入所述当前工作参数至故障检测模型，输出目标变桨电机转矩，所述故障检测模型是基于工作参数样本和变桨电机转矩样本进行训练后得到的；确定所述当前变桨电机转矩与所述目标变桨电机转矩的当前残差，并根据所述当前残差，预测所述变桨系统的故障状态。
[0139]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0140]
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各实施方式可
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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0141]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。