一种基于深度学习的风力发电机组健康管理系统及应用方法与流程

本发明涉及风力发电，具体为一种基于深度学习的风力发电机组健康管理系统及应用方法。

背景技术：

1、随着风力发电的快速发展，我国风电装机容量正在稳步增加，为适应功率等级的不断提高，兆瓦级以上超大型风力发电机组正在成为主流产品，这些大型风电机组主要由轮毂、主轴、变速箱、发电机、控制系统、测风系统等部件组成，结构复杂，运转条件十分艰苛，长时间处于海上恶劣环境中运转，极易引发机械故障、系统失控等事故，造成巨大经济损失和安全隐患，因此，建立自动化的风电机组健康管理系统，实现对机组运行状态的实时监测与故障预测，对保障风电场安全高效运营具有重要意义。

2、目前，传统的风电机组状态监测系统主要依赖于传感器采集振动、温度等物理信号，结合工程设定的阈值进行简单比对，当信号超出阈值时产生报警，这种基于物理模型和经验判断的状态评估方法存在明显缺陷：首先，无法建立机组各部件之间的复杂耦合关系模型，很难实现部件层次的细致诊断；其次，无法进行长时序的状态预测，缺乏故障发展趋势分析功能。

3、针对上述问题，深度学习技术为构建智能化的状态评估与故障预测系统提供了新的思路，深度学习是机器学习的前沿技术，通过模拟人脑神经网络结构，实现对数据复杂特征的深度抽象与学习；相比于传统方法，深度学习具有学习复杂数据表示的通用性和强大的特征提取能力，利用深度神经网络进行端到端的训练，可以直接从海量多源数据中学习状态评估的映射关系，无需人工构建物理模型。

4、另外，深度学习中的循环神经网络(rnn)可处理长序列时间数据，实现对系统状态演化过程的建模，因此，深度学习技术为构建自动化、智能化的风电机组健康管理系统提供了可能，总之，风电机组向智能化、信息化方向发展是大势所趋，应用深度学习技术，充分利用风电机组的运行数据，建立健康管理系统，对于提高风电可靠性和经济效益具有重要意义。

技术实现思路

1、为解决现有的无法建立机组各部件之间的复杂耦合关系模型，很难实现部件层次的细致诊断，且无法进行长时序的状态预测，缺乏故障发展趋势分析功能的技术问题，本发明提供一种基于深度学习的风力发电机组健康管理系统及应用方法。

2、本发明采用以下技术方案实现：一种基于深度学习的风力发电机组健康管理系统及应用方法，包括，数据采集模块、数据处理模块、模型构建模块、状态评估模块、预警模块和人机交互界面，首先所述数据采集模块采集的数据将传输到数据处理模块进行处理，并存储在时序数据库iotdb等中，然后所述模型构建模块读取iotdb中的时序数据，构建各类神经网络模型，并不断学习优化，之后所述状态评估模块根据实时输入数据判断部件健康状态的危险等级，评估结果反馈到预警模块。

3、优选的，所述数据采集模块通过配置在风电机组各关键部件的传感器网络，采集风力发电机组的压力、温度、电流等运行数据，传感器网络包括但不限于机舱振动传感器、齿轮箱油压传感器、发电机温度传感器、机械控制系统信号采集等，采集频率从秒级到分钟级不等，采集的数据需要进行时间同步后，以流式方式发送到后端的数据处理模块。

4、优选的，所述数据处理模块对采集的数据进行格式校验，并对数据进行质量评估，输出每天不同测点数据质量详情，实时采集的数据流存储在时序数据库iotdb等中，风场及设备元数据存储于postgresql。

5、优选的，所述模型构建模块使用tensorflow等深度学习框架，通过读取iotdb中的时序数据，构建各类神经网络模型，包括卷积神经网络、循环神经网络等，通过调参、增量训练等方式不断优化模型，最终得到机舱、齿轮箱等部件状态评估模型，模型支持增量学习和在线更新。

6、优选的，所述状态评估模块使用训练好的模型，根据实时输入数据预测部件当前的健康状态，监测不同部件的状态参数是否在正常范围内，预测部件的剩余使用寿命，判断部件健康状态的危险等级，评估结果以json格式反馈到预警模块，同时将采集到的数据进行分析和处理，利用数据挖掘和机器学习等技术，识别出潜在的故障模式和异常行为，通过故障诊断算法，可以提前发现并预测可能的故障，并及时采取维修措施，可以降低故障风险和维护成本。

7、优选的，所述预警模块通过规则引擎技术，综合每个部件各个模型的状态评估结果，进行故障风险的统计分析，输出预警信息，根据故障类型和严重程度的不同，划分预警的级别，通过弹窗向管理人员发出不同级别的预警信息，并记录下所有预警日志。

8、优选的，所述人机交互界面该模块以web形式呈现，展示部件的实时状态信息、健康分数、各类统计分析结果，用户可以配置系统参数，浏览历史数据，支持针对预警信息进行确认反馈，以上是对本发明的详细描述，各模块融合创新性算法与软硬件，实现对风电机组状态智能评估与故障预测的端到端解决方案。

9、优选的，所述传感器网络包括机舱振动传感器、齿轮箱油压传感器、发电机温度传感器、应变传感器、风速计和风向仪。

10、优选的，所述神经网络模型包括卷积神经网络、循环神经网络。

11、优选的，所述预警模块按照故障类型和严重程度设定多个预警阈值，通过弹窗向管理人员发出不同级别的预警信息，并记录下所有预警日志。

12、与现有技术相比，本发明的有益效果是：

13、本发明在使用时，本系统使用端到端的数据驱动方法，不需要人工构建精确的物理模型，同时，利用深度学习模型的动态预测能力，可以实现对故障的早期预警，该系统提高了状态检测的准确性和灵敏度，实现了风力发电机组条件监测与故障预测的智能化，降低了风电场的运维成本，提升了发电效率和经济效益。

技术特征：

1.一种基于深度学习的风力发电机组健康管理系统及应用方法，其特征在于，包括，数据采集模块、数据处理模块、模型构建模块、状态评估模块、预警模块和人机交互界面，首先所述数据采集模块采集的数据将传输到数据处理模块进行处理，并存储在时序数据库iotdb等中，然后所述模型构建模块读取iotdb中的时序数据，构建各类神经网络模型，并不断学习优化，之后所述状态评估模块根据实时输入数据判断部件健康状态的危险等级，评估结果反馈到预警模块。

2.根据权利要求1所述的一种基于深度学习的风力发电机组健康管理系统及应用方法，其特征在于，所述数据采集模块通过配置在风电机组各关键部件的传感器网络，采集风力发电机组的压力、温度、电流等运行数据。

3.根据权利要求1所述的一种基于深度学习的风力发电机组健康管理系统及应用方法，其特征在于，所述数据处理模块对采集的数据进行格式校验，并对数据进行质量评估，输出每天不同测点数据质量详情。

4.根据权利要求1所述的一种基于深度学习的风力发电机组健康管理系统及应用方法，其特征在于，所述模型构建模块使用tensorflow等深度学习框架，通过读取iotdb中的时序数据，构建各类神经网络模型，使用机器学习算法训练出机舱、变桨系统、发电机等部件的评估模型。

5.根据权利要求1所述的一种基于深度学习的风力发电机组健康管理系统及应用方法，其特征在于，所述状态评估模块使用训练好的模型，根据实时输入数据预测部件当前的健康状态。

6.根据权利要求1所述的一种基于深度学习的风力发电机组健康管理系统及应用方法，其特征在于，所述预警模块通过规则引擎技术，综合每个部件各个模型的状态评估结果，进行故障风险的统计分析，输出预警信息。

7.根据权利要求1所述的一种基于深度学习的风力发电机组健康管理系统及应用方法，其特征在于，所述人机交互界面该模块以web形式呈现，展示部件的实时状态信息、健康分数、各类统计分析结果。

8.根据权利要求2所述的一种基于深度学习的风力发电机组健康管理系统及应用方法，其特征在于，所述传感器网络包括机舱振动传感器、齿轮箱油压传感器、发电机温度传感器、应变传感器、风速计和风向仪。

9.根据权利要求4所述的一种基于深度学习的风力发电机组健康管理系统及应用方法，其特征在于，所述神经网络模型包括卷积神经网络、循环神经网络。

10.根据权利要求6所述的一种基于深度学习的风力发电机组健康管理系统及应用方法，其特征在于，所述预警模块按照故障类型和严重程度设定多个预警阈值，通过弹窗向管理人员发出不同级别的预警信息，并记录下所有预警日志。

技术总结本发明涉及风力发电技术领域，公开了一种基于深度学习的风力发电机组健康管理系统及应用方法，该系统集成了深度学习算法与风力发电机组的运行数据，通过训练多个神经网络模型，实现对发电机组关键部件的工作状态进行自动评估和故障预警，系统包括有数据采集模块、数据处理模块、模型构建模块、状态评估模块和预警模块，相比现有基于物理模型和阈值判断的方法，本系统使用端到端的数据驱动方法，不需要人工构建精确的物理模型，利用深度学习模型的动态预测能力，可以实现对故障的早期预警，该系统提高了状态检测的准确性和灵敏度，实现了风力发电机组条件监测与故障预测的智能化，降低了风电场的运维成本，提升了发电效率和经济效益。技术研发人员：刘育良,于海瀛,路忠峰,高阳受保护的技术使用者：哈尔滨能创数字科技有限公司技术研发日：技术公布日：2024/11/14