[发明专利]基于难样本挖掘的深度度量网络的风机多故障诊断方法

说明书

本发明提供一种基于难样本挖掘的深度度量网络的风机多故障诊断方法，涉及风力涡轮机故障诊断技术领域。该方法首先针对一个风力涡轮机z种不同类型的SCADA数据构建难样本数据集，将构造的难样本数据集进行图像化处理，优化各类SCADA数据变量，使数据变量之间的排列在时间空间上连续，最终得到优化后的训练样本，构造基于改进三元组训练样本集损失函数的深度度量网络模型；最后将三元组样本通过深度度量网络映射得到的特征向量作为训练集输入到SVM模型中，进行风力涡轮机故障诊断。该方法基于三元组模型进行样本生成，提出一个运用单模型诊断多故障的方法，运用改进的三元组损失函数训练模型，提高了多故障诊断的准确性。

技术领域

本发明涉及风力涡轮机故障诊断技术领域，尤其涉及一种基于难样本挖掘的深度度量网络的风机多故障诊断方法。

背景技术

近年来，由于矿产、石油等资源的日益枯竭，无法满足人类对能源日益增长的需求，绿色环保可持续的风能成为再生资源的主力军，其在整个能源体系的地位也日益增长。全球风能理事会(GWEC)发布的数据显示：2018年全球新增装机容量为51.3GW，总装机容量为591GW，与2017年相比增长了9％，预计到2023年，陆上和海上的新增装机容量每年将超过55GW。

随着风力发电技术的迅速发展，越来越多的风电场和风力涡轮机投入使用，风电机组遭遇的问题也原来越多。风电场一般位于风力资源较丰富的偏远地区或者近诲区域，交通不便，风电场内风电机组分布面积广、数量多、工作环境恶劣、受气候和环境影响大，风速极不稳定，在交变荷载的作用下，机组的一些关键部件容易损坏，因此风力发电机在发电过程中很容易出现故障，并且维修难度和成本很高，据悉运营和维修服务是发电成本的25-35％。无论从安全的角度，还是从经济效益出发，风电机组的故障分析和建立完备的故障诊断系统是具有极其重要的实际意义的。

目前针对风力涡轮机(即风机)的故障诊断方法主要包括以下三类：基于信号的方法、基于模型的方法、基于数据驱动的方法。其中，基于数据驱动的方法对信号噪声鲁棒性较好，因此数据驱动方法在故障诊断中被广泛使用。然而，大多数风力涡轮机故障检测方法只能检测风力涡轮机的一类故障，在实际中，故障种类是多种多样的，单模型诊断单故障会导致信息混乱、计算量增大、时效性降低等问题，因此提出一种利用单模型解决多故障的方法具有重要的意义和研究价值。

在理论研究中，有很多基于数据驱动的故障诊断方法可以实现单模型对多故障的诊断，其中包括人工神经网络(ANN)、支持向量机(SVM)、模糊逻辑系统(FLS)。这些方法可以通过训练进而从输入故障数据中识别出不同的故障类型，因而可以用来实现多故障诊断。然而现有的单模型诊断多故障方法性能差，且这些方法严重依赖于风力涡轮机领域知识，因此能够检测到的故障类型数量有限。由上所述，可见，如何建立单模型来诊断多故障，并提高诊断的精度，是当前风力涡轮机故障诊断领域亟需解决的难题之一。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于难样本挖掘的深度度量网络的风机多故障诊断方法，实现风力涡轮机的多种故障诊断，并提高多故障诊断的精度。

为解决上述技术问题，本发明所采取的技术方案是：基于难样本挖掘的深度度量网络的风机多故障诊断方法，包括以下步骤：

步骤1：构建难训练样本挖掘模型；针对一个风力涡轮机z种不同类型的SCADA数据集，D＝[D₁，D₂，...，D_z]^T，其中每一类型包括正常数据Rⁿ、异常数据R^f；为了选择训练精度高的样本集，将异常数据R^f分为早期故障数据S^ef和故障数据S^f，对正常数据和异常数据进行样本均衡化，构成难样本集A＝Rⁿ∪R^f；

步骤1.1：生成正常数据训练样本集Rⁿ，如下公式所示：