[发明专利]基于Bayesian数据驱动的风机健康状态监测方法

权利要求书

1.基于Bayesian数据驱动的风机健康状态监测方法，其特征在于：具体包括以下步骤：

S1：收集风力涡轮机SCADA数据集并对数据集进行预处理；

S2：结合风力涡轮机实际存在健康状态，标注每个时间状态下已知风力涡轮机健康状态，将其代码存入SCADA数据库；

S3：采用基于bin方法、基于多元正态分布的方法和基于Copula关联函数的Bayesian分类模型建立风力涡轮机异常状态诊断模型；

S4：利用SCADA数据集对风力涡轮机异常状态诊断模型进行训练、拟合优化；

S5：实时采集的风力涡轮机运行数据传送至本异常状态诊断系统进行实施诊断，并输出诊断结果；

S6：赋予诊断结果对应的标签，用户可在此基础上对风机进行实际健康状态确认，根据确认结果对诊断结果标签进行修正并储入历史数据库；

S7：按照需求定期对诊断模型重新拟合，优化异常状态诊断模型。

2.根据权利要求1所述的基于Bayesian数据驱动的风机健康状态监测方法，其特征在于：所述健康状态为二元健康状态，包括正常和非正常状态。

3.根据权利要求1所述的基于Bayesian数据驱动的风机健康状态监测方法，其特征在于：所述基于Copula的方法可选用不同边际累积分布函数和不同copula模型的组合。

4.根据权利要求1所述的基于Bayesian数据驱动的风机健康状态监测方法，其特征在于：所述步骤S4中，利用SCADA数据集对风力涡轮机异常状态诊断模型进行训练、拟合优化具体步骤如下：

S4.1：导入SCADA历史数据，根据对风力涡轮机健康状态影响的重要程度确定用于建立风力涡轮机异常状态诊断模型的参数：风速、输出功率、发动机转速；

S4.2：采用基于bin方法、基于多元正态分布的方法和基于Copula关联函数的Bayesian分类模型求取上述各参数组合的异常状态诊断条件概率密度，同时统计历史数据的涡轮机故障先验概率密度，并代入计算公式计算后验条件概率，并通过五折交叉验证的方式提高概率计算的准确性；

S4.3：将风力涡轮机故障发生的后验条件概率与风力涡轮机处于正常状态的后验条件概率比较并进行迭代运算，选择最优异常状态诊断模型；

S4.4：将最优风机异常状态诊断模型存入数据库，以备调用。

5.根据权利要求1所述的基于Bayesian数据驱动的风机健康状态监测方法，其特征在于：所述步骤S5中，风力涡轮机异常状态诊断模型，具体步骤如下：

S5.1：选择经过预处理、标注完成风力涡轮机健康状态的数据库；

S5.2：导入历史数据库中的历史数据，根据对风力涡轮机健康状态影响的重要程度确定用于建立风电发力机异常状态诊断模型相应的参数；

S5.3：采用交叉验证的方式，依数据量大小合理选择，分别使用基于bin方法、基于多元正态分布的方法和基于Copula关联函数的Bayesian分类模型进行故障先验概率计算、条件概率密度计算，其中所述条件概率密度计算为选择上述影响风力涡轮机运行的参数维度不同组合的概率密度计算；

S5.4：将异常状态发生的后验概率与正常状态的后验概率比较并进行迭代运算；

S5.5：根据四个度量指标综合评分选择不同设备相应的最优诊断模型；

S5.6：予以存储，以备调用。

6.根据权利要求5所述的基于Bayesian数据驱动的风机健康状态监测方法，其特征在于：所述四个度量指标分别为：

1、缺失率＝正常状态数据被错划分为非正常状态数据的数量/正常状态数据总量；

2、特异性＝非正常状态数据正确划分为非正常状态的数量/非正常状态数据总量；

3、错误率＝(正常状态数据被错分为非正常状态数据的数量+非正常状态数据被错误划分为正常状态数据的数量)/数据总量；

4、正确率＝(非正常状态数据正确划分为非正常状态的数量+正常状态数据正确划分为正常状态数据的数量)/数据总量。

7.根据权利要求1所述的基于Bayesian数据驱动的风机健康状态监测方法，其特征在于：在所述步骤S6中，实时诊断结果确认为诊断正确的，将其直接录入历史数据库用于风机故障诊断模型优化实时诊断结果为误判诊断的，修改故障标签后录入历史数据库用于风机故障诊断模型优化。