[发明专利]液压变桨系统的故障诊断方法和装置

权利要求书

1.一种液压变桨系统的故障诊断方法，其特征在于，包括：

获取风力发电机组的液压变桨系统的故障数据，其中，所述故障数据是在所述液压变桨系统出现故障表现的情况下从故障日志中获取的；

将所述故障数据转换为故障特征向量；

利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度，其中，训练特征向量是具有根因标签的故障特征向量，其中，所述非监督学习算法包括K最邻近(KNN)算法和K维树(KD-tree)算法中的至少一种；

将相似度最高的训练特征向量的根因确定为所述故障数据的根因。

2.如权利要求1所述的故障诊断方法，其特征在于，所述故障数据包括故障类型和故障特征，其中，所述故障特征包括是否停机、压力高低、流量高低、油温高低、振动高低、输出和反馈(IO)状态中的至少一个。

3.如权利要求2所述的故障诊断方法，其特征在于，将所述故障数据转换为故障特征向量的步骤包括：

按照故障类型对所述故障数据进行编号，并将所述故障数据中包括的各个特征的值分别转换为一维向量的向量元素的值来产生具有故障编号的一维向量，作为故障特征向量。

4.如权利要求3所述的故障诊断方法，其特征在于，所述故障数据中包括的各个特征的值为二进制值，一维向量的向量元素的值为十进制值。

5.如权利要求1所述的故障诊断方法，其特征在于，利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度的步骤包括：

当训练数据集中的训练特征向量的数量小于预定阈值时，利用KNN计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度；

当训练数据集中的训练特征向量的数量等于或大于预定阈值时，利用KD-tree计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度。

6.如权利要求1所述的故障诊断方法，其特征在于，将相似度最高的训练特征向量的根因确定为所述故障数据的根因的步骤包括：

当存在多个相似度最高的训练特征向量时，将所述多个相似度最高的训练特征向量的根因确定为液压变桨系统的故障数据的可能根因。

7.如权利要求1所述的故障诊断方法，其特征在于，将相似度最高的训练特征向量的根因确定为所述故障数据的根因的步骤包括：

当存在多个相似度最高的训练特征向量时，将所述多个相似度最高的训练特征向量的根因之中数量最多的根因确定为液压变桨系统的故障数据的根因。

8.如权利要求1所述的故障诊断方法，其特征在于，还包括：

当所述故障数据的根因已被确定时，将所述故障特征向量贴上确定的根因的标签，并将贴上根因标签的故障特征向量作为新的训练特征向量添加到训练数据集中。

9.一种液压变桨系统的故障诊断装置，其特征在于，包括：

数据获取模块，被配置为获取风力发电机组的液压变桨系统的故障数据，其中，所述故障数据是在所述液压变桨系统出现故障表现的情况下从故障日志中获取的；

数据转换模块，被配置为将所述故障数据转换为故障特征向量；

根因诊断模块，被配置为利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度，并将相似度最高的训练特征向量的根因作为所述故障数据的根因，其中，训练特征向量是具有根因标签的故障特征向量，其中，所述非监督学习算法包括K最邻近(KNN)算法和K维树(KD-tree)算法中的至少一种。

10.如权利要求9所述的故障诊断装置，其特征在于，所述故障数据包括故障类型和故障特征，其中，所述故障特征包括是否停机、压力高低、流量高低、油温高低、振动高低、输出和反馈(IO)状态中的至少一个。