[发明专利]基于图像主特征提取的风机故障诊断系统、方法及应用

说明书

本发明提供了一种基于图像主特征提取的风机故障诊断系统、方法及应用，包括：S1：整理并收集风机发生故障时和正常运行时的历史相关测点数据；S2：对S1中进行分割、清洗和平衡化处理，获取训练数据和测试数据；S3：对S2中训练数据和测试数据进行主特征提取；S4：对S3中训练数据提取的主特征通过梯度下降树算法进行分类模型训练；S5：通过S3中测试数据提取的主特征验证S4中的训练模型；S6：通过精确率、召回率和平均数对S5中的验证结果进行参数调整和优化，获取最优模型；S7：将历史相关测点数据、最优模型的输出结果和诊断结果进行可视化展示；S8：出现特定故障时，根据实时相关测点数据对应S7中的结果，给出故障诊断结果。

【技术领域】

本发明涉及风机故障诊断技术领域，尤其涉及一种基于图像主特征提取的风机故障诊断系统、方法及应用。

【背景技术】

风机故障诊断一直是风电运维工作的重点。风机发生故障后，检修人员必须根据风机故障结果推测最先发生问题的部件，做出相应的维修方案。但维修完成并不意味着问题解决，找出风机故障的根本原因才是维护风机的最好方法。通常只有经验丰富的维修工才能比较准确的推测出导致风机发生故障的直接原因，但是经验丰富的风机维修工毕竟是少数，再者导致风机发生故障的直接原因可能不是一种，可能是几种因素的集合，人力难以达到，这对风机的维护和故障的预防提出了更高的要求。在一般情况下，风机部件发生故障需要将停机维修，这就不可避免的造成相应的经济损失。

孙莉等于2020年在《基于稀疏贝叶斯极限学习机的光伏电站设备故障诊断研究》一文中提出了提出一种基于稀疏贝叶斯极限学习机(SBELM)的精准的光伏逆变器故障诊断方法。通过首先分析逆变器故障数据主特征,将该问题转化为一个多分类问题；然后,采用合成少数类过采样技术(SMOTE)方法人工生成数据,解决数据不均衡问题,根据环境和逆变器实时监控据提取主特征向量,并通过SBELM训练模型,可给出输出的概率分布,自动修剪冗余的隐藏节点,在不影响性能的前提下实现用部分节点进行多故障分类。杨增华于2018年在《基于振动的风力发电机故障诊断》一文中提出了基于振动判断风力发电机大部分故障,通过分析振动图谱,信号等,解析为维护设备相关的有价值信息。

此二文献分别提到了基于稀疏贝叶斯极限学习机分类算法对光伏电站设备故障诊断方法，和应用振动图谱信号分析方法判断风力发电机故障。

但以往研究并没有实现风力发电机故障的诊断方法，或者只是采用了较简单的浅层统计和分析方法，风机故障的诊断方法不足以满足现有生产力和生产要求。

因此，有必要研究一种基于图像主特征提取的风机故障诊断系统、方法及应用来应对现有技术的不足，以解决或减轻上述一个或多个问题。

【发明内容】

有鉴于此，本发明提供了一种基于图像主特征提取的风机故障诊断系统、方法及应用，利用机器学习相关算法进行风机故障的分析和诊断，将导致风机故障的直接因素做到定性，在后期的维护过程中可以根据这些因素做出正确的决策，避免决策者盲目等待风机发生故障的时候才进行修复。

一方面，本发明提供一种基于图像主特征提取的风机故障诊断方法，所述风机故障诊断方法包括以下步骤：

S1：整理并收集风机历史相关测点数据；

S2：对S1中历史相关测点数据进行分割、清洗和平衡化处理，获取训练数据和测试数据；

S3：对S2中训练数据和测试数据进行主特征提取；

S4：对S3中训练数据提取的主特征通过梯度下降树算法进行分类模型训练；

S5：通过S3中测试数据提取的主特征验证S4中的分类模型，对比测试数据中的结果进行验证；

S6：通过精确率、召回率和平均数对S5中的验证结果进行参数调整和优化，获取最优模型；

S7：将历史相关测点数据、最优模型和验证结果进行可视化展示；