[发明专利]一种风机结冰检测模型的构建方法及其应用

说明书

本发明公开了一种风机结冰检测模型的构建方法及其应用，所构造的风机结冰检测模型包括相互并联的第一GAN模型和第二GAN模型，融合层，CNN模型，第一域自适应网络和第二域自适应网络；CNN模型中的批归一化层以及第一全连接层分别与第一域自适应网络和第二域自适应网络相连；本发明以最小化源域数据集中各样本的预测标签和真实标签的差异、最大化源域数据集中结冰样本与非结冰样本的分布差异以及最小化源域数据与目标域数据的分布差异为目标，对风机结冰检测模型进行训练；可以对无标签样本进行迁移学习，解决了高质量标记数据少的问题，使得该模型具有很强的可迁移性以及对于不同风机的适配性，用于风机结冰检测时准确度较高。

技术领域

本发明属于工业大数据故障检测领域，更具体地，涉及一种风机结冰检测模型的构建方法及其应用。

背景技术

在工业技术中，仪器的损坏通常不能第一时间发现，当损坏的时候已经比较晚，需要大量的成本去维修了。风机在运行过程中，有时因为外界温度过低，会产生结冰的情况，这一情况不太容易被察觉，当人们发现风机结冰的时候，风机的叶片损坏程度已经非常大了，此时的维修成本非常之高，所以如何在风机完全结冰之前检测风机的状态，预测其处于结冰或正常状态，如果即将结冰，尽早进行处理，降低处理成本，是非常有必要的。

传统的风机结冰情况检测方法，需要检查人员有丰富的先验知识，但是目前这样的人力资源稀少，耗费的时间成本过高，并且难以大面积推广。为了节省人力成本，在现有的检测方法中，一种是基于风机运行数据的风机结冰情况检测方法，通过测量风机运行数据如：一个叶片的俯仰角、发电机的每分钟转速等来确定此位置附近风机风速估计值，将其与测量风速进行对比来确定叶片是否结冰，但是此方法还是需要加入人工的测量以及控制，成本相对较高。另一种是基于深度学习的风机结冰情况检测方法，但是由于故障样本的数量小，且有高质量标记的数据非常少，学习效率较低，检测的准确度较低。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种风机结冰情况检测模型的构建方法及其应用，其目的在于解决现有技术中由于故障样本的数量小、高质量标记数据少而导致的风机结冰检测准确度较低的技术问题。

为实现上述目的，第一方面，本发明提供了一种风机结冰检测模型的构建方法，包括以下步骤：

S1、基于不同环境温度和风力输出条件下对不同风机采集到的风机监测数据构建训练样本集；其中，训练样本集包括带标签的样本和不带标签的样本；带标签的样本构成源域数据集，不带标签的样本构成目标域数据集；上述标签用于表示样本所对应的风机是否结冰；

S2、构造风机结冰检测模型的结构；风机结冰检测模型包括第一GAN模型、第二GAN模型、融合层、CNN模型、第一域自适应网络和第二域自适应网络；第一GAN模型和第二GAN模型相互并联，且均通过融合层与CNN模型连接；CNN模型中的批归一化层以及第一全连接层分别与第一域自适应网络和第二域自适应网络相连；

S3、采用源域数据集中的非结冰样本训练第一GAN模型；采用源域数据集中的结冰样本训练第二GAN模型；

S4、以最小化源域数据集中各样本的预测标签和真实标签的差异、最大化源域数据集中结冰样本与非结冰样本的分布差异以及最小化源域数据与目标域数据的分布差异为目标，采用训练样本集训练上述风机结冰检测模型。

进一步优选地，上述风力输出小于或等于预设风力输出；上述风机监测数据包括：工况参数、环境参数和状态参数；

工况参数包括：叶片角度、叶片速度、变桨电机温度、发电机转速、网侧有功功率、机舱温度、充电器温度、充电器直流电流、风机轴承振动的轴向加速度以及与轴向方向垂直的水平加速度；环境参数包括：风速、25秒平均风向角、风机偏航位置、风机偏航速度和环境温度；状态参数包括：风机在结冰期间显示增长趋势的第一比率、第二比率和第三比率、以及风机机舱舱内温度和环境温度之差、发电机扭矩、发电机功率系数、发电机推力系数、以及发电机速度与风速的比值；