本發(fā)明涉及風(fēng)機(jī)故障診斷領(lǐng)域，特別是涉及一種風(fēng)機(jī)狀態(tài)估計(jì)的方法及系統(tǒng)。

背景技術(shù)：

隨著風(fēng)電市場(chǎng)的快速發(fā)展與競(jìng)爭(zhēng)的加劇，風(fēng)力發(fā)電公司越來(lái)越感到運(yùn)營(yíng)成本的壓力，迫切希望能夠在保證機(jī)組安全運(yùn)行的前提下，盡可能的降低運(yùn)營(yíng)成本，而通過(guò)更加有效的使用維護(hù)和維修服務(wù)，減少機(jī)組非計(jì)劃停運(yùn)與設(shè)備故障是降低運(yùn)營(yíng)成本的有效手段。

一臺(tái)風(fēng)力機(jī)組通常有近20～25年的使用壽命，在此期間，"是否"需要維修已經(jīng)不是一個(gè)問(wèn)題，"何時(shí)"維修才是需要關(guān)注的關(guān)鍵。因此風(fēng)電公司和風(fēng)電設(shè)備生產(chǎn)廠家對(duì)風(fēng)機(jī)進(jìn)行在線狀態(tài)監(jiān)測(cè)和性能評(píng)估具有迫切的需求。

現(xiàn)有的風(fēng)機(jī)故障診斷的方法往往是通過(guò)風(fēng)電場(chǎng)運(yùn)行人員對(duì)風(fēng)機(jī)重要參數(shù)進(jìn)行監(jiān)視，發(fā)現(xiàn)問(wèn)題后通過(guò)人為經(jīng)驗(yàn)對(duì)風(fēng)機(jī)進(jìn)行維修。這種方法誤判率高，不僅消耗大量的人力成本，還往往找不到風(fēng)機(jī)故障的根本原因。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種風(fēng)機(jī)狀態(tài)估計(jì)的方法及系統(tǒng)，用來(lái)解決現(xiàn)有技術(shù)中風(fēng)機(jī)故障診斷方法誤判率高的問(wèn)題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

本發(fā)明提供了一種風(fēng)機(jī)狀態(tài)估計(jì)方法，所述風(fēng)機(jī)狀態(tài)估計(jì)方法包括：

獲取風(fēng)機(jī)的在線運(yùn)行數(shù)據(jù)；

對(duì)所述在線運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理，獲得時(shí)間序列數(shù)據(jù)；

通過(guò)在線狀態(tài)監(jiān)測(cè)模型判斷所述時(shí)間序列數(shù)據(jù)是否表示風(fēng)機(jī)處于故障狀態(tài)，得到判斷結(jié)果；

當(dāng)判斷結(jié)果表示風(fēng)機(jī)不處于故障狀態(tài)時(shí)，輸出檢測(cè)結(jié)果為健康；

當(dāng)判斷結(jié)果表示風(fēng)機(jī)處于故障狀態(tài)時(shí)，標(biāo)記表示風(fēng)機(jī)處于故障狀態(tài)的所述時(shí)間序列數(shù)據(jù)，得到故障檢測(cè)樣本；

通過(guò)在線故障檢測(cè)模型確定所述故障檢測(cè)樣本所對(duì)應(yīng)的故障類型；

輸出所述故障類型。

可選的，所述獲取風(fēng)機(jī)的在線運(yùn)行數(shù)據(jù)具體包括：

獲取風(fēng)機(jī)的風(fēng)速、風(fēng)向、低速軸轉(zhuǎn)速、高速軸轉(zhuǎn)速、偏航轉(zhuǎn)速、主軸軸承溫度、齒輪箱高速軸溫度、齒輪箱油溫、發(fā)電機(jī)繞組溫度、機(jī)艙內(nèi)溫度、機(jī)艙外溫度、冷卻媒溫度、電池溫度、液壓站油壓、齒輪箱濾芯進(jìn)口油壓、齒輪箱濾芯出口油壓、剎車片厚度、剎車片溫度和振動(dòng)頻率。

可選的，在所述通過(guò)在線狀態(tài)監(jiān)測(cè)模型判斷所述時(shí)間序列數(shù)據(jù)是否表示風(fēng)機(jī)處于故障狀態(tài)之前還包括：

獲取風(fēng)機(jī)的歷史數(shù)據(jù)；所述歷史數(shù)據(jù)包括標(biāo)簽樣本和非標(biāo)簽樣本；所述標(biāo)簽樣本表示所述歷史數(shù)據(jù)是否為故障數(shù)據(jù)已知，所述標(biāo)簽樣本表示所述歷史數(shù)據(jù)是否為故障數(shù)據(jù)未知；

根據(jù)所述非標(biāo)簽樣本構(gòu)建多個(gè)第一隱含層的自動(dòng)編碼器；

根據(jù)風(fēng)機(jī)狀況確定第一輸出層，所述第一輸出層的元素包括健康和故障兩種；

根據(jù)所述標(biāo)簽樣本與所述第一輸出層的關(guān)系，通過(guò)bp算法對(duì)所述第一隱含層的自動(dòng)編碼器進(jìn)行調(diào)整，得到在線狀態(tài)監(jiān)測(cè)模型。

可選的，在所述通過(guò)在線故障檢測(cè)模型確定所述故障檢測(cè)樣本所對(duì)應(yīng)的故障類型之前還包括：

獲取風(fēng)機(jī)的故障數(shù)據(jù)，所述故障數(shù)據(jù)包括標(biāo)簽數(shù)據(jù)和非標(biāo)簽數(shù)據(jù)；所述標(biāo)簽數(shù)據(jù)表示所述故障數(shù)據(jù)的故障類型已知，所述非標(biāo)簽數(shù)據(jù)表示所述故障數(shù)據(jù)的故障類型未知；

根據(jù)所述非標(biāo)簽數(shù)據(jù)構(gòu)建多個(gè)第二隱含層的自動(dòng)編碼器；

根據(jù)風(fēng)機(jī)故障類型確定第二輸出層，所述第二輸出層的元素為故障數(shù)據(jù)的類型；

根據(jù)所述標(biāo)簽數(shù)據(jù)與所述第二輸出層的關(guān)系，通過(guò)bp算法對(duì)所述第二隱含層的自動(dòng)編碼器進(jìn)行調(diào)整，得到在線故障檢測(cè)模型。

可選的，所述對(duì)所述在線運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理，獲得時(shí)間序列數(shù)據(jù)，具體包括：

對(duì)所述在線運(yùn)行數(shù)據(jù)進(jìn)行去量綱處理，得到無(wú)量綱數(shù)據(jù)；

去除所述無(wú)量綱數(shù)據(jù)中的異常點(diǎn)，得到預(yù)處理數(shù)據(jù)；

按照時(shí)間排列，將所述預(yù)處理數(shù)據(jù)整理成數(shù)據(jù)段，得到時(shí)間序列數(shù)據(jù)。

可選的，在獲取風(fēng)機(jī)的歷史運(yùn)行數(shù)據(jù)之前還包括：獲取風(fēng)機(jī)的第一虛擬樣本；所述第一虛擬樣本為風(fēng)機(jī)仿真模型在健康狀態(tài)和故障狀態(tài)下的模擬數(shù)據(jù)，所述第一虛擬樣本為標(biāo)簽樣本。

可選的，在獲取風(fēng)機(jī)的故障數(shù)據(jù)之前還包括：獲取風(fēng)機(jī)的第二虛擬樣本，所述第二虛擬樣本為風(fēng)機(jī)仿真模型在不同故障狀態(tài)下的模擬數(shù)據(jù)，所述第二虛擬樣本為標(biāo)簽數(shù)據(jù)。

本發(fā)明還提供了一種風(fēng)機(jī)狀態(tài)估計(jì)系統(tǒng)，所述風(fēng)機(jī)狀態(tài)估計(jì)系統(tǒng)包括：

獲取模塊，用于獲取風(fēng)機(jī)的在線運(yùn)行數(shù)據(jù)；

預(yù)處理模塊，用于對(duì)所述在線運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理，獲得時(shí)間序列數(shù)據(jù)；

判斷模塊，用于通過(guò)在線狀態(tài)監(jiān)測(cè)模型判斷所述時(shí)間序列數(shù)據(jù)是否表示風(fēng)機(jī)處于故障狀態(tài)，得到判斷結(jié)果；

第一輸出模塊，用于當(dāng)判斷結(jié)果表示風(fēng)機(jī)不處于故障狀態(tài)時(shí)，輸出檢測(cè)結(jié)果為健康；

標(biāo)記模塊，用于當(dāng)判斷結(jié)果表示風(fēng)機(jī)處于故障狀態(tài)時(shí)，標(biāo)記表示風(fēng)機(jī)處于故障狀態(tài)的所述時(shí)間序列數(shù)據(jù)，得到故障檢測(cè)樣本；

確定模塊，用于通過(guò)在線故障檢測(cè)模型確定所述故障檢測(cè)樣本所對(duì)應(yīng)的故障類型；

第二輸出模塊，用于輸出所述故障類型。

可選的，所述獲取模塊具體用于獲取風(fēng)機(jī)的風(fēng)速、風(fēng)向、低速軸轉(zhuǎn)速、高速軸轉(zhuǎn)速、偏航轉(zhuǎn)速、主軸軸承溫度、齒輪箱高速軸溫度、齒輪箱油溫、發(fā)電機(jī)繞組溫度、機(jī)艙內(nèi)溫度、機(jī)艙外溫度、冷卻媒溫度、電池溫度、液壓站油壓、齒輪箱濾芯進(jìn)口油壓、齒輪箱濾芯出口油壓、剎車片厚度、剎車片溫度和振動(dòng)頻率。

可選的，所述預(yù)處理模塊，具體包括：

去量綱單元，用于對(duì)所述在線運(yùn)行數(shù)據(jù)進(jìn)行去量綱處理，得到無(wú)量綱數(shù)據(jù)；

去除單元，用于去除所述無(wú)量綱數(shù)據(jù)中的異常點(diǎn)，得到預(yù)處理數(shù)據(jù)；

整理單元，用于按照時(shí)間排列，將所述預(yù)處理數(shù)據(jù)整理成數(shù)據(jù)段，得到時(shí)間序列數(shù)據(jù)。

根據(jù)本發(fā)明提供的具體實(shí)施例，本發(fā)明公開(kāi)了以下技術(shù)效果：

本發(fā)明提供的一種風(fēng)機(jī)狀態(tài)估計(jì)的方法，采用時(shí)間序列數(shù)據(jù)作為輸入的檢測(cè)樣本，相對(duì)于單一的狀態(tài)信息具有時(shí)序性，更加真實(shí)，能夠反映風(fēng)機(jī)系統(tǒng)的時(shí)變信息，提高了風(fēng)機(jī)的故障診斷率。

本發(fā)明提供的在線狀態(tài)檢測(cè)模型和在線故障檢測(cè)模型采用半監(jiān)督學(xué)習(xí)的方法進(jìn)行訓(xùn)練，并且采用大量的無(wú)標(biāo)簽的數(shù)據(jù)，減少了標(biāo)簽樣本的數(shù)量，節(jié)省了大量的人力、財(cái)力；并且提高了系統(tǒng)的可靠性，減少非計(jì)劃停機(jī)損失和多次維修帶多的額外費(fèi)用；通過(guò)精確定位潛在故障，提高維護(hù)維修效率，減少維修損失。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明一種風(fēng)機(jī)狀態(tài)估計(jì)方法的實(shí)施例的流程圖；

圖2為對(duì)在線運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理獲得時(shí)間序列數(shù)據(jù)的流程圖；

圖3為本發(fā)明的在線狀態(tài)監(jiān)測(cè)模型的構(gòu)建流程圖；

圖4為本發(fā)明一種風(fēng)機(jī)狀態(tài)估計(jì)系統(tǒng)的實(shí)施例的結(jié)構(gòu)連接圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明。

圖1為本發(fā)明一種風(fēng)機(jī)狀態(tài)估計(jì)方法的實(shí)施例的流程圖。如圖1所示，一種風(fēng)機(jī)狀態(tài)估計(jì)方法包括：

步驟101，獲取風(fēng)機(jī)的在線運(yùn)行數(shù)據(jù)。

獲取的風(fēng)機(jī)的在線運(yùn)行數(shù)據(jù)包括風(fēng)機(jī)的風(fēng)速、風(fēng)向、低速軸轉(zhuǎn)速、高速軸轉(zhuǎn)速、偏航轉(zhuǎn)速、主軸軸承溫度、齒輪箱高速軸溫度、齒輪箱油溫、發(fā)電機(jī)繞組溫度、機(jī)艙內(nèi)溫度、機(jī)艙外溫度、冷卻媒溫度、電池溫度、液壓站油壓、齒輪箱濾芯進(jìn)口油壓、齒輪箱濾芯出口油壓、剎車片厚度、剎車片溫度和振動(dòng)頻率。每一個(gè)狀態(tài)樣本點(diǎn)都包括這19個(gè)測(cè)點(diǎn)的數(shù)據(jù)。

步驟102，對(duì)在線運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理，獲得時(shí)間序列數(shù)據(jù)。

圖2為對(duì)在線運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理獲得時(shí)間序列數(shù)據(jù)的流程圖，如圖2所示，對(duì)在線運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理，獲得時(shí)間序列數(shù)據(jù)包括：

步驟1021，對(duì)在線運(yùn)行數(shù)據(jù)進(jìn)行去量綱處理，得到無(wú)量綱數(shù)據(jù)。

步驟1022，去除無(wú)量綱數(shù)據(jù)中的異常點(diǎn)，得到預(yù)處理數(shù)據(jù)。

步驟1023，按照時(shí)間排列，將預(yù)處理數(shù)據(jù)整理成數(shù)據(jù)段，得到時(shí)間序列數(shù)據(jù)。

假如有風(fēng)速、風(fēng)向、低速軸轉(zhuǎn)速、高速軸轉(zhuǎn)速4個(gè)測(cè)點(diǎn)的數(shù)據(jù)。每個(gè)測(cè)點(diǎn)的數(shù)據(jù)都是按照時(shí)間采集的一個(gè)一個(gè)的點(diǎn)，這些數(shù)據(jù)是1個(gè)時(shí)間序列。按照5分鐘采集數(shù)據(jù)序列的其中一段，然后把這些數(shù)據(jù)按照時(shí)間順序拼接起來(lái)，就成了一個(gè)數(shù)據(jù)段。這個(gè)數(shù)據(jù)段在程序里面就是一個(gè)矩陣，然后把這些數(shù)據(jù)段通過(guò)編程轉(zhuǎn)換成圖片。

本發(fā)明采用時(shí)間序列數(shù)據(jù)作為輸入的檢測(cè)樣本，相對(duì)于單一的狀態(tài)信息具有時(shí)序性，更加真實(shí)，能夠反映風(fēng)機(jī)系統(tǒng)的時(shí)變信息，提高了風(fēng)機(jī)的故障診斷率。

步驟103，通過(guò)在線狀態(tài)監(jiān)測(cè)模型判斷所述時(shí)間序列數(shù)據(jù)是否表示風(fēng)機(jī)處于故障狀態(tài)，得到判斷結(jié)果。

在線狀態(tài)監(jiān)測(cè)模型是根據(jù)深度學(xué)習(xí)得到的，具體過(guò)程如下：

步驟a1，獲取風(fēng)機(jī)的歷史數(shù)據(jù)；所述歷史數(shù)據(jù)包括標(biāo)簽樣本和非標(biāo)簽樣本；所述標(biāo)簽樣本表示所述歷史數(shù)據(jù)是否為故障數(shù)據(jù)已知，所述標(biāo)簽樣本表示所述歷史數(shù)據(jù)是否為故障數(shù)據(jù)未知；

步驟a2，根據(jù)所述非標(biāo)簽樣本構(gòu)建多個(gè)第一隱含層的自動(dòng)編碼器；

步驟a3，根據(jù)風(fēng)機(jī)狀態(tài)確定第一輸出層，所述第一輸出層的元素包括健康和故障兩種；

步驟a4，根據(jù)所述標(biāo)簽樣本與所述第一輸出層的關(guān)系，通過(guò)bp算法對(duì)所述第一隱含層的自動(dòng)編碼器進(jìn)行調(diào)整，得到在線狀態(tài)監(jiān)測(cè)模型。

隨著數(shù)據(jù)收集和存儲(chǔ)技術(shù)的飛速發(fā)展，收集大量未標(biāo)記的(unlabeled)示例已相當(dāng)容易，而獲取大量有標(biāo)記的示例則相對(duì)較為困難，因?yàn)楂@得這些標(biāo)記可能需要耗費(fèi)大量的人力物力。在風(fēng)里發(fā)電行業(yè)中，對(duì)于風(fēng)機(jī)運(yùn)行數(shù)據(jù)的獲取相對(duì)較為容易，但是所獲得的數(shù)據(jù)往往都是風(fēng)電機(jī)組的狀態(tài)測(cè)點(diǎn)數(shù)據(jù)，如果想要對(duì)狀態(tài)進(jìn)行判定，往往需要進(jìn)行大量的人工標(biāo)記。但是如果只使用少量的有標(biāo)記示例，那么利用它們所訓(xùn)練出的學(xué)習(xí)系統(tǒng)往往很難具有強(qiáng)泛化能力；另一方面，如果僅使用少量“昂貴的”有標(biāo)記示例而不利用大量“廉價(jià)的”未標(biāo)記示例，則是對(duì)數(shù)據(jù)資源的極大的浪費(fèi)。

半監(jiān)督學(xué)習(xí)的基本設(shè)置是給定一個(gè)來(lái)自某未知分布的有標(biāo)記示例集l＝{(x1,y1),(x2,y2),...,(xl,yl)}以及一個(gè)未標(biāo)記示例集u＝{x1’,x2’,...,xu’}，有標(biāo)記樣本集l遠(yuǎn)遠(yuǎn)小于未標(biāo)記樣本集u。半監(jiān)督學(xué)習(xí)器就是讓學(xué)習(xí)器不再依賴外界交互、自動(dòng)地利用未標(biāo)記樣本來(lái)提高學(xué)習(xí)性能。實(shí)際上，只要能夠合理建立未標(biāo)記示例分布和學(xué)習(xí)目標(biāo)之間的聯(lián)系，就可以利用未標(biāo)記示例來(lái)輔助提高學(xué)習(xí)性能。

本發(fā)明的在線狀態(tài)監(jiān)測(cè)模型采用深度學(xué)習(xí)訓(xùn)練而成。深度學(xué)習(xí)最初是以一種半監(jiān)督學(xué)習(xí)的形式出現(xiàn)。深度學(xué)習(xí)旨在通過(guò)模擬大腦的學(xué)習(xí)過(guò)程，構(gòu)建深層次的模型，結(jié)合海量的訓(xùn)練數(shù)據(jù)，來(lái)學(xué)習(xí)數(shù)據(jù)中隱含的特征，即利用大數(shù)據(jù)來(lái)學(xué)習(xí)特征，從而刻畫數(shù)據(jù)豐富的內(nèi)在信息，最終提升分類或預(yù)測(cè)的精度。深度學(xué)習(xí)技術(shù)雖然在語(yǔ)音識(shí)別、圖像處理和自然語(yǔ)言處理等方面的應(yīng)用在不同程度上取得了一定的成功，但在電力系統(tǒng)中的應(yīng)用研究卻是剛剛起步。深度學(xué)習(xí)具有較強(qiáng)地從少量數(shù)據(jù)樣本中提取特征和進(jìn)行特征轉(zhuǎn)換的能力，提取或轉(zhuǎn)換后的特征更能從本質(zhì)上反映數(shù)據(jù)的特征，更為便于分類，進(jìn)而提升分類準(zhǔn)確度。

本發(fā)明采用分類深度自編碼網(wǎng)絡(luò)進(jìn)行在線狀態(tài)監(jiān)測(cè)模型的訓(xùn)練。深度學(xué)習(xí)中最關(guān)鍵的環(huán)節(jié)是自編碼。分類深度自編碼網(wǎng)絡(luò)(classifieddeepauto-encodernetworks,cdaens)模型，它包括輸入層、隱含層和輸出層，隱含層為多層，由若干層自動(dòng)編碼器(ae，autoencoder)堆疊而成，輸出層代表期望輸出變量的分類層。

圖3為本發(fā)明的在線狀態(tài)監(jiān)測(cè)模型的構(gòu)建流程圖。如圖3所示，在線狀態(tài)監(jiān)測(cè)模型的訓(xùn)練分為模型初始化、預(yù)訓(xùn)練和微調(diào)三個(gè)階段。預(yù)訓(xùn)練主要是采用無(wú)標(biāo)簽樣本或去標(biāo)簽樣本作為網(wǎng)絡(luò)的輸入，通過(guò)bp算法完成前部若干層ae，參數(shù)的初始化；微調(diào)則是通過(guò)標(biāo)簽樣本對(duì)包括輸出層在內(nèi)的整個(gè)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整，使得網(wǎng)絡(luò)的判別性能達(dá)到最優(yōu)。

在進(jìn)行隱含層的參數(shù)調(diào)整時(shí)，將無(wú)標(biāo)簽數(shù)據(jù)輸入一個(gè)encoder編碼器，就會(huì)得到一個(gè)code，這個(gè)code也就是輸入的一個(gè)表示。然后再將得到的特征信息通過(guò)一個(gè)decoder解碼器，這時(shí)候decoder就會(huì)輸出一個(gè)信息和輸入比較相似的信息。通過(guò)bp算法調(diào)整encoder和decoder的參數(shù)，使得重構(gòu)誤差最小，這時(shí)候就得到了輸入input信號(hào)的第一個(gè)表示了，也就是編碼code了。因?yàn)槭菬o(wú)標(biāo)簽數(shù)據(jù)，所以誤差的來(lái)源就是直接重構(gòu)后與原輸入相比得到。

多層隱含層經(jīng)過(guò)訓(xùn)練得到一個(gè)最后的特征code。為了實(shí)現(xiàn)分類，我們就可以在ae的最頂?shù)木幋a層添加一個(gè)分類器(例如羅杰斯特回歸、svm等)，然后通過(guò)標(biāo)準(zhǔn)的多層神經(jīng)網(wǎng)絡(luò)的監(jiān)督訓(xùn)練方法(梯度下降法)去訓(xùn)練。此時(shí)的輸出層只包括兩類：健康和故障。

這時(shí)候，我們需要將最后一層的特征code輸入到最后的分類器，通過(guò)有標(biāo)簽樣本，通過(guò)監(jiān)督學(xué)習(xí)進(jìn)行微調(diào)。

可選的，為了增加標(biāo)簽樣本的數(shù)量，本發(fā)明還構(gòu)建了風(fēng)機(jī)仿真模型，用于模擬風(fēng)機(jī)在健康狀態(tài)和故障狀態(tài)下的數(shù)據(jù)，得到相應(yīng)狀態(tài)下的虛擬樣本。

步驟104，當(dāng)判斷結(jié)果表示風(fēng)機(jī)不處于故障狀態(tài)時(shí)，輸出檢測(cè)結(jié)果為健康。

將風(fēng)機(jī)的在線運(yùn)行數(shù)據(jù)輸入到在線狀態(tài)監(jiān)測(cè)模型中，根據(jù)訓(xùn)練好的分類深度自編碼網(wǎng)絡(luò)判斷風(fēng)機(jī)的狀態(tài)。當(dāng)輸出層輸出為健康時(shí)，則估計(jì)風(fēng)機(jī)的狀態(tài)為健康。

步驟105，當(dāng)判斷結(jié)果表示風(fēng)機(jī)處于故障狀態(tài)時(shí)，標(biāo)記表示風(fēng)機(jī)處于故障狀態(tài)的所述時(shí)間序列數(shù)據(jù)，得到故障檢測(cè)樣本。

當(dāng)在線狀態(tài)監(jiān)測(cè)模型的輸出層輸出的分類為故障時(shí)，則將這些故障數(shù)據(jù)輸入在線故障檢測(cè)模型，進(jìn)行故障類型的判斷。

步驟106，通過(guò)在線故障檢測(cè)模型確定所述故障檢測(cè)樣本所對(duì)應(yīng)的故障類型。

在線故障檢測(cè)模型的構(gòu)建過(guò)程如下：

步驟b1，獲取風(fēng)機(jī)的故障數(shù)據(jù)，所述故障數(shù)據(jù)包括標(biāo)簽數(shù)據(jù)和非標(biāo)簽數(shù)據(jù)；所述標(biāo)簽數(shù)據(jù)表示所述故障數(shù)據(jù)的故障類型已知，所述非標(biāo)簽數(shù)據(jù)表示所述故障數(shù)據(jù)的故障類型未知；

步驟b2，根據(jù)所述非標(biāo)簽數(shù)據(jù)構(gòu)建多個(gè)第二隱含層的自動(dòng)編碼器；

步驟b3，根據(jù)風(fēng)機(jī)故障類型確定第二輸出層，所述第二輸出層的元素為故障數(shù)據(jù)的類型；

步驟b4，根據(jù)所述標(biāo)簽數(shù)據(jù)與所述第二輸出層的關(guān)系，通過(guò)bp算法對(duì)所述第二隱含層的自動(dòng)編碼器進(jìn)行調(diào)整，得到在線故障檢測(cè)模型。

可選的，為了增加標(biāo)簽樣本的數(shù)量，本發(fā)明還構(gòu)建了風(fēng)機(jī)仿真模型，用于模擬風(fēng)機(jī)在不同故障狀態(tài)下的數(shù)據(jù)，得到相應(yīng)狀態(tài)下的虛擬樣本。

在線狀態(tài)檢測(cè)模型和在線故障檢測(cè)模型的核心都是基于分類自編碼網(wǎng)絡(luò)。模型的訓(xùn)練樣本來(lái)自數(shù)據(jù)采集與監(jiān)視控制(scada，supervisorycontrolanddataacquisition)系統(tǒng)，有標(biāo)簽的數(shù)據(jù)分為兩類，一類是健康模式下的數(shù)據(jù)，另一類是故障模式下的數(shù)據(jù)。因?yàn)楣收系姆N類有很多，且不同的故障之間可能存在高關(guān)聯(lián)以及強(qiáng)耦合性。因此這里故障樣本數(shù)據(jù)要盡可能的多并且有高代表性，這樣有利于訓(xùn)練模型的泛化性能的提高。在線狀態(tài)檢測(cè)和在線故障檢測(cè)歸根到底都是分類問(wèn)題，只是模型的訓(xùn)練樣本有所差異。以在線狀態(tài)檢測(cè)模型為例，模型分為兩類待測(cè)樣本，一類是有故障的樣本，一類是無(wú)故障的樣本。在這里我們對(duì)測(cè)點(diǎn)進(jìn)行連續(xù)采樣形成時(shí)間序列數(shù)據(jù)，將數(shù)據(jù)整理成數(shù)據(jù)段的樣本形式輸入到網(wǎng)絡(luò)中。本發(fā)明只有一小部分有標(biāo)簽的樣本，其余都是大量無(wú)標(biāo)簽樣本。

在線故障檢測(cè)模型和在線狀態(tài)檢測(cè)模型的過(guò)程類似，主要包括以下步驟：

1、按照每1分鐘對(duì)19個(gè)測(cè)點(diǎn)進(jìn)行連續(xù)采樣，以小時(shí)為單位，構(gòu)成19*60的數(shù)據(jù)段。100臺(tái)風(fēng)機(jī)1年的數(shù)據(jù)則為876000個(gè)數(shù)據(jù)段，構(gòu)成深度學(xué)習(xí)的訓(xùn)練樣本。

2、每一個(gè)數(shù)據(jù)段作為一個(gè)樣本，從876000個(gè)數(shù)據(jù)樣本隨機(jī)選取80％的樣本作為分類自編碼網(wǎng)絡(luò)的輸入。根據(jù)這些無(wú)標(biāo)簽的數(shù)據(jù)對(duì)深度自編碼(dae，deepauto-encoder)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練。

3、預(yù)訓(xùn)練完成后，利用有標(biāo)簽數(shù)據(jù)集，通過(guò)bp算法同時(shí)調(diào)整整個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)的所有層參數(shù)以達(dá)到全局最優(yōu)，這個(gè)過(guò)程是微調(diào)過(guò)程。

4、網(wǎng)絡(luò)訓(xùn)練完成后，在線輸入待檢測(cè)樣本，實(shí)現(xiàn)對(duì)待測(cè)樣本的分類。

目前針對(duì)風(fēng)電機(jī)組故障已開(kāi)展的故障診斷業(yè)務(wù)，主要針對(duì)傳動(dòng)鏈故障模式，例如軸承故障、齒輪箱齒輪故障、聯(lián)軸器故障或發(fā)電機(jī)本體的故障等，主要是利用振動(dòng)數(shù)據(jù)分析方法解決上述故障的診斷問(wèn)題。故障模式識(shí)別模型：變槳系統(tǒng)故障、電氣控制故障、電氣系統(tǒng)故障、齒輪箱故障、主軸故障及發(fā)電機(jī)故障。

風(fēng)機(jī)典型的故障模式主要有以下15種：變槳角度故障、變槳轉(zhuǎn)矩異常、變槳電機(jī)故障、軸承磨損、軸承表面損傷、齒輪點(diǎn)蝕、齒輪磨損、聯(lián)軸器不對(duì)中、偏航定位不準(zhǔn)確、偏航電纜纏繞、限位開(kāi)關(guān)故障、發(fā)電機(jī)轉(zhuǎn)子不平衡、轉(zhuǎn)子繞組匝間短路和釘子繞組匝間短路。

步驟107，輸出所述故障類型，提醒風(fēng)機(jī)維護(hù)人員進(jìn)行重點(diǎn)關(guān)注。

基于深度學(xué)習(xí)的風(fēng)機(jī)故障診斷實(shí)質(zhì)上為一個(gè)多分類問(wèn)題，它是根據(jù)風(fēng)機(jī)的運(yùn)行數(shù)據(jù)特征來(lái)對(duì)故障情況進(jìn)行判別和分類，正好符合深度學(xué)習(xí)的應(yīng)用條件。相比于bp神經(jīng)網(wǎng)絡(luò)、svm等智能故障診斷方法，它具有以下優(yōu)勢(shì)：

(1)樣本利用率高。bp神經(jīng)網(wǎng)絡(luò)、svm和elm方法為監(jiān)督機(jī)器學(xué)習(xí)方法，訓(xùn)練時(shí)必須采用標(biāo)簽樣本進(jìn)行有導(dǎo)師學(xué)習(xí)，而且對(duì)樣本的準(zhǔn)確性和完備性要求較高；深度學(xué)習(xí)的ae自編碼和限制波爾茲曼機(jī)(rbm，restrictedboltzmannmachines)方法均為無(wú)監(jiān)督機(jī)器學(xué)習(xí)方法，訓(xùn)練時(shí)可以采用大量無(wú)標(biāo)簽樣本進(jìn)行特征學(xué)習(xí)。

(2)學(xué)習(xí)能力強(qiáng)，可提高故障診斷準(zhǔn)確率。bp神經(jīng)網(wǎng)絡(luò)、svm、elm等方法均屬于淺層機(jī)器學(xué)習(xí)方法，學(xué)習(xí)能力有一定的局限性，應(yīng)用于變壓器故障診斷時(shí)，診斷性能達(dá)到一定高度時(shí)很難再有大的提升；而深度學(xué)習(xí)可以通過(guò)構(gòu)建多層網(wǎng)絡(luò)結(jié)構(gòu)模型來(lái)實(shí)現(xiàn)對(duì)任何復(fù)雜函數(shù)的模擬情況，屬于深層機(jī)器學(xué)習(xí)方法，具有更強(qiáng)的學(xué)習(xí)能力。

圖4為本發(fā)明一種風(fēng)機(jī)狀態(tài)估計(jì)系統(tǒng)的實(shí)施例的結(jié)構(gòu)連接圖，如圖4所示，一種風(fēng)機(jī)狀態(tài)估計(jì)系統(tǒng)包括：獲取模塊401、預(yù)處理模塊402、判斷模塊403、第一輸出模塊404、標(biāo)記模塊405、確定模塊406和第二輸出模塊407。

獲取模塊401，用于獲取風(fēng)機(jī)的在線運(yùn)行數(shù)據(jù)；所述獲取模塊401具體用于獲取風(fēng)機(jī)的風(fēng)速、風(fēng)向、低速軸轉(zhuǎn)速、高速軸轉(zhuǎn)速、偏航轉(zhuǎn)速、主軸軸承溫度、齒輪箱高速軸溫度、齒輪箱油溫、發(fā)電機(jī)繞組溫度、機(jī)艙內(nèi)溫度、機(jī)艙外溫度、冷卻媒溫度、電池溫度、液壓站油壓、齒輪箱濾芯進(jìn)口油壓、齒輪箱濾芯出口油壓、剎車片厚度、剎車片溫度和振動(dòng)頻率。

預(yù)處理模塊402，用于對(duì)所述在線運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理，獲得時(shí)間序列數(shù)據(jù)。

預(yù)處理模塊402，具體包括：去量綱單元、去除單元和整理單元。去量綱單元，用于對(duì)所述在線運(yùn)行數(shù)據(jù)進(jìn)行去量綱處理，得到無(wú)量綱數(shù)據(jù)；去除單元，用于去除所述無(wú)量綱數(shù)據(jù)中的異常點(diǎn)，得到預(yù)處理數(shù)據(jù)；整理單元，用于按照時(shí)間排列，將所述預(yù)處理數(shù)據(jù)整理成數(shù)據(jù)段，得到時(shí)間序列數(shù)據(jù)。

假如有風(fēng)速、風(fēng)向、低速軸轉(zhuǎn)速、高速軸轉(zhuǎn)速4個(gè)測(cè)點(diǎn)的數(shù)據(jù)。每個(gè)測(cè)點(diǎn)的數(shù)據(jù)都是按照時(shí)間采集的一個(gè)一個(gè)的點(diǎn)，這些數(shù)據(jù)是1個(gè)時(shí)間序列。按照5分鐘采集數(shù)據(jù)序列的其中一段，然后把這些數(shù)據(jù)按照時(shí)間順序拼接起來(lái)，就成了一個(gè)數(shù)據(jù)段。這個(gè)數(shù)據(jù)段在程序里面就是一個(gè)矩陣，然后把這些數(shù)據(jù)段通過(guò)編程轉(zhuǎn)換成圖片。

本發(fā)明采用時(shí)間序列數(shù)據(jù)作為輸入的檢測(cè)樣本，相對(duì)于單一的狀態(tài)信息具有時(shí)序性，更加真實(shí)，能夠反映風(fēng)機(jī)系統(tǒng)的時(shí)變信息，提高了風(fēng)機(jī)的故障診斷率。

判斷模塊403，用于通過(guò)在線狀態(tài)監(jiān)測(cè)模型判斷所述時(shí)間序列數(shù)據(jù)是否表示風(fēng)機(jī)處于故障狀態(tài)，得到判斷結(jié)果。

第一輸出模塊404，用于當(dāng)判斷結(jié)果表示風(fēng)機(jī)不處于故障狀態(tài)時(shí)，輸出檢測(cè)結(jié)果為健康。

標(biāo)記模塊405，用于當(dāng)判斷結(jié)果表示風(fēng)機(jī)處于故障狀態(tài)時(shí)，標(biāo)記表示風(fēng)機(jī)處于故障狀態(tài)的所述時(shí)間序列數(shù)據(jù)，得到故障檢測(cè)樣本。

確定模塊406，用于通過(guò)在線故障檢測(cè)模型確定所述故障檢測(cè)樣本所對(duì)應(yīng)的故障類型。風(fēng)機(jī)典型的故障模式主要有以下15種：變槳角度故障、變槳轉(zhuǎn)矩異常、變槳電機(jī)故障、軸承磨損、軸承表面損傷、齒輪點(diǎn)蝕、齒輪磨損、聯(lián)軸器不對(duì)中、偏航定位不準(zhǔn)確、偏航電纜纏繞、限位開(kāi)關(guān)故障、發(fā)電機(jī)轉(zhuǎn)子不平衡、轉(zhuǎn)子繞組匝間短路和釘子繞組匝間短路。

第二輸出模塊407，用于輸出所述故障類型。

本發(fā)明的風(fēng)機(jī)狀態(tài)估計(jì)系統(tǒng)還包括在線狀態(tài)監(jiān)測(cè)模型構(gòu)建模塊和在線故障檢測(cè)模型構(gòu)建模塊(圖3中未示出)。在線狀態(tài)監(jiān)測(cè)模型構(gòu)建模塊，用于構(gòu)建基于深度學(xué)習(xí)的在線狀態(tài)監(jiān)測(cè)模型。在線故障檢測(cè)模型構(gòu)建模塊，用于構(gòu)建基于深度學(xué)的在線故障檢測(cè)模型構(gòu)建。

本發(fā)明采用深度學(xué)習(xí)對(duì)在線狀態(tài)監(jiān)測(cè)模型和在線故障檢測(cè)模型進(jìn)行訓(xùn)練，，并且采用大量的無(wú)標(biāo)簽的數(shù)據(jù)，減少了標(biāo)簽樣本的數(shù)量，節(jié)省了大量的人力、財(cái)力；并且提高了系統(tǒng)的可靠性，減少非計(jì)劃停機(jī)損失和多次維修帶多的額外費(fèi)用；通過(guò)精確定位潛在故障，提高維護(hù)維修效率，減少維修損失。

對(duì)于實(shí)施例公開(kāi)的系統(tǒng)而言，由于其與實(shí)施例公開(kāi)的方法相對(duì)應(yīng)，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法部分說(shuō)明即可。

本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處。綜上所述，本說(shuō)明書內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。