一种风电机组的故障判断方法、装置及存储介质与流程

本发明涉及故障判断，特别是涉及一种风电机组的故障判断方法、装置及存储介质。

背景技术：

1、随着全球能源结构的转型和绿色能源的发展，风力发电作为一种清洁、可再生的能源形式，得到了广泛的关注和应用。目前，国内风电产业快速发展，风电机组数量急剧增加，风电机组作为风力发电的重要设备，其是否正常工作与日常生活紧密相关。其中，及时对风电机组上的大型旋转设备进行故障识别，对保证风电机组的正常运转起着至关重要的作用，若风电机组发生故障，且不能及时识别和进行维修，可能会造成停机，从而会影响发电量，不仅造成经济效益的损失，还会影响人们的正常生活。基于此，需要对风电机组进行故障诊断，以对风电机组进行实时监测和检修，确保风电机组安全稳定运行，避免发生故障。传统的风电机组故障诊断方法存在故障判断效率低和故障预测准确率低的问题，无法满足现代风电场的发展需求。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

2、为此，本发明提出了一种风电机组的故障判断方法，通过目标故障判断模型对风电机组的实时数据进行故障判断，能够代替人工定期检查，实现对风电机组状态的实时监控，并在发生故障时及时发出预警，提高了故障判断效率和故障预测准确率，避免了故障扩大或造成更大的损失，提高了风电机组的运行可靠性和稳定性，降低了维护成本。

3、本发明的另一个目的在于提出一种风电机组的故障判断装置。

4、为达上述目的，本发明一方面提出一种风电机组的故障判断方法，所述方法包括：

5、对风电机组进行三维建模，构建所述风电机组的数字孪生模型；

6、获取所述风电机组的历史数据，并对所述历史数据进行数据处理得到第一数据集；

7、基于所述第一数据集和所述数字孪生模型，得到第二数据集；

8、基于所述第二数据集对初始故障判断模型进行训练，得到目标故障判断模型；

9、采集所述风电机组的实时数据，通过所述目标故障判断模型对所述实时数据进行故障判断，得到所述风电机组的故障判断结果。

10、本发明实施例的风电机组的故障判断方法还可以具有以下附加技术特征：

11、本发明的一个实施例中，所述对风电机组进行三维建模，构建所述风电机组的数字孪生模型，包括：

12、获取所述风电机组建模的风机数据和运行数据；

13、对所述风电机组进行几何建模，得到所述风电机组的几何模型；

14、基于所述风机数据、运行数据和几何模型，构建所述风电机组的数字孪生模型。

15、本发明的一个实施例中，所述风电机组的历史数据包括历史振动数据和历史温度数据，所述获取所述风电机组的历史数据，并对所述历史数据进行数据处理得到第一数据集，包括：

16、对所述历史振动数据进行数据处理得到第三数据集；

17、对所述历史温度数据进行数据处理得到第四数据集；

18、基于所述第三数据集和所述第四数据集，得到所述第一数据集。

19、在本发明的一个实施例中，所述基于所述第一数据集和所述数字孪生模型，得到第二数据集，包括：

20、将所述第一数据集映射到所述数字孪生模型中，确定所述第一数据集中各数据对应的故障判断结果；

21、提取所述第一数据集中数据的数据特征；

22、基于所述数据特征和对应的故障判断结果，得到第二数据集。

23、在本发明的一个实施例中，所述基于所述第二数据集对初始故障判断模型进行训练，得到目标故障判断模型，包括：

24、基于预设比例，将所述第二数据集分为训练数据集和测试数据集；

25、利用所述训练数据集对初始故障判断模型进行训练，得到训练完成的故障判断模型；

26、利用所述测试数据集对所述训练完成的故障判断模型进行评估，基于得到的评估结果确定目标风险检测模型。

27、在本发明的一个实施例中，所述利用所述训练数据集对初始故障判断模型进行训练，得到训练完成的故障判断模型，包括：

28、将所述训练数据集输入至初始故障判断模型中，得到预测故障判断结果；

29、基于所述预测故障判断结果和真实故障结果，通过损失函数得到对应的损失值；

30、基于所述损失值更新所述初始故障判断模型中的网络参数，直至所述初始故障判断模型收敛，或者，对所述网络参数的迭代次数达到预设次数时，得到训练完成的故障判断模型。

31、在本发明的一个实施例中，所述方法还包括；

32、若所述风电机组的故障判断结果为故障，则输出所述故障判断结果中的故障类型和触发故障报警机制；

33、基于所述风电机组的实时数据对发生故障的位置进行定位，并输出定位结果。

34、为达上述目的，本发明另一方面提出一种风电机组的故障判断装置，所述装置包括：

35、建模模块，用于对风电机组进行三维建模，构建所述风电机组的数字孪生模型；

36、第一数据处理模块，用于获取所述风电机组的历史数据，并对所述历史数据进行数据处理得到第一数据集；

37、第二数据处理模块，用于基于所述第一数据集和所述数字孪生模型，得到第二数据集；

38、训练模块，用于基于所述第二数据集对初始故障判断模型进行训练，得到目标故障判断模型；

39、故障判断模块，用于采集所述风电机组的实时数据，通过所述目标故障判断模型对所述实时数据进行故障判断，得到所述风电机组的故障判断结果。

40、本发明实施例的风电机组的故障判断方法、装置及存储介质，对风电机组进行三维建模，构建风电机组的数字孪生模型；获取风电机组的历史数据，并对历史数据进行数据处理得到第一数据集；基于第一数据集和数字孪生模型，得到第二数据集；基于第二数据集对初始故障判断模型进行训练，得到目标故障判断模型；采集风电机组的实时数据，通过目标故障判断模型对实时数据进行故障判断，得到风电机组的故障判断结果。由此，本发明通过目标故障判断模型对风电机组的实时数据进行故障判断，能够代替人工定期检查，实现对风电机组状态的实时监控，并在发生故障时及时发出预警，提高了故障判断效率和故障预测准确率，避免了故障扩大或造成更大的损失，提高了风电机组的运行可靠性和稳定性，降低了维护成本。

41、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种风电机组的故障判断方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对风电机组进行三维建模，构建所述风电机组的数字孪生模型，包括：

3.根据权利要求1所述的方法，其特征在于，所述风电机组的历史数据包括历史振动数据和历史温度数据，所述获取所述风电机组的历史数据，并对所述历史数据进行数据处理得到第一数据集，包括：

4.根据权利要求1所述的方法，其特征在于，所述基于所述第一数据集和所述数字孪生模型，得到第二数据集，包括：

5.根据权利要求1所述的方法，其特征在于，所述基于所述第二数据集对初始故障判断模型进行训练，得到目标故障判断模型，包括：

6.根据权利要求5所述的方法，其特征在于，所述利用所述训练数据集对初始故障判断模型进行训练，得到训练完成的故障判断模型，包括：

7.根据权利要求1所述的方法，其特征在于，所述方法还包括；

8.一种风电机组的故障判断装置，其特征在于，所述装置包括：

9.一种电子设备，包括:

10.一种计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现如权利要求1-7中任一所述的方法。

技术总结
本发明公开了风电机组的故障判断方法、装置及存储介质，对风电机组进行三维建模，构建风电机组的数字孪生模型；获取风电机组的历史数据，并对历史数据进行数据处理得到第一数据集；基于第一数据集和数字孪生模型，得到第二数据集；基于第二数据集对初始故障判断模型进行训练，得到目标故障判断模型；采集风电机组的实时数据，通过目标故障判断模型对实时数据进行故障判断，得到风电机组的故障判断结果。由此，本发明通过目标故障判断模型对风电机组的实时数据进行故障判断，能够代替人工定期检查，实现对风电机组状态的实时监控，提高了故障判断效率和故障预测准确率，避免了故障扩大或造成更大的损失，提高了风电机组的运行可靠性和稳定性。

技术研发人员：董虹妤,边卓伟,张新,罗雯予,严帅
受保护的技术使用者：国家电投集团科学技术研究院有限公司
技术研发日：
技术公布日：2024/11/4