张羽　辛克锋　刘洋广　纪洪涛　洪晓伟

摘 要：针对风机故障诊断，本文提出了一种基于数据和模型自更新的风机故障诊断方法。方法融合了机器学习模型和经验模型两类判据，通过两者的配合诊断风机的故障。同时方法提供了一套自更新机制，将经验诊断模型不断转换机器学习模型判据，使系统对诊断故障的准确率越来越高。

关键词：风机；故障诊断；SCADA数据；自更新模型

中图分类号：TM315 文献标识码：A 文章编号：1671-2064（2018）04-0169-02

1 引言

作为一种新型的清洁能源，风电在近几年来发展迅速，风能被认为是一种可以替代传统能源的清洁能源[1]。现代风场通常装备了监督控制和数据采集（SCADA）系统，大多数以10分钟的频率采集大量的运行时数据，具体包括：风速和气象信息，风能转换信息，设备的震动信息、机械状态信息、不同部件的温度等信息[2]。使用SCADA数据进行风机的故障诊断具有很多优点，例如不需要加装额外的传感器和硬件设备，安装和使用成本低等[3]。随着人工智能在工业领域的广泛应用，针对风机故障诊断的机器学习方法越来越多。文献[4]提出了一种基于人工神经元网络的风机故障诊断方法，文献[5，6]使用了基于专家经验的模糊判定方法来进行故障的诊断。本文提出了一套针对风机故障诊断的系统架构，利用相关性分类和故障数据特征选择的方法定性地确定SCADA数据的输入对故障的影响大小。同时本文方法提供了一种将经验类诊断模型换为学习型故障诊断模型的机制，从而不断提高对故障的诊断效率。……