一种基于图神经网络的风电轴承预测与健康管理系统及方法

技术领域

本发明涉及风电轴承的领域，具体地说是一种基于图神经网络的风电轴承故障预测与健康管理的系统及方法。

背景技术

风电轴承是风力发电机组中在机械结构部分其传动作用的关键部件，且在不同类型的风力发电机组中的数量较多，其直径与所安装的风力发电机组的兆瓦等级相关，制造成本较高，且涉及风力发电机组的主轴、齿轮箱、偏航、变桨、电机等多个系统。风电轴承在其服役期间的部件状态对于风力发电机组无论是各个系统层级还是整机层级都有重要影响。但由于风电轴承的加工制造因素还是实际运行工况恶劣的问题，从而导致其故障率较高。相较于其他风力发电机组中的非机械故障而言，由于其故障现象不明显，故障原因排查周期长，专家经验依赖程度较高，从而导致风电轴承涉及的机械故障运维周期长，影响风力发电机组的正常运行，直接影响风电场经济效益。因此，实现风电轴承基于状态的维护对与风力发电机组及风电场而言有重要意义。

发明内容

本发明的目的是为了实现风电轴承基于状态的诊断和预测性维护，降低风电轴承运行维护过程中的专家经验依赖程度，提出了一种基于图数据结构的风电轴承故障预测与健康管理的系统及方法；旨在通过提供对于不同风电场SCADA数据和CMS数据等结构化信息的规范接口模块，结合“节点-边(权重)-节点”的三元组图数据处理方法对风电轴承数据进行非欧几里得空间建模，优化风电轴承相关结构化数据和非结构数据的存储方式，并基于该类风电轴承数据结构，结合预训练的图神经网络模型实现对风电轴承的故障预测和健康管理。通过采用此风电轴承故障预测与健康管理的系统及方法，能够有效实现对于风电轴承的状态信息分析，降低人工经验依赖程度，基于数据和知识化经验实现风电轴承的智能化运维，从而降低因风电轴承故障而导致风力发电机组停机引起的效益损失。

为实现上述目的，本发明提供以下技术方案：

一种基于图神经网络的风电轴承预测与健康管理系统及方法，包括数据规范模块，图神经网络模块，知识库模块，交互模块和控制器模块。其中所述的数据规范模块包括数据接口模块，数据预处理模块，图建模模块和数据存储模块。所述数据接口模块提供SCADA数据和CMS数据等结构化数据中的风电轴承数据相关数据的分析筛选功能；所述的数据预处理模块包括数据缺失值处理、信号降噪处理及特征提取方法；所述的图建模模块包括KNN邻近图、路径图等图建模方法；图数据存储模块包括相应的数据规范及相应数据库表；图神经网络模块主要包括基于图节点和图形式预训练得到的退化趋势预测和故障诊断模型，用以实现风电轴承的故障预测；知识库模块主要包括实体关系抽取模块、知识更新模块、知识库存储模块；交互模块主要包括可视化模块和配置模块；控制器模块用于实现各模块功能调度，与数据规范模块，图神经网络模块，知识库模块，交互模块相连；基于图神经网络的风电轴承故障预测与健康管理系统及方法具体流程如下：

S1、获取数据并完成数据预处理和数据建模，并将建模结构存储到数据库中；

S2、结合步骤S1处理得到的图数据，选用预先训练完成的图神经网络模型对风电轴承进行故障预测；

S3、通过S2中得到的故障诊断结果，从而结合轴承信息从知识库中获取相应的健康管理策略；

S4、通过交互模块中可视化模块实现所需数据的展示，并将实际处理结果报表通过需求模块传入知识库中，通过知识库中的实体、关系抽取和知识更新模块实现知识库更新，并将其保存在知识库存储模块对应的数据库中，数据存储模块所对应的数据库优选Neo4j数据库构建。

所述步骤S1具体包括以下内容：

S1-1：通过数据规范模块中的数据接口模块获取结构化数据中与风电轴承相关温度信号、振动信息等传感器信号x；

S1-2：通过步骤S1-1获取的传感器信号对其进行数据缺失值处理、信号降噪及特征提取，得到处理后的传感器信号X，其中信号降噪方法包括EMD、VMD、EEMD和小波降噪等降噪方法，特征提取方法可采用时域原始信号，时域特征和频域信号及特征；

S1-3：将S1-2处理得到的传感器信号X；结合图建模模块构建节以“节点-边(权重)-节点”的三元组的图结构数据，处理方式如下：

G(V,ε)＝Φ(X)

其中，Φ为图建模函数，X为步骤S1-2处理得到的传感器信号，G表示图结构数据，V表示图结构数据中的节点集合，ε表示图结构数据中的边权重集合。X

S1-4：将步骤S1-3处理得到的图结构数据结合数据存储模块对其进行数据存储，数据存储模块所对应的数据库优选Neo4j数据库构建。

所述步骤S2具体包括以下内容：

S2-1：首先对S1步骤处理得到的图数据结合图神经网络模型的节点预测或图预测方法实现风电轴承的退化趋势预测，处理方式如下：

G(V

其中，P为预训练完成的图神经网络预测模型，用于实现图结构或图结构节点预测；G(V,ε)表示步骤S1-3所形成的图数据，G(V

S2-2：基于步骤S2-1步骤获得的退化趋势预测结果对风电轴承进行故障诊断，处理方式如下：

S＝D(G(V

其中，D为预训练完成的图神经网络故障诊断模型，用于实现图结构或图结构节点的故障诊断；G(V

所述步骤S2-1和S2-2中的预训练的图神经网络模型是通过相关轴承的历史数据得到的模型，可以实现风电轴承的退化趋势预测和故障诊断，具体训练流程如下：

S201、根据任务需要步骤S1获取存入数据库中的数据内容，并将其划分为训练集和测试集；

S202、根据任务，结合训练集对搭建的多个图神经网络进行模型参数更新；

S203、根据任务选择不同指标在测试集上验证，若为退化趋势预测任务，则选用均方根指标，否则选用交叉熵指标；根据验证结果对模型可靠性进行判断；根据验证选择最优模型，若模型结果大于阈值，则保留相应的图神经网络模型；否则对图神经网络模型进行扩充；

S204、模型更新:在模型实际运用中，将实际结果与预测结果比较，若准确率低于预测，则重新执行步骤S201，步骤S202，步骤S203。

所述步骤S3中的从知识库中获取健康管理策略的方法包括层次分析法和数据包络分析方法等方法。

所述步骤S1-1、S1-2、S1-3和S2-1、S2-2以及S3中的方法通过控制模块设置，同时可以基于交互模块的配置模块实现方法更新。

与现有技术相比，本发明有益效果如下：

本发明通过数据规范模块中的数据接口模块实现了对不同风电厂商的SCADA数据和CMS数据等结构化数据的规范接口，实现了风电轴承数据的标准化获取，在此信号处理的基础上实现了基于图结构建模的风电轴承数据存储，基于图结构的链表存储方式能够有效加快数据查询和利用，并以图神经网络模型实现了风电轴承的故障预测，并结合知识库信息制定相应的健康管理策略，并能够通过实际的维护报表及时更新知识库，保证知识库信息的有效性，从而对风电轴承实现基于状态的维护，降低专家经验的依赖程度，进而实现智能运维，有效减少由于风电轴承故障造成的经济损失。

附图说明

图1为本发明实施例中的风电轴承的故障预测与健康管理系统的结构示意图；

图2为本发明的实施例1中的风电轴承的故障预测与健康管理系统方法流程图；

图3为本发明的实施例1中的图神经网络模型预训练及更新流程图；

图4为本发明的实施例1中的风电轴承交互模块的可视化模块和配置模块示意图；

图5为本发明的实施例1中通过控制模块设置和基于交互模块的配置模块实现方法更新过程示意图。

具体实施方式

为阐明技术问题、技术方案、实施过程及性能展示，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释。本发明，并不用于限定本发明。以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

实施例1

如图1所示，本发明提出的一种基于图神经网络的风电轴承预测与健康管理系统及方法结构内容主要涉及：数据规范模块S01，图神经网络模块S02，知识库模块S03，交互模块S04和控制器模块S05；其中所述的数据规范模块S01包括数据接口模块S01-01，数据预处理模块S01-02，图建模模块S01-03和数据存储模块S01-04。所述数据接口模块S01-01提供SCADA数据和CMS数据等结构化数据中的风电轴承数据相关数据的分析筛选功能。所述的数据预处理模块S01-02包括数据缺失值处理、信号降噪处理及特征提取方法；所述的图建模模块S01-03包括KNN邻近图、路径图等图建模方法；S01-04图数据存储模块包括相应的数据规范及相应数据库表。图神经网络模块S02主要包括基于图节点和图形式预训练得到的退化趋势预测和故障诊断模型，用以实现风电轴承的故障预测。知识库模块S03主要包括实体关系抽取模块S03-01、知识更新模块S03-02、知识库存储模块S03-03。交互模块S04主要包括可视化模块S04-01和配置模块S04-02；控制器模块S05用于实现各模块功能调度，与数据规范模块S01，图神经网络模块S02，知识库模块S03，交互模块S04相连。

如图2所示，基于图神经网络的风电轴承故障预测与健康管理系统及方法的处理方式，具体流程如下：

S1、获取数据并完成数据预处理和数据建模，并将建模结构存储到数据库中。

S1-1、通过数据规范模块S01中的数据接口模块S01-01获取结构化数据中与风电轴承相关温度信号、振动信息等传感器信号x；

S1-2、通过步骤S1-1获取的传感器信号结合数据预处理模块S01-02对其进行热卡填充处理缺失数据、EMD方法进行信号降噪、时域信号进行特征提取，得到处理后的传感器信号X；

S1-3、将步骤S1-2处理得到的传感器信号X；结合图建模模块S01-03，采用KNN方法构建节以“节点-边(权重)-节点”的三元组的图结构数据，处理方式如下：

G(V,ε)＝KNN(X)

其中，KNN为图建模函数，X为S1-2处理得到的传感器信号，G表示图结构数据，V表示图结构数据中的节点集合，ε表示图结构数据中的边权重集合。X

S1-4、将步骤S1-3处理得到的图结构数据结合数据存储模块S01-04中的数据规范将其存储至数据库中；

S2、结合步骤S1处理得到的图数据，选用图神经网络模块S02中预先训练完成的图神经网络模型对风电轴承进行故障预测；

S2-1、首先对步骤S1处理得到的图数据结合图神经网络模块S02的节点预测方法实现风电轴承的退化趋势预测，处理方式如下：

G(V

其中，P为预训练完成的图神经网络预测模型，用于实现图结构或图结构节点预测；G(V,ε)表示S1-3所形成的图数据，G(V

S2-2、基于S2-1步骤获得的退化趋势预测结果对风电轴承进行故障诊断，处理方式如下:

S＝D(G(V

其中，D为预训练完成的图神经网络故障诊断模型，用于实现图结构或图结构节点的故障诊断。G(V

S3、通过步骤S2-2的到的故障诊断结果，结合轴承信息从知识库模块S03中获取相应的健康管理策略。

S4、通过交互模块S04中可视化模块S04-01实现所需数据的展示，并将实际处理结果报表通过S04-02配置模块传入知识库中，通过知识库模块S03中的实体关系抽取S03-01和知识更新模块S03-02实现知识库更新，并将其保存在知识库存储模块S03-02对应的数据库中。

所述步骤S1-4和S4步骤中数据存储模块所对应的数据库优选Neo4j数据库构建。

所述步骤S2-1和S2-2中的预训练的图神经网络模型是通过相关轴承的历史数据得到的模型，模型结构如图3所示，用以实现风电轴承的退化趋势预测和故障诊断，其训练过程如图4所示，具体训练流程如下：

S201、根据任务需要步骤S1获取存入数据库中的数据内容，并将其划分为训练集和测试集；

S202、根据任务，结合训练集对搭建的多个图神经网络进行模型参数更新；

S203、根据任务选择不同指标在测试集上验证，若为退化趋势预测任务，则选用均方根指标，否则选用交叉熵指标；根据验证结果对模型可靠性进行判断。根据验证选择最优模型，若模型结果大于阈值，则保留相应的图神经网络模型；否则对图神经网络模型进行扩充；

S204、模型更新：在模型实际运用中，将实际结果与预测结果比较，若准确率低于预测，则重新执行步骤S201，步骤S202，步骤S203；

所述步骤S3中的从知识库中获取健康管理策略的方法包括层次分析法和数据包络分析方法等方法；

所述步骤S4中交互模块S04中的可视化模块S04-01和通过配置模块S04-02，如图5所示；

所述S1-1、S1-2、S1-3和S2-1、S2-2以及S3中的方法通过控制模块设置，同时可以基于交互模块的配置模块实现方法更新。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。