基于海量数据代价敏感学习的直驱风电机组故障诊断方法研究

Direct-drive wind turbine with none-gearbox is one of the most popular equipment for wind power. The terrific working circumstance accounts for the frequently turbine fault. However, fault diagnosis for turbines is characterized by the class imbalance of fault samples and normal samples. The fault diagnosis methods based on traditional machine learning cannot solve this issue since they do not take into account cost-sensitive factor. The main goal of this project is to investigate novel methods for fault diagnosis using cost-sensitive learning on massive data. The key techniques are as follows: (1) Analyzing and modeling the class-imbalanced problem of massive data. We will propose the fault diagnosis models and their fast algorithms based on cost-sensitive support vector machine and support vector data description for direct-drive wind turbine under with massive data. (2) Taking into account the class imbalance and noise characteristics, we develop novel diagnosis methods based on the parallel simultaneous optimization of massive data cost-sensitive support vector machine for direct drive wind turbine, which is to improve the robustness; (3) Considering problems of class imbalance and expensive labeling cost, simultaneously, we develop novel parallel strategy under uncertainty sampling for direct drive wind turbine, which is to improve the fault diagnosis rate. The results of this project will be the foundation of online fault diagnosis and optimization maintenance for direct drive wind turbines.

直驱风电机组因无齿轮箱成为风电场主流装机型式，但由于工作环境恶劣使得故障频发。针对直驱风电机组运行过程中故障样本缺乏、正常样本数量巨大，导致海量数据中出现类别不平衡问题，使得传统机器学习方法的故障诊断性能难以满足现代风电场的要求。本项目研究基于海量数据代价敏感学习的直驱风电机组故障诊断方法，包括：(1)分析和形式化描述海量数据中的类别不平衡问题，构建海量数据背景下的代价敏感支持向量机和支持向量数据描述的直驱风电机组故障诊断模型及快速求解算法；(2)同时考虑类别不平衡和噪音特征问题，研究基于并行同步优化的海量数据代价敏感支持向量机直驱风电机组故障诊断方法，以提高该方法的鲁棒性；(3)同时考虑类别不平衡和标注代价昂贵问题，研究基于并行不确定性采样的海量数据代价敏感支持向量机直驱风电机组故障诊断方法，以提高该方法的故障诊断率。本项目的研究结果将为实现直驱风电机组在线故障诊断和优化维护奠定基础。

直驱风电机组故障频发、故障诊断困难，急需快速有效的直驱风电机组故障诊断方法。基于海量数据代价敏感学习的直驱风电机组故障诊断有助于提高风电机组安全性和降低风电企业运营成本。.针对直驱风电机组运行过程海量数据中类别不平衡、噪音特征等问题，建立基于海量数据代价敏感学习的直驱风电机组故障诊断新方法。开展以下三个方面的研究：.首先，研究了增量代价敏感支持向量机和代价敏感最小二乘支持向量机风电机组故障诊断模型。.针对风电机组齿轮箱运行过程中故障样本缺乏、正常样本充裕的问题，提出基于增量代价敏感支持向量机的风电机组故障诊断方法。实验结果表明，该方法能有效地减少平均误分类代价和训练时间，提高齿轮箱故障识别率。.针对风电机组齿轮箱故障诊断方法默认各种误分类代价相同，而实际问题中误分类代价通常存在很大差异的问题，提出基于代价敏感最小二乘支持向量机的风电机组故障诊断方法。实验结果表明，该方法能具有助于提高误分类代价高的故障类样本的诊断正确率，具有代价敏感性，其训练速度也足以满足风电机组齿轮箱故障诊断实时性的需求。.其次，研究了故障诊断模型参数优化的进化算法。.针对故障诊断模型的参数优化问题，研究了一种新型非线性收敛因子的灰狼优化算法、求解高维优化问题的混合灰狼优化算法、融合对立学习的混合灰狼优化算法、求解大规模优化问题的改进鲸鱼优化算法和基于Logistic模型的改进人工蜂群算法。实验结果表明所提方法的有效性。.最后，研究了基于代价敏感大间隔分布机的风电机组故障诊断。.针对大型风电机组运行过程中类不平衡和误分类代价不等数据分类的重要性，提出了基于代价敏感大间隔分布机的风电机组故障检测方法。实验结果表明，代价敏感大间隔分布机有更好代价敏感性、gMean和更低的平均误分类代价。.本项目研究内容丰富了基于代价敏感学习的风电机组故障诊断理论。所提出方法具有较好的泛化能力，不仅适用于风电机组故障诊断，而且适用于其他工业故障诊断过程。