本发明涉及新能源，尤其涉及一种基于scada数据的风机故障诊断方法。
背景技术：
1、近年来风电领域得到了不断发展，风力电机装机量也在日益增加。通常陆上风电机组的设计寿命为20年，海上风电机组的设计寿命为25年，质保期为5年，而风电机组在服役期间由于长期运行会导致部件磨损和损伤累积，故障率逐年增加，这意味着在未来风电事业高速发展的背后，将会是大批己安装的风电机组相继出质保期的现实，届时，风电故障事故也将迎来爆发期，风电行业的快速发展将面临前所未有的严峻挑战。
2、目前，风力机组运维检修主要分事后检修和定期检修两种。事后检修是较为传统的检修方式，即在叶片出现功能性障碍且无法运转时才进行维修，定期检修指叶片使用到规定时间后即进行检修，是当前风力机叶片检修的主流模式。如每月派出巡检人员，利用望远镜、高空绕行下降目测检查(小飞人)、检修平台吊篮等手段进行叶片受损情况检查。以上两种检修方式需专门停机进行检查，且存在安全性差、工作量大、效率低、受观测角度影响等问题。
3、由于无需安装额外的振动传感器且拥有更好的现场实施条件，近年来越来越多的大型风场使用监控和数据采集(supervisory control and data acquisition，scada)系统监控风机组运行状态，风电研究者普遍认为，在scada系统记录的海量多源数据中隐藏着机组的运行状态趋势和潜在故障信息，加之近几年机器学习的兴起和发展，通过合适的算法分析风电机组各类监测数据中故障数据与正常数据的数据特征，从数据特征挖掘角度实现风电机组的故障诊断成为了一个新的研究热点。本发明提供了一种基于scada数据的风机故障诊断方法。
技术实现思路
1、为了解决上述技术问题，本发明提供了一种基于scada数据的风机故障诊断方法，所述方法包括以下步骤：
2、s1、获取风机运行状态下的scada监测数据，对所获取的scada监测数据进行预处理以去除异常数据；
3、s2、从预处理后的scada监测数据中提取风机机舱的x方向振动数据和y方向振动数据，基于频谱分析方法对所提取的振动数据进行分析进而判断是否存在故障，若存在故障则进入步骤s3，若不存在故障则重复步骤s2；
4、s3、将步骤s2中存在故障的对应数据输入预先构建的深度神经网络模型中，进而输出风机叶片的对应故障类别。
5、进一步地，所述步骤s1中对所获取的scada监测数据进行预处理具体包括：
6、s11、从所获取的scada监测数据中找出风机运行状态下的异常数据并对异常数据的类别进行判定；
7、s12、当异常数据为缺失数据时，进一步判断所述缺失数据是否为高频数据，若是高频数据，则采用拟合插值法对缺失数据进行处理，若不是高频数据，则基于前后数据平均值的方法替代所述缺失数据；
8、s13、当异常数据为异常跳跃数据时，利用差分法对所述异常跳跃数据进行处理，以使差分法后的所有异常跳跃数据均在零平衡位置波动。
9、进一步地，所述步骤s13中，若异常跳跃数据经差分法处理后仍大幅度偏离零平衡位置，则直接剔除该异常跳跃数据，同时利用拟合插值法或前后数据平均值法进行补全。
10、进一步地，所述步骤s13中，当剔除的异常跳跃数据为高频数据时，采用拟合插值法进行补全；若不为高频数据，则采用前后数据平均值进行替代补全。
11、进一步地，所述步骤s3中预先构建的深度神经网络模型是基于风机叶片仿真实验数据和风机叶片实际运行过程中scada监测数据进行训练优化得到，所述深度神经网络模型用于输出风机叶片故障类别。
12、进一步地，所述风机叶片故障类别包括叶片表面裂纹故障、叶片磨损故障和叶片变形故障。
13、进一步地，还包括步骤s4、利用图像采集单元实时获取运行状态下风机叶片的表面图像，并将所采集的风机叶片表面图像传输至预先构建的叶片外观深度神经网络模型中对叶片外观瑕疵和损伤进行判断。
14、与现有技术比较，本发明所提供的基于scada数据的风机故障诊断方法，该方法通过对所采集的scada监测数据进行预处理分析，能够有效去除异常数据，为后续故障诊断分析提供了保障，然后基于频谱分析方法对预处理后的scada数据进行分析进而能够准确判断出风机叶片是否存在故障，最后，基于预先设置的深度神经网络模型即可输出风机叶片对应的故障类别。因此，本申请中的故障诊断方法能够有效识别出风机运行过程中的故障及其故障类别，进而减少了风力发电厂的维护成本，能够有效防止因叶片坠落导致意外伤人事故的发生，具有广泛的市场应用前景。
1.一种基于scada数据的风机故障诊断方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于scada数据的风机故障诊断方法，其特征在于，所述步骤s1中对所获取的scada监测数据进行预处理具体包括：
3.如权利要求2所述的基于scada数据的风机故障诊断方法，其特征在于，所述步骤s13中，若异常跳跃数据经差分法处理后仍大幅度偏离零平衡位置，则直接剔除该异常跳跃数据，同时利用拟合插值法或前后数据平均值法进行补全。
4.如权利要求3所述的基于scada数据的风机故障诊断方法，其特征在于，所述步骤s13中，当剔除的异常跳跃数据为高频数据时，采用拟合插值法进行补全；若不为高频数据，则采用前后数据平均值进行替代补全。
5.如权利要求4所述的基于scada数据的风机故障诊断方法，其特征在于，所述步骤s3中预先构建的深度神经网络模型是基于风机叶片仿真实验数据和风机叶片实际运行过程中scada监测数据进行训练优化得到，所述深度神经网络模型用于输出风机叶片故障类别。
6.如权利要求5所述的基于scada数据的风机故障诊断方法，其特征在于，所述风机叶片故障类别包括叶片表面裂纹故障、叶片磨损故障和叶片变形故障。
7.如权利要求6所述的基于scada数据的风机故障诊断方法，其特征在于，还包括步骤s4、利用图像采集单元实时获取运行状态下风机叶片的表面图像，并将所采集的风机叶片表面图像传输至预先构建的叶片外观深度神经网络模型中对叶片外观瑕疵和损伤进行判断。
