先进制造技术

本发明属于风电机组状态监测与故障预警领域，涉及一种基于图神经网络的风电机组故障预警方法，S1、多变量时间序列获取及数据预处理；S2、解耦工况变化对温度变量的影响，获得解耦后的温度传感器数据；S3、将解耦处理后的健康数据输入时空图网络，提前时空关联特征；S4、根据验证集设定阀值；S5、将在线数据输入模型并计算异常分数，根据阀值判断是否故障预警；本发明通过解耦工况变化对温度状态参数的影响，并利用图神经网络有效提取不同温度传感器参数之间的动态时空特征，提高了故障预警准确度和可靠性。

提高故障预警精度：图神经网络能够捕捉风电机组各部件间的复杂关系，实现更精准的故障预警，减少误报和漏报，提升运维效率。

降低运维成本：通过早期故障预警，减少突发停机和大规模维修，降低风电机组的运维成本，提高风电场的经济效益。

延长设备使用寿命：及时预警和处理潜在故障，避免设备过度损耗，延长风电机组的使用寿命，保障风电场的长期稳定运行。

推动智能风电发展：该技术为风电场的智能化运维提供支持，推动风电行业向数字化、智能化转型，提升整体运营水平。

本发明提出了一种基于图神经网络的风电机组故障预警方法，该方法通过建立工况参数与温度状态参数之间的非线性模型，可以有效解耦工况变化对温度参数的影响。而且，本发明方法通过设计基于自注意力机制自适应构造动态图邻接矩阵，可以自适应学习不同温度参数时间的关联性，同时使用图卷积网络充分提取空间特征和设计时间卷积模块提取时间特征，实现了对时空特征的有效提取，从而建立了基于温度变量的全局状态监测模型，实现了机组故障的早期可靠预警，有利于及时对机组进行处理和维护，避免机组及其关键部件的深度伤害。