一种风机部件故障预警方法、系统和计算机设备与流程

本发明涉及故障预警，更具体地，涉及一种风机部件故障预警方法、系统和计算机设备。

背景技术：

1、目前利用深度神经网络方法预测风电机组大部件关键测点数据进行预警，利用高斯混合模型处理具有风机多状态的复杂信息、拟合残差并输出基于劣化指数的风电机组大部件故障预警方法以及利用高斯混合模型、动态时间规整及熵权值算法三者紧密结合，提出一种基于群体多维特征相似性的故障预警策略实现对大部件的故障预测。都具有一定的局限性，依靠深度神经网络算法建立的监测模型存在模型学习时间过长，学习效率过低问题，不适应于在线工程应用。目前的高故障预警模型大部分是直接利用高斯混合模型(gmm)算法对大部件实时监测数据进行异常值检测聚类，得出每个簇类的概率分布及簇中心，再通过3sigma标准或其他异常阈值标准判断现场工况的是否异常预警。没有考虑到现场风机运行条件多样，运行工况受风速和负载大小影响，多变的运行条件导致非平稳、非线性的实时监测信号和更加严重的噪声干扰，现场的工况数据较复杂且有缺失值、异常值，通过单一关键测点数据或多个相关测点数据异常概率分布和均值3sigma法则及设定的经验阈值来判断工况，容易出现误报。

技术实现思路

1、本发明为克服上述的缺陷，提供一种风机部件故障预警方法、系统和计算机设备，如何通过采用高斯混合模型和卷积神经网络的结合，对风机实际运行状态进行实时监测，及时发现潜在的故障风险，并进行预警，从而提高风机部件故障预警的准确性，减少了风机误报警的发生。

2、为解决上述技术问题，本发明的技术方案如下：

3、本发明提供了一种风机部件故障预警方法，包括：

4、获取预设时段内风机部件相关测点和关键测点的实时运行数据；

5、将所述预设时段内风机部件相关测点和关键测点的实时运行数据输入训练好的高斯混合聚类模型，获得每个时刻风机部件对应的工况类别；

6、基于所述每个时刻风机部件对应的工况类别，选择该工况类别对应的训练好的卷积神经网络模型，输入预设时间段内风机部件相关测点和关键测点的实时运行数据，获得每个时刻风机部件关键测点的预测运行数据；

7、基于所述每个时刻风机部件关键测点的预测运行数据和实时运行数据计算每个时刻风机部件关键测点的差异，根据所述差异确定每个时刻风机部件关键测点的运行状态；

8、基于所述每个时刻风机部件关键测点的运行状态，确定所述预设时间段内风机部件关键测点的故障状态。

9、优选地，获取训练好的高斯混合聚类模型包括：

10、获取风机部件相关测点和关键测点的历史运行数据，组建历史运行数据集；

11、对所述历史运行数据集进行预处理，获得预处理后的历史运行数据集；

12、利用k-means算法对所述每个预处理后历史运行数据集的簇类数量进行聚合，获得历史运行数据集的最优簇类中心数量值；

13、将历史运行数据集的最优簇类中心数量值初始化后应用到构建的高斯混合聚类模型中，输入预处理后的历史运行数据集进行训练，直到达到预设训练次数，获得训练好的高斯混合聚类模型。

14、优选地，获得训练好的卷积神经网络模型包括：

15、将所述预处理后的历史运行数据集输入训练好的高斯混合聚类模型中进行分类，获得风机部件各历史数据对应的工况类别；

16、将具有相同工况类别的历史运行数据进行汇聚，获得若干个不同工况类别的历史运行数据集；

17、建立若干个卷积神经网络模型，分别对应输入一个工况类别的历史数据进行训练，并设置均方差损失函数进行反向传播和优化，获得每个工况类别对应的训练好的卷积神经网络模型。

18、优选地，所述卷积神经网络模型包括依次连接的输入层、第一卷积层、第一激活层、第一池化层、第二卷积层、第二激活层、第二池化层、第三卷积层、第三激活层、第三池化层、第四卷积层、第四激活层、第四池化层、第五卷积层、第五激活层、第五池化层、第六卷积层、第六激活层、第六池化层、全连接层和输出层。

19、优选地，所述均方差损失函数的公式为：

20、

21、其中，n为输入数据张量数量，yi为第i个输入数据张量的回归预测值，为第k个输入数据张量每行的关键测点实际值。

22、优选地，基于所述每个时刻风机部件关键测点的预测运行数据和实时运行数据计算每个时刻风机部件关键测点的差异，根据所述差异确定每个时刻风机部件关键测点的运行状态包括：

23、设定残差阈值，基于所述每个时刻风机部件关键测点的预测运行数据和实时运行数据计算每个时刻风机部件关键测点的残差，将所述残差与所述残差阈值进行比较，若该关键测点的残差没有落入残差阈值范围内，该关键测点被标记为异常运行状态，否则被标记为正常运行状态。

24、优选地，设定残差阈值包括：

25、将所述每个工况类别的历史运行数据集输入对应的训练好的卷积神经网络模型中，获得每个工况类别的历史运行数据集中关键测点的历史运行预测值；

26、将每个工况类别的历史运行数据集中关键测点的历史运行数据作为该关键测点的历史运行目标值；

27、将每个工况类别的历史运行数据集中的关键测点的历史运行预测值与历史运行目标值作差，得到每个工况类别的关键测点残差范围数据集；

28、将关键测点残差范围数据集中的最大值和最小值，作为残差范围上下限残差值，获得该工况类别的残差阈值。

29、优选地，基于所述每个时刻风机部件关键测点的运行状态，确定所述预设时间段内风机部件关键测点的故障状态，包括：

30、统计所述预设时间段内风机部件关键测点的运行状态为异常运行状态的时刻的数量，与预设时间段内的时刻总数量求取比值，获得所述预设时间段内风机部件关键测点的异常率；当所述异常率大于预设的异常率阈值时，则确定该预设时间段内风机部件关键测点异常，产生预警信息。

31、本发明还包括一种风机部件故障预警系统，用于实现上述的方法，包括：

32、数据采集模块，获取预设时段内风机部件相关测点和关键测点的实时运行数据；

33、工况识别模块，将所述预设时段内风机部件相关测点和关键测点的实时运行数据输入训练好的高斯混合聚类模型，获得每个时刻风机部件对应的工况类别；

34、预测运行模块，基于所述每个时刻风机部件对应的工况类别，选择该工况类别对应的训练好的卷积神经网络模型，输入预设时间段内风机部件相关测点和关键测点的实时运行数据，获得每个时刻风机部件关键测点的预测运行数据；

35、状态监测模块，基于所述每个时刻风机部件关键测点的预测运行数据和实时运行数据计算每个时刻风机部件关键测点的差异，根据所述差异确定每个时刻风机部件关键测点的运行状态；

36、故障检测模块，基于所述每个时刻风机部件关键测点的运行状态，确定所述预设时间段内风机部件关键测点的故障状态。

37、本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的步骤。

38、与现有技术相比，本发明技术方案的有益效果是：

39、本发明提供了一种风机部件故障预警方法、系统和计算机设备，通过收集风机部件在预设时段的实时运行数据，利用高斯混合聚类模型对数据进行分类，确定风机在每个时刻的工况，提高了对风机在不同运行状态下的识别能力；根据工况类别，使用相应的卷积神经网络模型预测关键测点的运行数据，使故障预测更加精确和个性化；计算预测数据与实时数据的差异，并与设定的残差阈值比较，以判断测点运行状态；实时监测和故障预警有助于保证风机的稳定运行，减少意外停机时间，提高风机运行的可靠性；根据测点的运行状态，确定风机部件在预设时段内的故障状态；通过对实时数据的动态监测和分析，能够及时发现异常并进行预警，减少潜在故障的漏报和误报。