CN111080039B - 一种风机集群故障预测方法及系统 - Google Patents
一种风机集群故障预测方法及系统 Download PDFInfo
- Publication number
- CN111080039B CN111080039B CN202010184236.0A CN202010184236A CN111080039B CN 111080039 B CN111080039 B CN 111080039B CN 202010184236 A CN202010184236 A CN 202010184236A CN 111080039 B CN111080039 B CN 111080039B
- Authority
- CN
- China
- Prior art keywords
- fan
- prediction
- environmental conditions
- fans
- predicted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种风机集群故障预测方法及系统,其中,方法包括:收集待预测风机的基础信息;筛选出需要进行故障预测的预测风机集;划分不同的故障预测等级,基于对应的预测周期进行故障预测;将预测风机集中的风机划分为预测风机子集;基于风机型号选择代表风机;获得与风机发生故障的主要环境条件;构建单位时间段内风机参数变化预测模型,预测代表风机单位时间后的参数及主要环境条件;不断更新代表风机当前的参数及主要环境条件,直到完成代表风机预设时间段内的参数预测;判断风机是否会出现故障及故障出现的时间。本发明实现对大量风机的故障预测,不断更新环境条件进行独立预测,处理成本低、效率高、预测精度高。
Description
技术领域
本发明涉及故障预测领域,具体涉及一种风机集群故障预测方法及系统。
背景技术
随着运转时间的加长,风机内粉尘会不均匀的附着在叶轮上,逐渐破坏风机的动平衡,使轴承振动逐渐加大,一旦振动达到风机允许的最大值时,风机必须停机修理。每年风机故障损失的发电量和故障导致的维护费用都给风电场带来巨大的经济损失。风机通常运行在野外等自然条件下,进行维护的成本较高。因此,对风机的故障提前进行预测可以有效地提前获知风机可能发生的故障,从而可以提取采取措施来避免故障的发生
公开号为CN 108446783A的发明专利申请公开了一种新风机运行功率的预测及监控方法,首先是服务器采集新风机相关数据;建立一个SVM预测模型,得到新风机运行功率SVM预测模型。其次应用该SVM预测模型预测新风机历史数据,计算新风机运行功率预测值与实际值之间的误差。然后计算得出马尔可夫模型;应用该SVM预测模型预测新风机未来运行功率,使用马尔可夫模型修正SVM预测模型初步预测值,得到最终结果;最后将预测模型部署到服务器上,服务器每小时将新风机运行功率实际值和预测值进行对比,当对比值大于150%时,服务器推送提醒信息至用户手机APP上。
上述申请虽然能对风机的故障进行预测,但是风机的数量众多,对所有监测范围内的风机都采用相同的方式进行故障预测处理花销大。且现有的基于环境条件对风机故障进行预测的方案中,都是训练生成环境条件与风机状态间的关系模型,根据环境条件预测风机的状态参数。然而,风机状态不仅与当前的环境条件有关,还与长期所处的环境有关,因此,基于当前环境条件确定风机状态准确率低。因此,如何针对大量的风机实现高精度的故障预测,是本领域亟待解决的问题。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种风机集群故障预测方法及系统。本发明实现对大量风机的故障预测,通过将风机划分为不同的故障预测等级进行不同周期的故障预测,提高了风机的预测效率。不断更新环境条件提高基于环境条件进行故障预测的准确性。
为了实现以上目的,本发明采用以下技术方案:
一种风机集群故障预测方法,包括:
S1、收集待预测风机的基础信息,包括使用年限、已使用时长;
S2、基于所述基础信息对待预测风机进行筛选,筛选出需要进行故障预测的风机组成预测风机集;
S3、将所述预测风机集中的风机基于所述基础信息划分为不同的故障预测等级,风机基于所述故障预测等级对应的预测周期进行故障预测;
S4、基于风机所处的环境条件将所述预测风机集中的风机划分为预测风机子集;
S5、基于预测风机子集中风机的型号为每个所述预测风机子集选择代表风机;
S6、对环境条件进行筛选,获得与风机发生故障的主要环境条件;
S7、采集历史风机主要环境条件及对应的风机参数,构建单位时间段内风机参数变化预测模型;
S8、采集所述代表风机当前的参数及所处的主要环境条件,基于所述单位时间段内风机参数变化预测模型预测代表风机单位时间后的参数;预测代表风机单位时间后的主要环境条件;
S9、基于所述代表风机单位时间后的参数及代表风机单位时间后的主要环境条件更新所述代表风机当前的参数及所处的主要环境条件,继续执行步骤S8,直到完成代表风机预设时间段内的参数预测;
S10、比较代表风机的预测参数值与相应的预设参数阈值,预测代表风机是否会出现故障及故障出现的时间。
进一步地,所述步骤S5具体为:
统计出预测风机子集中的风机型号,为各风机型号任意选择一台风机作为代表风机,代表该预测风机子集中所有与代表风机为同一型号的风机。
进一步地,所述步骤S7具体为:
对采集的历史风机主要环境条件及对应的风机参数基于单位时间划分为多个历史数据段,所述历史数据段包括该段起始时刻所对应的环境条件、起始时刻所对应的风机参数值、终止时刻所对应的风机参数值;基于所述起始时刻所对应的风机参数值、终止时刻所对应的风机参数值计算风机参数值的变化量;将所述起始时刻所对应的环境条件作为输入,所述风机参数值的变化量作为输出,对卷积神经网络进行训练,生成所述单位时间段内风机参数变化预测模型。
进一步地,所述步骤S10还包括:
将代表风机相应的故障预测结果作为同一预测风机子集中型号与其相同的所有其它风机的预测结果。
进一步地,所述步骤S4包括:
计算所述预测风机集中任意两个风机所处环境条件的相似性,对于风机i与风机j,针对的环境条件包括m个,则其环境间的相似度为:
其中,simk为第k个环境条件间的相似度,ωk为第k个环境条件的权重;
基于所述任意两个风机所处环境条件的相似性构建预测风机集中风机环境条件的相似性矩阵,计算所述相似性矩阵的特征向量,设置特征阈值范围,将特征向量中的值划分到不同的特征阈值范围,相应的属于同一阈值范围内的值对应的风机划分到同一预测风机子集。
本发明还提出一种风机集群故障预测系统,包括:
基础信息收集模块,用于收集待预测风机的基础信息,包括使用年限、已使用时长;
筛选模块,用于基于所述基础信息对待预测风机进行筛选,筛选出需要进行故障预测的风机组成预测风机集;
等级划分模块,用于将所述预测风机集中的风机基于所述基础信息划分为不同的故障预测等级,风机基于所述故障预测等级对应的预测周期进行故障预测;
预测风机子集划分模块,用于基于风机所处的环境条件将所述预测风机集中的风机划分为预测风机子集;
代表风机选择模块,用于基于预测风机子集中风机的型号为每个所述预测风机子集选择代表风机;
环境条件筛选模块,用于对环境条件进行筛选,获得与风机发生故障的主要环境条件;
风机参数变化预测模型构建模块,用于采集历史风机主要环境条件及对应的风机参数,构建单位时间段内风机参数变化预测模型;
参数及条件更新模块,用于采集所述代表风机当前的参数及所处的主要环境条件,基于所述单位时间段内风机参数变化预测模型预测代表风机单位时间后的参数;预测代表风机单位时间后的主要环境条件;
循环预测模块,用于基于所述代表风机单位时间后的参数及代表风机单位时间后的主要环境条件更新所述代表风机当前的参数及所处的主要环境条件,调用所述参数及条件更新模块,直到完成代表风机预设时间段内的参数预测;
故障预测模块,用于比较代表风机的预测参数值与相应的预设参数阈值,预测代表风机是否会出现故障及故障出现的时间。
进一步地,所述代表风机选择模块具体为:
统计出预测风机子集中的风机型号,为各风机型号任意选择一台风机作为代表风机,代表该预测风机子集中所有与代表风机为同一型号的风机。
进一步地,所述风机参数变化预测模型构建具体为:
对采集的历史风机主要环境条件及对应的风机参数基于单位时间划分为多个历史数据段,所述历史数据段包括该段起始时刻所对应的环境条件、起始时刻所对应的风机参数值、终止时刻所对应的风机参数值;基于所述起始时刻所对应的风机参数值、终止时刻所对应的风机参数值计算风机参数值的变化量;将所述起始时刻所对应的环境条件作为输入,所述风机参数值的变化量作为输出,对卷积神经网络进行训练,生成所述单位时间段内风机参数变化预测模型。
进一步地,所述故障预测模块还包括:
将代表风机相应的故障预测结果作为同一预测风机子集中型号与其相同的所有其它风机的预测结果。
进一步地,所述预测风机子集划分模块包括:
计算所述预测风机集中任意两个风机所处环境条件的相似性,对于风机i与风机j,针对的环境条件包括m个,则其环境间的相似度为:
其中,simk为第k个环境条件间的相似度,ωk为第k个环境条件的权重;
基于所述任意两个风机所处环境条件的相似性构建预测风机集中风机环境条件的相似性矩阵,计算所述相似性矩阵的特征向量,设置特征阈值范围,将特征向量中的值划分到不同的特征阈值范围,相应的属于同一阈值范围内的值对应的风机划分到同一预测风机子集。
本发明对需要进行故障预测的风机进行筛选,并对筛选出的风机进行分级预测,提高了对大量风机进行故障预测的效率,降低了对大量风机进行故障预测的硬件及软件成本。同时,基于环境条件相似、型号一致的风机其运行状态的变化趋势基本相同的原则,生成预测风机子集及相应的选择代表风机,利用对代表风机的故障预测来实现对所有环境条件相似、型号一致的风机故障预测,进一步降低了对风机进行故障预测的处理量。此外,本发明还对环境条件进行筛选,筛选出对风机故障影响大的主要环境条件,降低了故障预测时的数据处理量,降低了故障预测的复杂度。基于环境条件不断变化切对风机的影响是不断累积的过程,本发明基于单位时间段内风机参数变化预测模型不断对风机的参数进行更新,同时利用更新的环境条件,最终完成预设时间段内的参数预测,使得预测出的参数准确性大大提高。
附图说明
图1是实施例一提供的一种风机集群故障预测方法流程图;
图2是实施例二提供的一种风机集群故障预测系统结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
实施例一
如图1所示,本实施例提出了一种风机集群故障预测方法,包括:
S1、收集待预测风机的基础信息,包括使用年限、已使用时长;
对于待预测的风机,本发明首先收集待预测风机的基础信息。基础信息包括但不限于使用年限、已使用时长。使用年限与该风机的具体型号有关,通过获取该型号对应的官方数据获得。已使用时长通过对风机运行数据的采集进行统计获取。
S2、基于所述基础信息对待预测风机进行筛选,筛选出需要进行故障预测的风机组成预测风机集;
风机广泛用于工厂、矿井、隧道、冷却塔、车辆、船舶和建筑物的通风、排尘和冷却,锅炉和工业炉窑的通风和引风;空气调节设备和家用电器设备中的冷却和通风;谷物的烘干和选送,风洞风源和气垫船的充气和推进等。也就是说,风机数量十分庞大,如果对所有待预测风机都进行预测,无论是硬件花销还是软件花销,都是进行风机故障预测时的重大负担。因此,本发明基于风机的基础信息对待预测风机进行筛选,筛选处需要进行故障预测的风机,所有需要进行故障预测的风机组成预测风机集。具体地,对于使用年限长但是已使用时长短的风机,其发生故障的概率极低。因此,对于此类风机,本发明不进行风险预测。因此,本发明设置阈值δ,进行如下判断:
其中,t已用为已使用时长,T年限为使用年限。若上式成立,则不对该风机进行故障预测,否则将该风机加入预测风机集。值得注意的是,随着风机的基础信息不断改变,不断更新预测风机集。
S3、将所述预测风机集中的风机基于所述基础信息划分为不同的故障预测等级,风机基于所述故障预测等级对应的预测周期进行故障预测;
本发明对已使用时长超过使用年限一定比例的风机进行故障预测。为了进一步降低风机故障预测的处理开销,本发明设置故障预测等级,为预测风机集中的风机采用不同的故障预测周期进行预测。已使用时长与使用年限间的比值越高,相应的风机出现故障的概率越高,即故障预测等级越高,预测周期越短。因此,本发明为风险预测等级设置相应的阈值区间,将风机根据使用时长与使用年限间的比值所属阈值区间将其划分到相应的故障预测等级,基于故障预测等级对应的预测周期进行故障预测。
例如,本发明设置五个故障预测等级I级、II级、III级、IV级、V级,分别对应的阈值区间为[0.9,1]、[0.8,0.9)、[0.7,0.8)、[0.6,0.7)、[δ,0.6),其中,δ为步骤S2中对待预测风机进行筛选所设定的阈值,各故障预测等级所对应的预测周期为三小时、一天、三天、一周、两周。当预测风机集中的风机已使用时长与使用年限间的比值为0.79时,将该风机划分为第III级故障预测等级,每三天进行依次风机故障预测。
S4、基于风机所处的环境条件将所述预测风机集中的风机划分为预测风机子集;
风机所处的环境条件对风机的运行有巨大的影响。因此,不同环境条件中风机的运行趋势不同。因此,本发明基于风机所处的环境条件将预测风机集中的风机划分为预测风机子集,将属于同一预测风机子集中的风机按照相同的规律进行故障预测。环境条件可包括(但不限于)下面参数中的至少一个:风速、温度、湿度、气压、地形信息、空气密度、地表信息等。可以利用各种用于检测环境状况的传感器来实测环境条件。
具体地,依次计算预测风机集中任意两个风机所处环境条件的相似性,对于风机i与风机j,针对的环境条件包括m个,则其环境间的相似度为:
其中,simk为第k个环境条件间的相似度,ωk为第k个环境条件的权重。
例如,当环境条件依次包括风速、温度、湿度、气压、空气密度时,m=5,sim2是风机i与风机j之间所处温度间的相似度。simk具体为:
其中,Xik(t)为风机i在时刻t时第k个环境条件的值,Xjk(t)为风机j在时刻t时第k个环境条件的值,T为环境条件的统计时刻总数。
依次计算预测风机集中任意两个风机所处环境条件的相似性后,能够基于两两风机间的环境相似性构建预测风机集中风机环境条件的相似性矩阵,进一步计算相似性矩阵的特征值,构建相似性矩阵的特征向量。设置相应的特征阈值范围,将特征向量中的值划分到不同的特征阈值范围,相应的属于同一阈值范围内的值对应的风机属于同一预测风机子集。
例如,当预测风机集中包括6个风机A、B、C、D、E、F,按照上述方法计算出的特征向量为(12,38,-5,67,-24,-16),设置阈值范围包括(-100,0]、(0,25]、(25,75],则预测风机集被划分为三个预测风机子集{A}、{B、D}、{C、E、F}。
S5、基于预测风机子集中风机的型号为每个所述预测风机子集选择代表风机;
风机的运行主要与环境条件及自身的固有属性有关。对于相同型号的风机,其风机的组成结构及结构参数相同,在相似的环境条件下表现出的风机运行趋势相似。因此,为了进一步减轻风机预测的处理花销,本发明基于预测风机子集中风机的型号为每个预测风机子集选择代表风机。具体地,统计出预测风机子集中的风机型号,为各风机型号任意选择一台风机作为代表风机,代表该预测风机子集中所有与代表风机为同一型号的风机。
S6、对环境条件进行筛选,获得与风机发生故障的主要环境条件;
实际应用中,风机所处的环境条件复杂,因此风机发生故障的影响因子多,如果对对大量的环境条件进行检测与处理,处理花销大、处理效率低。且存在一些不重要的环境条件,其对风机发生故障的影响很小。因此,本发明需要对对环境条件进行筛选,获得与风机发生故障的主要环境条件。
每一个环境条件即为风机的一个特征,因此,本发明通过特征工程提取出对风机发生故障敏感的指标。首先,本发明通过环境条件的特征从环境条件中选择出比较重要的环境条件。统计学特征包括方差、斜度和峰态,频域特征包括频率,振型和模态曲率,其他特征有回归残差,小波能量和拟合系数。例如,方差越大的特征,可以认为它是比较有用的。如果方差较小,比如小于1,那么这个特征可能对风机故障预测的方法作用没有那么大。最极端的,如果某个特征方差为0,即所有的样本该特征的取值都是一样的,那么它对故障预测模型训练没有任何作用,可以直接舍弃。具体地,本发明设定方差的阈值,当特征的方差小于设定的阈值,剔除该环境条件。
对于筛选出的比较重要的环境条件,如风速、温度、湿度、气压、地形信息、空气密度、地表信息等,通过相关性分析、条件熵、后验概率、逻辑回归权重等方法进行进一步筛选,按变量预测力选出最有用的特征子集。例如,相关性分析中,本发明计算比较重要的环境条件中各环境条件与风机故障的相关系数,相关系数越大,说明该环境条件与风机故障之间的关联越大,也就是说,该环境条件对风机故障的影响越大。本发明收集风机故障的事件及相应的环境条件统计数据,计算桥梁损伤事件中风机故障与环境条件的相关系数。筛选出与风机发生故障相关系数大的环境条件作为主要环境条件。
S7、采集历史风机主要环境条件及对应的风机参数,构建单位时间段内风机参数变化预测模型;
本发明对风机的参数进行预测,进一步基于参数值预测风机是否会出现故障。风机参数包括(但不限于)下面参数中的至少一个:当前转速、偏航方向、变桨角度、输出功率等。例如,当风机为风力发电机时,风机状态参数还可包括发电功率等电气参数。环境条件对风机的参数影响都是日益积累的,且风机所处的环境条件是不断变化的,因此,本发明不断更新风机所处的主要环境条件,分析环境条件对风机参数短期内的改变量,最终实现对风机参数的长期预测。
具体地,本发明对环境条件在单位时间段内对风机参数的影响进行建模分析。对采集的历史风机主要环境条件及对应的风机参数进行预处理,将采集的历史数据基于单位时间划分为多个历史数据段,单位时间在本发明中不作限定,可以为一天、一周等。历史数据段包括该段起始时刻所对应的环境条件、起始时刻所对应的风机参数值、终止时刻所对应的风机参数值。基于起始时刻所对应的风机参数值、终止时刻所对应的风机参数值计算风机参数值的变化量。本发明通过卷积神经网络(Convolutional Neural Networks,CNN)预测环境条件在单位时间段内对风机参数变化量的影响。
例如对于风机的参数——输出功率,假设终止时刻所对应的风机输出功率为Pt,起始时刻对于的风机参数值为Pt-1,则单位时间段内风机的输出功率变化值为Pt-Pt-1,相应地,本发明依次计算出所有其它单位时间段内风机的主要环境条件的变化值。起始时刻所对应的环境条件为时刻t-1时风机主要环境条件值,包括风速、温度、湿度、气压等。本发明将历史风机主要环境条件及对应的风机参数划分为多段历史数据段,构建好卷积神经网络后,将时刻t-1时风机主要环境条件值作为输入,单位时间段内风机的参数变化值作为输出,对卷积神经网络进行训练,生成单位时间段内风机参数变化预测模型。计算单位时间段内风机参数变化预测模型的损失函数对单位时间段内风机参数变化预测模型进行迭代、优化、更新,训练生成单位时间段内风机参数变化预测模型。
S8、采集所述代表风机当前的参数及所处的主要环境条件,基于所述单位时间段内风机参数变化预测模型预测代表风机单位时间后的参数;预测代表风机单位时间后的主要环境条件;
本发明对单位时间段内代表风机参数变化量进行预测,进而计算出风机单位时间后的参数值。具体地,将风机当前的主要环境条件输入单位时间段内风机参数变化预测模型,输出相应的风机参数变化量。例如,预测模型输出的输出功率变化量为Δp,则风机单位时间后的输出功率为Pt=Pt-1+Δp,其中,为当前的风机输出功率,Pt为风机单位时间后的输出功率。
由于风机所处的环境条件不断变化,不同的环境条件对风机的运行影响也完全不同。因此,为了更准确地对风机的故障进行预测,本发明不断更新风机所处的环境条件。风机所处环境条件的预测可以通过天气预报、历史环境信息等进行预测,在此不作限定。例如,将该地区前五年、同时期的天气取均值作为单位时间后的主要环境条件。
S9、基于所述代表风机单位时间后的参数及代表风机单位时间后的主要环境条件更新所述代表风机当前的参数及所处的主要环境条件,继续执行步骤S8,直到完成代表风机预设时间段内的参数预测;
为了实现对风机运行状态长时间的预测,本发明不断更新代表风机当前的参数及所处的主要环境条件,对下一单位时间段后的风机参数进行预测。例如,预测出时刻t的输出功率Pt及主要环境条件后,将更新的环境条件输入单位时间段内风机参数变化预测模型,输出的输出功率变化量为Δp1,则风机单位时间后的输出功率为Pt+1=Pt+Δp,Pt为时刻t+2时的输出功率。本发明能对风机长时期内的参数值进行预测,不断更新预测参数及主要环境条件,直到完成预设时间段内的参数预测。
S10、比较代表风机的预测参数值与相应的预设参数阈值,预测代表风机是否会出现故障及故障出现的时间。
风机正常运行时,风机参数在一定的范围内运行,因此,本发明为各风机参数设置相应的参数阈值,当风机的预测参数大于相应的预设参数阈值时,判断该风机出现故障,即预测出该风机可能会出现故障。根据超过预设参数阈值的预测参数值对应的时间,确定故障出现的时间。
为了提高大量风机的故障预测效率,本发明为每个预测风机子集选择代表风机,代表风机代表了属于同一预测风机子集中型号与其相同的所有风机,因此,本发明将代表风机相应的故障预测结果作为同一预测风机子集中型号与其相同的所有其它风机的预测结果,简化了风机的故障预测处理量。
实施例二
如图2所示,本实施例提出了一种风机集群故障预测系统,包括:
基础信息收集模块,用于收集待预测风机的基础信息,包括使用年限、已使用时长;
对于待预测的风机,本发明首先收集待预测风机的基础信息。基础信息包括但不限于使用年限、已使用时长。使用年限与该风机的具体型号有关,通过获取该型号对应的官方数据获得。已使用时长通过对风机运行数据的采集进行统计获取。
筛选模块,用于基于所述基础信息对待预测风机进行筛选,筛选出需要进行故障预测的风机组成预测风机集;
风机广泛用于工厂、矿井、隧道、冷却塔、车辆、船舶和建筑物的通风、排尘和冷却,锅炉和工业炉窑的通风和引风;空气调节设备和家用电器设备中的冷却和通风;谷物的烘干和选送,风洞风源和气垫船的充气和推进等。也就是说,风机数量十分庞大,如果对所有待预测风机都进行预测,无论是硬件花销还是软件花销,都是进行风机故障预测时的重大负担。因此,本发明基于风机的基础信息对待预测风机进行筛选,筛选处需要进行故障预测的风机,所有需要进行故障预测的风机组成预测风机集。具体地,对于使用年限长但是已使用时长短的风机,其发生故障的概率极低。因此,对于此类风机,本发明不进行风险预测。因此,本发明设置阈值δ,进行如下判断:
其中,t已用为已使用时长,T年限为使用年限。若上式成立,则不对该风机进行故障预测,否则将该风机加入预测风机集。值得注意的是,随着风机的基础信息不断改变,不断更新预测风机集。
等级划分模块,用于将所述预测风机集中的风机基于所述基础信息划分为不同的故障预测等级,风机基于所述故障预测等级对应的预测周期进行故障预测;
本发明对已使用时长超过使用年限一定比例的风机进行故障预测。为了进一步降低风机故障预测的处理开销,本发明设置故障预测等级,为预测风机集中的风机采用不同的故障预测周期进行预测。已使用时长与使用年限间的比值越高,相应的风机出现故障的概率越高,即故障预测等级越高,预测周期越短。因此,本发明为风险预测等级设置相应的阈值区间,将风机根据使用时长与使用年限间的比值所属阈值区间将其划分到相应的故障预测等级,基于故障预测等级对应的预测周期进行故障预测。
例如,本发明设置五个故障预测等级I级、II级、III级、IV级、V级,分别对应的阈值区间为[0.9,1]、[0.8,0.9)、[0.7,0.8)、[0.6,0.7)、[δ,0.6),δ为筛选模块中对待预测风机进行筛选所设定的阈值,各故障预测等级所对应的预测周期为三小时、一天、三天、一周、两周。当预测风机集中的风机已使用时长与使用年限间的比值为0.79时,将该风机划分为第III级故障预测等级,每三天进行依次风机故障预测。
预测风机子集划分模块,用于基于风机所处的环境条件将所述预测风机集中的风机划分为预测风机子集;
风机所处的环境条件对风机的运行有巨大的影响。因此,不同环境条件中风机的运行趋势不同。因此,本发明基于风机所处的环境条件将预测风机集中的风机划分为预测风机子集,将属于同一预测风机子集中的风机按照相同的规律进行故障预测。环境条件可包括(但不限于)下面参数中的至少一个:风速、温度、湿度、气压、地形信息、空气密度、地表信息等。可以利用各种用于检测环境状况的传感器来实测环境条件。
具体地,依次计算预测风机集中任意两个风机所处环境条件的相似性,对于风机i与风机j,针对的环境条件包括m个,则其环境间的相似度为:
其中,simk为第k个环境条件间的相似度,ωk为第k个环境条件的权重。
例如,当环境条件依次包括风速、温度、湿度、气压、空气密度时,m=5,sim2是风机i与风机j之间所处温度间的相似度。simk具体为:
其中,Xik(t)为风机i在时刻t时第k个环境条件的值,Xjk(t)为风机j在时刻t时第k个环境条件的值,T为环境条件的统计时刻总数。
依次计算预测风机集中任意两个风机所处环境条件的相似性后,能够基于两两风机间的环境相似性构建预测风机集中风机环境条件的相似性矩阵,进一步计算相似性矩阵的特征值,构建相似性矩阵的特征向量。设置相应的特征阈值范围,将特征向量中的值划分到不同的特征阈值范围,相应的属于同一阈值范围内的值对应的风机属于同一预测风机子集。
例如,当预测风机集中包括6个风机A、B、C、D、E、F,按照上述方法计算出的特征向量为(12,38,-5,67,-24,-16),设置阈值范围包括(-100,0]、(0,25]、(25,75],则预测风机集被划分为三个预测风机子集{A}、{B、D}、{C、E、F}。
代表风机选择模块,用于基于预测风机子集中风机的型号为每个所述预测风机子集选择代表风机;
风机的运行主要与环境条件及自身的固有属性有关。对于相同型号的风机,其风机的组成结构及结构参数相同,在相似的环境条件下表现出的风机运行趋势相似。因此,为了进一步减轻风机预测的处理花销,本发明基于预测风机子集中风机的型号为每个预测风机子集选择代表风机。具体地,统计出预测风机子集中的风机型号,为各风机型号任意选择一台风机作为代表风机,代表该预测风机子集中所有与代表风机为同一型号的风机。
环境条件筛选模块,用于对环境条件进行筛选,获得与风机发生故障的主要环境条件;
实际应用中,风机所处的环境条件复杂,因此风机发生故障的影响因子多,如果对对大量的环境条件进行检测与处理,处理花销大、处理效率低。且存在一些不重要的环境条件,其对风机发生故障的影响很小。因此,本发明需要对对环境条件进行筛选,获得与风机发生故障的主要环境条件。
每一个环境条件即为风机的一个特征,因此,本发明通过特征工程提取出对风机发生故障敏感的指标。首先,本发明通过环境条件的特征从环境条件中选择出比较重要的环境条件。统计学特征包括方差、斜度和峰态,频域特征包括频率,振型和模态曲率,其他特征有回归残差,小波能量和拟合系数。例如,方差越大的特征,可以认为它是比较有用的。如果方差较小,比如小于1,那么这个特征可能对风机故障预测的方法作用没有那么大。最极端的,如果某个特征方差为0,即所有的样本该特征的取值都是一样的,那么它对故障预测模型训练没有任何作用,可以直接舍弃。具体地,本发明设定方差的阈值,当特征的方差小于设定的阈值,剔除该环境条件。
对于筛选出的比较重要的环境条件,如风速、温度、湿度、气压、地形信息、空气密度、地表信息等,通过相关性分析、条件熵、后验概率、逻辑回归权重等方法进行进一步筛选,按变量预测力选出最有用的特征子集。例如,相关性分析中,本发明计算比较重要的环境条件中各环境条件与风机故障的相关系数,相关系数越大,说明该环境条件与风机故障之间的关联越大,也就是说,该环境条件对风机故障的影响越大。本发明收集风机故障的事件及相应的环境条件统计数据,计算桥梁损伤事件中风机故障与环境条件的相关系数。筛选出与风机发生故障相关系数大的环境条件作为主要环境条件。
风机参数变化预测模型构建,用于采集历史风机主要环境条件及对应的风机参数,构建单位时间段内风机参数变化预测模型;
本发明对风机的参数进行预测,进一步基于参数值预测风机是否会出现故障。风机参数包括(但不限于)下面参数中的至少一个:当前转速、偏航方向、变桨角度、输出功率等。例如,当风机为风力发电机时,风机状态参数还可包括发电功率等电气参数。环境条件对风机的参数影响都是日益积累的,且风机所处的环境条件是不断变化的,因此,本发明不断更新风机所处的主要环境条件,分析环境条件对风机参数短期内的改变量,最终实现对风机参数的长期预测。
具体地,本发明对环境条件在单位时间段内对风机参数的影响进行建模分析。对采集的历史风机主要环境条件及对应的风机参数进行预处理,将采集的历史数据基于单位时间划分为多个历史数据段,单位时间在本发明中不作限定,可以为一天、一周等。历史数据段包括该段起始时刻所对应的环境条件、起始时刻所对应的风机参数值、终止时刻所对应的风机参数值。基于起始时刻所对应的风机参数值、终止时刻所对应的风机参数值计算风机参数值的变化量。本发明通过卷积神经网络(Convolutional Neural Networks,CNN)预测环境条件在单位时间段内对风机参数变化量的影响。
例如对于风机的参数——输出功率,假设终止时刻所对应的风机输出功率为Pt,起始时刻对于的风机参数值为Pt-1,则单位时间段内风机的输出功率变化值为Pt-Pt-1,相应地,本发明依次计算出所有其它单位时间段内风机的主要环境条件的变化值。起始时刻所对应的环境条件为时刻t-1时风机主要环境条件值,包括风速、温度、湿度、气压等。本发明将历史风机主要环境条件及对应的风机参数划分为多段历史数据段,构建好卷积神经网络后,将时刻时风机主要环境条件值作为输入,单位时间段内风机的参数变化值作为输出,对卷积神经网络进行训练,生成单位时间段内风机参数变化预测模型。计算单位时间段内风机参数变化预测模型的损失函数对单位时间段内风机参数变化预测模型进行迭代、优化、更新,训练生成单位时间段内风机参数变化预测模型。
参数及条件更新模块,用于采集所述代表风机当前的参数及所处的主要环境条件,基于所述单位时间段内风机参数变化预测模型预测代表风机单位时间后的参数;预测代表风机单位时间后的主要环境条件;
本发明对单位时间段内代表风机参数变化量进行预测,进而计算出风机单位时间后的参数值。具体地,将风机当前的主要环境条件输入单位时间段内风机参数变化预测模型,输出相应的风机参数变化量。例如,预测模型输出的输出功率变化量为Δp,则风机单位时间后的输出功率为Pt=Pt-1-Δp,其中,Pt-1为当前的风机输出功率,Pt为风机单位时间后的输出功率。
由于风机所处的环境条件不断变化,不同的环境条件对风机的运行影响也完全不同。因此,为了更准确地对风机的故障进行预测,本发明不断更新风机所处的环境条件。风机所处环境条件的预测可以通过天气预报、历史环境信息等进行预测,在此不作限定。例如,将该地区前五年、同时期的天气取均值作为单位时间后的主要环境条件。
循环预测模块,用于基于所述代表风机单位时间后的参数及代表风机单位时间后的主要环境条件更新所述代表风机当前的参数及所处的主要环境条件,调用所述参数及条件更新模块,直到完成代表风机预设时间段内的参数预测;
为了实现对风机运行状态长时间的预测,本发明不断更新代表风机当前的参数及所处的主要环境条件,对下一单位时间段后的风机参数进行预测。例如,预测出时刻t的输出功率Pt及主要环境条件后,将更新的环境条件输入单位时间段内风机参数变化预测模型,输出的输出功率变化量为Δp1,则风机单位时间后的输出功率为Pt+1=Pt+Δp1,Pt为时刻t+2时的输出功率。本发明能对风机长时期内的参数值进行预测,不断更新预测参数及主要环境条件,直到完成预设时间段内的参数预测。
故障预测模块,用于比较代表风机的预测参数值与相应的预设参数阈值,预测代表风机是否会出现故障及故障出现的时间。
风机正常运行时,风机参数在一定的范围内运行,因此,本发明为各风机参数设置相应的参数阈值,当风机的预测参数大于相应的预设参数阈值时,判断该风机出现故障,即预测出该风机可能会出现故障。根据超过预设参数阈值的预测参数值对应的时间,确定故障出现的时间。
为了提高大量风机的故障预测效率,本发明为每个预测风机子集选择代表风机,代表风机代表了属于同一预测风机子集中型号与其相同的所有风机,因此,本发明将代表风机相应的故障预测结果作为同一预测风机子集中型号与其相同的所有其它风机的预测结果,简化了风机的故障预测处理量。
由此可知,本发明提出的风机集群故障预测方法及系统,对需要进行故障预测的风机进行筛选,并对筛选出的风机进行分级预测,提高了对大量风机进行故障预测的效率,降低了对大量风机进行故障预测的硬件及软件成本。同时,基于环境条件相似、型号一致的风机其运行状态的变化趋势基本相同的原则,生成预测风机子集及相应的选择代表风机,利用对代表风机的故障预测来实现对所有环境条件相似、型号一致的风机故障预测,进一步降低了对风机进行故障预测的处理量。此外,本发明还对环境条件进行筛选,筛选出对风机故障影响大的主要环境条件,降低了故障预测时的数据处理量,降低了故障预测的复杂度。基于环境条件不断变化切对风机的影响是不断累积的过程,本发明基于单位时间段内风机参数变化预测模型不断对风机的参数进行更新,同时利用更新的环境条件,最终完成预设时间段内的参数预测,使得预测出的参数准确性大大提高。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种风机集群故障预测方法,其特征在于,包括:
S1、收集待预测风机的基础信息,包括使用年限、已使用时长;
S2、基于所述基础信息对待预测风机进行筛选,筛选出需要进行故障预测的风机组成预测风机集;
S3、将所述预测风机集中的风机基于所述基础信息划分为不同的故障预测等级,风机基于所述故障预测等级对应的预测周期进行故障预测;
S4、基于风机所处的环境条件将所述预测风机集中的风机划分为预测风机子集;
S5、基于预测风机子集中风机的型号为每个所述预测风机子集选择代表风机;
S6、对环境条件进行筛选,获得与风机发生故障的主要环境条件;
S7、采集历史风机主要环境条件及对应的风机参数,构建单位时间段内风机参数变化预测模型;
S8、采集所述代表风机当前的参数及所处的主要环境条件,基于所述单位时间段内风机参数变化预测模型预测代表风机单位时间后的参数;预测代表风机单位时间后的主要环境条件;
S9、基于所述代表风机单位时间后的参数及代表风机单位时间后的主要环境条件更新所述代表风机当前的参数及所处的主要环境条件,继续执行步骤S8,直到完成代表风机预设时间段内的参数预测;
S10、比较代表风机的预测参数值与相应的预设参数阈值,预测代表风机是否会出现故障及故障出现的时间;
所述步骤S4包括:
计算所述预测风机集中任意两个风机所处环境条件的相似性,对于风机i与风机j,针对的环境条件包括m个,则其环境间的相似度为:
其中,simk为第k个环境条件间的相似度,ωk为第k个环境条件的权重;
simk具体为:
其中,Xik(t)为风机i在时刻t时第k个环境条件的值,Xjk(t)为风机j在时刻t时第k个环境条件的值,T为环境条件的统计时刻总数;
基于所述任意两个风机所处环境条件的相似性构建预测风机集中风机环境条件的相似性矩阵,计算所述相似性矩阵的特征向量,设置特征阈值范围,将特征向量中的值划分到不同的特征阈值范围,相应的属于同一阈值范围内的值对应的风机划分到同一预测风机子集。
2.根据权利要求1所述的故障预测方法,其特征在于,所述步骤S5具体为:
统计出预测风机子集中的风机型号,为各风机型号任意选择一台风机作为代表风机,代表该预测风机子集中所有与代表风机为同一型号的风机。
3.根据权利要求2所述的故障预测方法,其特征在于,所述步骤S7具体为:
对采集的历史风机主要环境条件及对应的风机参数基于单位时间划分为多个历史数据段,所述历史数据段包括该段起始时刻所对应的环境条件、起始时刻所对应的风机参数值、终止时刻所对应的风机参数值;基于所述起始时刻所对应的风机参数值、终止时刻所对应的风机参数值计算风机参数值的变化量;将所述起始时刻所对应的环境条件作为输入,所述风机参数值的变化量作为输出,对卷积神经网络进行训练,生成所述单位时间段内风机参数变化预测模型。
4.根据权利要求2所述的故障预测方法,其特征在于,所述步骤S10还包括:
将代表风机相应的故障预测结果作为同一预测风机子集中型号与其相同的所有其它风机的预测结果。
5.一种风机集群故障预测系统,其特征在于,包括:
基础信息收集模块,用于收集待预测风机的基础信息,包括使用年限、已使用时长;
筛选模块,用于基于所述基础信息对待预测风机进行筛选,筛选出需要进行故障预测的风机组成预测风机集;
等级划分模块,用于将所述预测风机集中的风机基于所述基础信息划分为不同的故障预测等级,风机基于所述故障预测等级对应的预测周期进行故障预测;
预测风机子集划分模块,用于基于风机所处的环境条件将所述预测风机集中的风机划分为预测风机子集;
代表风机选择模块,用于基于预测风机子集中风机的型号为每个所述预测风机子集选择代表风机;
环境条件筛选模块,用于对环境条件进行筛选,获得与风机发生故障的主要环境条件;
风机参数变化预测模型构建模块,用于采集历史风机主要环境条件及对应的风机参数,构建单位时间段内风机参数变化预测模型;
参数及条件更新模块,用于采集所述代表风机当前的参数及所处的主要环境条件,基于所述单位时间段内风机参数变化预测模型预测代表风机单位时间后的参数;预测代表风机单位时间后的主要环境条件;
循环预测模块,用于基于所述代表风机单位时间后的参数及代表风机单位时间后的主要环境条件更新所述代表风机当前的参数及所处的主要环境条件,调用所述参数及条件更新模块,直到完成代表风机预设时间段内的参数预测;
故障预测模块,用于比较代表风机的预测参数值与相应的预设参数阈值,预测代表风机是否会出现故障及故障出现的时间;
所述预测风机子集划分模块包括:
依次计算所述预测风机集中任意两个风机所处环境条件的相似性,对于风机i与风机j,针对的环境条件包括m个,则其环境间的相似度为:
其中,simk为第k个环境条件间的相似度,ωk为第k个环境条件的权重;
simk具体为:
其中,Xik(t)为风机i在时刻t时第k个环境条件的值,Xjk(t)为风机j在时刻t时第k个环境条件的值,T为环境条件的统计时刻总数;
基于所述任意两个风机所处环境条件的相似性构建预测风机集中风机环境条件的相似性矩阵,计算所述相似性矩阵的特征向量,设置特征阈值范围,将特征向量中的值划分到不同的特征阈值范围,相应的属于同一阈值范围内的值对应的风机划分到同一预测风机子集。
6.根据权利要求5所述的故障预测系统,其特征在于,所述代表风机选择模块具体为:
统计出预测风机子集中的风机型号,为各风机型号任意选择一台风机作为代表风机,代表该预测风机子集中所有与代表风机为同一型号的风机。
7.根据权利要求6所述的故障预测系统,其特征在于,所述风机参数变化预测模型构建具体为:
对采集的历史风机主要环境条件及对应的风机参数基于单位时间划分为多个历史数据段,所述历史数据段包括该段起始时刻所对应的环境条件、起始时刻所对应的风机参数值、终止时刻所对应的风机参数值;基于所述起始时刻所对应的风机参数值、终止时刻所对应的风机参数值计算风机参数值的变化量;将所述起始时刻所对应的环境条件作为输入,所述风机参数值的变化量作为输出,对卷积神经网络进行训练,生成所述单位时间段内风机参数变化预测模型。
8.根据权利要求6所述的故障预测系统,其特征在于,所述故障预测模块还包括:
将代表风机相应的故障预测结果作为同一预测风机子集中型号与其相同的所有其它风机的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010184236.0A CN111080039B (zh) | 2020-03-17 | 2020-03-17 | 一种风机集群故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010184236.0A CN111080039B (zh) | 2020-03-17 | 2020-03-17 | 一种风机集群故障预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111080039A CN111080039A (zh) | 2020-04-28 |
CN111080039B true CN111080039B (zh) | 2023-10-20 |
Family
ID=70324654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010184236.0A Active CN111080039B (zh) | 2020-03-17 | 2020-03-17 | 一种风机集群故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080039B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330077B (zh) * | 2021-01-04 | 2021-09-24 | 南方电网数字电网研究院有限公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
CN113915153A (zh) * | 2021-09-30 | 2022-01-11 | 山东浪潮通软信息科技有限公司 | 一种矿用通风机异常检测的方法、系统、设备和存储介质 |
CN117057676B (zh) * | 2023-10-11 | 2024-02-23 | 深圳润世华软件和信息技术服务有限公司 | 多数据融合的故障分析方法、设备及存储介质 |
CN117648005B (zh) * | 2024-01-25 | 2024-04-05 | 天津新科联泰金属制品有限公司 | 基于空气湿度的设备控制方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217247A (zh) * | 2013-05-29 | 2014-12-17 | 国际商业机器公司 | 用于预测风场中的风机的输出功率的方法和装置 |
CN106097146A (zh) * | 2016-06-20 | 2016-11-09 | 重庆大学 | 一种计及运行状态的风电机组短期可靠性预测方法 |
WO2016185630A1 (ja) * | 2015-05-18 | 2016-11-24 | 三菱電機株式会社 | 室内環境モデル作成装置 |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
CN108549951A (zh) * | 2018-03-09 | 2018-09-18 | 璇飞(武汉)科技有限公司 | 一种基于关键器件的船用电气设备寿命预测方法及装置 |
CN108985329A (zh) * | 2018-06-11 | 2018-12-11 | 浙江上风高科专风实业有限公司 | 一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法 |
CN109118384A (zh) * | 2018-07-16 | 2019-01-01 | 湖南优利泰克自动化系统有限公司 | 一种风电机组健康预警方法 |
CN109583075A (zh) * | 2018-11-26 | 2019-04-05 | 湖南科技大学 | 基于温度参数预测的永磁直驱风力机服役质量评价方法 |
CN110555477A (zh) * | 2019-08-30 | 2019-12-10 | 青岛海信网络科技股份有限公司 | 一种市政设施故障预测方法及装置 |
CN110685857A (zh) * | 2019-10-16 | 2020-01-14 | 湘潭大学 | 一种基于集成学习的山地风电机组行为预测模型 |
CN110796281A (zh) * | 2019-08-26 | 2020-02-14 | 广西电网有限责任公司电力科学研究院 | 基于改进深度信念网络的风电机组状态参数预测方法 |
CN110807562A (zh) * | 2020-01-07 | 2020-02-18 | 杭州鲁尔物联科技有限公司 | 一种区域性桥梁风险预测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105114348B (zh) * | 2015-09-09 | 2017-10-31 | 长春合成兴业能源技术有限公司 | 基于电站运行数据的引风机故障预警装置和方法 |
US20170161614A1 (en) * | 2015-12-07 | 2017-06-08 | Rapidsos, Inc. | Systems and methods for predicting emergency situations |
CN110006014A (zh) * | 2018-01-05 | 2019-07-12 | 通用电气照明解决方案有限公司 | 一种灯和灯的风扇寿命预测系统及其方法 |
-
2020
- 2020-03-17 CN CN202010184236.0A patent/CN111080039B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217247A (zh) * | 2013-05-29 | 2014-12-17 | 国际商业机器公司 | 用于预测风场中的风机的输出功率的方法和装置 |
WO2016185630A1 (ja) * | 2015-05-18 | 2016-11-24 | 三菱電機株式会社 | 室内環境モデル作成装置 |
CN106097146A (zh) * | 2016-06-20 | 2016-11-09 | 重庆大学 | 一种计及运行状态的风电机组短期可靠性预测方法 |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
CN108549951A (zh) * | 2018-03-09 | 2018-09-18 | 璇飞(武汉)科技有限公司 | 一种基于关键器件的船用电气设备寿命预测方法及装置 |
CN108985329A (zh) * | 2018-06-11 | 2018-12-11 | 浙江上风高科专风实业有限公司 | 一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法 |
CN109118384A (zh) * | 2018-07-16 | 2019-01-01 | 湖南优利泰克自动化系统有限公司 | 一种风电机组健康预警方法 |
CN109583075A (zh) * | 2018-11-26 | 2019-04-05 | 湖南科技大学 | 基于温度参数预测的永磁直驱风力机服役质量评价方法 |
CN110796281A (zh) * | 2019-08-26 | 2020-02-14 | 广西电网有限责任公司电力科学研究院 | 基于改进深度信念网络的风电机组状态参数预测方法 |
CN110555477A (zh) * | 2019-08-30 | 2019-12-10 | 青岛海信网络科技股份有限公司 | 一种市政设施故障预测方法及装置 |
CN110685857A (zh) * | 2019-10-16 | 2020-01-14 | 湘潭大学 | 一种基于集成学习的山地风电机组行为预测模型 |
CN110807562A (zh) * | 2020-01-07 | 2020-02-18 | 杭州鲁尔物联科技有限公司 | 一种区域性桥梁风险预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
Shokouh Pourarian 等.A tool for evaluating fault detection and diagnostic methods for fan coil units.《Energy and Buildings》.2017,第136卷第151-160页. * |
姚万业 等.基于Hadoop平台的风机群落故障预警.《电力科学与工程》.2018,第34卷(第06期),第66-72页. * |
谢亚平.基于人工智能技术的风机健康诊断研究.《信息技术与标准化》.2019,(第05期),第58-61页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111080039A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080039B (zh) | 一种风机集群故障预测方法及系统 | |
CN107944622B (zh) | 基于连续时段聚类的风电功率预测方法 | |
WO2018171165A1 (zh) | 预测风机的故障的方法和设备 | |
CN107480440A (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
CN109522627B (zh) | 基于scada数据的风机叶片结冰预测方法 | |
CN111652461A (zh) | 基于sae-hmm的航空发动机连续健康状态评估方法 | |
CN109116444B (zh) | 基于PCA-kNN的空气质量模式PM2.5预报方法 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN112611584B (zh) | 风力发电机组的疲劳失效检测方法、装置、设备及介质 | |
CN111680454A (zh) | 基于双重注意力机制的风机叶片结冰故障预测方法 | |
CN115358347B (zh) | 一种针对不同子系统下智能电表的剩余寿命预测方法 | |
CN115796059B (zh) | 一种基于深度学习的电气设备寿命预测方法及系统 | |
CN113361766A (zh) | 一种集成机器学习的多模式降水预估方法 | |
CN116776745B (zh) | 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
CN113935512A (zh) | 风电功率预测方法、装置、计算机设备和存储介质 | |
CN112746934A (zh) | 一种自联想神经网络诊断风机故障方法 | |
CN113048807A (zh) | 一种空冷机组背压异常检测方法 | |
CN111047121B (zh) | 一种风机故障预测方法及系统 | |
CN110737975B (zh) | 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法 | |
CN116029465A (zh) | 转折性天气日前风电功率预测方法、装置、介质及设备 | |
CN113468473B (zh) | 户外固定大型机械设备的运行状态实时评估方法及系统 | |
CN104217247A (zh) | 用于预测风场中的风机的输出功率的方法和装置 | |
Lei et al. | Prediction model of the large commercial building cooling loads based on rough set and deep extreme learning machine | |
CN108446783A (zh) | 一种新风机运行功率的预测及监控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |