CN111472941B - 风机状态判断方法、装置及存储介质 - Google Patents
风机状态判断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111472941B CN111472941B CN201911405476.2A CN201911405476A CN111472941B CN 111472941 B CN111472941 B CN 111472941B CN 201911405476 A CN201911405476 A CN 201911405476A CN 111472941 B CN111472941 B CN 111472941B
- Authority
- CN
- China
- Prior art keywords
- fan
- state
- code
- asc
- standard
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
Abstract
本公开揭示了一种风机状态判断方法、装置及存储介质,所述方法包括:通过获取风机输出的各个活动状态代码ASC和厂家风机状态OS,其中,活动状态代码ASC为风机当前激活的状态代码SC,然后根据选取规则,从各个活动状态代码ASC中获取一个状态代码SC作为主状态代码MSC,最后根据主状态代码MSC以及厂家风机状态OS,获取风机当前的标准风机状态SS,其中标准风机状态SS是适用于各个不同厂家风机的风机状态。通过上述方案,获取当前风机的风机状态与状态代码,根据风机状态与状态代码获得标准风机状态,使风机的监测标准具有统一性,从而提高了风机监测的效率。
Description
技术领域
本发明涉及风力发电技术领域,特别是涉及一种风机状态判断方法、装置及存储介质。
背景技术
风机是风力发电技术中不可或缺的一部分,随着风力发电技术的不断发展,对风机在风力发电的过程中运行状态的判断就显得尤为重要。
如今,在风机运行的过程中,可能会出现各种各样的状态,而不同厂商生产制造的风机判断各种状态时,风机所依据的各种参数标准是不尽相同的,当不同厂商生产制造的风机处于同一状态时,它们的参数以及表示状态的代码数据可能是不同的。
这就导致在实际对风机的状态监控过程中,需要知晓各个风机的状态的代码数据与状态的对应关系,会出现不同厂家生产制造的风机收集到的状态的代码数据不具有普遍性的情况。
发明内容
本公开提供一种风机状态判断方法、装置及存储介质。所述技术方案如下:
根据本公开实施例的第一方面,提供了一种风机状态判断方法,其特征在于,所述方法包括:
获取风机输出的各个活动状态代码ASC和厂家风机状态OS,所述活动状态代码ASC为所述风机当前激活的状态代码SC;
根据选取规则,从所述各个活动状态代码ASC中获取一个所述状态代码SC作为主状态代码MSC;
根据所述主状态代码MSC以及所述厂家风机状态OS,获取所述风机当前的标准风机状态SS,所述标准风机状态SS是适用于各个不同厂家风机的风机状态。
可选的,所述根据选取规则,从所述各个活动状态代码ASC中获取一个所述状态代码SC作为主状态代码MSC,包括:
获取所述各个活动状态代码ASC对应的刹车等级,所述刹车等级与所述活动状态代码ASC对应的风机状态的紧急程度成正相关;
将所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC作为所述主状态代码MSC。
可选的,所述将所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC作为所述主状态代码MSC,包括:
当所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC包含至少两个所述活动状态代码ASC时,将至少两个所述活动状态代码ASC中序号靠前的所述活动状态代码ASC作为所述主状态代码MSC。
可选的,所述根据所述主状态代码MSC以及所述厂家风机状态OS,获取所述风机当前的标准风机状态SS,包括:
查询预先设置的风机标准维度表中与所述主状态代码MSC以及所述厂家风机状态OS组合对应的所述标准风机状态SS,所述风机标准维度表用来确定所述状态代码SC与标准风机状态SS的映射关系。
可选的,所述方法还包括:
通过所述风机的可编程逻辑控制器PLC测点,获取所述风机的测点参数,所述测点参数包括风速参数、功率参数以及桨距角参数;
将所述测点参数以及所述标准风机状态SS输入风机状态预测模型,获得所述风机状态预测模型输出的预测风机状态;所述风机状态预测模型是通过样本数据以及所述样本数据对应的风机状态标注结果训练得到的机器学习模型,所述样本数据包括测点参数样本以及标准风机状态SS样本;
根据所述预测风机状态更新所述标准风机状态SS。
可选的,所述根据所述预测风机状态更新所述标准风机状态SS,包括:
若所述预测风机状态与所述标准风机状态SS不同,则将所述预测风机状态更新为所述标准风机状态SS。
可选的,所述方法还包括:
获取状态代码维度表,所述状态代码维度表用于确定各个维度下的所述状态代码SC;
根据所述各个维度下的所述状态代码SC,确定各个维度下的风机损失电量;
通过聚合计算获取所述风机的总损失电量。
根据本公开实施例的第二方面,提供了一种风机状态判断装置,所述装置包括:
状态获取模块,用于获取风机输出的各个活动状态代码ASC和厂家风机状态OS,所述活动状态代码ASC为所述风机当前激活的状态代码SC;
主状态获取模块,用于根据选取规则,从所述各个活动状态代码ASC中获取一个所述状态代码SC作为主状态代码MSC;
标准状态获取模块,用于根据所述主状态代码MSC以及所述厂家风机状态OS,获取所述风机当前的标准风机状态SS,所述标准风机状态SS是适用于各个不同厂家风机的风机状态。
可选的,所述主状态获取模块,包括:
等级获取子模块,用于获取所述各个活动状态代码ASC对应的刹车等级,所述刹车等级与所述活动状态代码ASC对应的风机状态的紧急程度成正相关;
主状态确认子模块,用于将所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC作为所述主状态代码MSC。
可选的,所述主状态确认子模块,用于,
当所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC包含至少两个所述活动状态代码ASC时,将至少两个所述活动状态代码ASC中序号靠前的所述活动状态代码ASC作为所述主状态代码MSC。
可选的,所述标准状态获取模块,包括:
标准状态查询子模块,用于查询预先设置的风机标准维度表中与所述主状态代码MSC以及所述厂家风机状态OS组合对应的所述标准风机状态SS,所述风机标准维度表用来确定所述状态代码SC与标准风机状态SS的映射关系。
可选的,所述装置还包括:
参数获取模块,用于通过所述风机的可编程逻辑控制器PLC测点,获取所述风机的测点参数,所述测点参数包括风速参数、功率参数以及桨距角参数;
预测状态获取模块,用于将所述测点参数以及所述标准风机状态SS输入风机状态预测模型,获得所述风机状态预测模型输出的预测风机状态;所述风机状态预测模型是通过样本数据以及所述样本数据对应的风机状态标注结果训练得到的机器学习模型,所述样本数据包括测点参数样本以及标准风机状态SS样本;
标准状态更新模块,用于根据所述预测风机状态更新所述标准风机状态SS。
可选的,所述标准状态更新模块,包括:
标准状态更新子模块,用于若所述预测风机状态与所述标准风机状态SS不同,则将所述预测风机状态更新为所述标准风机状态SS。
可选的,所述方法还包括:
维度表获取模块,用于获取状态代码维度表,所述状态代码维度表用于确定各个维度下的所述状态代码SC;
损失电量确定模块,用于根据所述各个维度下的所述状态代码SC,确定各个维度下的风机损失电量;
总损失获取模块,用于通过聚合计算获取所述风机的总损失电量。
根据本公开实施例的第三方面,提供了一种风机状态判断装置,所述装置包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为:
获取风机输出的各个活动状态代码ASC和厂家风机状态OS,所述活动状态代码ASC为所述风机当前激活的状态代码SC;
根据选取规则,从所述各个活动状态代码ASC中获取一个所述状态代码SC作为主状态代码MSC;
根据所述主状态代码MSC以及所述厂家风机状态OS,获取所述风机当前的标准风机状态SS,所述标准风机状态SS是适用于各个不同厂家风机的风机状态。
根据本公开实施例的第四方面,提供了一种计算机设备可读存储介质,所述计算机设备可读存储介质中包含可执行指令,所述可执行指令由处理器调用执行,以实现上述第一方面或者第一方面的任一可选方案所述的风机状态判断方法。
本公开的实施例提供的技术方案可以包括以下有益效果:
通过获取风机输出的各个活动状态代码ASC和厂家风机状态OS,其中,活动状态代码ASC为风机当前激活的状态代码SC,然后根据选取规则,从各个活动状态代码ASC中获取一个状态代码SC作为主状态代码MSC,最后根据主状态代码MSC以及厂家风机状态OS,获取风机当前的标准风机状态SS,其中标准风机状态SS是适用于各个不同厂家风机的风机状态。通过上述方案,获取当前风机的风机状态与状态代码,根据风机状态与状态代码获得标准风机状态,改善了不同厂家生产制造的风机风机状态与状态代码标准不相同导致风机检测出现问题的情况,使风机的监测标准具有统一性,从而提高了风机监测的效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并于说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的实施环境的示意图;
图2是根据一示例性实施例示出的一种风机状态判断方法的流程图;
图3是根据另一示例性实施例示出的一种风机状态判断方法的流程图;
图4是图3所示实施例涉及的一种通过机器学习模型计算SS值的流程图;
图5是根据一示例性实施例示出的一种风机状态判断装置的框图;
图6是根据一示例性实施例示出的一种终端的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
应当理解的是,在本文中提及的“若干个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
为了方便理解,下面对本申请实施例中涉及的名词进行说明。
1)风机
风机是用于气体压缩和气体输送的机械设备,风机可以包括通风机、鼓风机以及风力发电机中,本公开主要应用的风机为风力发电机。风机的主要结构部件是叶轮、机壳、进风口、支架、电机、皮带轮、联轴器、消音器以及轴承等。
制造风机的厂家是不尽相同的,不同的制造风机的厂家对风机状态的判定标准以及对状态类型设置的状态代码是不完全相同的。
2)厂家风机状态(Original Equipment ManufacturerStatus,OS)
厂家风机状态是从风机PLC中得到的风机状态,是风机制造商定义并给出的。
3)风机状态代码(Status Code,SC)
风机状态代码包括故障代码和其他信息代码,是由风机制造商定义并且给出的。
4)机器学习(Machine Learning,ML)
机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
图1是根据一示例性实施例示出的一种实施环境的示意图。该实施环境中包括至少一个风机110以及终端120。
至少一个风机110可以是不同型号的、由不同厂商生产制造的风机设备。
终端120可以是智能手机、平板电脑以及电子书阅读器等移动式便携终端,或者笔记本电脑等计算机设备。
终端120分别与至少一个风机110通过有线或者无线网络相连。
可选的,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中,使用包括超文本标记语言(Hyper Text Mark-up Language,HTML)、可扩展标记语言(Extensible MarkupLanguage,XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer,SSL)、传输层安全(Transport Layer Security,TLS)、虚拟专用网络(Virtual Private Network,VPN)、网际协议安全(Internet ProtocolSecurity,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
图2是根据一示例性实施例示出的一种风机状态判断方法的流程图。该风机状态判断方法由监测终端执行。比如,该监测终端可以是图1所示的终端120。如图2所示,该风机状态判断方法可以包括以下步骤:
在步骤201中,获取风机输出的各个活动状态代码ASC和厂家风机状态OS,该活动状态代码ASC为该风机当前激活的状态代码SC。
在步骤202中,根据选取规则,从该各个活动状态代码ASC中获取一个该状态代码SC作为主状态代码MSC。
在步骤203中,根据该主状态代码MSC以及该厂家风机状态OS,获取该风机当前的标准风机状态SS,该标准风机状态SS是适用于各个不同厂家风机的风机状态。
综上所述,本公开实施例中提供的风机状态判断方法,通过获取风机输出的各个活动状态代码ASC和厂家风机状态OS,其中,活动状态代码ASC为风机当前激活的状态代码SC,然后根据选取规则,从各个活动状态代码ASC中获取一个状态代码SC作为主状态代码MSC,最后根据主状态代码MSC以及厂家风机状态OS,获取风机当前的标准风机状态SS,其中标准风机状态SS是适用于各个不同厂家风机的风机状态。通过上述方案,获取当前风机的风机状态与状态代码,根据风机状态与状态代码获得标准风机状态,改善了不同厂家生产制造的风机风机状态与状态代码标准不相同导致风机检测出现问题的情况,使风机的监测标准具有统一性,从而提高了风机监测的效率。
图3是根据另一示例性实施例示出的一种风机状态判断方法的流程图。该风机状态判断方法由监测终端执行。比如,该监测终端可以是图1所示的终端120。如图3所示,该风机状态判断方法可以包括以下步骤:
在步骤301中,监测终端获取风机输出的各个活动状态代码ASC和厂家风机状态OS。
在本公开实施例中,风机在工作的过程中,风机可以通过主控系统(ProgrammableLogic Controller,PLC)根据当前的自身状态,生成该风机当前激活的状态代码SC作为活动状态代码(Active Status Code,ASC),将活动状态代码ASC以及当前风机的厂家风机状态发送给用来监测该风机状态的终端,该终端接收由风机输出的各个活动状态代码ASC和厂家风机状态OS。
其中,ASC可以当作活动状态字进行显示或者作为事件列表存储在数据库中。
另外,风机的SC可以根据风机的内部构造的不同具有若干个,不同的风机由于内部零件等的差别,其SC的规定标准也是不同的。SC对应的状态是风机更细致的内部状态,比如是风机中的某一配件故障,而OS可以是风机外在的表现状态,OS相较于SC的种类较少,一般不超过十个,比如可以是正常发电,故障停机,环境停机等状态。
可选的,监测终端侧的用户可以将风机的任意一组SC和OS,自定义设置唯一的标准风机状态(Standard Status,SS),将标准风机状态代码与SC和OS组确定为风机标准维度表。
其中,不同厂家制造的风机中的任意一组SC和OS都可以进行自定义设置为唯一的标准风机状态存储在风机标准维度表中,可以由终端进行查询。
比如,当某一厂家制造的风机的状态A对应的SC为001,OS为技术待命;状态B对应的SC为012,OS为正常发电;状态C对应的SC为005,OS为故障停机,则可以设置状态A的标准风机状态代码为0001,状态B的标准风机状态代码为0002,状态C的标准风机状态代码为0003。将该对应关系确定为风机标准维度表。
在步骤302中,监测终端获取该各个活动状态代码ASC对应的刹车等级。
其中,该刹车等级与该活动状态代码ASC对应的风机状态的紧急程度成正相关。
在本公开实施例中,风机在运行的过程中,风机可以生成若干个对应当前的运行状态的ASC,监测终端获取该风机生成的ASC,通过解析各个ASC获得对应的各个ASC的刹车等级。
可选的,刹车等级可以通过评分的方式表示。
其中,刹车等级可以用1~10的分数进行表示,其中分数越高代表该分数对应的ASC紧急程度越高,1分为紧急程度最低的ASC,10分为紧急程度最高的ASC。
比如,当监测终端获取到风机的ASC分别为025、015以及002,可以获取到ASC为025的刹车等级是5分,ASC为015的刹车等级是10分,ASC为002的刹车等级是2分。
在步骤303中,监测终端将该各个活动状态代码ASC中,刹车等级最高的该活动状态代码ASC作为该主状态代码MSC。
在本公开实施例中,当监测终端获取到风机的各个ASC以及各个ASC对应的刹车等级时,从中选出刹车等级最高的ASC作为MSC(Main status Code,主状态代码)。
其中,在当前时刻的风机中有且仅有一个ASC可以作为MSC,MSC为当前激活的ASC中最主要的一个SC。
比如,当监测终端获取到风机的ASC分别为025、015以及002,并且ASC为025的刹车等级是5分,ASC为015的刹车等级是10分,ASC为002的刹车等级是2分,其中ASC为015的刹车等级为所有ASC中最大的,则可以选择015作为该风机该时刻的MSC。
可选的,当该各个活动状态代码ASC中,刹车等级最高的该活动状态代码ASC包含至少两个该活动状态代码ASC时,将至少两个该活动状态代码ASC中序号靠前的该活动状态代码ASC作为该主状态代码MSC。
比如,当监测终端获取到风机的ASC分别为025、015、003以及002,并且ASC为025的刹车等级是5分,ASC为015的刹车等级是10分,ASC为003的刹车等级也是10分,ASC为002的刹车等级是2分,其中刹车等级为所有ASC中最大的ASC为015和003,因为015和003的刹车等级相同,且只能选取其中一个作为MSC,则可以选取序号靠前的ASC作为MSC,其中003相较于015序号更靠前,则可以选择003作为该风机该时刻的MSC。
上述选取MSC的方式为选取规则,根据选取规则,可以从该各个活动状态代码ASC中获取一个该状态代码SC作为主状态代码MSC。
在步骤304中,监测终端查询预先设置的风机标准维度表中与该主状态代码MSC以及该厂家风机状态OS组合对应的该标准风机状态SS。
在本公开实施例中,监测终端查询存储在终端存储器中的风机标准维度表,根据获取的该风机的MSC以及OS的组合对,查询对应的标准风机状态。
其中,风机标准维度表用来确定该状态代码SC与标准风机状态SS的映射关系。
可选的,根据该主状态代码MSC以及该厂家风机状态OS,获取该风机当前的标准风机状态SS,该标准风机状态SS是适用于各个不同厂家风机的风机状态。
比如,厂家甲制造的风机经过监测终端获取到MSC为005,OS为故障停机,查询存储在监测终端的风机标准维度表,可以得到MSC为005,OS为故障停机对应的SS为0012。
步骤301至304中的内容可以使不同厂家制造的风机按照各自的状态代码对应为各个厂家的风机都相同一套标准状态代码。由于不同厂家制造的风机对于各个状态的测点参数的数值标准是不同的,为了使各个风机实际的运行状态与标准状态代码的对应关系更加精准,可以加入步骤305至307的内容。
在步骤305中,监测终端通过该风机的可编程逻辑控制器PLC测点,获取该风机的测点参数。
在本公开实施例中,风机的各个传感器可以测量各个测点的测点参数,风机的主控系统PLC可以记录由各个传感器测得的测点参数。监测终端通过从风机的PLC获取记录的测点参数可以得到各个测点参数的数值。
其中,风机的测点参数可以是用来表示该风机运行过程中涉及到该风机运行状态的各个参数。
可选的,该测点参数可以包括风速参数、功率参数以及桨距角参数。
其中,浆距角是桨叶距离上的夹角,风机的叶片通过改变浆距角可以改变风机叶片的迎风角度从而改变风机的功率。
在步骤306中,监测终端将该测点参数以及该标准风机状态SS输入风机状态预测模型,获得该风机状态预测模型输出的预测风机状态。
在本公开实施例中,风机状态预测模型用于利用监测到的风机测点参数的数据确定风机的运行状态。
其中,该风机状态预测模型是通过样本数据以及该样本数据对应的风机状态标注结果训练得到的机器学习模型,该样本数据包括测点参数样本以及标准风机状态SS样本。
可选的,设置属于不同运行状态的风机的各个测点参数的取值范围,根据监测到的当前各个测点参数的数值按照机器学习模型的计算逻辑进行计算。
比如,图4示出了本公开实施例涉及的一种通过机器学习模型计算SS值的部分流程图,如图4所示,通过机器学习模型计算SS的计算逻辑可以通过如下步骤实现:
S41,监测终端获取到风机的各个测点参数,判断测点参数的数据是否为有效数据,若不是有效数据则停止计时,若是有效数据则进行接下来各个参数的判定。
S42,当判断测点参数的数据为无效数据时,停止计时然后判断风机的状态是否缓存为无连接状态,代码是9,若没有缓存,则缓存代码9;若已经缓存,则输出代码9。结束后延迟1分钟然后继续进行数据是否有效判断。
S43,当判断测点参数的数据为有效数据时,判断风机的功率是否在5kW与50kW之间。
S44,当判断风机的功率在5kW与50kW之间时,停止计时,然后判断风机的状态是否缓存为发电状态,代码是70,若没有缓存,则缓存代码70;若已经缓存,则输出代码70。结束后延迟1分钟然后继续进行数据是否有效判断。
另外,通过上述的逻辑方法可以通过计算其它各个测点参数是否在预定阈值范围,判断风机的运行状态,并且输出对应运行状态的状态代码。
比如,通过计算风速参数以及桨距角参数是否处于预定阈值范围中,可以判断风机是否缓存为停机状态或者缓存为待命状态。
在步骤307中,监测终端根据该预测风机状态更新该标准风机状态SS。
在本公开实施例中,监测终端通过测点参数的计算确定当前风机的预测风机状态,根据该预测风机状态更新该风机状态对应的标准风机状态SS为新的标准风机状态SS。
可选的,若该预测风机状态与该标准风机状态SS不同,则将该预测风机状态更新为该标准风机状态SS。若该预测风机状态与该标准风机状态SS相同,则维持原来的标准风机状态不变。
比如,当监测终端从风机PLC中获取SC与OS,通过步骤301到304获得的SS为待机状态,代码为001,当监测终端通过获取风机的测点参数,通过步骤301到304进行计算得到的新的SS为故障停机,代码为002,则最终该风机当前时刻的SS更新为故障停机,代码为002。
另外,监测终端可以从风机PLC中获取到预先设置的状态代码维度表,根据该各个维度下的该状态代码SC,确定各个维度下的风机损失电量,监测终端通过进行聚合计算,获取该风机的总损失电量。
其中,该状态代码维度表用于确定各个维度下的所述状态代码SC,监测终端可以通过自定义设置各个维度,计算各个维度下的损失电量更加准确灵活的获得风机的运行状态。
综上所述,本公开实施例中提供的风机状态判断方法,通过获取风机输出的各个活动状态代码ASC和厂家风机状态OS,其中,活动状态代码ASC为风机当前激活的状态代码SC,然后根据选取规则,从各个活动状态代码ASC中获取一个状态代码SC作为主状态代码MSC,最后根据主状态代码MSC以及厂家风机状态OS,获取风机当前的标准风机状态SS,其中标准风机状态SS是适用于各个不同厂家风机的风机状态。通过上述方案,获取当前风机的风机状态与状态代码,根据风机状态与状态代码获得标准风机状态,改善了不同厂家生产制造的风机风机状态与状态代码标准不相同导致风机检测出现问题的情况,使风机的监测标准具有统一性,从而提高了风机监测的效率。
图5是根据一示例性实施例示出的一种风机状态判断装置的框图,如图5所示,该风机状态判断装置可以通过硬件或者软硬结合的方式实现为监测终端的全部或者部分,以执行图2或图3任一所示实施例所示的步骤。比如,该监测终端可以是图1所示的终端120,被监测的风机可以是图1所示的风机110。该风机状态判断装置可以包括:
状态获取模块510,用于获取风机输出的各个活动状态代码ASC和厂家风机状态OS,所述活动状态代码ASC为所述风机当前激活的状态代码SC;
主状态获取模块520,用于根据选取规则,从所述各个活动状态代码ASC中获取一个所述状态代码SC作为主状态代码MSC;
标准状态获取模块530,用于根据所述主状态代码MSC以及所述厂家风机状态OS,获取所述风机当前的标准风机状态SS,所述标准风机状态SS是适用于各个不同厂家风机的风机状态。
可选的,所述主状态获取模块,包括:
等级获取子模块,用于获取所述各个活动状态代码ASC对应的刹车等级,所述刹车等级与所述活动状态代码ASC对应的风机状态的紧急程度成正相关;
主状态确认子模块,用于将所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC作为所述主状态代码MSC。
可选的,所述主状态确认子模块,用于,
当所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC包含至少两个所述活动状态代码ASC时,将至少两个所述活动状态代码ASC中序号靠前的所述活动状态代码ASC作为所述主状态代码MSC。
可选的,所述标准状态获取模块,包括:
标准状态查询子模块,用于查询预先设置的风机标准维度表中与所述主状态代码MSC以及所述厂家风机状态OS组合对应的所述标准风机状态SS,所述风机标准维度表用来确定所述状态代码SC与标准风机状态SS的映射关系。
可选的,所述装置还包括:
参数获取模块,用于通过所述风机的可编程逻辑控制器PLC测点,获取所述风机的测点参数,所述测点参数包括风速参数、功率参数以及桨距角参数;
预测状态获取模块,用于将所述测点参数以及所述标准风机状态SS输入风机状态预测模型,获得所述风机状态预测模型输出的预测风机状态;所述风机状态预测模型是通过样本数据以及所述样本数据对应的风机状态标注结果训练得到的机器学习模型,所述样本数据包括测点参数样本以及标准风机状态SS样本;
标准状态更新模块,用于根据所述预测风机状态更新所述标准风机状态SS。
可选的,所述标准状态更新模块,包括:
标准状态更新子模块,用于若所述预测风机状态与所述标准风机状态SS不同,则将所述预测风机状态更新为所述标准风机状态SS。
可选的,所述方法还包括:
维度表获取模块,用于获取状态代码维度表,所述状态代码维度表用于确定各个维度下的所述状态代码SC;
损失电量确定模块,用于根据所述各个维度下的所述状态代码SC,确定各个维度下的风机损失电量;
总损失获取模块,用于通过聚合计算获取所述风机的总损失电量。
需要说明的一点是,上述实施例提供的装置在实现其功能时,仅以上述各个功能模块的划分进行举例说明,实际应用中,可以根据实际需要而将上述功能分配由不同的功能模块完成,即将设备的内容结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开一示例性实施例提供了一种风机状态判断装置,该风机状态判断装置可以通过硬件或者软硬结合的方式实现为监测终端的全部或者部分,以执行图2或图3任一所示实施例所示的步骤。比如,该监测终端可以是图1所示的终端120,被监测的风机可以是图1所示的风机110。该风机状态判断装置还包括:处理器、用于存储处理器可执行指令的存储器;
其中,处理器被配置为:
获取风机输出的各个活动状态代码ASC和厂家风机状态OS,所述活动状态代码ASC为所述风机当前激活的状态代码SC;
根据选取规则,从所述各个活动状态代码ASC中获取一个所述状态代码SC作为主状态代码MSC;
根据所述主状态代码MSC以及所述厂家风机状态OS,获取所述风机当前的标准风机状态SS,所述标准风机状态SS是适用于各个不同厂家风机的风机状态。
可选的,所述根据选取规则,从所述各个活动状态代码ASC中获取一个所述状态代码SC作为主状态代码MSC,包括:
获取所述各个活动状态代码ASC对应的刹车等级,所述刹车等级与所述活动状态代码ASC对应的风机状态的紧急程度成正相关;
将所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC作为所述主状态代码MSC。
可选的,所述将所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC作为所述主状态代码MSC,包括:
当所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC包含至少两个所述活动状态代码ASC时,将至少两个所述活动状态代码ASC中序号靠前的所述活动状态代码ASC作为所述主状态代码MSC。
可选的,所述根据所述主状态代码MSC以及所述厂家风机状态OS,获取所述风机当前的标准风机状态SS,包括:
查询预先设置的风机标准维度表中与所述主状态代码MSC以及所述厂家风机状态OS组合对应的所述标准风机状态SS,所述风机标准维度表用来确定所述状态代码SC与标准风机状态SS的映射关系。
可选的,所述方法还包括:
通过所述风机的可编程逻辑控制器PLC测点,获取所述风机的测点参数,所述测点参数包括风速参数、功率参数以及桨距角参数;
将所述测点参数以及所述标准风机状态SS输入风机状态预测模型,获得所述风机状态预测模型输出的预测风机状态;所述风机状态预测模型是通过样本数据以及所述样本数据对应的风机状态标注结果训练得到的机器学习模型,所述样本数据包括测点参数样本以及标准风机状态SS样本;
根据所述预测风机状态更新所述标准风机状态SS。
可选的,所述根据所述预测风机状态更新所述标准风机状态SS,包括:
若所述预测风机状态与所述标准风机状态SS不同,则将所述预测风机状态更新为所述标准风机状态SS。
可选的,所述方法还包括:
获取状态代码维度表,所述状态代码维度表用于确定各个维度下的所述状态代码SC;
根据所述各个维度下的所述状态代码SC,确定各个维度下的风机损失电量;
通过聚合计算获取所述风机的总损失电量。
图6是根据一示例性实施例示出的一种终端的结构示意图。所述终端600包括中央处理单元(Central Processing Unit,CPU)601、包括随机存取存储器(Random AccessMemory,RAM)602和只读存储器(Read-Only Memory,ROM)603的系统存储器604,以及连接系统存储器604和中央处理单元601的系统总线605。所述计算机设备600还包括帮助计算机设备内的各个器件之间传输信息的基本输入/输出(Input/Output,I/O)系统606,和用于存储操作系统613、应用程序614和其他程序模块615的大容量存储设备607。
所述基本输入/输出系统606包括有用于显示信息的显示器608和用于用户输入信息的诸如鼠标、键盘之类的输入设备609。其中所述显示器608和输入设备609都通过连接到系统总线605的输入输出控制器610连接到中央处理单元601。所述基本输入/输出系统606还可以包括输入输出控制器610以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器610还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备607通过连接到系统总线605的大容量存储控制器(未示出)连接到中央处理单元601。所述大容量存储设备607及其相关联的计算机设备可读介质为计算机设备600提供非易失性存储。也就是说,所述大容量存储设备607可以包括诸如硬盘或者只读光盘(Compact Disc Read-Only Memory,CD-ROM)驱动器之类的计算机设备可读介质(未示出)。
不失一般性,所述计算机设备可读介质可以包括计算机设备存储介质和通信介质。计算机设备存储介质包括以用于存储诸如计算机设备可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机设备存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable ReadOnly Memory,EPROM)、带电可擦可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,EEPROM)、闪存或其他固态存储其技术,CD-ROM、数字视频光盘(Digital Video Disc,DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机设备存储介质不局限于上述几种。上述的系统存储器604和大容量存储设备607可以统称为存储器。
根据本公开的各种实施例,所述终端600还可以通过诸如因特网等网络连接到网络上的远程计算机设备运行。也即终端600可以通过连接在所述系统总线605上的网络接口单元611连接到网络612,或者说,也可以使用网络接口单元611来连接到其他类型的网络或远程计算机设备系统(未示出)。
所述存储器还包括一个或者一个以上的程序,所述一个或者一个以上程序存储于存储器中,中央处理器601通过执行该一个或一个以上程序来实现图2或图3所示的方法的全部或者部分步骤。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本公开实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机设备可读介质中或者作为计算机设备可读介质上的一个或多个指令或代码进行传输。计算机设备可读介质包括计算机设备存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机设备程序的任何介质。存储介质可以是通用或专用计算机设备能够存取的任何可用介质。
本公开实施例还提供了一种计算机设备存储介质,用于储存为上述测试装置所用的计算机设备软件指令,其包含用于执行上述风机状态判断方法所设计的程序。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (8)
1.一种风机状态判断方法,其特征在于,所述方法包括:
获取风机输出的各个活动状态代码ASC和厂家风机状态OS,所述活动状态代码ASC为所述风机当前激活的状态代码SC;
获取所述各个活动状态代码ASC及对应的刹车等级,所述刹车等级与所述活动状态代码ASC对应的风机状态的紧急程度成正相关;
将所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC作为主状态代码MSC;
查询预先设置的风机标准维度表中与所述主状态代码MSC以及所述厂家风机状态OS组合对应的标准风机状态SS,所述风机标准维度表用来确定所述状态代码SC与所述标准风机状态SS的映射关系;所述标准风机状态SS是适用于各个不同厂家风机的风机状态。
2.根据权利要求1所述的方法,其特征在于,所述将所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC作为所述主状态代码MSC,包括:
当所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC包含至少两个所述活动状态代码ASC时,将至少两个所述活动状态代码ASC中序号靠前的所述活动状态代码ASC作为所述主状态代码MSC。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
通过所述风机的可编程逻辑控制器PLC测点,获取所述风机的测点参数,所述测点参数包括风速参数、功率参数以及桨距角参数;
将所述测点参数以及所述标准风机状态SS输入风机状态预测模型,获得所述风机状态预测模型输出的预测风机状态;所述风机状态预测模型是通过样本数据以及所述样本数据对应的风机状态标注结果训练得到的机器学习模型,所述样本数据包括测点参数样本以及标准风机状态SS样本;
根据所述预测风机状态更新所述标准风机状态SS。
4.根据权利要求3所述的方法,其特征在于,所述根据所述预测风机状态更新所述标准风机状态SS,包括:
若所述预测风机状态与所述标准风机状态SS不同,则将所述预测风机状态更新为所述标准风机状态SS。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取状态代码维度表,所述状态代码维度表用于确定各个维度下的所述状态代码SC;
根据所述各个维度下的所述状态代码SC,确定各个维度下的风机损失电量;
通过聚合计算获取所述风机的总损失电量。
6.一种风机状态判断装置,其特征在于,所述装置包括:
状态获取模块,用于获取风机输出的各个活动状态代码ASC和厂家风机状态OS,所述活动状态代码ASC为所述风机当前激活的状态代码SC;
主状态获取模块,用于获取所述各个活动状态代码ASC及对应的刹车等级,所述刹车等级与所述活动状态代码ASC对应的风机状态的紧急程度成正相关;
所述主状态获取模块,还用于将所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC作为主状态代码MSC;
标准状态获取模块,用于查询预先设置的风机标准维度表中与所述主状态代码MSC以及所述厂家风机状态OS组合对应的标准风机状态SS,所述风机标准维度表用来确定所述状态代码SC与所述标准风机状态SS的映射关系;所述标准风机状态SS是适用于各个不同厂家风机的风机状态。
7.一种风机状态判断装置,其特征在于,所述装置包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为:
获取风机输出的各个活动状态代码ASC和厂家风机状态OS,所述活动状态代码ASC为所述风机当前激活的状态代码SC;
获取所述各个活动状态代码ASC及对应的刹车等级,所述刹车等级与所述活动状态代码ASC对应的风机状态的紧急程度成正相关;
将所述各个活动状态代码ASC中,刹车等级最高的所述活动状态代码ASC作为主状态代码MSC;
查询预先设置的风机标准维度表中与所述主状态代码MSC以及所述厂家风机状态OS组合对应的标准风机状态SS,所述风机标准维度表用来确定所述状态代码SC与所述标准风机状态SS的映射关系;所述标准风机状态SS是适用于各个不同厂家风机的风机状态。
8.一种计算机设备可读存储介质,其特征在于,所述计算机设备可读存储介质中包含可执行指令,所述可执行指令由处理器调用执行,以实现上述权利要求1至5任一所述的风机状态判断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911405476.2A CN111472941B (zh) | 2019-12-31 | 2019-12-31 | 风机状态判断方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911405476.2A CN111472941B (zh) | 2019-12-31 | 2019-12-31 | 风机状态判断方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111472941A CN111472941A (zh) | 2020-07-31 |
CN111472941B true CN111472941B (zh) | 2022-06-03 |
Family
ID=71746324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911405476.2A Active CN111472941B (zh) | 2019-12-31 | 2019-12-31 | 风机状态判断方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111472941B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205261A (zh) * | 2021-05-08 | 2021-08-03 | 华润电力技术研究院有限公司 | 风机状态标准化方法、系统、装置及存储介质 |
CN116203910B (zh) * | 2023-04-27 | 2023-07-07 | 三峡智控科技有限公司 | 一种基于异构同源的风机状态映射与判断系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5946673A (en) * | 1996-07-12 | 1999-08-31 | Francone; Frank D. | Computer implemented machine learning and control system |
US6859894B1 (en) * | 2001-11-30 | 2005-02-22 | Emc Corporation | System and method for risk management of errors in software program code |
CN102331775A (zh) * | 2011-07-20 | 2012-01-25 | 南京中德保护控制系统有限公司 | 基于风力发电厂风机状态及故障数据的统一建模方法 |
CN106777392A (zh) * | 2017-02-23 | 2017-05-31 | 国家电网公司 | 基于流计算的风电机组scada数据的实时处理方法 |
CN107271170B (zh) * | 2017-07-12 | 2019-05-31 | 西安因联信息科技有限公司 | 一种机械设备故障类型的自动诊断方法及系统 |
-
2019
- 2019-12-31 CN CN201911405476.2A patent/CN111472941B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5946673A (en) * | 1996-07-12 | 1999-08-31 | Francone; Frank D. | Computer implemented machine learning and control system |
US6859894B1 (en) * | 2001-11-30 | 2005-02-22 | Emc Corporation | System and method for risk management of errors in software program code |
CN102331775A (zh) * | 2011-07-20 | 2012-01-25 | 南京中德保护控制系统有限公司 | 基于风力发电厂风机状态及故障数据的统一建模方法 |
CN106777392A (zh) * | 2017-02-23 | 2017-05-31 | 国家电网公司 | 基于流计算的风电机组scada数据的实时处理方法 |
CN107271170B (zh) * | 2017-07-12 | 2019-05-31 | 西安因联信息科技有限公司 | 一种机械设备故障类型的自动诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111472941A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113517760B (zh) | 一种基于大数据和数字孪生的电池储能站监测方法及系统 | |
JP2019016209A (ja) | 診断装置、診断方法およびコンピュータプログラム | |
CN111552462B (zh) | 物联网设备的设备模型构建方法、装置及存储介质 | |
CN111472941B (zh) | 风机状态判断方法、装置及存储介质 | |
CN116578040B (zh) | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 | |
US20160004794A1 (en) | System and method using generative model to supplement incomplete industrial plant information | |
CN112383891A (zh) | 一种基于物模型自动匹配的设备注册方法和装置 | |
CN113935512A (zh) | 风电功率预测方法、装置、计算机设备和存储介质 | |
CN116779202A (zh) | 基于数字孪生的核电厂转动设备智能故障诊断方法及系统 | |
CN115248584A (zh) | 一种汽车故障远程检测方法、系统、电子设备及存储介质 | |
CN110992205A (zh) | 风电机组发电机绕组的状态检测方法、系统及相关组件 | |
CN114117134A (zh) | 一种异常特征检测方法、装置、设备和计算机可读介质 | |
CN116842811B (zh) | 基于数字孪生的车间产线能耗分析方法、装置及存储介质 | |
CN112148566B (zh) | 计算引擎的监控方法、装置、电子设备及存储介质 | |
US10760549B2 (en) | Method and system for configuring wind turbines | |
EP3608848A1 (en) | Method and device for use in estimating lifecycle of component | |
CN116428124A (zh) | 一种基于同型号设备数量较多的故障诊断方法 | |
WO2021237459A1 (zh) | 基于工业对象模型的数据处理方法、装置及设备 | |
US10573147B1 (en) | Technologies for managing safety at industrial sites | |
CN111291464A (zh) | 一种电力系统动态等值方法及装置 | |
CN113434690B (zh) | 基于聚类算法的用电预测评估方法、装置、系统及介质 | |
US20170242450A1 (en) | Energy management system | |
CN116684306B (zh) | 一种故障预测方法、装置、设备及可读存储介质 | |
JP6707215B1 (ja) | エンジニアリングツール、学習装置、およびデータ収集システム | |
CN117196528A (zh) | 基于数字孪生的数据处理方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Peng Liang Inventor after: Li Huanhuan Inventor after: Zhao Zhilei Inventor after: Mao Lei Inventor before: Peng Liang Inventor before: Li Huanhuan |
|
GR01 | Patent grant | ||
GR01 | Patent grant |