CN114738205A - 一种浮式风机基础的状态监测方法、装置、设备和介质 - Google Patents

Abstract

本发明公开了一种浮式风机基础的状态监测方法、装置、设备和介质，包括：海上控制器获取浮式风机基础的传感器集群的原始监测数据，并对原始监测数据进行处理，获得目标监测数据，将目标监测数据通过目标网络传输至陆地服务器；陆地服务器通过目标网络接收目标监测数据，并将目标监测数据输入至数字孪生模型，通过数字孪生模型对目标监测数据进行分析，确定浮式风机基础的健康状态。本发明可以提高目标监测数据的准确性，降低目标监测数据的冗余度，通过数字孪生模型对浮式风机基础进行动态仿真，模拟浮式风机基础的所处环境以及在该环境下的物理参数，进而确定浮式风机基础的健康状态，提高了浮式风机基础的健康状态的确定效率以及准确性。

Description

一种浮式风机基础的状态监测方法、装置、设备和介质

技术领域

本发明涉及海上风电技术领域，尤其涉及一种浮式风机基础的状态监测方法、装置、设备和介质。

背景技术

漂浮式海上风机一般远离陆地，漂浮式海上风机基础(简称浮式风机基础)作为漂浮式海上风机的重要部分，处于复杂的海洋环境之中，长期承受结构内部相互作用荷载，以及风、浪、流共同作用的环境荷载和环境腐蚀等多重作用，导致结构容易断裂失效、屈曲失稳、振动疲劳损伤，给海上风电带来重大安全隐患；同时海上通达性差，运维检修难度大，无法全面掌控浮式风机基础的运行状况，目前只能通过定期巡检和形成的故障影响发现故障，耗费大量的人力和造成巨大的经济损失。

目前，为了监控浮式风机基础的状态，通过在浮式风机基础的关键部位布置相应的监测传感器，获取浮式风机基础的状态数据，再进行远距离传输和对数据进行处理，在陆地上集控中心展示。然而，该方式的数据传输量巨大，导致数据传输错误的事故频发，进而使得浮式风机基础的状态监控不准确，对于故障的预测和识别大多数采用阈值判别法，准确程度不高。

发明内容

本申请实施例通过提供一种浮式风机基础的状态监测方法、装置、设备和介质，解决了现有技术中由于通过远距离传输获得浮式风机基础的全部监测数据，导致数据传输量巨大，数据异常的情况频发，使得浮式风机基础的状态监控不准确的技术问题，实现了提高传输效率，降低发生数据异常情况的发生几率，提高浮式风机基础的状态监控的准确率的技术效果。

第一方面，本申请提供了一种浮式风机基础的状态监测方法，应用于状态监控系统，状态监控系统包括通过目标网络连接的海上控制器和陆地服务器，海上控制器设置在海上的浮式风机基础上，方法包括：

海上控制器获取浮式风机基础的传感器集群的原始监测数据，并对原始监测数据进行处理，获得目标监测数据，将目标监测数据通过目标网络传输至陆地服务器，其中，目标监测数据的准确度大于预设准确度阈值，目标监测数据的冗余度小于预设冗余度阈值；

陆地服务器通过目标网络接收目标监测数据，并将目标监测数据输入至预构建的数字孪生模型，通过数字孪生模型对目标监测数据进行分析，确定浮式风机基础的健康状态。

进一步地，海上控制器获取浮式风机基础的传感器集群的原始监测数据，并对原始监测数据进行处理，获得目标监测数据，包括：

海上控制器获取浮式风机基础的传感器集群的原始监测数据，原始监测数据包括传感器集群中每个传感器采集的原始监测子数据；

对每个传感器对应的原始监测子数据进行去噪滤波处理、异常数据诊断修复处理和实时计算，得到每个传感器对应的目标监测子数据，目标监测数据包括传感器集群中每个传感器对应的目标监测子数据，所述目标监测子数据包括各个传感器对应的极值、算数平均值、方差和单参数报警阈值。

进一步地，海上控制器对每个传感器对应的原始监测子数据进行去噪滤波处理，包括：

根据各传感器数据特征对每个传感器对应的原始监测子数据进行小波变换处理，以获取高质量的监测数据。

进一步地，海上控制器对每个传感器对应的原始监测子数据进行异常数据诊断修复处理，包括：

根据每个原始监测子数据的数据特征，确定每个原始监测子数据的异常数据识别机制；

根据每个原始监测子数据的异常数据识别机制，对每个原始监测子数据进行异常数据识别；

当对应的原始监测子数据存在异常数据时，将存在异常数据的原始监测子数据标记为待修复子数据；

确定待修复子数据的异常类型，并根据待修复子数据的异常类型，确定待修复子数据对应的数据修复机制；

根据待修复子数据对应的数据修复机制，对待修复子数据进行数据修复。

进一步地，海上控制器获取浮式风机基础的传感器集群的原始监测数据，并对原始监测数据进行处理，获得目标监测数据，包括：

确定原始监测数据的实际准确度和实际冗余度；

当实际准确度小于等于预设准确度阈值时，对原始监测数据进行数据修复，使得修复后的原始监测数据的准确度大于预设准确度阈值；

当实际冗余度大于等于预设冗余度阈值时，对原始监测数据进行数据简化，使得简化后的原始监测数据的冗余度小于预设冗余度阈值，以得到目标监测数据；

针对准确度大于所述预设准确度阈值且冗余度小于所述预设冗余度阈值的目标监测数据，通过实时计算，确定各个传感器对应的极值、算数平均值、方差和单参数报警阈值，用于实现基于阈值判断法的单参数报警和传感器故障诊断。

进一步地，陆地服务器通过目标网络接收目标监测数据，包括：

陆地服务器根据预设传输需求，确定海上控制器和陆地服务器之间的目标传输模式；预设传输需求包括传输效率和传输正确率之间的权重；

控制目标网络按照目标传输模型接收目标监测数据。

进一步地，陆地服务器将目标监测数据输入至预构建的数字孪生模型，通过数字孪生模型对目标监测数据进行分析，确定浮式风机基础的健康状态，包括：

陆地服务器通过数字孪生模型对目标监测数据进行分析，确定浮式风机基础的实际状态参数；

根据实际状态参数与故障状态参数，确定浮式风机基础的健康状态。

第二方面，本申请提供了一种浮式风机基础的状态监测装置，装置包括：

数据采集处理模块，用于获取浮式风机基础的传感器集群的原始监测数据，并对原始监测数据进行处理，获得目标监测数据，将目标监测数据通过目标网络传输至陆地服务器，其中，目标监测数据的准确度大于预设准确度阈值，目标监测数据的冗余度小于预设冗余度阈值；

健康状态监控模块，用于通过目标网络接收目标监测数据，并将目标监测数据输入至预构建的数字孪生模型，通过数字孪生模型对目标监测数据进行分析，确定浮式风机基础的健康状态。

第三方面，本申请提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，处理器被配置为执行以实现如第一方面提供的一种浮式风机基础的状态监测方法。

第四方面，本申请提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现如第一方面提供的一种浮式风机基础的状态监测方法。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请先利用浮式风机基础本地的海上控制器对传感器采集的数据进行处理，得到目标监测数据，以提高目标监测数据的准确性，降低目标监测数据的冗余度，再将满足准确率和冗余度需求的目标监测数据通过目标网络传输至海上服务器，以通过数字孪生模型对浮式风机基础进行动态仿真，模拟浮式风机基础的所处环境以及在该环境下的物理参数，进而确定浮式风机基础的健康状态，提高了浮式风机基础的健康状态的确定效率以及准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请提供的一种浮式风机基础的状态监测方法的流程示意图；

图2为本申请提供的一种状态监控系统结构示意图；

图3为本申请提供的状态监控系统的拓扑示意图；

图4为本申请提供的浮式风机基础、数字孪生模型和虚拟空间之间的关系示意图；

图5为本申请提供的一种浮式风机基础的状态监测装置的结构示意图；

图6为本申请提供的一种电子设备的结构示意图。

具体实施方式

本申请实施例通过提供一种浮式风机基础的状态监测方法，解决了现有技术中由于通过远距离传输获得浮式风机基础的全部监测数据，导致数据传输量巨大，数据异常的事故频发，使得浮式风机基础的状态监控不准确的技术问题。

本申请实施例的技术方案为解决上述技术问题，总体思路如下：

一种浮式风机基础的状态监测方法，应用于状态监控系统，状态监控系统包括通过目标网络连接的海上控制器和陆地服务器，海上控制器设置在海上的浮式风机基础上，方法包括：海上控制器获取浮式风机基础的传感器集群的原始监测数据，并对原始监测数据进行处理，获得目标监测数据，将目标监测数据通过目标网络传输至陆地服务器，其中，目标监测数据的准确度大于预设准确度阈值，目标监测数据的冗余度小于预设冗余度阈值；陆地服务器通过目标网络接收目标监测数据，并将目标监测数据输入至预构建的数字孪生模型，通过数字孪生模型对目标监测数据进行分析，确定浮式风机基础的健康状态。

本实施例先利用浮式风机基础本地的海上控制器对传感器采集的数据进行处理，得到目标监测数据，以提高目标监测数据的准确性，降低目标监测数据的冗余度，再将满足准确率和冗余度需求的目标监测数据通过目标网络传输至海上服务器，以通过数字孪生模型对浮式风机基础进行动态仿真，模拟浮式风机基础的所处环境以及在该环境下的物理参数，进而确定浮式风机基础的健康状态，提高了浮式风机基础的健康状态的确定效率以及准确性。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

首先说明，本文中出现的术语“和/或”，仅仅是一种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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本实施例提供了如图1所示的一种浮式风机基础的状态监测方法，应用于如图2所示的状态监控系统，状态监控系统包括通过目标网络连接的海上控制器和陆地服务器，海上控制器设置在海上的浮式风机基础上，陆地服务器可以设置在陆地上，也可以设置在海上监控站。海上控制器先对浮式风机基础上采集的原始监测数据进行初步处理，对原始监测数据进行精简、修复和计算，得到目标监测数据，再将目标监测数据通过目标网络传输至陆地服务器进行进一步分析，陆地服务器将目标监测数据输入至数字孪生模型，通过数字孪生模型，确定浮式风机基础的健康状态。

图1所示的一种浮式风机基础的状态监测方法具体包括：

步骤S11，海上控制器获取浮式风机基础的传感器集群的原始监测数据，并对原始监测数据进行处理，获得目标监测数据，将目标监测数据通过目标网络传输至陆地服务器，其中，目标监测数据的准确度大于预设准确度阈值，目标监测数据的冗余度小于预设冗余度阈值。

步骤S12，陆地服务器通过目标网络接收目标监测数据，并将目标监测数据输入至预构建的数字孪生模型，通过数字孪生模型对目标监测数据进行分析，确定浮式风机基础的健康状态。

浮式风机基础设置有传感器集群，包括环境监测传感器和风机监测传感器等，环境监测传感器用于监测浮式风机基础附近的风速、风向等海风参数，浪高、海流、潮位、温度等海浪参数。风机监测传感器用于监测浮式风机基础本身在当前环境下表现的应力参数、应变参数、振动参数、倾斜参数等物理参数。

海上控制器作为浮式风机基础的本地控制器，可以直接获取传感器集群中各个传感器采集的原始监测数据，并直接在本地对原始监测数据进行处理(数据处理过程将在后续说明，此处不再赘述)，以获得可以远程传输至陆地服务器的目标监测数据。获得的目标监测数据相比于原始监测数据而言，其数据准确度提高且高于预设准确度阈值，其数据冗余度也降低且低于预设冗余度阈值，进而数据量缩小，即需要远程传输的数据量减小，数据在传输过程中的丢失概率、削弱概率也会降低，相对而言，数据传输效率则会提高。海上控制器可以是边缘计算盒子，以对原始监测数据进行处理，得到目标监测数据。

陆地服务器通过目标网络从海上控制器接收目标监测数据，陆地服务器依赖于预先构建的数字孪生模型对目标监测数据进行分析，对浮式风机基础的状态进行动态仿真，实时确定浮式风机基础的健康状态。陆地服务器通过对处理后的目标监测数据进行分析，监控浮式风机基础的健康状态，基于目标监测数据的冗余度较低，可以降低数据处理量，提高浮式风机基础的状态监控效率，基于目标监测数据的错误率较低，也可以提高浮式风机基础的状态监控准确性。

其中，目标网络可以是有线网络、无线网络或者海底电缆光纤等网络，具体网络形式可以根据实际情况进行选择。

如图3所示，为本实施例提供的状态监控系统的拓扑图。浮式风机基础上设置的传感器集群采集的原始监测数据传输至本地的海上控制器，海上控制器对原始监测数据进行去噪滤波、异常数据诊断与恢复处理、实时计算，得到目标监测数据(目标监测数据包括各个传感器对应的极值、算数平均值、方差和单参数报警阈值)，目标监测数据通过目标网络传输至陆地服务器，由陆地服务器的数据孪生模型进行数据分析，监控浮式风机基础的健康状态。海上控制器还可以通过目标网络传输至人机交互设备，陆地服务器中数据孪生模型的数据分析过程和结果也可以传输至人机交互设备。

具体地，根据浮式风机基础实体构建数字孪生模型，通过数字孪生模型构建出与浮式风机基础实体对应的虚拟模型，虚拟模型通过三维可视化的形式在人机交互界面展示浮式风机基础的实时状态。浮式风机基础的数字孪生模型可通过机器学习方法，可以不断训练和优化，提高故障识别算法的精度，逐步提高上浮式风机基础故障的诊断准确率。

如图4所示，为浮式风机基础、数字孪生模型和虚拟空间之间的关系示意图。其中，实体空间中的物理实体代表的是海上浮式风机基础在设计时对应的实际的性能，如基础的尺寸、倾斜角度、振动频率和结构的强度等。状态实体是指传感器监测的各种状态数据，即基于物联网技术，在海上浮式风机基础的关键位置布置相应的传感器，获取海上浮式风机基础物理实体的状态数据。由于海上环境复杂，海上浮式风机基础长期承受结构自身内部作用载荷、风浪流共同作用的环境载荷和结构腐蚀等的影响，海上浮式风机基础的特性会发生变化，因此将浮式风机基础的实时状态记为状态实体。本实施例提及的实时状态的采集频率可以根据实际情况确定，本实施例对此不作限制。

数字孪生模型则是基于实时水动力时域仿真分析、实测修正的风浪流参数计算、浮式基础有限元分析、大位移柔性多体实时动力分析并行计算技术、以及可以快速、准确计算的大时间步和收敛性控制技术，实现物理实体的虚拟空间的实时仿真模型，可实时掌握物体实体的实时状况。基于海上控制器的数据处理技术，将基于传感器集群获取的海上浮式风机基础的目标监测数据输入到数字孪生模型，经过计算，以对浮式风机基础的健康状态进行实时评估。

关于虚拟空间，通过数字孪生模型计算出来的结果即为虚拟空间，反映的是海上浮式风机基础物理实体与虚拟(数字)实体的映射，两者之间的状态是联动的。为了更好地展示虚拟(数字)实体，还可以通过三维可视化技术，构建海上浮式风机基础实时的三维可视化模型，可以更加直观的看到海上浮式风机基础的实时状态。

在实际操作时，由于海上风电所处的环境是动态的，数字孪生模型是基于海上风电原始的设计参数进行构建的，虚拟空间与实体空间会存在一定的差异，随着传感数据的大量输入，可对数字孪生模型进行不断地训练，使计算结果与实体实现高度的实时模拟仿真；同时虚拟空间的计算结果也可不断地对数字孪生模型进行反馈，促使数字孪生模型和虚拟空间不断地迭代更新，提高数字孪生模型和虚拟空间的准确性，进而提高浮式风机基础监测的准确性。

综上所述，本实施例通过海上控制器在浮式风机基础本地先对数据进行降噪滤波、计算和修复，能够有效提高数据的准确度和减小冗余数据，进而可以减小由于长距离传输导致数据丢失、失真的情况发生；再基于数字孪生技术，能够全面获取浮式风机基础结构的状态信息，进而可以快速准确地监控浮式风机基础的实时状态，降低浮式风机基础的维护难度和维护成本。

本实施例基于传感器监测技术的特点，在浮式风机基础的本地就实时批量处理原始监测数据，获取高质量的目标监测数据，再将目标监测数据传输至陆地服务器；基于数字孪生技术，以陆地服务器作为载体，使得在远距离的地方就可以实时掌握海上浮式风机基础的状态，以及对海上浮式风机基础进行故障诊断，辅助海上风电运维决策。

具体地，海上控制器获取浮式风机基础的传感器集群的原始监测数据，并对原始监测数据进行处理，获得目标监测数据，包括：

步骤S21，海上控制器获取浮式风机基础的传感器集群的原始监测数据，原始监测数据包括传感器集群中每个传感器采集的原始监测子数据。

传感器集群包括多个传感器，每个传感器采集的数据记为原始监测子数据，海上控制器从每个传感器获取原始监测子数据，并进行存储。

传感器在出厂投入使用时，其灵敏度较高，随着传感器投入使用的时间的增长，在海上环境中的侵蚀下，其灵敏度会发生变化；并且，由于浮式风机基础周围的风电场环境复杂，传感器会受到干扰，传感器获取的原始数据中就会存在大量异常数据，如果异常数据不予以识别、剔除或修补而直接传递至陆地控制器用于分析，会导致分析结果不准确。另外，大量异常数据对于网络传输的要求很高，又会占用较大的存储空间，给网络传输设备和存储设备带来巨大的负荷；不经过处理(例如识别、剔除或修补处理)的数据在传输的过程，由于数据原始数据质量不佳，传输的数据量又很大，很容易造成原始数据的丢失、失真。本实施例为了解决这个问题，则在风电场侧(也就是浮式风机基础侧)设置海上控制器，进而对原始数据进行边缘计算处理，即对数据进行去噪滤波、异常数据诊断与恢复和实时计算，进而减小数据量、提高数据的准确性、降低数据的冗余度。

步骤S22，对每个传感器对应的原始监测子数据进行去噪滤波处理、异常数据诊断修复处理和实时计算，得到每个传感器对应的目标监测子数据，目标监测数据包括传感器集群中每个传感器对应的目标监测子数据，所述目标监测子数据包括各个传感器对应的极值、算数平均值、方差和单参数报警阈值。

对每个传感器对应的原始监测子数据依次进行小波变换处理，以提高原始监测子数据的准确性。其中，去噪滤波处理还可以根据实际情况采用其他方式。

海上控制器对每个传感器对应的原始监测子数据进行异常数据诊断修复处理，包括：

步骤S31，根据每个原始监测子数据对应的数据特征，确定每个原始监测子数据的异常数据识别机制。

每个传感器可以是指每类传感器(即不同种类的传感器)，也可以是指每个独立的传感器，具体可以实际情况进行选择。本实施例以每个不同种类的传感器对为例进行后续说明。

每类传感器的数据处理方式可能有区别，当数据出现异常时，其异常数据处理方式可能也有区别。例如，风速传感器的风速信息与振动传感器的加速度信息的类型不同，其处理方式也不同。

步骤S32，根据每个原始监测子数据的异常数据识别机制，对每个原始监测子数据进行异常数据识别。

步骤S33，当对应的原始监测子数据存在异常数据时，将存在异常数据的原始监测子数据标记为待修复子数据。

在确定了原始监测子数据的异常数据识别机制之后，进行异常数据识别，当对应的原始监测子数据存在异常数据时，将存在异常数据的原始监测子数据标记为待修复子数据。

步骤S34，确定待修复子数据的异常类型，并根据待修复子数据的异常类型，确定待修复子数据对应的数据修复机制。

步骤S35，根据待修复子数据对应的数据修复机制，对待修复子数据进行数据修复。

本实施例针对每个原始监测子数据的数据特征采用对应的异常数据识别机制进行异常数据识别，在识别到异常数据之后，根据待修复子数据的异常类型的不同，采用不同的数据修复机制，以完成数据修复，可以大大提高每个原始监测子数据的准确度，进而可以提高目标监测数据的准确性，那么陆地服务器通过数字孪生模型对浮式风机基础的状态判断的准确性也会更高。

此外，海上控制器获取浮式风机基础的传感器集群的原始监测数据，并对原始监测数据进行处理，获得目标监测数据，还可以包括：

步骤S41，确定原始监测数据的实际准确度和实际冗余度；

步骤S42，当实际准确度小于等于预设准确度阈值时，对原始监测数据进行数据修复，使得修复后的原始监测数据的准确度大于预设准确度阈值；

步骤S43，当实际冗余度大于等于预设冗余度阈值时，对原始监测数据进行数据简化，使得简化后的原始监测数据的冗余度小于预设冗余度阈值，以得到目标监测数据。

步骤S44，针对准确度大于所述预设准确度阈值且冗余度小于所述预设冗余度阈值的目标监测数据，确定各个传感器对应的极值、算数平均值、方差和单参数报警阈值。

根据原始监测数据的实际准确度和实际冗余度，对原始监测数据进行数据修复和简化，以提高数据的准确率，降低数据量，提高数据传输效率，也提高浮式风机基础的状态判断的准确性。在具体操作时，海上控制器可以在接收传感器集群的原始监测数据的同时，对原始监测数据进行同步性的处理(包括步骤S41-步骤S43的处理过程)；也可以先对接收的原始监测数据进行存储，每经过预设时间间隔对存储的原始监测数据进行上述处理；当然，也可以先对接收的原始监测数据进行存储，每存储一定空间的原始监测数据，就对存储的原始监测数据进行上述处理。

根据目标监测数据计算出不同种类数据的极值、算数平均值、方差和单参数报警阈值报警等数据，并将不同种类数据的极值、算数平均值、方差和单参数报警阈值报警等数据通过目标网络传输至陆地服务器，以直接供陆地服务器使用，进而降低陆地服务器的计算负荷。其中，极值可以包括各种类数据的最小值和最大值，通过最小值和最大值可进行阈值判断，实现简单的数据阈值报警。算术平均值即各种类数据的平均值，可了解各个种类数据的集中趋势。方差可用于了解某一种类参数甚至某一测点的数值与均值的差异程度，进而实现对该种类参数或者该测点的监测数据进行评估。

进一步地，陆地服务器通过目标网络接收目标监测数据，包括：

步骤S51，陆地服务器根据预设传输需求，确定海上控制器和陆地服务器之间的目标传输模式；预设传输需求包括传输效率和传输正确率之间的权重；

步骤S52，控制目标网络按照目标传输模型接收目标监测数据。

在实际操作时，可以根据传输效率和传输正确率之间的权重进行设定，进而确定对应的目标传输模式。例如，当传输效率和传输正确率之间的权重为1，表明对于传输效率的需求较高，对于传输正确率的要求不高，进而可以采用传输效率较高的传输模式进行传输。当传输效率和传输正确率之间的权重为0.5，表明对于传输效率的需求和传输正确率的需求相同，进而可以采用传输效率和传输正确率都兼顾的传输模式进行传输。也就是说，本实施例可以根据对数据的实际需求，调整目标监测数据的传输模式，提高了数据传输和数据处理的灵活性。

陆地服务器将目标监测数据输入至预构建的数字孪生模型，通过数字孪生模型对目标监测数据进行分析，确定浮式风机基础的健康状态，包括：

陆地服务器通过数字孪生模型对目标监测数据进行分析，确定浮式风机基础的实际状态参数；根据实际状态参数与故障状态参数及其之间的关联性，确定浮式风机基础处于异常状态(包括健康、亚健康、危险)，对浮式风机基础的异常状态进行判断。

故障状态参数具体是指各个状态参数的异常程度，包括预警、报警和紧急报警，可以根据实际情况进行设定，本实施例对此不作限制。

综上所述，本实施例先利用浮式风机基础本地的海上控制器对传感器采集的数据进行处理，得到目标监测数据，以提高目标监测数据的准确性，降低目标监测数据的冗余度，再将满足准确率和冗余度需求的目标监测数据通过目标网络传输至海上服务器，以通过数字孪生模型对浮式风机基础进行动态仿真，模拟浮式风机基础的所处环境以及在该环境下的实时状态，进而确定浮式风机基础的健康状态，提高了浮式风机基础的健康状态的确定效率以及准确性。

基于同一发明构思，本实施例提供了如图5所示的一种浮式风机基础的状态监测装置，装置包括：

数据采集处理模块51，用于获取浮式风机基础的传感器集群的原始监测数据，并对原始监测数据进行处理，获得目标监测数据，将目标监测数据通过目标网络传输至陆地服务器，其中，目标监测数据的准确度大于预设准确度阈值，目标监测数据的冗余度小于预设冗余度阈值；

健康状态监控模块52，用于通过目标网络接收目标监测数据，并将目标监测数据输入至预构建的数字孪生模型，通过数字孪生模型对目标监测数据进行分析，确定浮式风机基础的健康状态。

进一步地，数据采集处理模块51，包括：

采集子模块，用于海上控制器获取浮式风机基础的传感器集群的原始监测数据，原始监测数据包括传感器集群中每个传感器采集的原始监测子数据；

修复处理子模块，用于对每个传感器对应的原始监测子数据进行去噪滤波处理、异常数据诊断修复处理和实时计算，得到每个传感器对应的目标监测子数据，目标监测数据包括传感器集群中每个传感器对应的目标监测子数据，所述目标监测子数据包括各个传感器对应的极值、算数平均值、方差和单参数报警阈值。

进一步地，修复处理子模块，包括：

滤波子模块，用于根据各传感器数据特征对每个传感器对应的原始监测子数据进行小波变换处理。

进一步地，修复处理子模块，包括：

异常数据识别机制确定子模块，用于根据每个原始监测子数据的数据特征，确定每个原始监测子数据的异常数据识别机制；

异常数据识别子模块，用于根据每个原始监测子数据的异常数据识别机制，对每个原始监测子数据进行异常数据识别；

标记子模块，用于当对应的原始监测子数据存在异常数据时，将存在异常数据的原始监测子数据标记为待修复子数据；

数据修复机制确定子模块，用于确定待修复子数据的异常类型，并根据待修复子数据的异常类型，确定待修复子数据对应的数据修复机制；

第一数据修复子模块，用于根据待修复子数据对应的数据修复机制，对待修复子数据进行数据修复。

进一步地，数据采集处理模块51，包括：

参数确定子模块，用于确定原始监测数据的实际准确度和实际冗余度；

第二数据修复子模块，用于当实际准确度小于等于预设准确度阈值时，对原始监测数据进行数据修复，使得修复后的原始监测数据的准确度大于预设准确度阈值；

数据简化子模块，用于当实际冗余度大于等于预设冗余度阈值时，对原始监测数据进行数据简化，使得简化后的原始监测数据的冗余度小于预设冗余度阈值，以得到目标监测数据；

针对准确度大于所述预设准确度阈值且冗余度小于所述预设冗余度阈值的目标监测数据，通过实时计算，可确定各个传感器对应的极值、算数平均值、方差和单参数报警阈值，实现基于阈值判断法的单参数报警和传感器故障诊断。

进一步地，健康状态监控模块52，包括：

目标传输模式确定子模块，用于根据预设传输需求，确定海上控制器和陆地服务器之间的目标传输模式；预设传输需求包括传输效率和传输正确率之间的权重；

接收子模块，用于控制目标网络按照目标传输模型接收目标监测数据。

进一步地，健康状态监控模块52，包括：

实际状态参数确定子模块，用于通过数字孪生模型对目标监测数据进行分析，确定浮式风机基础的实际状态参数；

健康状态确定子模块，用于根据实际状态参数与故障状态参数，确定浮式风机基础的健康状态。

基于同一发明构思，本实施例提供了如图6所示的一种电子设备，包括：

处理器61；

用于存储处理器61可执行指令的存储器62；

其中，处理器61被配置为执行以实现如上述提供的一种浮式风机基础的状态监测方法。

基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器61执行时，使得电子设备能够执行实现如上述提供的一种浮式风机基础的状态监测方法。

由于本实施例所介绍的电子设备为实施本申请实施例中信息处理的方法所采用的电子设备，故而基于本申请实施例中所介绍的信息处理的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中信息处理的方法所采用的电子设备，都属于本申请所欲保护的范围。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种浮式风机基础的状态监测方法，其特征在于，应用于状态监控系统，所述状态监控系统包括通过目标网络连接的海上控制器和陆地服务器，所述海上控制器设置在海上的浮式风机基础上，所述方法包括：

所述海上控制器获取所述浮式风机基础的传感器集群的原始监测数据，并对所述原始监测数据进行处理，获得目标监测数据，将所述目标监测数据通过所述目标网络传输至所述陆地服务器，其中，所述目标监测数据的准确度大于预设准确度阈值，所述目标监测数据的冗余度小于预设冗余度阈值；

所述陆地服务器通过所述目标网络接收所述目标监测数据，并将所述目标监测数据输入至预构建的数字孪生模型，通过所述数字孪生模型对所述目标监测数据进行分析，确定所述浮式风机基础的健康状态。

2.如权利要求1所述的方法，其特征在于，所述海上控制器获取所述浮式风机基础的传感器集群的原始监测数据，并对所述原始监测数据进行处理，获得目标监测数据，包括：

所述海上控制器获取所述浮式风机基础的传感器集群的原始监测数据，所述原始监测数据包括所述传感器集群中每个传感器采集的原始监测子数据；

对每个传感器对应的原始监测子数据进行去噪滤波处理、异常数据诊断修复处理和实时计算，得到每个传感器对应的目标监测子数据，所述目标监测数据包括所述传感器集群中每个传感器对应的目标监测子数据，所述目标监测子数据包括各个传感器对应的极值、算数平均值、方差和单参数报警阈值。

3.如权利要求2所述的方法，其特征在于，所述海上控制器对每个传感器对应的原始监测子数据进行去噪滤波处理，包括：

根据各传感器数据特征对每个传感器对应的原始监测子数据进行小波变换处理。

4.如权利要求2所述的方法，其特征在于，所述海上控制器对每个传感器对应的原始监测子数据进行异常数据诊断修复处理，包括：

根据每个原始监测子数据的数据特征，确定每个原始监测子数据的异常数据识别机制；

根据每个原始监测子数据的异常数据识别机制，对每个原始监测子数据进行异常数据识别；

当对应的原始监测子数据存在异常数据时，将存在异常数据的原始监测子数据标记为待修复子数据；

确定待修复子数据的异常类型，并根据待修复子数据的异常类型，确定待修复子数据对应的数据修复机制；

根据待修复子数据对应的数据修复机制，对待修复子数据进行数据修复。

5.如权利要求1所述的方法，其特征在于，所述海上控制器获取所述浮式风机基础的传感器集群的原始监测数据，并对所述原始监测数据进行处理，获得目标监测数据，包括：

确定所述原始监测数据的实际准确度和实际冗余度；

当所述实际准确度小于等于所述预设准确度阈值时，对所述原始监测数据进行数据修复，使得修复后的所述原始监测数据的准确度大于所述预设准确度阈值；

当所述实际冗余度大于等于所述预设冗余度阈值时，对所述原始监测数据进行数据简化，使得简化后的所述原始监测数据的冗余度小于所述预设冗余度阈值，以得到所述目标监测数据；

针对准确度大于所述预设准确度阈值且冗余度小于所述预设冗余度阈值的目标监测数据，通过实时计算，确定各个传感器对应的极值、算数平均值、方差和单参数报警阈值，用于实现基于阈值判断法的单参数报警和传感器故障诊断。

6.如权利要求1所述的方法，其特征在于，所述陆地服务器通过所述目标网络接收所述目标监测数据，包括：

所述陆地服务器根据预设传输需求，确定所述海上控制器和所述陆地服务器之间的目标传输模式；所述预设传输需求包括传输效率和传输正确率之间的权重；

控制所述目标网络按照所述目标传输模型接收所述目标监测数据。

7.如权利要求1所述的方法，其特征在于，所述陆地服务器将所述目标监测数据输入至预构建的数字孪生模型，通过所述数字孪生模型对所述目标监测数据进行分析，确定所述浮式风机基础的健康状态，包括：

所述陆地服务器通过所述数字孪生模型对所述目标监测数据进行分析，确定所述浮式风机基础的实际状态参数；

根据所述实际状态参数与故障状态参数，确定所述浮式风机基础的健康状态。

8.一种浮式风机基础的状态监测装置，其特征在于，所述装置包括：

数据采集处理模块，用于获取浮式风机基础的传感器集群的原始监测数据，并对所述原始监测数据进行处理，获得目标监测数据，将所述目标监测数据通过目标网络传输至陆地服务器，其中，所述目标监测数据的准确度大于预设准确度阈值，所述目标监测数据的冗余度小于预设冗余度阈值；

健康状态监控模块，用于通过所述目标网络接收所述目标监测数据，并将所述目标监测数据输入至预构建的数字孪生模型，通过所述数字孪生模型对所述目标监测数据进行分析，确定所述浮式风机基础的健康状态。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行以实现如权利要求1至7中任一项所述的一种浮式风机基础的状态监测方法。

10.一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现如权利要求1至7中任一项所述的一种浮式风机基础的状态监测方法。

Images