CN115456041A - 设备故障预警方法及装置、计算设备和存储介质 - Google Patents

设备故障预警方法及装置、计算设备和存储介质 Download PDF

Info

Publication number
CN115456041A
CN115456041A CN202210951767.7A CN202210951767A CN115456041A CN 115456041 A CN115456041 A CN 115456041A CN 202210951767 A CN202210951767 A CN 202210951767A CN 115456041 A CN115456041 A CN 115456041A
Authority
CN
China
Prior art keywords
equipment
data
fault
early warning
equipment data
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.)
Pending
Application number
CN202210951767.7A
Other languages
English (en)
Inventor
王俊杰
王晓磊
张伦毓
曹伟
刘鹏程
张涛
赵晓婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaneng Changyi Wind Power Co ltd
Huaneng Shandong Power Generation Co Ltd
Original Assignee
Huaneng Changyi Wind Power Co ltd
Huaneng Shandong Power Generation Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaneng Changyi Wind Power Co ltd, Huaneng Shandong Power Generation Co Ltd filed Critical Huaneng Changyi Wind Power Co ltd
Priority to CN202210951767.7A priority Critical patent/CN115456041A/zh
Publication of CN115456041A publication Critical patent/CN115456041A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请实施例涉及人工智能技术领域，且涉及一种设备故障预警方法及装置、计算设备和存储介质。具体方案为：分别从数据采集与监视控制系统和状态监视系统获取第一设备数据和第二设备数据；将所述第一设备数据和所述第二设备数据进行融合，利用融合后的数据构建特征向量；将所述特征向量输入预先训练的机器学习模型，利用所述机器学习模型输出设备的故障预测结果；根据所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果，确定所述设备的故障等级；根据所述故障等级，发出所述设备的故障预警信息。本申请实施例通过多源数据融合，可以实现更加精确的设备故障预警，可减少设备故障的发生率。

Description

设备故障预警方法及装置、计算设备和存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及设备故障预警方法及装置、计算设备和存储介质。
背景技术
目前，设备故障预警技术所使用的数据主要来源于SCADA(Supervisory ControlAnd Data Acquisition，即数据采集与监视控制)系统和高频振动监测CMS(conditionmonitoring system，状态监视系统)。以风电机组故障预警为例，在实际应用中，SCADA系统进行低频信号采集，如采集温度、电流、电压、压力以及风速风向等。基于振动信息的CMS系统的传感器为振动加速度传感器，可实现对塔筒、机舱、叶片、主轴、齿轮箱、发电机等振动监测。在此基础上的数据分析主要为时域分析(均值、有效值、峰峰值、峭度等)、FFT(fastFourier transform，快速傅立叶变换)分析、包络分析和倒谱分析等。上述两个系统通常是相互独立运行的。SCADA系统与CMS系统分别采用各自单一数据源对风电机组运行状态进行识别，对于可能发生的设备故障不能做到精确地进行设备故障预警，设备故障的发生率较高，用户体验不佳。
发明内容
鉴于现有技术的以上问题，本申请实施例提供一种设备故障预警方法及装置、计算设备和存储介质，通过多源数据融合，可以实现更加精确的设备故障预警，可减少设备故障的发生率。
为达到上述目的，本申请第一方面提供了一种设备故障预警方法，包括：
分别从数据采集与监视控制系统和状态监视系统获取第一设备数据和第二设备数据；
将所述第一设备数据和所述第二设备数据进行融合，利用融合后的数据构建特征向量；
将所述特征向量输入预先训练的机器学习模型，利用所述机器学习模型输出设备的故障预测结果；
根据所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果，确定所述设备的故障等级；
根据所述故障等级，发出所述设备的故障预警信息。
作为第一方面的一种可能的实现方式，所述机器学习模型包括反向传播神经网络模型和支持向量机模型中的至少一种。
作为第一方面的一种可能的实现方式，所述根据所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果，确定所述设备的故障等级，包括：
预先设置与所述故障等级对应的数据关系；其中，所述数据关系包括：所述第一设备数据和/或所述第二设备数据与所述故障预警阈值满足预设关系、所述故障预测结果为预设值；
在所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果满足所述数据关系，且满足所述数据关系的状态持续预设时间阈值的情况下，根据所述数据关系确定对应的故障等级。
作为第一方面的一种可能的实现方式，所述方法还包括：
根据所述故障等级，对所述设备进行风险保护控制。
作为第一方面的一种可能的实现方式，所述根据所述故障等级，对所述设备进行风险保护控制，包括：
在所述故障等级为预设的控制等级的情况下，对所述设备进行风险保护控制。
作为第一方面的一种可能的实现方式，所述风险保护控制包括限功率操作和停机操作中的至少一种。
作为第一方面的一种可能的实现方式，所述方法还包括：
根据所述第二设备数据和所述故障预警阈值，计算所述设备的状态评分。
本申请第二方面提供了一种设备故障预警装置，包括：
获取单元，用于分别从数据采集与监视控制系统和状态监视系统获取第一设备数据和第二设备数据；
融合单元，用于将所述第一设备数据和所述第二设备数据进行融合，利用融合后的数据构建特征向量；
预测单元，用于将所述特征向量输入预先训练的机器学习模型，利用所述机器学习模型输出设备的故障预测结果；
确定单元，用于根据所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果，确定所述设备的故障等级；
预警单元，用于根据所述故障等级，发出所述设备的故障预警信息。
作为第二方面的一种可能的实现方式，所述机器学习模型包括反向传播神经网络模型和支持向量机模型中的至少一种。
作为第二方面的一种可能的实现方式，所述确定单元用于：
预先设置与所述故障等级对应的数据关系；其中，所述数据关系包括：所述第一设备数据和/或所述第二设备数据与所述故障预警阈值满足预设关系、所述故障预测结果为预设值；
在所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果满足所述数据关系，且满足所述数据关系的状态持续预设时间阈值的情况下，根据所述数据关系确定对应的故障等级。
作为第二方面的一种可能的实现方式，所述装置还包括控制单元，所述控制单元用于：
根据所述故障等级，对所述设备进行风险保护控制。
作为第二方面的一种可能的实现方式，所述控制单元用于：
在所述故障等级为预设的控制等级的情况下，对所述设备进行风险保护控制。
作为第二方面的一种可能的实现方式，所述风险保护控制包括限功率操作和停机操作中的至少一种。
作为第二方面的一种可能的实现方式，所述装置还包括状态评分单元，所述状态评分单元用于：
根据所述第二设备数据和所述故障预警阈值，计算所述设备的状态评分。
本申请第三方面提供了一种计算设备，包括：
通信接口；
至少一个处理器，其与所述通信接口连接；以及
至少一个存储器，其与所述处理器连接并存储有程序指令，所述程序指令当被所述至少一个处理器执行时使得所述至少一个处理器执行上述第一方面任一所述的方法。
本申请第四方面提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令当被计算机执行时使得所述计算机执行上述第一方面任一所述的方法。
本发明的这些和其它方面在以下(多个)实施例的描述中会更加简明易懂。
附图说明
以下参照附图来进一步说明本发明的各个特征和各个特征之间的联系。附图均为示例性的，一些特征并不以实际比例示出，并且一些附图中可能省略了本申请所涉及领域的惯常的且对于本申请非必要的特征，或是额外示出了对于本申请非必要的特征，附图所示的各个特征的组合并不用以限制本申请。另外，在本说明书全文中，相同的附图标记所指代的内容也是相同的。具体的附图说明如下：
图1为本申请实施例提供的设备故障预警方法的一实施例的示意图；
图2为本申请实施例提供的设备故障预警方法的一实施例的系统整体框图；
图3为本申请实施例提供的设备故障预警方法的一实施例的模型训练与应用流程图；
图4为本申请实施例提供的设备故障预警方法的一实施例的告警流程图；
图5为本申请实施例提供的设备故障预警装置的一实施例的示意图；
图6为本申请实施例提供的设备故障预警装置的一实施例的示意图；
图7为本申请实施例提供的计算设备的示意图。
具体实施方式
说明书和权利要求书中的词语“第一、第二、第三等”或模块A、模块B、模块C等类似用语，仅用于区别类似的对象，不代表针对对象的特定排序，可以理解地，在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
在以下的描述中，所涉及的表示步骤的标号，如S110、S120……等，并不表示一定会按此步骤执行，在允许的情况下可以互换前后步骤的顺序，或同时执行。
说明书和权利要求书中使用的术语“包括”不应解释为限制于其后列出的内容；它不排除其它的元件或步骤。因此，其应当诠释为指定所提到的所述特征、整体、步骤或部件的存在，但并不排除存在或添加一个或更多其它特征、整体、步骤或部件及其组群。因此，表述“包括装置A和B的设备”不应局限为仅由部件A和B组成的设备。
本说明书中提到的“一个实施例”或“实施例”意味着与该实施例结合描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在本说明书各处出现的用语“在一个实施例中”或“在实施例中”并不一定都指同一实施例，但可以指同一实施例。此外，在一个或多个实施例中，能够以任何适当的方式组合各特定特征、结构或特性，如从本公开对本领域的普通技术人员显而易见的那样。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。如有不一致，以本说明书中所说明的含义或者根据本说明书中记载的内容得出的含义为准。另外，本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。为了准确地对本申请中的技术内容进行叙述，以及为了准确地理解本发明，在对具体实施方式进行说明之前先对本说明书中所使用的术语给出如下的解释说明或定义：
1)数据采集与监视控制系统(SCADA，Supervisory Control And DataAcquisition)：SCADA系统是以计算机为基础的DCS(Distributed Control System，分散控制系统)与电力自动化监控系统。它应用领域很广，可以应用于电力、冶金、石油、化工、燃气、铁路等领域的数据采集与监视控制以及过程控制等诸多领域。在电力系统中，SCADA系统应用最为广泛，技术发展也最为成熟。它在远动系统中占重要地位，可以对现场的运行设备进行监视和控制，以实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能，即我们所知的"四遥"功能。RTU(远程终端单元)、FTU(馈线终端单元)是它的重要组成部分。
2)状态监视系统(CMS，condition monitoring system)：测量、监视、分析机械或电气设备运行状态参数的系统。设备状态的异常显著变化预示设备可能存在潜在故障。该系统是预测性维修的重要组成。
3)反向传播(BP，back propagation)神经网络模型：BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一。人工神经网络无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统，人工神经网络实现其功能的核心是算法。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法。它的基本思想是梯度下降法。利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。
4)支持向量机模型(SVM，Support Vector Machine)：SVM是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalizedlinear classifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-marginhyperplane)。SVM使用铰链损失函数(hinge loss)计算经验风险(empirical risk)并在求解系统中加入了正则化项以优化结构风险(structural risk)，是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法(kernel method)进行非线性分类，是常见的核学习(kernel learning)方法之一。
下面先对现有的方法进行介绍，然后再对本申请的技术方案进行详细介绍。
目前，设备故障预警技术所使用的数据主要来源于SCADA(Supervisory ControlAnd Data Acquisition，即数据采集与监视控制)系统和高频振动监测CMS(conditionmonitoring system，状态监视系统)。
以风电机组故障预警为例，在实际应用中，SCADA系统进行低频信号采集，如采集温度、电流、电压、压力以及风速风向等。在故障预警技术中的特征提取方法主要在于对各类指标进行阈值分析，通过设定相应的指标阈值，判断机组是否处于异常状态。
基于振动信息的CMS系统传感器为振动加速度传感器，实现对塔筒、机舱、叶片、主轴、齿轮箱、发电机等振动监测，主要为时域分析(均值、有效值、峰峰值、峭度等)、FFT分析、包络分析和倒谱分析等。
现有技术存在着以下的缺陷：上述两个系统通常是相互独立运行的。SCADA系统与CMS系统分别采用各自单一数据源对风电机组运行状态进行识别，对于可能发生的设备故障不能做到精确地进行设备故障预警，设备故障的发生率较高，用户体验不佳。并且，以上两个系统得到的预测结果未能与风电机组实现闭环管理。预测结果未能参与到风电机组控制策略中，不能对风电机组实施必要的保护措施。
基于上述现有技术所存在的技术问题，本申请提供了一种设备故障预警的方法。该方法打通SCADA系统与CMS系统数据接口，将两者数据进行融合，可以实现精确地设备故障预警，可解决现有技术中提到的不能精确地进行设备故障预警的技术问题。并且在设备故障预警的基础上还可以实现设备的风险保护控制，可解决现有技术中提到的预测结果未能与设备实现闭环管理的技术问题。
图1为本申请实施例提供的设备故障预警方法的一实施例的示意图。如图1所示，该设备故障预警方法可以包括：
步骤S110，分别从数据采集与监视控制系统和状态监视系统获取第一设备数据和第二设备数据；
步骤S120，将所述第一设备数据和所述第二设备数据进行融合，利用融合后的数据构建特征向量；
步骤S130，将所述特征向量输入预先训练的机器学习模型，利用所述机器学习模型输出设备的故障预测结果；
步骤S140，根据所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果，确定所述设备的故障等级；
步骤S150，根据所述故障等级，发出所述设备的故障预警信息。
本申请提供了一种设备故障预警的方法。该方法将来自SCADA系统(数据采集与监视控制系统)和CMS系统(状态监视系统)的数据进行融合，利用融合后的数据构建特征向量，再将特征向量输入到机器学习模型得到故障预测结果，最后根据故障预测结果以及预先设置的故障预警阈值，可以实现精确地设备故障预警。
在步骤S110中，一方面，可从SCADA系统获取第一设备数据。以风电机组故障预警为例，第一设备数据可包括低频信号采集数据，如采集温度、电流、电压、压力以及风速风向等。另一方面，可从CMS系统获取第二设备数据。仍以风电机组故障预警为例，第二设备数据可包括对塔筒、机舱、叶片、主轴、齿轮箱、发电机等进行振动监测获取的数据，主要包括时域分析(均值、有效值、峰峰值、峭度等)、FFT分析、包络分析和倒谱分析等。
在步骤S120中，可将步骤S110获取的第一设备数据和第二设备数据通过串行方式构造特征向量，实现数据融合。仍以风电机组故障预警为例，可分别针对齿轮箱和发电机进行故障预警。针对齿轮箱和发电机进行数据融合的示例如下：
示例A：齿轮箱
SCADA系统与CMS系统中与齿轮箱相关变量见表1。选取进行数据融合的数据可包括：SCADA中发电机转速、齿轮箱油温、齿轮箱轴承温度、环境温度与机舱温度差的绝对值；以及CMS系统中时域特征，如齿轮箱一级行星级径向振动有效值、齿轮箱二级行星级径向振动有效值、齿轮箱高速轴径向振动有效值、齿轮箱高速轴轴向振动有效值。将以上选取的数据，通过串行方式构造特征向量X实现数据融合。
表1齿轮箱相关变量
SCADA系统变量 CMS系统变量 CMS系统指标
发电机转速 齿轮箱一级行星级 有效值
齿轮箱油温 齿轮箱二级行星级
齿轮箱轴承温度 齿轮箱高速轴径向
环境温度 齿轮箱高速轴轴向
机舱温度
示例B：发电机
SCADA系统与CMS系统中与发电机相关变量见表2。选取进行数据融合的数据可包括：SCADA中发电机转速、发电机驱动端轴承温度、发电机非驱动端轴承温度、环境温度与机舱温度差的绝对值；以及CMS系统中发电机驱动端轴承径向振动有效值、发电机非驱动端轴承径向振动有效值、发电机驱动端包络谱特征频带幅值、发电机非驱动端包络谱特征频带幅值。将以上选取的数据，通过串行方式构造特征向量X实现数据融合。
表2发电机相关变量
Figure BDA0003789471980000061
Figure BDA0003789471980000071
在步骤S130中，根据步骤S120中构建的特征向量，利用预先训练好的机器学习模型对设备可能出现的故障情况进行预测，得到设备的故障预测结果。
在步骤S140中，可以针对SCADA系统或CMS系统中的每个变量，预先设置故障预警阈值。将第一设备数据和/或第二设备数据中的至少一个变量分别与故障预警阈值相对比。根据对比的结果以及机器学习模型得到的故障预测结果进行综合判断，确定设备的故障等级。
在一个示例中，设备的故障等级可分为正常等级和非正常等级。例如，若机器学习模型得到的故障预测结果为正常无故障，且第一设备数据和/或第二设备数据中的变量小于故障预警阈值，则可确定设备的故障等级为正常等级。又如，若机器学习模型得到的故障预测结果为设备中的某个部件有故障，且第一设备数据和/或第二设备数据中的变量大于等于故障预警阈值，则可确定设备的故障等级为非正常等级。
在步骤S150中，根据步骤S140中确定的故障等级，发出设备的故障预警信息。例如，若设备的故障等级为正常等级，则不显示预警信息；若设备的故障等级为非正常等级，则显示预警信息。
本申请实施例通过多源数据融合，可以实现更加精确的设备故障预警，可减少设备故障的发生率。
图2为本申请实施例提供的设备故障预警方法的一实施例的系统整体框图。图2所示为风机的故障预警示例。如图2所示，CMS设备安装至风机，通过振动传感器采集第二设备数据。同时SCADA系统监控风机的运行状态，读取风机的第一设备数据。训练好的机器学习模型可部署至CMS监控软件中。CMS监控软件在线采集振动设备的振动数据(即第二设备数据)以及SCADA系统数据(即第一设备数据)。根据第一设备数据和第二设备数据实时构建特征向量，使用机器学习模型进行预测，根据预测结果及故障预警阈值进行精确预警与闭环控制。CMS监控软件将控制与保护风机命令发送给SCADA系统，对设备进行风险保护控制。
本申请实施例通过打通SCADA系统与CMS系统数据接口，将两者数据进行融合，采用智能化算法实现大部件故障预警，在此基础上还可以评估部件得分，同时还可以参与风机控制，实现对设备的实时保护，实现了精确预警与设备闭环控制。
在一种实施方式中，所述机器学习模型包括反向传播神经网络模型和支持向量机模型中的至少一种。
图3为本申请实施例提供的设备故障预警方法的一实施例的模型训练与应用流程图。如图3所示，使用离线的SCADA与CMS数据，提取特征向量并进行机器学习模型训练。考虑到不同变量数值差异性较大，直接用于建模会降低模型精度。为了降低计算误差，并且保证原始数据结构相对不变，需对数据进行归一化处理，使数据归一化至[0,1]之间。可利用以下公式对数据进行归一化处理：
Figure BDA0003789471980000081
其中
Figure BDA0003789471980000082
表示归一化后的变量值；xi表示归一化前变量值；xmax表示变量最大值；xmin表示变量最小值。
一个示例性的模型训练过程如下：选取各部件SCADA与CMS数据建立样本数据集。其中，离线训练数据包括正常数据和故障数据。对每一组数据做故障标签标记，记为Y。具体地，针对齿轮箱的故障标签标记为：0表示正常，1表示齿轮箱一级行星级故障，2表示齿轮箱二级行星级故障，3表示齿轮箱高速级故障；针对发电机的故障标签标记为：0表示正常，1表示发电机驱动端故障，2表示发电机非驱动端故障。在一个示例中，可采用BP神经网络算法对齿轮箱进行故障预警，采用SVM算法对发电机进行故障预警。将特征向量X作为机器学习模型的输入信息，故障标签Y作为机器学习模型的输出信息，对机器学习模型进行训练。
参见图3，对设备进行在线监测，从数据采集与监视控制系统和状态监视系统获取第一设备数据和第二设备数据，并从第一设备数据和第二设备数据的融合数据中提取特征。利用训练好的机器学习模型计算模型预测结果，即设备的故障预测结果。根据故障预测结果，判断设备的预警等级，即故障等级，还可以进行风险保护控制和计算部件评分。
在一种实施方式中，所述根据所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果，确定所述设备的故障等级，包括：
预先设置与所述故障等级对应的数据关系；其中，所述数据关系包括：所述第一设备数据和/或所述第二设备数据与所述故障预警阈值满足预设关系、所述故障预测结果为预设值；
在所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果满足所述数据关系，且满足所述数据关系的状态持续预设时间阈值的情况下，根据所述数据关系确定对应的故障等级。
在设置故障预警阈值之前，可先对不同情况下的工况进行划分，然后确定不同工况下对应的故障预警阈值。以风机为例，可使用发电机转速对风机工况进行划分。例如，不同工况对应转速范围如下：工况1对应的发电机额定转速为0-19％；工况2对应的发电机额定转速为20％-39％；工况3对应的发电机额定转速为40％-59％；工况4对应的发电机额定转速为60％-79％；工况5对应的发电机额定转速为80％-100％。
在一个示例中，故障预警阈值可包括振动报警阈值和温度报警阈值。基于工况的划分，可确定不同工况下对应的各检测部位的振动报警阈值和温度报警阈值。故障预警阈值可分为两级，分别为预警值和报警值。故障等级可分为以下几个等级：正常等级、预警等级、报警等级、高报警等级。其中，预警等级、报警等级、高报警等级属于非正常等级。以同一部件同一种工况为例，一个示例性的告警策略的故障等级以及所对应的判定条件如下：
1)正常等级，不显示预警信息。
该等级对应的故障预测结果的预设值为0；该等级对应的预设时间阈值为N1个周期或N2个周期。与该等级对应的数据关系包括：机器学习模型输出结果为0；振动值<预警值，或者，预警值<＝振动值<报警值。其中，振动值为表1或表2所示的某一部件的CMS系统变量的有效值，即振动值来源于第二设备数据。
若满足以下判定条件，可将设备的故障等级确定为正常等级：
模型输出结果为0，振动值<预警值，且持续N1个周期；或者，
模型输出结果为0，预警值<＝振动值<报警值，持续N2个周期。
2)预警等级，显示预警信息。
该等级对应的故障预测结果的预设值为0或者非0；该等级对应的预设时间阈值为N3个周期或N4个周期。与预警等级对应的数据关系包括：机器学习模型输出结果为0；报警值<＝振动值<2倍报警值，或者，振动值<预警值。
若满足以下判定条件，可将设备的故障等级确定为预警等级：
模型输出结果为0，报警值<＝振动值<2倍报警值，持续N3个周期；或者，
模型输出结果非0，振动值<预警值，持续N4个周期。
3)报警等级，显示预警信息。
该等级对应的故障预测结果的预设值为0或者非0；该等级对应的预设时间阈值为N5个周期或N6个周期。与报警等级对应的数据关系包括：机器学习模型输出结果为0，振动值>＝2倍报警值；或者，机器学习模型输出结果非0，预警值<＝振动值<报警值。
若满足以下判定条件，可将设备的故障等级确定为报警等级：
模型输出结果为0，振动值>＝2倍报警值，持续N5个周期；或者，
模型输出结果非0，预警值<＝振动值<报警值，持续N6个周期。
4)高报警等级，显示预警信息。
该等级对应的故障预测结果的预设值为非0；该等级对应的预设时间阈值为N7个周期。与高报警等级4对应的数据关系包括：机器学习模型输出结果为非0，振动值>＝报警值。
若满足以下判定条件，可将设备的故障等级确定为高报警等级4：
模型输出结果非0，振动值>＝报警值，持续N7个周期。
5)高报警等级，显示预警信息，且对风机进行控制和保护操作。
该等级对应的故障预测结果的预设值为非0；该等级对应的预设时间阈值为N8个周期或N9个周期。与高报警等级5对应的数据关系包括：机器学习模型输出结果为非0；振动值>＝2倍报警值；部件温度大于预警值，或者，部件温度大于报警值。
若满足以下判定条件，可将设备的故障等级确定为高报警等级5：
模型输出结果非0，振动值>＝2倍报警值，部件温度大于预警值，持续N8个周期。在这种情况下对风机进行限功率操作；或者，
模型输出结果非0，振动值>＝2倍报警值，部件温度大于报警值，持续N9个周期。在这种情况下对风机进行远程停机操作。
其中，部件温度为表1或表2所示的轴承温度，即部件温度来源于第一设备数据。
在上述告警策略中，“振动值”可以是上述表1或表2中某一变量的有效值。相对应地，可以针对每个变量设置对应的故障预警阈值，然后根据上述告警策略可确定基于该变量所得到的设备的故障等级，并发出对应的预警信息。在基于设备的至少一个部件的至少一个变量所得到的故障等级不是正常等级的情况下，可针对整个设备给出预警信息，且在预警信息中给出可能出现故障的部件和可能超过故障预警阈值的系统变量。
在一种实施方式中，所述方法还包括：
根据所述故障等级，对所述设备进行风险保护控制。
在一种实施方式中，所述根据所述故障等级，对所述设备进行风险保护控制，包括：
在所述故障等级为预设的控制等级的情况下，对所述设备进行风险保护控制。
例如，在上述高报警等级4中，仅显示预警信息，未对设备进行风险保护控制。在上述高报警等级5中，故障程度更加严重，故障等级进一步提升，不仅显示预警信息，并且对设备进行风险保护控制。
在一种实施方式中，所述风险保护控制包括限功率操作和停机操作中的至少一种。
本申请实施例通过多源数据融合，可以实现更加精确的设备故障预警，可减少设备故障的发生率，并且在设备故障预警的基础上还可以实现设备的风险保护控制。
图4为本申请实施例提供的设备故障预警装置的一实施例的示意图。如图4所示，实时对SCADA数据与CMS数据进行融合，构建特征向量并预测部件状态。根据预测结果及振动相关指标进行精确预警与闭环控制。图4中的正常条件、预警条件、报警条件、高报警条件，分别对应于设备故障的正常等级、预警等级、报警等级、高报警等级所满足的判定条件。其中，高报警等级分为高报警等级4和高报警等级5。若满足高报警等级4的触发条件，则仅显示预警信息，未对设备进行风险保护控制。若满足高报警等级5的触发条件，则首先判断是否满足控制设备停机操作的条件。若满足控制设备停机操作的条件，则向SCADA传输命令，对设备进行停机操作；若不满足控制设备停机操作的条件，则判断是否满足控制设备限功率操作的条件。若满足控制设备限功率操作的条件，则向SCADA传输命令对设备进行限功率操作；若不满足控制设备限功率操作的条件，则仅显示预警信息。
在一种实施方式中，所述方法还包括：
根据所述第二设备数据和所述故障预警阈值，计算所述设备的状态评分。
以风机部件为例，计算部件状态评分的公式如下：
Figure BDA0003789471980000101
其中，C表示风机部件评分；a表示CMS系统所得的部件振动有效值，也就是上述各故障等级对应的判定条件中的“振动值”；b表示报警值。
在上述公式中，C越小，表示部件故障程度越严重。根据该评分，可以帮助施工人员了解对应部件的使用状态，对故障预警和排查起到了辅助作用。
如图5所示，本申请还提供了相应的一种设备故障预警装置的实施例，关于该装置的有益效果或解决的技术问题，可以参见与各装置分别对应的方法中的描述，或者参见发明内容中的描述，此处不再一一赘述。
在该设备故障预警装置的实施例中，该装置包括：
获取单元100，用于分别从数据采集与监视控制系统和状态监视系统获取第一设备数据和第二设备数据；
融合单元200，用于将所述第一设备数据和所述第二设备数据进行融合，利用融合后的数据构建特征向量；
预测单元300，用于将所述特征向量输入预先训练的机器学习模型，利用所述机器学习模型输出设备的故障预测结果；
确定单元400，用于根据所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果，确定所述设备的故障等级；
预警单元500，用于根据所述故障等级，发出所述设备的故障预警信息。
在一种实施方式中，所述机器学习模型包括反向传播神经网络模型和支持向量机模型中的至少一种。
在一种实施方式中，所述确定单元400用于：
预先设置与所述故障等级对应的数据关系；其中，所述数据关系包括：所述第一设备数据和/或所述第二设备数据与所述故障预警阈值满足预设关系、所述故障预测结果为预设值；
在所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果满足所述数据关系，且满足所述数据关系的状态持续预设时间阈值的情况下，根据所述数据关系确定对应的故障等级。
如图6所示，所述装置还包括控制单元600，所述控制单元600用于：
根据所述故障等级，对所述设备进行风险保护控制。
在一种实施方式中，所述控制单元600用于：
在所述故障等级为预设的控制等级的情况下，对所述设备进行风险保护控制。
在一种实施方式中，所述风险保护控制包括限功率操作和停机操作中的至少一种。
在一种实施方式中，所述装置还包括状态评分单元700，所述状态评分单元700用于：
根据所述第二设备数据和所述故障预警阈值，计算所述设备的状态评分。
图7是本申请实施例提供的一种计算设备900的结构性示意性图。该计算设备900包括：处理器910、存储器920、通信接口930。
应理解，图7中所示的计算设备900中的通信接口930可以用于与其他设备之间进行通信。
其中，该处理器910可以与存储器920连接。该存储器920可以用于存储该程序代码和数据。因此，该存储器920可以是处理器910内部的存储单元，也可以是与处理器910独立的外部存储单元，还可以是包括处理器910内部的存储单元和与处理器910独立的外部存储单元的部件。
可选的，计算设备900还可以包括总线。其中，存储器920、通信接口930可以通过总线与处理器910连接。总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
应理解，在本申请实施例中，该处理器910可以采用中央处理单元(centralprocessing unit，CPU)。该处理器还可以是其它通用处理器、数字信号处理器(digitalsignal processor，DSP)、专用集成电路(Application specific integrated circuit，ASIC)、现成可编程门矩阵(field programmable gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。或者该处理器910采用一个或多个集成电路，用于执行相关程序，以实现本申请实施例所提供的技术方案。
该存储器920可以包括只读存储器和随机存取存储器，并向处理器910提供指令和数据。处理器910的一部分还可以包括非易失性随机存取存储器。例如，处理器910还可以存储设备类型的信息。
在计算设备900运行时，所述处理器910执行所述存储器920中的计算机执行指令执行上述方法的操作步骤。
应理解，根据本申请实施例的计算设备900可以对应于执行根据本申请各实施例的方法中的相应主体，并且计算设备900中的各个模块的上述和其它操作和/或功能分别为了实现本实施例各方法的相应流程，为了简洁，在此不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行一种多样化问题生成方法，该方法包括上述各个实施例所描述的方案中的至少之一。
本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括、但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本申请的较佳实施例及所运用的技术原理。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申请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，在不脱离本发明的构思的情况下，还可以包括更多其他等效实施例，均属于本发明的保护范畴。

Claims (10)

1.一种设备故障预警方法，其特征在于，包括：
分别从数据采集与监视控制系统和状态监视系统获取第一设备数据和第二设备数据；
将所述第一设备数据和所述第二设备数据进行融合，利用融合后的数据构建特征向量；
将所述特征向量输入预先训练的机器学习模型，利用所述机器学习模型输出设备的故障预测结果；
根据所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果，确定所述设备的故障等级；
根据所述故障等级，发出所述设备的故障预警信息。
2.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括反向传播神经网络模型和支持向量机模型中的至少一种。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果，确定所述设备的故障等级，包括：
预先设置与所述故障等级对应的数据关系；其中，所述数据关系包括：所述第一设备数据和/或所述第二设备数据与所述故障预警阈值满足预设关系、所述故障预测结果为预设值；
在所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果满足所述数据关系，且满足所述数据关系的状态持续预设时间阈值的情况下，根据所述数据关系确定对应的故障等级。
4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
根据所述故障等级，对所述设备进行风险保护控制。
5.根据权利要求4所述的方法，其特征在于，所述根据所述故障等级，对所述设备进行风险保护控制，包括：
在所述故障等级为预设的控制等级的情况下，对所述设备进行风险保护控制。
6.根据权利要求5所述的方法，其特征在于，所述风险保护控制包括限功率操作和停机操作中的至少一种。
7.根据权利要求1或2中任一项所述的方法，其特征在于，所述方法还包括：
根据所述第二设备数据和所述故障预警阈值，计算所述设备的状态评分。
8.一种设备故障预警装置，其特征在于，包括：
获取单元，用于分别从数据采集与监视控制系统和状态监视系统获取第一设备数据和第二设备数据；
融合单元，用于将所述第一设备数据和所述第二设备数据进行融合，利用融合后的数据构建特征向量；
预测单元，用于将所述特征向量输入预先训练的机器学习模型，利用所述机器学习模型输出设备的故障预测结果；
确定单元，用于根据所述第一设备数据、所述第二设备数据、预先设置的故障预警阈值以及所述故障预测结果，确定所述设备的故障等级；
预警单元，用于根据所述故障等级，发出所述设备的故障预警信息。
9.一种计算设备，其特征在于，包括：
通信接口；
至少一个处理器，其与所述通信接口连接；以及
至少一个存储器，其与所述处理器连接并存储有程序指令，所述程序指令当被所述至少一个处理器执行时使得所述至少一个处理器执行权利要求1-7任一所述的方法。
10.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令当被计算机执行时使得所述计算机执行权利要求1-7任一所述的方法。
CN202210951767.7A 2022-08-09 2022-08-09 设备故障预警方法及装置、计算设备和存储介质 Pending CN115456041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210951767.7A CN115456041A (zh) 2022-08-09 2022-08-09 设备故障预警方法及装置、计算设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210951767.7A CN115456041A (zh) 2022-08-09 2022-08-09 设备故障预警方法及装置、计算设备和存储介质

Publications (1)

Publication Number Publication Date
CN115456041A true CN115456041A (zh) 2022-12-09

Family

ID=84297455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210951767.7A Pending CN115456041A (zh) 2022-08-09 2022-08-09 设备故障预警方法及装置、计算设备和存储介质

Country Status (1)

Country Link
CN (1) CN115456041A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116153033A (zh) * 2023-01-31 2023-05-23 中煤科工集团重庆智慧城市科技研究院有限公司 一种用于智能监控的多参数数据采集、预警系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116153033A (zh) * 2023-01-31 2023-05-23 中煤科工集团重庆智慧城市科技研究院有限公司 一种用于智能监控的多参数数据采集、预警系统

Similar Documents

Publication Publication Date Title
Hsu et al. Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning
Zhao et al. Anomaly detection and fault analysis of wind turbine components based on deep learning network
Wang et al. SCADA data based condition monitoring of wind turbines
Schlechtingen et al. Wind turbine condition monitoring based on SCADA data using normal behavior models. Part 1: System description
CN115013261B (zh) 一种用于海上风电场的状态监测方法及系统
WO2020142542A1 (en) Methods and systems for predicting risk of observable damage in wind turbine gearbox components
CN112733283A (zh) 一种风电机组部件故障预测方法
Xu et al. Quantile regression neural network‐based fault detection scheme for wind turbines with application to monitoring a bearing
CN112487910A (zh) 核电汽轮机系统故障预警方法及系统
Wang et al. A de-ambiguous condition monitoring scheme for wind turbines using least squares generative adversarial networks
CN117408162B (zh) 基于数字孪生的电网故障控制方法
CN109492790A (zh) 基于神经网络与数据挖掘的风电机组健康管理方法
CN116484751B (zh) 一种风电机组部件的疲劳寿命评估方法及装置
Yang et al. Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization
CN111209934A (zh) 风机故障预报警方法及系统
TW202208746A (zh) 風力發電機故障診斷系統及其方法
Chen et al. An integrated framework for statistical change detection in running status of industrial machinery under transient conditions
CN117151684A (zh) 风电风机数据分析预警方法、系统、装置及可读存储介质
CN115456041A (zh) 设备故障预警方法及装置、计算设备和存储介质
Chen Automated on-line fault prognosis for wind turbine monitoring using scada data
Yun et al. Fault diagnosis of wind turbine pitch system based on multiblock KPCA algorithm
Zhang Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data
Liu et al. Wind turbine spindle operating state recognition and early warning driven by SCADA data
Yang et al. Intelligent fan system based on big data and artificial intelligence
Dehghanabandaki et al. Fault Detection of Wind Turbine System Based on Deep Learning and System Identification

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