CN116994416B - 基于人工智能的风机运行故障预警方法及系统 - Google Patents

Abstract

本发明涉及数据处理领域，具体涉及基于人工智能的风机运行故障预警方法及系统，采集各监控数据序列；获取电压关联度和电流关联度；根据电压数据序列第一周期、第二周期的电压差值序列及电压数据序列得到电压波动趋增系数；根据电压数据序列第一周期、第二周期各电压异常组得到第一周期、第二周期的电压波变强度；根据电压波动趋增系数及第一周期、第二周期的电压波变强度得到电压异常波动渐延度；获取电流异常波动渐延度；根据电压、电流异常波动渐延度及关联度得到趋势平滑参数，下一时刻的风机转速预测值，完成风机运行故障预警。使预测值更快适应临近时刻数据的变化，实现对风机的实时监测和预测，提高预警的准确性和精度。

Description

基于人工智能的风机运行故障预警方法及系统

技术领域

本申请涉及数据处理技术领域，具体涉及基于人工智能的风机运行故障预警方法及系统。

背景技术

本发明中的风机是一种使用电能工作、用于散热和冷却的装置，主要通过风流来降低温度并排除热量。其中电机是风机的核心部件，风叶的转速也体现该风机运行时是否存在故障，同时电机老化、叶片堵塞、轴承损坏等都会造成该风机转速的异常。

传统的基于经验阈值是通过固定的阈值对风机转速的异常情况进行监测，这种方法并不能根据具体的实际情况设置特有的阈值，且对于临近的历史数据与时间较远的历史数据对预测值的影响不做任何权重的限制，导致对风机运行未来可能出现的故障预警的精度较低。

综上所述，本发明提出基于人工智能的风机运行故障预警方法，采集风机运行数据，根据电压、电流数据中的异常情况进行分析，通过影响风机转速的预测值，完成对风机运行故障预警。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的风机运行故障预警方法及系统，所采用的技术方案具体如下：

第一方面，本发明实施例提供了一种基于人工智能的风机运行故障预警方法，该方法包括以下步骤：

采集风机运行时各监控数据序列；所述监控数据序列包含电压、电流、风机转速数据序列；

结合灰色关联法获取电压、电流数据序列对风机转速数据序列的电压关联度和电流关联度；

将电压数据序列分成第一周期和第二周期；获取电压数据序列的标准差；根据电压数据序列得到第一周期的电压差值序列；获取第二周期的电压差值序列；计算电压差值序列第一周期、第二周期的赫尔斯特指数；根据电压数据序列第一周期、第二周期的赫尔斯特指数及电压数据序列的标准差得到电压波动趋增系数；获取电流波动趋增系数；

根据电压数据序列得到各电压异常组；根据电压数据序列第一周期各电压异常组得到各电压异常组的电压波变系数；根据电压数据序列第一周期各电压异常组的电压波变系数得到电压数据序列第一周期的电压波变强度；获取电压数据序列第二周期的电压波变强度；根据电压波动趋增系数及电压数据序列第一周期、第二周期的电压波变强度得到电压异常波动渐延度；获取电流异常波动渐延度；

根据电压、电流异常波动渐延度及关联度得到趋势平滑参数；根据趋势平滑参数对风机转速数据序列计算下一时刻的风机转速预测值；当下一时刻的风机转速预测值高于额定转速值时风机出现故障，完成风机运行故障预警。

优选的，所述将电压数据序列分成第一周期和第二周期的具体步骤为：

对于电压数据序列，将前个数据记为第一周期，将后/>个数据记为第二周期，/>、/>为预设数量。

优选的，所述根据电压数据序列得到第一周期的电压差值序列的具体步骤为：

获取额定电压值，将电压数据序列第一周期各数据数值与额定电压值的差值绝对值记为第一周期的电压差值序列。

优选的，所述根据电压数据序列第一周期、第二周期的赫尔斯特指数及电压数据序列的标准差得到电压波动趋增系数的具体步骤为：

对于电压数据序列，获取第一周期的赫尔斯特指数与第二周期的赫尔斯特指数的比值；将电压数据序列的标准差与所述比值的乘积作为电压波动趋增系数。

优选的，所述根据电压数据序列得到各电压异常组的具体步骤为：

设置电压高、低阈值，将电压数据序列中高于高阈值或低于低阈值的连续数据均记为一组电压异常组，得到各电压异常组。

优选的，所述根据电压数据序列第一周期各电压异常组得到各电压异常组的电压波变系数的具体步骤为：

对于电压数据序列第一周期各电压异常组，计算电压异常组各数据点的数值与额定电压值的差值绝对值，将电压异常组中所有数据点的差值绝对值求和得到电压异常组的电压波变系数。

优选的，所述根据电压数据序列第一周期各电压异常组的电压波变系数得到电压数据序列第一周期的电压波变强度的具体步骤为：

获取电压数据序列第一周期电压异常组的组数；

对于电压数据序列第一周期各电压异常组，获取电压异常组内的数据点数量；将电压异常组的电压波变系数与数据点数量的乘积记为电压异常组的第一因子；

计算第一周期所有电压异常组的第一因子与所述组数的乘积，将所述乘积与第一周期电压数据序列的数据点数量的比值记为电压数据序列第一周期的电压波变强度。

优选的，所述根据电压波动趋增系数及电压数据序列第一周期、第二周期的电压波变强度得到电压异常波动渐延度的具体步骤为：

对于电压数据序列，计算第二周期与第一周期的电压波变强度的比值，将所述比值与电压波动趋增系数的乘积作为电压异常波动渐延度。

优选的，所述根据电压、电流异常波动渐延度及关联度得到趋势平滑参数的具体步骤为：

将电压异常波动渐延度与电压关联度的乘积记为第一乘积，将电流异常波动渐延度与电流关联度的乘积记为第二乘积，将第一乘积与第二乘积的和值作为趋势平滑参数。

第二方面，本发明实施例还提供了一种基于人工智能的风机运行故障预警系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。

本发明至少具有如下有益效果：

本发明根据历史的电压、电流数据序列进行分析，将历史数据分成两个周期，针对每个周期的异常情况得到其数据序列对风机转速数据序列的影响程度，将预测值设置为受到更临近数据异常情况的影响，即时间越远历史数据对未来的预测值的影响越小，以此更准确预测未来下一时刻的风机转速，使得预警结果更加准确。

将电压、电流对转速的关联度作为影响因素对转速的影响度的初始值，对电压、电流数据进行分析处理，对于随着时间变化，数值相关性越大、序列数值混乱波动越具有增加的趋势，同时该异常波动强度越大，两者表示数据中较为异常的波动强度越呈现增强的趋势，说明该数据变化并非是偶然现象，而是越具有逐渐增大的趋势；采取霍尔特指数平滑算法对未来数据进行预测，使预测值更快适应临近时刻数据的变化，实现对风机的实时监测和预测，提高预警的准确性和精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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它附图。

图1为本发明提供的基于人工智能的风机运行故障预警方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的风机运行故障预警方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

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发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于人工智能的风机运行故障预警方法及系统的具体方案。

本发明一个实施例提供的基于人工智能的风机运行故障预警方法及系统。

具体的，提供了如下的基于人工智能的风机运行故障预警方法，请参阅图1，该方法包括以下步骤：

步骤S001，采集风机运行时各监控数据序列。

本实施例通过数据处理技术对风机运行故障进行预测，当风机运行时，如果其内部电机的电压、电流等影响因素发生变化时，风机风叶的转速可能会受到影响。如电机的电压变大，则风机的转速可能会随之变化，通常是电机电压变大时，风机转速也会变大。

因此在风机风叶中心旋转轴承处设置转速传感器监测风机转速的变化情况，在电机所在电路处设置电压表、电流表，用于监测风机运行时电机的电压、电流变化情况。

从风机正常运行时刻开始，对各传感器数据进行数据采集，设置每间隔时间，获取一次各传感器的数据，每个传感器获取/>个时刻的数据，根据这些数据对/>时刻的风机转速进行预测。/>和/>的取值实施者可自行设定，本实施例中/>取经验值2min，/>取经验值240。

由于风机转速受到电机电压、电流因素的影响，因此本实施例结合电机的电压、电流等数据对转速数据的影响程度来对风机转速数据进行更准确的预测。本实施例以上述风机转速作为判断标准，将电压、电流作为相关影响因素进行分析处理。

至此，得到风机转速数据序列、电压数据序列/>和电流数据序列/>。

步骤S002，根据各监控数据序列对风机转速产生的影响确定趋势平滑参数。

通常风机在运行时具有一个额定的转速，当实际转速与额定转速之间存在较大的差异时，说明该时刻风机可能出现一些故障影响了风机的转速。如电机电压异常增大时，风机转速通常大于额定转速。

因此本实施例采用风机转速数据序列中的异常数据作为风机是否存在故障的标准，根据历史的故障情况对于未来时刻的风机转速进行预测，当预测值与额定值差异较大时，进行预警处理。

然而，只根据历史风机转速数据对未来时刻的风机转速进行预测时，很难对未来时刻风机预测转速的准确度，因此本实施例结合电机电压、电流数据序列对风机转速数据序列产生的影响，用来对风机转速进行更为准确的预测，提高预警的准确度。

本实施例采用霍尔特（holt）指数平滑算法对未来时刻的风机转速进行预测。但是在霍尔特指数平滑算法中，趋势平滑参数往往是人工确定的，该值越大，与预测时刻越接近时刻的趋势在算法中的权重越大，即预测值受临近时刻数据趋势的影响越大，预测值对临近数据趋势越敏感。但是，该值过大时，预测值受到该临近值趋势的影响过大，导致预测值并不准确。因此需要根据历史数据的平稳特征和波动特征对趋势平滑参数进行调整，确定一个自适应趋势平滑参数，获取较为准确的预测值。

为了获取的风机转速数据序列和对其产生影响的电压、电流数据序列之间变化的关系，本实施例使用灰色关联法GRA获取电压、电流对风机转速的关联度，分别记为电压关联度、电流关联度/>。其中灰度关联法为公知技术，本实施例不再赘述。

其中，如果越大，即当电压、电流发生变化时，风机转速越会立刻发生相应的变化，说明电压、电流对风机转速的影响程度越大。

不止电压、电流对风机转速的关联度可以影响风机转速预测，电压、电流数据序列自身的数据特征也会对风机转速的故障判断产生一定的影响。

因此将电压、电流关联度作为对风机转速数据序列影响的初始值，然后对电压、电流数据序列进行分析处理，再对其影响度进行修正。

对于往期数据，当突然出现波动幅度较大、频率较快的情况时，为了避免该突变数据是由于噪声等原因造成，对其进行霍尔特指数平滑预测未来时刻时，应当减小趋势平滑参数，使其适应新数据的速度减弱；而如果随着时间变化，数据波动幅度、频率持续增强，说明该数据变化并非是偶然现象，为了更加准确地预测未来数据，应当增大趋势平滑参数/>，使其适应新数据的趋势变化。

本实施例针对风机转速中的电压数据序列为例说明，电流数据序列采用和电压数据序列同样的处理方法。

传统的基于经验阈值在对历史数据进行分析时，并不能考虑到临近历史数据与时间较远的历史数据对未来预测值的影响权重，而未来的预测值也和临近的历史数据关系最为接近且受其数据变化情况影响较大。

因此，针对历史数据中的不同时间段内的数据进行分析时，需要将与预测值临近的历史数据和距离时间较远的历史数据的分布情况分开进行考虑。

本实施例将电压数据序列分成2个周期，第一周期为前个数据，记为，第二周期为后/>个数据划，记为/>。

对于原始整体电压数据序列，计算整体电压数据序列的标准差/>，标准差越大，说明该数据序列远离平均电压值越多，数据越混乱。

为了表征电压数据序列与额定电压值之间的差距即异常变化情况，设置额定电压值为；将第一周期的电压数据序列/>与额定电压值的差值绝对值记为第一周期的电压差值序列/>，该序列的值越大，说明这段时间内的电压值越远离额定电压值/>。

同理可得第二周期的电压差值序列。

对第一周期和第二周期的电压差值序列使用DFA去趋势分析技术得到赫尔斯特Hurst指数，记为、/>，用以表示各数据序列的长相关性，其中DFA去趋势分析为公知技术，本实施例不再赘述。

其中，如果赫尔斯特指数的值越大，越接近1，说明该数据序列随着时间的变化数据序列的数值具有长期相关性趋势，即该数据序列中的数据越稳定，越有可能是正常电压值。

其中，表示电压数据序列第二周期的hurst指数，/>表示电压数据序列第一周期的hurst指数，/>为电压数据序列的标准差，/>为电压波动趋增系数。

需要说明的是，hurst是用于衡量时间序列数据长期相关性的统计量，当标准差越大时，则该电压数据序列的数值越远离均值，即电压数据序列越波动混乱，越大时，说明该序列后周期比前周期数值的长期历史趋势越小，即越到临近预测时刻其历史数据的稳定性越差，具有相比于第一周期更加波动的情况。

因此，当该电压数据序列中越大，即各值越波动混乱，而且/>越大，即波动混乱增加的趋势越大，则该电压数据序列混乱波动越具有增加的趋势，波动趋增系数/>越大。

如果风机处于较为正常、稳定的运行状态，电压数据通常也不是恒定的数值，其序列中的各个值通常会呈现出一定的周期性变化，即电压数据具有小幅度周期性波动，该波动数据通常与额定电压值的差异极小，同时变化较为平缓。

因此，在正常情况下，电压数据序列中电压数值不会与额定值相差较大，因此本实施例对电压数据序列中的电压数值设置两个高、低阈值/>、/>，这里取经验值/>，/>。对于正常的电压数据序列，其各个时刻的电压数值通常在高低阈值之间进行波动，但是不会超过两个高低阈值的范围，一旦序列中存在某时刻的电压数据超过高低阈值的范围，说明该时刻的电压波动幅度较大，该点越异常。

对电压数据序列的第一周期和第二周期内的电压值按照以下规则进行划分小组：按照时间先后顺序，将连续超过设置高、低阈值范围的数据，从第一个超过高、低阈值的电压数据到连续的最后一个超过高、低阈值范围的电压数据划分为一组。

例如：如对于一个额定电压值为220的风机，其高、低阈值为231和209，其部分电压序列为：222，227，232，235，238，233，228，222，218，212，207，205，212，按照划分规则可将其分为2组，第一组对应的数据是：232，235，238，233，第二组对应的数据序列是：207，205。若该组中只有一个数据也对应一个组。

各组内的数据均是连续超过电压高低阈值的数据，即每一个组内的数据均是周期序列中连续的异常波动值，每一组对应一个该周期序列中持续异常波动，该序列中所分组的数量越多，说明该序列的异常波动越多。

由此可得电压数据序列的第一周期中共有组，每组对应的数据个数分别为；电压数据序列的第二周期共有/>组，每组对应的数据个数分别为。

下面针对电压数据序列的第一周期的各电压异常组进行分析。

式中，为第一周期第/>组第/>个电压数据的数值，/>为风机的额定电压值，/>为第一周期第/>组中的数据数量，/>为第一周期第/>组的电压波变系数。

需要说明的是，通过计算第一周期第组中各个电压数据与额定电压值之间的差值绝对值，得到第一周期第/>组的电压波变系数。该值越大，说明该组中的电压数据的波动变化越剧烈。

由于电压数据序列第一周期各电压异常组的电压波变系数不同，为了表征电压数据序列第一周期的电压波变强度，需要将第一周期的各电压异常组的电压波变系数结合起来，用于表征第一周期的电压波变强度。结合第一周期电压异常组的数量、组内数据点的数量以及第一周期的电压数据总量得到第一周期的电压波变强度的表达式为：

式中，为第一周期第/>组的数据数量，/>为第一周期数据总量，/>为第一周期划分的组数，/>为第一周期第/>组的电压波变系数，/>为第一周期的电压波变强度，其中，记为第j组的第一因子。

需要说明的是，每个组对应一个组内的数据数量，在该周期中，组内的数据数量越多，说明该组的异常波动持续时间越长，同时如果该组的电压波变系数越大，即可以反应该周期的电压波动变化强度越大；且该周期的电压异常组越多，说明该周期越异常，该周期电压波变强度也越大。

由此可得第一周期的电压波变强度，同理可获取第二周期的电压波变强度/>。

在每个周期都能得到电压数据序列的异常波动变化强度，但是每个周期的异常波动变化强度也有很大的可能为偶然的异常数据，即这些异常数据可能由外界因素引起，并不是由于风机运行故障引起的。

为了识别这种异常波动变化强度是否为持续性地波动，即这种波动现象并非偶然，结合电压波动趋增系数、电压数据序列第一周期、第二周期的电压波变强度构建电压异常波动渐延度/>。

式中，为电压波动趋增系数，/>为第一周期的电压波变强度，/>为第二周期的电压波变强度，/>为电压异常波动渐延度。

需要说明的是，越大，说明电压数据序列数据随着时间变化，波动越混乱，越具有增加的趋势；/>越大，表示电压数据序列后一周期比前一周期的异常波动变化强度大，说明越接近预测值的历史数据波动变化强度越剧烈。

其中，得到的电压异常波动渐延度越大，说明随着时间的变化，数据中较为异常的波动数量越多、持续时间越长，异常波动强度呈现增强的趋势，即该数据变化并非是偶然现象，而是具有逐渐增大的趋势；因此，随着时间增加，该序列异常波动逐渐增加、蔓延。

为了更准确的预测未来数据，应当增大趋势平滑参数，使其适应新数据的波动变化。

由此得到了电压异常波动渐延度，同理可得电流异常波动渐延度。

至此，可得电压异常波动渐延度和电流异常波动渐延度/>；结合电压、电流关联度/>对其趋势平滑参数/>进行修正。

式中，为线性归一化函数，/>、/>分别为电压、电流异常波动渐延度，/>、/>分别为电压、电流关联度，/>为趋势平滑参数，其中，将/>记为第一乘积，/>记为第二乘积。

需要说明的是，本实施例中对风机转速共有电压和电流两个影响因素，如果电压、电流异常波动渐延度越大，说明电压、电流数据序列随着时间的变化时，异常波动越多、异常波动强度越大，且数据中较为异常的波动强度呈现增强的趋势，即该数据变化并非是偶然现象，而是具有逐渐增大的趋势，为了更准确的预测未来数据，应当增大趋势平滑参数，使其适应新数据的趋势变化；同时电压、电流关联度越大，说明电压、电流与风机转速之间的关联性越大，即电压、电流数据序列对风机转速数据序列的影响程度越大，应该修正趋势平滑参数使之能够更快适应新数据的波动情况。

步骤S003，根据趋势平滑参数对未来时刻的风机转速进行预测，并根据预测结果对风机进行故障预警。

将所得的趋势平滑参数输入到霍尔特指数平滑算法中，根据风机转速数据序列和电压、电流数据序列对下一时刻的风机转速进行预测，得到下一时刻的风机转速预测值，记为/>。

设置该风机转速的额定转速值为，通过比较下一时刻的风机转速预测值/>与额定转速值/>之间的差异，判断该风机是否存在故障。

设置转速差异阈值，如果下一时刻的风机转速预测值/>与额定转速值/>的差值绝对值大于转速差异阈值/>，则判断该风机在下一时刻运行时可能存在故障，为防止故障扩大，此时系统自动发出警报，进行预警处理，对风机采取相应的措施。

本实施例将转速差异阈值设置为经验值500转/min，具体可以根据实施者自行设定。

至此，完成风机运行时的故障预警。

综上所述，本发明实施例提出基于人工智能的风机运行故障预警方法及系统，采集风机运行数据，根据电压、电流数据中的异常情况进行分析，通过影响风机转速的预测值，完成对风机运行故障预警。

本发明实施例根据历史的电压、电流数据序列进行分析，将历史数据分成两个周期，针对每个周期的异常情况得到其数据序列对风机转速数据序列的影响程度，将预测值设置为受到更临近数据异常情况的影响，即时间越远历史数据对未来的预测值的影响越小，以此更准确预测未来下一时刻的风机转速，使得预警结果更加准确；

将电压、电流对转速的关联度作为影响因素对转速的影响度的初始值，对电压、电流数据进行分析处理，对于随着时间变化，数值相关性越大、序列数值混乱波动越具有增加的趋势，同时该异常波动强度越大，两者表示数据中较为异常的波动强度越呈现增强的趋势，说明该数据变化并非是偶然现象，而是越具有逐渐增大的趋势；采取霍尔特指数平滑算法对未来数据进行预测，使预测值更快适应临近时刻数据的变化，实现对风机的实时监测和预测，提高预警的准确性和精度。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (7)

1.基于人工智能的风机运行故障预警方法，其特征在于，该方法包括以下步骤：

采集风机运行时各监控数据序列；所述监控数据序列包含电压、电流、风机转速数据序列；

结合灰色关联法获取电压、电流数据序列对风机转速数据序列的电压关联度和电流关联度；

将电压数据序列分成第一周期和第二周期；获取电压数据序列的标准差；根据电压数据序列得到第一周期的电压差值序列；获取第二周期的电压差值序列；计算电压差值序列第一周期、第二周期的赫尔斯特指数；根据电压数据序列第一周期、第二周期的赫尔斯特指数及电压数据序列的标准差得到电压波动趋增系数；

根据电压数据序列得到各电压异常组；根据电压数据序列第一周期各电压异常组得到各电压异常组的电压波变系数；根据电压数据序列第一周期各电压异常组的电压波变系数得到电压数据序列第一周期的电压波变强度；获取电压数据序列第二周期的电压波变强度；根据电压波动趋增系数及电压数据序列第一周期、第二周期的电压波变强度得到电压异常波动渐延度；同理，根据电压异常波动渐延度的获取方法获取电流异常波动渐延度；

根据电压、电流异常波动渐延度及关联度得到趋势平滑参数；根据趋势平滑参数对风机转速数据序列计算下一时刻的风机转速预测值；当下一时刻的风机转速预测值高于额定转速值时风机出现故障，完成风机运行故障预警；

所述根据电压数据序列第一周期、第二周期的赫尔斯特指数及电压数据序列的标准差得到电压波动趋增系数的具体步骤为：

对于电压数据序列，获取第一周期的赫尔斯特指数与第二周期的赫尔斯特指数的比值；将电压数据序列的标准差与所述比值的乘积作为电压波动趋增系数；

所述根据电压波动趋增系数及电压数据序列第一周期、第二周期的电压波变强度得到电压异常波动渐延度的具体步骤为：

对于电压数据序列，计算第二周期与第一周期的电压波变强度的比值，将所述比值与电压波动趋增系数的乘积作为电压异常波动渐延度；

所述根据电压、电流异常波动渐延度及关联度得到趋势平滑参数的具体步骤为：

将电压异常波动渐延度与电压关联度的乘积记为第一乘积，将电流异常波动渐延度与电流关联度的乘积记为第二乘积，将第一乘积与第二乘积的和值作为趋势平滑参数。

2.如权利要求1所述的基于人工智能的风机运行故障预警方法，其特征在于，所述将电压数据序列分成第一周期和第二周期的具体步骤为：

对于电压数据序列，将前个数据记为第一周期，将后/>个数据记为第二周期，/>、/>为预设数量。

3.如权利要求1所述的基于人工智能的风机运行故障预警方法，其特征在于，所述根据电压数据序列得到第一周期的电压差值序列的具体步骤为：

获取额定电压值，将电压数据序列第一周期各数据数值与额定电压值的差值绝对值记为第一周期的电压差值序列。

4.如权利要求1所述的基于人工智能的风机运行故障预警方法，其特征在于，所述根据电压数据序列得到各电压异常组的具体步骤为：

设置电压高、低阈值，将电压数据序列中高于高阈值或低于低阈值的连续数据均记为一组电压异常组，得到各电压异常组。

5.如权利要求1所述的基于人工智能的风机运行故障预警方法，其特征在于，所述根据电压数据序列第一周期各电压异常组得到各电压异常组的电压波变系数的具体步骤为：

对于电压数据序列第一周期各电压异常组，计算电压异常组各数据点的数值与额定电压值的差值绝对值，将电压异常组中所有数据点的差值绝对值求和得到电压异常组的电压波变系数。

6.如权利要求1所述的基于人工智能的风机运行故障预警方法，其特征在于，所述根据电压数据序列第一周期各电压异常组的电压波变系数得到电压数据序列第一周期的电压波变强度的具体步骤为：

获取电压数据序列第一周期电压异常组的组数；

对于电压数据序列第一周期各电压异常组，获取电压异常组内的数据点数量；将电压异常组的电压波变系数与数据点数量的乘积记为电压异常组的第一因子；

计算第一周期所有电压异常组的第一因子与所述组数的乘积，将所述乘积与第一周期电压数据序列的数据点数量的比值记为电压数据序列第一周期的电压波变强度。

7.基于人工智能的风机运行故障预警系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任意一项所述方法的步骤。