CN117514649B - 一种风电机组健康状态监测方法及装置 - Google Patents

一种风电机组健康状态监测方法及装置 Download PDF

Info

Publication number
CN117514649B
CN117514649B CN202311696344.6A CN202311696344A CN117514649B CN 117514649 B CN117514649 B CN 117514649B CN 202311696344 A CN202311696344 A CN 202311696344A CN 117514649 B CN117514649 B CN 117514649B
Authority
CN
China
Prior art keywords
detection point
sequence data
time sequence
point temperature
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.)
Active
Application number
CN202311696344.6A
Other languages
English (en)
Other versions
CN117514649A (zh
Inventor
程逸
胡阳
房方
胡号朋
刘吉臻
刘冰冰
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.)
China Shipbuilding Haizhuang Wind Power Co ltd
North China Electric Power University
Original Assignee
China Shipbuilding Haizhuang Wind Power Co ltd
North China Electric Power University
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 China Shipbuilding Haizhuang Wind Power Co ltd, North China Electric Power University filed Critical China Shipbuilding Haizhuang Wind Power Co ltd
Priority to CN202311696344.6A priority Critical patent/CN117514649B/zh
Publication of CN117514649A publication Critical patent/CN117514649A/zh
Application granted granted Critical
Publication of CN117514649B publication Critical patent/CN117514649B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/80—Diagnostics

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Wind Motors (AREA)

Abstract

本申请提供了一种风电机组健康状态监测方法及装置，其中，该方法包括：针对当前时间段中的各第一滑动时间窗口，确定出第一局部全量检测点温度时序数据和第一局部工况时序数据；根据第一局部全量检测点温度时序数据生成第一局部邻接矩阵；将第一局部邻接矩阵、第一局部工况时序数据、全局邻接矩阵输入到目标预测模型中，预测每个检测点各自的第一预测检测点温度数据；针对每个检测点，确定该检测点的第一测量检测点温度数据，计算第一测量检测点温度数据与该检测点的第一预测检测点温度数据之间的第一残差；根据第一残差确定目标风力发电机组的健康状态。通过该方法，提高了对风力发电机组健康状态监测的效率和及时性。

Description

一种风电机组健康状态监测方法及装置
技术领域
本申请涉及风力发电技术领域，尤其是涉及一种风电机组健康状态监测方法及装置。
背景技术
风力发电机组(简称风电机组)是将风的动能转换为电能的系统，大多数的风力发电机组通常建立在复杂恶劣的外部环境中，例如，温差变化大、风速变化剧烈、沙尘酸雨污染等。由于风力发电机组是一个复杂的工程系统，包含大量的机械、电气和电子组件，这些部件在长期运行过程中，受到外部环境的影响以及自身的磨损老化，容易出现故障等问题。因此，对风力发电机组的健康状态进行监测，是提高风力发电机组可靠性、维修及时性以及发电效率的必要手段。
现有技术中，在采集到风力发电机组的与健康状态相关的数据后，通常对采集到的数据进行人工分析，从而判断风力发电机组的健康状态。这种方式存在效率低、耗时长、故障反馈不及时等问题。并且，现有技术中，通常是对风力发电机组的单一部件进行健康状态监测，由于监测范围小，容易忽略部件之间的关联性，容易出现漏检、误检的问题。
发明内容
有鉴于此，本申请的目的在于提供一种风电机组健康状态监测方法及装置，以提高对风力发电机组健康状态监测的效率和及时性，并且通过对风力发电机组的多个检测点同时进行健康监测，有利于增大监测范围。
第一方面，本申请实施例提供了一种风电机组健康状态监测方法，包括：
采集目标风力发电机组在当前时间段内的第一全量检测点温度时序数据和第一工况时序数据；所述第一全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的温度时序数据；
针对所述当前时间段中的每个第一滑动时间窗口，从所述第一全量检测点温度时序数据中确定出该第一滑动时间窗口内的第一局部全量检测点温度时序数据，以及从所述第一工况时序数据中确定出该第一滑动时间窗口内的第一局部工况时序数据；每个所述第一滑动时间窗口中均不包含当前时刻；
根据该第一局部全量检测点温度时序数据，生成第一局部邻接矩阵；
将该第一局部邻接矩阵、该第一局部工况时序数据、以及预先生成的全局邻接矩阵输入到训练好的目标预测模型中，通过所述目标预测模型预测出该第一滑动时间窗口的下一时刻每个所述检测点各自的第一预测检测点温度数据；
针对每个所述检测点，从所述第一全量检测点温度时序数据中确定该第一滑动时间窗口的下一时刻该检测点的第一测量检测点温度数据，计算该第一测量检测点温度数据与该检测点的第一预测检测点温度数据之间的第一残差；
根据该检测点对应的所有所述第一残差，确定所述目标风力发电机组中该检测点处的健康状态。
结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述根据该检测点对应的所有所述第一残差，确定所述目标风力发电机组中该检测点处的健康状态，包括：
使用核密度估计方法，对该检测点对应的所有所述第一残差进行拟合，得到该检测点的第一概率密度分布；
根据该检测点的第一概率密度分布和基准概率密度分布，确定所述目标风力发电机组中该检测点处的健康状态。
结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述根据该检测点的第一概率密度分布和基准概率密度分布，确定所述目标风力发电机组中该检测点处的健康状态，包括：
计算该检测点的第一概率密度分布和基准概率密度分布之间的第一距离；
根据该第一距离与故障预警阈值之间的大小关系，确定所述目标风力发电机组中该检测点处的健康状态。
结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，其中，所述方法还包括：
获取所述目标风力发电机组在第一历史时间段内的第二全量检测点温度时序数据和第二工况时序数据；所述第二全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第一历史温度时序数据；
根据多组预设的超参数，分别构建各组预设的超参数对应的待训练的初始预测模型；所述初始预测模型包含顺序连接的第一层数的时空层和第二层数的全连接层；所述超参数包含以下中的任意一种或多种参数：所述第一层数、所述第二层数以及所述第二工况时序数据中的数据种类；
针对每组预设的所述超参数，利用所述第二全量检测点温度时序数据和所述第二工况时序数据，对该超参数对应的所述初始预测模型进行模型训练，得到训练后的候选预测模型；
获取所述目标风力发电机组在第二历史时间段内的第三全量检测点温度时序数据和第三工况时序数据；所述第三全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第二历史温度时序数据；
针对每组预设的所述超参数，使用所述第二历史时间段内的第三全量检测点温度时序数据和所述第三工况时序数据对该超参数对应的所述候选预测模型进行模型评估，得到该超参数对应的模型评估结果；
根据各个所述超参数对应的模型评估结果，从所有所述超参数中选取出模型评估结果最优的超参数作为最优超参数，以将所述最优超参数对应的所述候选预测模型作为所述目标预测模型。
结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第四种可能的实施方式，其中，所述方法还包括：
获取所述目标风力发电机组在健康状态下运行时，第三历史时间段内的第四全量检测点温度时序数据和第四工况时序数据；所述第四全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第三历史温度时序数据；
针对所述第三历史时间段中的每个第二滑动时间窗口，从所述第四全量检测点温度时序数据中确定出该第二滑动时间窗口内的第二局部全量检测点温度时序数据，以及从所述第四工况时序数据中确定出该第二滑动时间窗口内的第二局部工况时序数据；每个所述第二滑动时间窗口中均不包含所述第三历史时间段中的最后一个时刻；
根据该第二局部全量检测点温度时序数据，生成第二局部邻接矩阵；
将该第二局部邻接矩阵、该第二局部工况时序数据、以及所述全局邻接矩阵输入到所述目标预测模型中，通过所述目标预测模型预测出该第二滑动时间窗口的下一时刻每个所述检测点各自的第二预测检测点温度数据；
针对每个所述检测点，从所述第四全量检测点温度时序数据中确定出该第二滑动时间窗口的下一时刻该检测点的第二测量检测点温度数据，计算该第二测量检测点温度数据与该检测点的第二预测检测点温度数据之间的第二残差；
使用核密度估计方法，对该检测点对应的所有所述第二残差进行拟合，得到该检测点对应的部件在健康状态下运行时该检测点的基准概率密度分布。
结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第五种可能的实施方式，其中，所述方法还包括：
获取所述目标风力发电机组在健康状态下运行时，第四历史时间段内的第五全量检测点温度时序数据和第五工况时序数据；所述第五全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第四历史温度时序数据；
针对所述第四历史时间段中的每个第三滑动时间窗口，从所述第五全量检测点温度时序数据中确定出该第三滑动时间窗口内的第三局部全量检测点温度时序数据，以及从所述第五工况时序数据中确定出该第三滑动时间窗口内的第三局部工况时序数据；每个所述第三滑动时间窗口中均不包含所述第四历史时间段中的最后一个时刻；
根据该第三局部全量检测点温度时序数据，生成第三局部邻接矩阵；
将该第三局部邻接矩阵、该第三局部工况时序数据、以及所述全局邻接矩阵输入到所述目标预测模型中，通过所述目标预测模型预测出该第三滑动时间窗口的下一时刻每个所述检测点各自的第三预测检测点温度数据；
针对每个所述检测点，从所述第五全量检测点温度时序数据中确定出该第三滑动时间窗口的下一时刻该检测点的第三测量检测点温度数据，计算该第三测量检测点温度数据与该检测点的第三预测检测点温度数据之间的第三残差；
使用核密度估计方法，对该检测点对应的所有所述第三残差进行拟合，得到该检测点对应的部件在健康状态下运行时该检测点的正常概率密度分布；
计算该检测点对应的所述正常概率密度分布和所述基准概率密度分布之间的第二距离；
根据所述第二距离，确定所述故障预警阈值。
结合第一方面、第一方面的第一种可能的实施方式或者第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第六种可能的实施方式，其中，在确定出所述目标风力发电机组中各检测点处的健康状态之后，所述方法还包括：
当所述目标风力发电机组中存在至少一个检测点处的健康状态为故障状态时，发出报警警示。
第二方面，本申请实施例还提供一种风电机组健康状态监测装置，包括：
采集模块，用于采集目标风力发电机组在当前时间段内的第一全量检测点温度时序数据和第一工况时序数据；所述第一全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的温度时序数据；
第一确定模块，用于针对所述当前时间段中的每个第一滑动时间窗口，从所述第一全量检测点温度时序数据中确定出该第一滑动时间窗口内的第一局部全量检测点温度时序数据，以及从所述第一工况时序数据中确定出该第一滑动时间窗口内的第一局部工况时序数据；每个所述第一滑动时间窗口中均不包含当前时刻；
第一生成模块，用于根据该第一局部全量检测点温度时序数据，生成第一局部邻接矩阵；
第一预测模块，用于将该第一局部邻接矩阵、该第一局部工况时序数据、以及预先生成的全局邻接矩阵输入到训练好的目标预测模型中，通过所述目标预测模型预测出该第一滑动时间窗口的下一时刻每个所述检测点各自的第一预测检测点温度数据；
第一计算模块，用于针对每个所述检测点，从所述第一全量检测点温度时序数据中确定该第一滑动时间窗口的下一时刻该检测点的第一测量检测点温度数据，计算该第一测量检测点温度数据与该检测点的第一预测检测点温度数据之间的第一残差；
第二确定模块，用于根据该检测点对应的所有所述第一残差，确定所述目标风力发电机组中该检测点处的健康状态。
结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中，所述第二确定模块在用于根据该检测点对应的所有所述第一残差，确定所述目标风力发电机组中该检测点处的健康状态时，具体用于：
使用核密度估计方法，对该检测点对应的所有所述第一残差进行拟合，得到该检测点的第一概率密度分布；
根据该检测点的第一概率密度分布和基准概率密度分布，确定所述目标风力发电机组中该检测点处的健康状态。
结合第二方面的第一种可能的实施方式，本申请实施例提供了第二方面的第二种可能的实施方式，其中，所述第二确定模块在用于根据该检测点的第一概率密度分布和基准概率密度分布，确定所述目标风力发电机组中该检测点处的健康状态时，具体用于：
计算该检测点的第一概率密度分布和基准概率密度分布之间的第一距离；
根据该第一距离与故障预警阈值之间的大小关系，确定所述目标风力发电机组中该检测点处的健康状态。
结合第二方面的第二种可能的实施方式，本申请实施例提供了第二方面的第三种可能的实施方式，其中，所述装置还包括：
第一获取模块，用于获取所述目标风力发电机组在第一历史时间段内的第二全量检测点温度时序数据和第二工况时序数据；所述第二全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第一历史温度时序数据；
构建模块，用于根据多组预设的超参数，分别构建各组预设的超参数对应的待训练的初始预测模型；所述初始预测模型包含顺序连接的第一层数的时空层和第二层数的全连接层；所述超参数包含以下中的任意一种或多种参数：所述第一层数、所述第二层数以及所述第二工况时序数据中的数据种类；
训练模块，用于针对每组预设的所述超参数，利用所述第二全量检测点温度时序数据和所述第二工况时序数据，对该超参数对应的所述初始预测模型进行模型训练，得到训练后的候选预测模型；
第二获取模块，用于获取所述目标风力发电机组在第二历史时间段内的第三全量检测点温度时序数据和第三工况时序数据；所述第三全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第二历史温度时序数据；
评估模块，用于针对每组预设的所述超参数，使用所述第二历史时间段内的第三全量检测点温度时序数据和所述第三工况时序数据对该超参数对应的所述候选预测模型进行模型评估，得到该超参数对应的模型评估结果；
选取模块，用于根据各个所述超参数对应的模型评估结果，从所有所述超参数中选取出模型评估结果最优的超参数作为最优超参数，以将所述最优超参数对应的所述候选预测模型作为所述目标预测模型。
结合第二方面的第一种可能的实施方式，本申请实施例提供了第二方面的第四种可能的实施方式，其中，所述装置还包括：
第三获取模块，用于获取所述目标风力发电机组在健康状态下运行时，第三历史时间段内的第四全量检测点温度时序数据和第四工况时序数据；所述第四全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第三历史温度时序数据；
第三确定模块，用于针对所述第三历史时间段中的每个第二滑动时间窗口，从所述第四全量检测点温度时序数据中确定出该第二滑动时间窗口内的第二局部全量检测点温度时序数据，以及从所述第四工况时序数据中确定出该第二滑动时间窗口内的第二局部工况时序数据；每个所述第二滑动时间窗口中均不包含所述第三历史时间段中的最后一个时刻；
第二生成模块，用于根据该第二局部全量检测点温度时序数据，生成第二局部邻接矩阵；
第二预测模块，用于将该第二局部邻接矩阵、该第二局部工况时序数据、以及所述全局邻接矩阵输入到所述目标预测模型中，通过所述目标预测模型预测出该第二滑动时间窗口的下一时刻每个所述检测点各自的第二预测检测点温度数据；
第四确定模块，用于针对每个所述检测点，从所述第四全量检测点温度时序数据中确定出该第二滑动时间窗口的下一时刻该检测点的第二测量检测点温度数据，计算该第二测量检测点温度数据与该检测点的第二预测检测点温度数据之间的第二残差；
第一拟合模块，用于使用核密度估计方法，对该检测点对应的所有所述第二残差进行拟合，得到该检测点对应的部件在健康状态下运行时该检测点的基准概率密度分布。
结合第二方面的第二种可能的实施方式，本申请实施例提供了第二方面的第五种可能的实施方式，其中，所述装置还包括：
第四获取模块，用于获取所述目标风力发电机组在健康状态下运行时，第四历史时间段内的第五全量检测点温度时序数据和第五工况时序数据；所述第五全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第四历史温度时序数据；
第五确定模块，用于针对所述第四历史时间段中的每个第三滑动时间窗口，从所述第五全量检测点温度时序数据中确定出该第三滑动时间窗口内的第三局部全量检测点温度时序数据，以及从所述第五工况时序数据中确定出该第三滑动时间窗口内的第三局部工况时序数据；每个所述第三滑动时间窗口中均不包含所述第四历史时间段中的最后一个时刻；
第三生成模块，用于根据该第三局部全量检测点温度时序数据，生成第三局部邻接矩阵；
第三预测模块，用于将该第三局部邻接矩阵、该第三局部工况时序数据、以及所述全局邻接矩阵输入到所述目标预测模型中，通过所述目标预测模型预测出该第三滑动时间窗口的下一时刻每个所述检测点各自的第三预测检测点温度数据；
第六确定模块，用于针对每个所述检测点，从所述第五全量检测点温度时序数据中确定出该第三滑动时间窗口的下一时刻该检测点的第三测量检测点温度数据，计算该第三测量检测点温度数据与该检测点的第三预测检测点温度数据之间的第三残差；
第二拟合模块，用于使用核密度估计方法，对该检测点对应的所有所述第三残差进行拟合，得到该检测点对应的部件在健康状态下运行时该检测点的正常概率密度分布；
第二计算模块，用于计算该检测点对应的所述正常概率密度分布和所述基准概率密度分布之间的第二距离；
第七确定模块，用于根据所述第二距离，确定所述故障预警阈值。
结合第二方面、第二方面的第一种可能的实施方式或者第二方面的第二种可能的实施方式，本申请实施例提供了第二方面的第六种可能的实施方式，其中，所述装置还包括：
警示模块，用于在确定出所述目标风力发电机组中各检测点处的健康状态之后，当所述目标风力发电机组中存在至少一个检测点处的健康状态为故障状态时，发出报警警示。
本申请实施例提供的一种风电机组健康状态监测方法及装置，其中，在采集到目标风力发电机组在当前时间段内的第一全量检测点温度时序数据和第一工况时序数据后，通过对采集到的数据进行自动化分析处理，从而确定目标风力发电机组中各检测点处的健康状态，相比于通过人工分析的方式，本实施例中的方式有利于提高对风力发电机组健康状态监测的效率和及时性。并且，由于本实施例中可以确定目标风力发电机组中每个检测点处的健康状态，相比于对风力发电机组的单一部件进行健康状态监测，本实施例的方式有利于增大监测范围。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例所提供的一种风电机组健康状态监测方法的流程图；
图2示出了本申请实施例所提供的一种第一滑动时间窗口的示意图；
图3示出了本申请实施例所提供的一种第一局部邻接矩阵的示意图；
图4示出了本申请实施例所提供的一种初始预测模型的结构示意图；
图5示出了本申请实施例所提供的一种风电机组健康状态监测装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
考虑到在采集到风力发电机组的与健康状态相关的数据后，通过对采集到的数据进行人工分析的方式判断风力发电机组的健康状态，存在效率低、耗时长、故障反馈不及时等问题。并且，若对风力发电机组的单一部件进行健康状态监测，存在监测范围小，容易忽略部件之间的关联性，容易出现漏检、误检的问题。基于此，本申请实施例提供了一种风电机组健康状态监测方法及装置，以提高对风力发电机组健康状态监测的效率和及时性，并且通过对风力发电机组的多个检测点同时进行健康监测，有利于增大监测范围，下面通过实施例进行描述。
实施例一：
为便于对本实施例进行理解，首先对本申请实施例所公开的一种风电机组健康状态监测方法进行详细介绍。图1示出了本申请实施例所提供的一种风电机组健康状态监测方法的流程图，如图1所示，包括以下步骤S101-S106：
S101：采集目标风力发电机组在当前时间段内的第一全量检测点温度时序数据和第一工况时序数据；第一全量检测点温度时序数据包含目标风力发电机组上每个检测点各自对应的温度时序数据。
该实施例中，目标风力发电机组指的是需要进行健康状态监测的风力发电机组。当前时间段指的是从当前时刻到第一历史时刻之间的时间段，其中，第一历史时刻为从当前时刻往前推指定时长后对应的历史时刻，也就是说，当前时间段的时长为指定时长。换句话说，当前时间段中包含多个连续的时间点，当前时间段中的最后一个时间点为当前时刻。
该实施例中，目标风力发电机组上设置有多个检测点，每个检测点分别对应目标风力发电机组中的某个部件。每个检测点上设置一个温度传感器，该温度传感器用于实时检测目标风力发电机组中该检测点处对应的部件的温度，得到该检测点对应的温度时序数据。
第一全量检测点温度时序数据中包含当前时间段内，目标风力发电机组上所有检测点各自对应的温度时序数据，其中，一个检测点对应一个当前时间段内的温度时序数据。第一工况时序数据中包含当前时间段内目标风力发电机组运行时的风速时序数据、目标风力发电机组输出的有功功率时序数据、目标风力发电机组的桨距角时序数据。有功功率＝目标风力发电机组输出的电能/时间。
该实施例中，在采集到目标风力发电机组在当前时间段内的第一全量检测点温度时序数据和第一工况时序数据后，还可以：采用离群因子检测算法筛选出第一全量检测点温度时序数据中的异常数据，将筛选出的异常数据从第一全量检测点温度时序数据中删除，然后使用线性插值方法填补缺失数据对第一全量检测点温度时序数据中的缺失数据进行填充。
采用孤立森林异常点检测方法筛选出第一工况时序数据中的异常数据，将筛选出的异常数据从第一工况时序数据中删除，然后使用随机森林方法填补缺失数据方法对第一工况时序数据中的缺失数据进行填充。
S102：针对当前时间段中的每个第一滑动时间窗口，从第一全量检测点温度时序数据中确定出该第一滑动时间窗口内的第一局部全量检测点温度时序数据，以及从第一工况时序数据中确定出该第一滑动时间窗口内的第一局部工况时序数据；每个第一滑动时间窗口中均不包含当前时刻。
该实施例中，第一全量检测点温度时序数据中包含N个检测点各自对应的温度时序数据，从当前时间段中确定出多个第一滑动时间窗口，每个第一滑动时间窗口为当前时间段内的一段时间窗口，不同的第一滑动时间窗口在当前时间段中的窗口位置不同，每个第一滑动时间窗口的时间窗口长度相同。
图2示出了本申请实施例所提供的一种第一滑动时间窗口的示意图，如图2所示，仅示出了第一全量检测点温度时序数据、其中一个第一滑动时间窗口、以及第一局部全量检测点温度时序数据。
第一局部全量检测点温度时序数据指的是第一全量检测点温度时序数据中，位于第一滑动时间窗口内的部分第一全量检测点温度时序数据。第一局部工况时序数据指的是第一工况时序数据中，位于第一滑动时间窗口内的部分第一工况时序数据。
S103：根据该第一局部全量检测点温度时序数据，生成第一局部邻接矩阵。
该实施例中，第一局部全量检测点温度时序数据中包含所有检测点在第一滑动时间窗口内各自对应的温度时序数据。由于所有检测点位于同一个目标风力发电机组，不同的检测点在目标风力发电机组上的位置不同，也就是说，不同的检测点对应目标风力发电机组的不同部件，而同一目标风力发电机组的不同部件之间可能存在相互影响的关系，因此，第一局部邻接矩阵中包含任意两个检测点之间的局部的温度相关性，其中，局部指的是第一局部全量检测点温度时序数据是第一全量检测点温度时序数据中的部分数据。
图3示出了本申请实施例所提供的一种第一局部邻接矩阵的示意图，如图3所示，示例性的，当检测点共有10个时，第一局部邻接矩阵中的每个数值分别表征其对应的两个检测点之间(使用第一局部全量检测点温度时序数据计算出来)的温度相关性。例如，如图3所示，检测点1和检测点2之间的温度相关性是0.49。
S104：将该第一局部邻接矩阵、该第一局部工况时序数据、以及预先生成的全局邻接矩阵输入到训练好的目标预测模型中，通过目标预测模型预测出该第一滑动时间窗口的下一时刻每个检测点各自的第一预测检测点温度数据。
该实施例中，全局邻接矩阵是在训练目标预测模型之前就确定好的，全局邻接矩阵是根据目标全量检测点温度时序数据生成的。目标全量检测点温度时序数据中包含在目标时间段内，目标风力发电机组中每个检测点各自对应的温度时序数据。目标时间段可以是目标风力发电机组在历史运行阶段中的任意一个历史时间段,目标时间段的时间长度较长。全局邻接矩阵用于表征任意两个检测点之间的全局的温度相关性。其中，全局指的是目标全量检测点温度时序数据对应的目标时间段较长。全局邻接矩阵中的每个数值分别表征其对应的两个检测点之间(使用目标全量检测点温度时序数据计算出来)的温度相关性。
第一滑动时间窗口的下一时刻指的是第一滑动时间窗口中最后时刻的下一时刻。每个检测点在每个第一滑动时间窗口的下一时刻均对应一个第一预测检测点温度数据，第一预测检测点温度数据为目标预测模型预测出的该检测点在该第一滑动时间窗口的下一时刻的温度。
S105：针对每个检测点，从第一全量检测点温度时序数据中确定该第一滑动时间窗口的下一时刻该检测点的第一测量检测点温度数据，计算该第一测量检测点温度数据与该检测点的第一预测检测点温度数据之间的第一残差。
该实施例中，第一全量检测点温度时序数据中包含有每个检测点，在当前时间段中每个时刻的第一测量检测点温度数据。每个检测点在当前时间段内的每个时刻均对应一个第一测量检测点温度数据。第一测量检测点温度数据是通过温度传感器测量出的检测点真实的温度数据。
由于每个第一滑动时间窗口中均不包含当前时刻，而当前时刻是当前时间段的最后一个时刻，所以，每个第一滑动时间窗口的下一时刻都位于当前时间段内，也就是说，每个第一滑动时间窗口的下一时刻都对应有各自的第一测量检测点温度数据。
针对每个检测点，计算该第一滑动时间窗口的下一时刻该检测点的第一测量检测点温度数据，与该第一滑动时间窗口的下一时刻该检测点的第一预测检测点温度数据之间的第一残差。
其中，表示第一滑动时间窗口t的下一时刻检测点n的第一预测检测点温度数据；/>表示第一滑动时间窗口t的下一时刻检测点n的第一测量检测点温度数据；/>表示第一滑动时间窗口t的下一时刻检测点n的第一残差。
该实施例中，每个检测点在每个第一滑动时间窗口的下一时刻分别对应一个第一残差，也就是说，当第一滑动时间窗口有N个时，每个检测点分别对应N个第一残差。
S106：根据该检测点对应的所有第一残差，确定目标风力发电机组中该检测点处的健康状态。
该实施例中，根据该检测点对应的所有第一残差，确定目标风力发电机组中该检测点处对应的部件的健康状态。其中，健康状态包括故障状态和正常状态，故障状态表征该检测点处对应的部件发生了故障，正常状态表征该检测点处对应的部件未发生故障。
在一种可能的实施方式中，在执行步骤S106时，具体可以按照以下步骤S1061-S1062执行：
S1061：使用核密度估计方法，对该检测点对应的所有第一残差进行拟合，得到该检测点的第一概率密度分布。
该实施例中，第一概率密度分布可以理解为第一概率密度函数，或者可以理解为第一概率密度曲线。该第一概率密度曲线的纵坐标为第一残差，横坐标为各个第一滑动时间窗口的下一时刻。
S1062：根据该检测点的第一概率密度分布和基准概率密度分布，确定目标风力发电机组中该检测点处的健康状态。
该实施例中，基准概率密度分布是预先确定出来的该检测点标准的概率密度分布。每个检测点对应一个基准概率密度分布和一个第一概率密度分布。根据该检测点对应的第一概率密度分布和基准概率密度分布之间的差别，确定目标风力发电机组中该检测点处的健康状态。
具体的，该检测点对应的第一概率密度分布和基准概率密度分布之间的差别越大，则目标风力发电机组中该检测点处的健康状态为故障状态的可能性越大。该检测点对应的第一概率密度分布和基准概率密度分布之间的差别越小，则目标风力发电机组中该检测点处的健康状态为正常状态的可能性越大。
在一种可能的实施方式中，在执行步骤S1062时，具体可以按照以下步骤S10621-S10622执行：
S10621：计算该检测点的第一概率密度分布和基准概率密度分布之间的第一距离。
该实施例中，第一距离为第一Wasserstein距离。
S10622：根据该第一距离与故障预警阈值之间的大小关系，确定目标风力发电机组中该检测点处的健康状态。
其中，当该第一距离大于故障预警阈值时，表示目标风力发电机组中该检测点处的健康状态为故障状态。当该第一距离不大于故障预警阈值时，表示目标风力发电机组中该检测点处的健康状态为正常状态。
在一种可能的实施方式中，在执行步骤S101之前，还可以通过以下步骤S1001-S1006训练得到目标预测模型：
S1001：获取目标风力发电机组在第一历史时间段内的第二全量检测点温度时序数据和第二工况时序数据；第二全量检测点温度时序数据包含目标风力发电机组上每个检测点各自对应的第一历史温度时序数据。
该实施例中，若要训练目标风力发电机组的目标预测模型，则需要使用目标风力发电机组的历史数据对其进行训练，那么，通过目标风力发电机组的历史数据训练得到的目标预测模型仅能对目标风力发电机组进行预测，即一个目标风力发电机组对应一个目标预测模型。
第一历史时间段为目标风力发电机组在历史运行阶段中的任一连续时间段，第一历史时间段的时间长度较长，具体的，第一历史时间段的时间长度大于预设时间长度。在第一历史时间段内，目标风力发电机组运行正常，也就是说，目标风力发电机组的健康状态为正常状态。
第二全量检测点温度时序数据中包含第一历史时间段内，目标风力发电机组上所有检测点各自对应的第一历史温度时序数据，其中，一个检测点对应一个第一历史时间段内的第一历史温度时序数据。第二工况时序数据中包含第一历史时间段内目标风力发电机组运行时的风速时序数据、目标风力发电机组输出的有功功率时序数据、目标风力发电机组的桨距角时序数据。第二全量检测点温度时序数据和第二工况时序数据作为模型的训练样本。
该实施例中，在获取到目标风力发电机组在第一历史时间段内的第二全量检测点温度时序数据和第二工况时序数据后，还可以：采用离群因子检测算法筛选出第二全量检测点温度时序数据中的异常数据，将筛选出的异常数据从第二全量检测点温度时序数据中删除，然后使用线性插值方法填补缺失数据对第二全量检测点温度时序数据中的缺失数据进行填充。采用孤立森林异常点检测方法筛选出第二工况时序数据中的异常数据，将筛选出的异常数据从第二工况时序数据中删除，然后使用随机森林方法填补缺失数据方法对第二工况时序数据中的缺失数据进行填充。
S1002：根据多组预设的超参数，分别构建各组预设的超参数对应的待训练的初始预测模型；初始预测模型包含顺序连接的第一层数的时空层和第二层数的全连接层；超参数包含以下中的任意一种或多种参数：第一层数、第二层数以及第二工况时序数据中的数据种类。
该实施例中，每组预设的超参数对应一个构建好的初始预测模型。图4示出了本申请实施例所提供的一种初始预测模型的结构示意图，如图4所示，初始预测模型中包含时空动态图神经网络和第二层数的全连接层，其中，时空动态图神经网络包含第一层数的时空层。第一层数、第二层数是由该初始预测模型对应的超参数决定的。针对每个时空层，该时空层包含第一时间特征提取模块、空间特征提取模块以及第二时间特征提取模块。
第二工况时序数据中的数据种类指的是，第二工况时序数据中包含的风速时序数据、目标风力发电机组输出的有功功率时序数据、目标风力发电机组的桨距角时序数据的数据种类。第二工况时序数据中的数据种类与第一工况时序数据中的数据种类相同。
S1003：针对每组预设的超参数，利用第二全量检测点温度时序数据和第二工况时序数据，对该超参数对应的初始预测模型进行模型训练，得到训练后的候选预测模型。
该实施例中，使用第二全量检测点温度时序数据和第二工况时序数据，分别对每个初始预测模型进行模型训练，得到训练后的候选预测模型。因此，每组预设的超参数对应一个候选预测模型。
以其中一个初始预测模型的训练过程为例进行说明，将第一历史时间段划分为多个第四滑动时间窗口，针对第一历史时间段中的每个第四滑动时间窗口，从第二全量检测点温度时序数据中确定出该第四滑动时间窗口内的第四局部全量检测点温度时序数据，以及从第二工况时序数据中确定出该第四滑动时间窗口内的第四局部工况时序数据。每个第四滑动时间窗口中均不包含第一历史时间段的最后一个时刻。
根据该第四局部全量检测点温度时序数据，生成第四局部邻接矩阵。第四局部邻接矩阵中包含任意两个检测点之间的局部的(在第四滑动时间窗口内的)温度相关性，此处所说的局部指的是第四局部全量检测点温度时序数据是第二全量检测点温度时序数据中的部分数据。
针对每个初始预测模型，将该第四局部邻接矩阵、该第四局部工况时序数据以及全局邻接矩阵输入到该待训练的初始预测模型中，通过该初始预测模型预测出该第四滑动时间窗口的下一时刻每个检测点各自的第四预测检测点温度数据。
针对每个检测点，从第二全量检测点温度时序数据中确定该第四滑动时间窗口的下一时刻该检测点的第四测量检测点温度数据，根据该第四测量检测点温度数据和该第四滑动时间窗口的下一时刻该检测点的第四预测检测点温度数据，计算该初始预测模型的损失值，当该损失值未满足模型训练截止条件时，使用该损失值调整该初始预测模型中的可学习参数；当该损失值满足模型训练截止条件时，将当前轮次的初始预测模型作为训练后的候选预测模型。
S1004：获取目标风力发电机组在第二历史时间段内的第三全量检测点温度时序数据和第三工况时序数据；第三全量检测点温度时序数据包含目标风力发电机组上每个检测点各自对应的第二历史温度时序数据。
该实施例中，在训练得到每个超参数各自对应的候选预测模型后，使用第三全量检测点温度时序数据和第三工况时序数据分别对每个候选预测模型进行模型评估，从多个候选预测模型中确定出目标预测模型。
其中，第二历史时间段为目标风力发电机组在历史运行阶段中的任一连续时间段，在第二历史时间段内，目标风力发电机组的健康状态为正常运行。第二历史时间段是不同于第一历史时间段的时间段，第二历史时间段可以在第一历史时间段之前，也可以在第一历史时间段之后。
第三全量检测点温度时序数据中包含第二历史时间段内，目标风力发电机组上所有检测点各自对应的第二历史温度时序数据。其中，一个检测点对应一个第二历史时间段内的第二历史温度时序数据。第三工况时序数据中包含第二历史时间段内目标风力发电机组运行时的风速时序数据、目标风力发电机组输出的有功功率时序数据、目标风力发电机组的桨距角时序数据。第三全量检测点温度时序数据和第三工况时序数据作为模型的评估样本。
S1005：针对每组预设的超参数，使用第二历史时间段内的第三全量检测点温度时序数据和第三工况时序数据对该超参数对应的候选预测模型进行模型评估，得到该超参数对应的模型评估结果。
该实施例中，从第二历史时间段中确定出多个第五滑动时间窗口，针对第二历史时间段中的每个第五滑动时间窗口，从第三全量检测点温度时序数据中确定出该第五滑动时间窗口内的第五局部全量检测点温度时序数据，以及从第三工况时序数据中确定出该第五滑动时间窗口内的第五局部工况时序数据。每个第五滑动时间窗口中均不包含第二历史时间段的最后一个时刻。
根据该第五局部全量检测点温度时序数据，生成第五局部邻接矩阵。第五局部邻接矩阵中包含任意两个检测点之间的局部的(在第五滑动时间窗口内的)温度相关性，此处所说的局部指的是第五局部全量检测点温度时序数据是第三全量检测点温度时序数据中的部分数据。
针对每个候选预测模型，将该第五局部邻接矩阵、该第五局部工况时序数据以及全局邻接矩阵输入到该候选预测模型中，通过该候选预测模型预测出该第五滑动时间窗口的下一时刻每个检测点各自的第五预测检测点温度数据。
针对每个检测点，从第三全量检测点温度时序数据中确定出该第五滑动时间窗口的下一时刻该检测点的第五测量检测点温度数据，根据该第五测量检测点温度数据和该第五滑动时间窗口的下一时刻该检测点的第五预测检测点温度数据，计算该候选预测模型的模型评估结果RMSE。
其中，N表示检测点的总数量，n表示第n个检测点；P表示每个检测点对应的第五滑动时间窗口的下一时刻的总数量，j表示每个检测点对应的第j个第五滑动时间窗口的下一时刻；表示第j个第五滑动时间窗口的下一时刻的第n个检测点对应的第五预测检测点温度数据；/>表示第j个第五滑动时间窗口的下一时刻的第n个检测点对应的第五测量检测点温度数据；RMSE表示候选预测模型的模型评估结果。
S1006：根据各个超参数对应的模型评估结果，从所有超参数中选取出模型评估结果最优的超参数作为最优超参数，以将最优超参数对应的候选预测模型作为目标预测模型。
该实施例中，每个候选预测模型对应一个模型评估结果，根据每个候选预测模型的模型评估结果，从所有候选预测模型中选取出模型评估结果最优(即模型评估结果RMSE最小)的候选预测模型作为目标预测模型。
在一种可能的实施方式中，可以通过以下步骤S1071-S1076确定基准概率密度分布：
S1071：获取目标风力发电机组在健康状态下运行时，第三历史时间段内的第四全量检测点温度时序数据和第四工况时序数据；第四全量检测点温度时序数据包含目标风力发电机组上每个检测点各自对应的第三历史温度时序数据。
该实施例中，第三历史时间段为目标风力发电机组在历史运行阶段中的任一连续时间段，在第三历史时间段中，目标风力发电机组的健康状态为正常运行的状态。第三历史时间段是不同于第一历史时间段和第二历史时间段，第三历史时间段可以在第一历史时间段或第二历史时间段之前，也可以在其之后，本实施例对此不予限定。
第四全量检测点温度时序数据中包含第三历史时间段内，目标风力发电机组上所有检测点各自对应一个的第三历史温度时序数据。其中，一个检测点对应一个第三历史时间段内的第三历史温度时序数据。第四工况时序数据中包含第三历史时间段内目标风力发电机组运行时的风速时序数据、目标风力发电机组输出的有功功率时序数据、目标风力发电机组的桨距角时序数据。
S1072：针对第三历史时间段中的每个第二滑动时间窗口，从第四全量检测点温度时序数据中确定出该第二滑动时间窗口内的第二局部全量检测点温度时序数据，以及从第四工况时序数据中确定出该第二滑动时间窗口内的第二局部工况时序数据；每个第二滑动时间窗口中均不包含第三历史时间段中的最后一个时刻。
该实施例中，从第三历史时间段中确定出多个第二滑动时间窗口，针对第三历史时间段中的每个第二滑动时间窗口，从第四全量检测点温度时序数据中确定出该第二滑动时间窗口内的第二局部全量检测点温度时序数据，以及从第四工况时序数据中确定出该第二滑动时间窗口内的第二局部工况时序数据。
S1073：根据该第二局部全量检测点温度时序数据，生成第二局部邻接矩阵。
该实施例中，第二局部邻接矩阵中包含任意两个检测点之间的局部的(在第二滑动时间窗口内的)温度相关性，此处所说的局部指的是第二局部全量检测点温度时序数据是第四全量检测点温度时序数据中的部分数据。
S1074：将该第二局部邻接矩阵、该第二局部工况时序数据、以及全局邻接矩阵输入到目标预测模型中，通过目标预测模型预测出该第二滑动时间窗口的下一时刻每个检测点各自的第二预测检测点温度数据。
该实施例中，第二滑动时间窗口的下一时刻指的是第二滑动时间窗口中最后时刻的下一时刻。每个检测点在每个第二滑动时间窗口的下一时刻，均对应一个第二预测检测点温度数据。第二预测检测点温度数据为目标预测模型预测出的该检测点在该第二滑动时间窗口的下一时刻的温度。
S1075：针对每个检测点，从第四全量检测点温度时序数据中确定出该第二滑动时间窗口的下一时刻该检测点的第二测量检测点温度数据，计算该第二测量检测点温度数据与该检测点的第二预测检测点温度数据之间的第二残差。
该实施例中，第四全量检测点温度时序数据中包含有每个检测点，在第三历史时间段中每个时刻的第二测量检测点温度数据。每个检测点在第三历史时间段内的每个时刻均对应一个第二测量检测点温度数据。第二测量检测点温度数据是通过温度传感器测量出的检测点真实的温度数据。
由于每个第二滑动时间窗口中均不包含第三历史时间段中的最后一个时刻，所以，每个第二滑动时间窗口的下一时刻都位于第三历史时间段内，也就是说，每个第二滑动时间窗口的下一时刻都对应有各自的第二测量检测点温度数据。
针对每个检测点，计算该第二滑动时间窗口的下一时刻该检测点的第二测量检测点温度数据，与该第二滑动时间窗口的下一时刻该检测点的第二预测检测点温度数据之间的差值的绝对值，作为第二残差。
该实施例中，每个检测点在每个第二滑动时间窗口的下一时刻分别对应一个第二残差，也就是说，每个检测点对应的第二残差的个数与第二滑动时间窗口的数量相同。
S1076：使用核密度估计方法，对该检测点对应的所有第二残差进行拟合，得到该检测点对应的部件在健康状态下运行时该检测点的基准概率密度分布。
该实施例中，每个检测点对应一个基准概率密度分布，基准概率密度分布可以为基准概率密度函数，或者可以为基准概率密度曲线。该基准概率密度曲线的纵坐标为第二残差，横坐标为各个第二滑动时间窗口的下一时刻。
在一种可能的实施方式中，可以通过以下步骤S1081-S1088确定故障预警阈值：
S1081：获取目标风力发电机组在健康状态下运行时，第四历史时间段内的第五全量检测点温度时序数据和第五工况时序数据；第五全量检测点温度时序数据包含目标风力发电机组上每个检测点各自对应的第四历史温度时序数据。
该实施例中，第四历史时间段为目标风力发电机组在历史运行阶段中的任一连续时间段，在第四历史时间段中，目标风力发电机组的健康状态为正常运行状态。第四历史时间段是不同于第一历史时间段、第二历史时间段以及第三历史时间段。第四历史时间段可以在第一历史时间段或者第二历史时间段或者第三历史时间段之前、也可以在其之后，本实施例对此不予限定。
第五全量检测点温度时序数据包含第四历史时间段内，目标风力发电机组上所有检测点各自对应一个第四历史温度时序数据。其中，一个检测点对应一个第四历史时间段内的第四历史温度时序数据。第五工况时序数据中包含第四历史时间段内目标风力发电机组运行时的风速时序数据、目标风力发电机组输出的有功功率时序数据、目标风力发电机组的桨距角时序数据。
S1082：针对第四历史时间段中的每个第三滑动时间窗口，从第五全量检测点温度时序数据中确定出该第三滑动时间窗口内的第三局部全量检测点温度时序数据，以及从第五工况时序数据中确定出该第三滑动时间窗口内的第三局部工况时序数据；每个第三滑动时间窗口中均不包含第四历史时间段中的最后一个时刻。
该实施例中，从第四历史时间段中确定出多个第三滑动时间窗口，针对第四历史时间段中的每个第三滑动时间窗口，从第五全量检测点温度时序数据中确定出该第三滑动时间窗口内的第三局部全量检测点温度时序数据，以及从第五工况时序数据中确定出该第三滑动时间窗口内的第三局部工况时序数据。
S1083：根据该第三局部全量检测点温度时序数据，生成第三局部邻接矩阵。
该实施例中，第三局部邻接矩阵中包含任意两个检测点之间的局部的(在第三滑动时间窗口内的)温度相关性，此处所说的局部指的是第三局部全量检测点温度时序数据是第五全量检测点温度时序数据中的部分数据。
S1084：将该第三局部邻接矩阵、该第三局部工况时序数据、以及全局邻接矩阵输入到目标预测模型中，通过目标预测模型预测出该第三滑动时间窗口的下一时刻每个检测点各自的第三预测检测点温度数据。
该实施例中，第三滑动时间窗口的下一时刻指的是第三滑动时间窗口中最后时刻的下一时刻。每个检测点在每个第三滑动时间窗口的下一时刻，均对应一个第三预测检测点温度数据。第三预测检测点温度数据为目标预测模型预测出的该检测点在该第三滑动时间窗口的下一时刻的温度。
S1085：针对每个检测点，从第五全量检测点温度时序数据中确定出该第三滑动时间窗口的下一时刻该检测点的第三测量检测点温度数据，计算该第三测量检测点温度数据与该检测点的第三预测检测点温度数据之间的第三残差。
该实施例中，第五全量检测点温度时序数据中包含有每个检测点，在第四历史时间段中每个时刻的第三测量检测点温度数据。每个检测点在第四历史时间段内的每个时刻均对应一个第三测量检测点温度数据。第三测量检测点温度数据是通过温度传感器测量出的检测点真实的温度数据。
由于每个第三滑动时间窗口中均不包含第四历史时间段中的最后一个时刻，所以，每个第三滑动时间窗口的下一时刻都位于第四历史时间段内，也就是说，每个第三滑动时间窗口的下一时刻都对应有各自的第三测量检测点温度数据。
针对每个检测点，计算该第三滑动时间窗口的下一时刻该检测点的第三测量检测点温度数据，与该第三滑动时间窗口的下一时刻该检测点的第三预测检测点温度数据之间的差值的绝对值，作为第三残差。
S1086：使用核密度估计方法，对该检测点对应的所有第三残差进行拟合，得到该检测点对应的部件在健康状态下运行时该检测点的正常概率密度分布。
该实施例中，每个检测点对应一个正常概率密度分布，正常概率密度分布可以为正常概率密度函数，或者可以为正常概率密度曲线。该正常概率密度曲线的纵坐标为第三残差，横坐标为各个第三滑动时间窗口的下一时刻。
S1087：计算该检测点对应的正常概率密度分布和基准概率密度分布之间的第二距离。
该实施例中，第二距离为第二Wasserstein距离。
S1088：根据第二距离，确定故障预警阈值。
该实施例中，每个检测点对应一个第二距离，每个检测点对应一个故障预警阈值。
Thn＝k×max(WDn)
其中，Thn为第n个检测点对应的故障预警阈值；k为阈值系数，一般大于1，可以根据风力发电机组实际的运行状况进行取值；WDn为第n个检测点对应的第二距离。当第四历史时间段有多个时，max(WDn)为所有第四历史时间段各自对应的第n个检测点的第二距离中的最大值。
在一种可能的实施方式中，在执行步骤S106在确定出所述目标风力发电机组中各检测点处的健康状态之后，还可以按照以下步骤执行：
当目标风力发电机组中存在至少一个检测点处的健康状态为故障状态时，发出报警警示。
该实施例中，可以根据目标风力发电机组中存在的故障检测点的数量，确定报警等级。其中故障检测点指的是检测点处的健康状态为故障状态的检测点的。故障检测点的数量越多，报警等级越高；反之，故障检测点的数量越少，报警等级越低。根据报警等级发出相应的报警警示。
在确定出目标风力发电机组中存在的各个故障检测点后，生成报警警示信息，将报警警示信息发送至维修人员的用户端。报警警示信息包含每个故障检测点的检测点编号，编号可以指示维修人员找到故障检测点所在位置。
实施例二：
基于相同的技术构思，本申请还提供了一种风电机组健康状态监测装置，图5示出了本申请实施例所提供的一种风电机组健康状态监测装置的结构示意图，如图5所示，该装置包括：
采集模块501，用于采集目标风力发电机组在当前时间段内的第一全量检测点温度时序数据和第一工况时序数据；所述第一全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的温度时序数据；
第一确定模块502，用于针对所述当前时间段中的每个第一滑动时间窗口，从所述第一全量检测点温度时序数据中确定出该第一滑动时间窗口内的第一局部全量检测点温度时序数据，以及从所述第一工况时序数据中确定出该第一滑动时间窗口内的第一局部工况时序数据；每个所述第一滑动时间窗口中均不包含当前时刻；
第一生成模块503，用于根据该第一局部全量检测点温度时序数据，生成第一局部邻接矩阵；
第一预测模块504，用于将该第一局部邻接矩阵、该第一局部工况时序数据、以及预先生成的全局邻接矩阵输入到训练好的目标预测模型中，通过所述目标预测模型预测出该第一滑动时间窗口的下一时刻每个所述检测点各自的第一预测检测点温度数据；
第一计算模块505，用于针对每个所述检测点，从所述第一全量检测点温度时序数据中确定该第一滑动时间窗口的下一时刻该检测点的第一测量检测点温度数据，计算该第一测量检测点温度数据与该检测点的第一预测检测点温度数据之间的第一残差；
第二确定模块506，用于根据该检测点对应的所有所述第一残差，确定所述目标风力发电机组中该检测点处的健康状态。
可选的，所述第二确定模块506在用于根据该检测点对应的所有所述第一残差，确定所述目标风力发电机组中该检测点处的健康状态时，具体用于：
使用核密度估计方法，对该检测点对应的所有所述第一残差进行拟合，得到该检测点的第一概率密度分布；
根据该检测点的第一概率密度分布和基准概率密度分布，确定所述目标风力发电机组中该检测点处的健康状态。
可选的，所述第二确定模块506在用于根据该检测点的第一概率密度分布和基准概率密度分布，确定所述目标风力发电机组中该检测点处的健康状态时，具体用于：
计算该检测点的第一概率密度分布和基准概率密度分布之间的第一距离；
根据该第一距离与故障预警阈值之间的大小关系，确定所述目标风力发电机组中该检测点处的健康状态。
可选的，所述装置还包括：
第一获取模块，用于获取所述目标风力发电机组在第一历史时间段内的第二全量检测点温度时序数据和第二工况时序数据；所述第二全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第一历史温度时序数据；
构建模块，用于根据多组预设的超参数，分别构建各组预设的超参数对应的待训练的初始预测模型；所述初始预测模型包含顺序连接的第一层数的时空层和第二层数的全连接层；所述超参数包含以下中的任意一种或多种参数：所述第一层数、所述第二层数以及所述第二工况时序数据中的数据种类；
训练模块，用于针对每组预设的所述超参数，利用所述第二全量检测点温度时序数据和所述第二工况时序数据，对该超参数对应的所述初始预测模型进行模型训练，得到训练后的候选预测模型；
第二获取模块，用于获取所述目标风力发电机组在第二历史时间段内的第三全量检测点温度时序数据和第三工况时序数据；所述第三全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第二历史温度时序数据；
评估模块，用于针对每组预设的所述超参数，使用所述第二历史时间段内的第三全量检测点温度时序数据和所述第三工况时序数据对该超参数对应的所述候选预测模型进行模型评估，得到该超参数对应的模型评估结果；
选取模块，用于根据各个所述超参数对应的模型评估结果，从所有所述超参数中选取出模型评估结果最优的超参数作为最优超参数，以将所述最优超参数对应的所述候选预测模型作为所述目标预测模型。
可选的，所述装置还包括：
第三获取模块，用于获取所述目标风力发电机组在健康状态下运行时，第三历史时间段内的第四全量检测点温度时序数据和第四工况时序数据；所述第四全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第三历史温度时序数据；
第三确定模块，用于针对所述第三历史时间段中的每个第二滑动时间窗口，从所述第四全量检测点温度时序数据中确定出该第二滑动时间窗口内的第二局部全量检测点温度时序数据，以及从所述第四工况时序数据中确定出该第二滑动时间窗口内的第二局部工况时序数据；每个所述第二滑动时间窗口中均不包含所述第三历史时间段中的最后一个时刻；
第二生成模块，用于根据该第二局部全量检测点温度时序数据，生成第二局部邻接矩阵；
第二预测模块，用于将该第二局部邻接矩阵、该第二局部工况时序数据、以及所述全局邻接矩阵输入到所述目标预测模型中，通过所述目标预测模型预测出该第二滑动时间窗口的下一时刻每个所述检测点各自的第二预测检测点温度数据；
第四确定模块，用于针对每个所述检测点，从所述第四全量检测点温度时序数据中确定出该第二滑动时间窗口的下一时刻该检测点的第二测量检测点温度数据，计算该第二测量检测点温度数据与该检测点的第二预测检测点温度数据之间的第二残差；
第一拟合模块，用于使用核密度估计方法，对该检测点对应的所有所述第二残差进行拟合，得到该检测点对应的部件在健康状态下运行时该检测点的基准概率密度分布。
可选的，所述装置还包括：
第四获取模块，用于获取所述目标风力发电机组在健康状态下运行时，第四历史时间段内的第五全量检测点温度时序数据和第五工况时序数据；所述第五全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第四历史温度时序数据；
第五确定模块，用于针对所述第四历史时间段中的每个第三滑动时间窗口，从所述第五全量检测点温度时序数据中确定出该第三滑动时间窗口内的第三局部全量检测点温度时序数据，以及从所述第五工况时序数据中确定出该第三滑动时间窗口内的第三局部工况时序数据；每个所述第三滑动时间窗口中均不包含所述第四历史时间段中的最后一个时刻；
第三生成模块，用于根据该第三局部全量检测点温度时序数据，生成第三局部邻接矩阵；
第三预测模块，用于将该第三局部邻接矩阵、该第三局部工况时序数据、以及所述全局邻接矩阵输入到所述目标预测模型中，通过所述目标预测模型预测出该第三滑动时间窗口的下一时刻每个所述检测点各自的第三预测检测点温度数据；
第六确定模块，用于针对每个所述检测点，从所述第五全量检测点温度时序数据中确定出该第三滑动时间窗口的下一时刻该检测点的第三测量检测点温度数据，计算该第三测量检测点温度数据与该检测点的第三预测检测点温度数据之间的第三残差；
第二拟合模块，用于使用核密度估计方法，对该检测点对应的所有所述第三残差进行拟合，得到该检测点对应的部件在健康状态下运行时该检测点的正常概率密度分布；
第二计算模块，用于计算该检测点对应的所述正常概率密度分布和所述基准概率密度分布之间的第二距离；
第七确定模块，用于根据所述第二距离，确定所述故障预警阈值。
可选的，所述装置还包括：
警示模块，用于在确定出所述目标风力发电机组中各检测点处的健康状态之后，当所述目标风力发电机组中存在至少一个检测点处的健康状态为故障状态时，发出报警警示。
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，上述描述的装置的具体工作过程，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，所揭露的方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，又例如，多个模块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通信接口，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，可以存储在一个处理器可执行的非易失的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-OnlyMemory，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。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种风电机组健康状态监测方法，其特征在于，包括：
采集目标风力发电机组在当前时间段内的第一全量检测点温度时序数据和第一工况时序数据；所述第一全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的温度时序数据；
针对所述当前时间段中的每个第一滑动时间窗口，从所述第一全量检测点温度时序数据中确定出该第一滑动时间窗口内的第一局部全量检测点温度时序数据，以及从所述第一工况时序数据中确定出该第一滑动时间窗口内的第一局部工况时序数据；每个所述第一滑动时间窗口中均不包含当前时刻；
根据该第一局部全量检测点温度时序数据，生成第一局部邻接矩阵；
将该第一局部邻接矩阵、该第一局部工况时序数据、以及预先生成的全局邻接矩阵输入到训练好的目标预测模型中，通过所述目标预测模型预测出该第一滑动时间窗口的下一时刻每个所述检测点各自的第一预测检测点温度数据；
针对每个所述检测点，从所述第一全量检测点温度时序数据中确定该第一滑动时间窗口的下一时刻该检测点的第一测量检测点温度数据，计算该第一测量检测点温度数据与该检测点的第一预测检测点温度数据之间的第一残差；
根据该检测点对应的所有所述第一残差，确定所述目标风力发电机组中该检测点处的健康状态。
2.根据权利要求1所述方法，其特征在于，所述根据该检测点对应的所有所述第一残差，确定所述目标风力发电机组中该检测点处的健康状态，包括：
使用核密度估计方法，对该检测点对应的所有所述第一残差进行拟合，得到该检测点的第一概率密度分布；
根据该检测点的第一概率密度分布和基准概率密度分布，确定所述目标风力发电机组中该检测点处的健康状态。
3.根据权利要求2所述方法，其特征在于，所述根据该检测点的第一概率密度分布和基准概率密度分布，确定所述目标风力发电机组中该检测点处的健康状态，包括：
计算该检测点的第一概率密度分布和基准概率密度分布之间的第一距离；
根据该第一距离与故障预警阈值之间的大小关系，确定所述目标风力发电机组中该检测点处的健康状态。
4.根据权利要求3所述方法，其特征在于，所述方法还包括：
获取所述目标风力发电机组在第一历史时间段内的第二全量检测点温度时序数据和第二工况时序数据；所述第二全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第一历史温度时序数据；
根据多组预设的超参数，分别构建各组预设的超参数对应的待训练的初始预测模型；所述初始预测模型包含顺序连接的第一层数的时空层和第二层数的全连接层；所述超参数包含以下中的任意一种或多种参数：所述第一层数、所述第二层数以及所述第二工况时序数据中的数据种类；
针对每组预设的所述超参数，利用所述第二全量检测点温度时序数据和所述第二工况时序数据，对该超参数对应的所述初始预测模型进行模型训练，得到训练后的候选预测模型；
获取所述目标风力发电机组在第二历史时间段内的第三全量检测点温度时序数据和第三工况时序数据；所述第三全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第二历史温度时序数据；
针对每组预设的所述超参数，使用所述第二历史时间段内的第三全量检测点温度时序数据和所述第三工况时序数据对该超参数对应的所述候选预测模型进行模型评估，得到该超参数对应的模型评估结果；
根据各个所述超参数对应的模型评估结果，从所有所述超参数中选取出模型评估结果最优的超参数作为最优超参数，以将所述最优超参数对应的所述候选预测模型作为所述目标预测模型。
5.根据权利要求2所述方法，其特征在于，所述方法还包括：
获取所述目标风力发电机组在健康状态下运行时，第三历史时间段内的第四全量检测点温度时序数据和第四工况时序数据；所述第四全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第三历史温度时序数据；
针对所述第三历史时间段中的每个第二滑动时间窗口，从所述第四全量检测点温度时序数据中确定出该第二滑动时间窗口内的第二局部全量检测点温度时序数据，以及从所述第四工况时序数据中确定出该第二滑动时间窗口内的第二局部工况时序数据；每个所述第二滑动时间窗口中均不包含所述第三历史时间段中的最后一个时刻；
根据该第二局部全量检测点温度时序数据，生成第二局部邻接矩阵；
将该第二局部邻接矩阵、该第二局部工况时序数据、以及所述全局邻接矩阵输入到所述目标预测模型中，通过所述目标预测模型预测出该第二滑动时间窗口的下一时刻每个所述检测点各自的第二预测检测点温度数据；
针对每个所述检测点，从所述第四全量检测点温度时序数据中确定出该第二滑动时间窗口的下一时刻该检测点的第二测量检测点温度数据，计算该第二测量检测点温度数据与该检测点的第二预测检测点温度数据之间的第二残差；
使用核密度估计方法，对该检测点对应的所有所述第二残差进行拟合，得到该检测点对应的部件在健康状态下运行时该检测点的基准概率密度分布。
6.根据权利要求3所述方法，其特征在于，所述方法还包括：
获取所述目标风力发电机组在健康状态下运行时，第四历史时间段内的第五全量检测点温度时序数据和第五工况时序数据；所述第五全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的第四历史温度时序数据；
针对所述第四历史时间段中的每个第三滑动时间窗口，从所述第五全量检测点温度时序数据中确定出该第三滑动时间窗口内的第三局部全量检测点温度时序数据，以及从所述第五工况时序数据中确定出该第三滑动时间窗口内的第三局部工况时序数据；每个所述第三滑动时间窗口中均不包含所述第四历史时间段中的最后一个时刻；
根据该第三局部全量检测点温度时序数据，生成第三局部邻接矩阵；
将该第三局部邻接矩阵、该第三局部工况时序数据、以及所述全局邻接矩阵输入到所述目标预测模型中，通过所述目标预测模型预测出该第三滑动时间窗口的下一时刻每个所述检测点各自的第三预测检测点温度数据；
针对每个所述检测点，从所述第五全量检测点温度时序数据中确定出该第三滑动时间窗口的下一时刻该检测点的第三测量检测点温度数据，计算该第三测量检测点温度数据与该检测点的第三预测检测点温度数据之间的第三残差；
使用核密度估计方法，对该检测点对应的所有所述第三残差进行拟合，得到该检测点对应的部件在健康状态下运行时该检测点的正常概率密度分布；
计算该检测点对应的所述正常概率密度分布和所述基准概率密度分布之间的第二距离；
根据所述第二距离，确定所述故障预警阈值。
7.根据权利要求1-3任一所述方法，其特征在于，在确定出所述目标风力发电机组中各检测点处的健康状态之后，所述方法还包括：
当所述目标风力发电机组中存在至少一个检测点处的健康状态为故障状态时，发出报警警示。
8.一种风电机组健康状态监测装置，其特征在于，包括：
采集模块，用于采集目标风力发电机组在当前时间段内的第一全量检测点温度时序数据和第一工况时序数据；所述第一全量检测点温度时序数据包含所述目标风力发电机组上每个检测点各自对应的温度时序数据；
第一确定模块，用于针对所述当前时间段中的每个第一滑动时间窗口，从所述第一全量检测点温度时序数据中确定出该第一滑动时间窗口内的第一局部全量检测点温度时序数据，以及从所述第一工况时序数据中确定出该第一滑动时间窗口内的第一局部工况时序数据；每个所述第一滑动时间窗口中均不包含当前时刻；
第一生成模块，用于根据该第一局部全量检测点温度时序数据，生成第一局部邻接矩阵；
第一预测模块，用于将该第一局部邻接矩阵、该第一局部工况时序数据、以及预先生成的全局邻接矩阵输入到训练好的目标预测模型中，通过所述目标预测模型预测出该第一滑动时间窗口的下一时刻每个所述检测点各自的第一预测检测点温度数据；
第一计算模块，用于针对每个所述检测点，从所述第一全量检测点温度时序数据中确定该第一滑动时间窗口的下一时刻该检测点的第一测量检测点温度数据，计算该第一测量检测点温度数据与该检测点的第一预测检测点温度数据之间的第一残差；
第二确定模块，用于根据该检测点对应的所有所述第一残差，确定所述目标风力发电机组中该检测点处的健康状态。
9.根据权利要求8所述装置，其特征在于，所述第二确定模块在用于根据该检测点对应的所有所述第一残差，确定所述目标风力发电机组中该检测点处的健康状态时，具体用于：
使用核密度估计方法，对该检测点对应的所有所述第一残差进行拟合，得到该检测点的第一概率密度分布；
根据该检测点的第一概率密度分布和基准概率密度分布，确定所述目标风力发电机组中该检测点处的健康状态。
10.根据权利要求9所述装置，其特征在于，所述第二确定模块在用于根据该检测点的第一概率密度分布和基准概率密度分布，确定所述目标风力发电机组中该检测点处的健康状态时，具体用于：
计算该检测点的第一概率密度分布和基准概率密度分布之间的第一距离；
根据该第一距离与故障预警阈值之间的大小关系，确定所述目标风力发电机组中该检测点处的健康状态。
CN202311696344.6A 2023-12-11 2023-12-11 一种风电机组健康状态监测方法及装置 Active CN117514649B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311696344.6A CN117514649B (zh) 2023-12-11 2023-12-11 一种风电机组健康状态监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311696344.6A CN117514649B (zh) 2023-12-11 2023-12-11 一种风电机组健康状态监测方法及装置

Publications (2)

Publication Number Publication Date
CN117514649A CN117514649A (zh) 2024-02-06
CN117514649B true CN117514649B (zh) 2024-05-24

Family

ID=89756809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311696344.6A Active CN117514649B (zh) 2023-12-11 2023-12-11 一种风电机组健康状态监测方法及装置

Country Status (1)

Country Link
CN (1) CN117514649B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108680358A (zh) * 2018-03-23 2018-10-19 河海大学 一种基于轴承温度模型的风电机组故障预测方法
WO2019122311A1 (de) * 2017-12-22 2019-06-27 fos4X GmbH Überwachungsverfahren für eine windkraftanlage, zugehörige überwachungsvorrichtung sowie windkraftanlage mit überwachungsvorrichtung
CN113982850A (zh) * 2021-09-10 2022-01-28 大唐国信滨海海上风力发电有限公司 融合高低频信号的风机综合健康分析方法及系统
CN115018178A (zh) * 2022-06-23 2022-09-06 北京华能新锐控制技术有限公司 一种基于深度学习的电站风机故障预警方法
EP4083421A1 (en) * 2021-04-29 2022-11-02 General Electric Renovables España S.L. System and method for slip detection and surface health monitoring in a slip coupling of a rotary shaft
DE202023101133U1 (de) * 2022-04-19 2023-03-21 Huaneng New Energy Co., Ltd. Hebei Branch System zur Diagnose von einer Windkraftanlage

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019122311A1 (de) * 2017-12-22 2019-06-27 fos4X GmbH Überwachungsverfahren für eine windkraftanlage, zugehörige überwachungsvorrichtung sowie windkraftanlage mit überwachungsvorrichtung
CN108680358A (zh) * 2018-03-23 2018-10-19 河海大学 一种基于轴承温度模型的风电机组故障预测方法
EP4083421A1 (en) * 2021-04-29 2022-11-02 General Electric Renovables España S.L. System and method for slip detection and surface health monitoring in a slip coupling of a rotary shaft
CN113982850A (zh) * 2021-09-10 2022-01-28 大唐国信滨海海上风力发电有限公司 融合高低频信号的风机综合健康分析方法及系统
DE202023101133U1 (de) * 2022-04-19 2023-03-21 Huaneng New Energy Co., Ltd. Hebei Branch System zur Diagnose von einer Windkraftanlage
CN115018178A (zh) * 2022-06-23 2022-09-06 北京华能新锐控制技术有限公司 一种基于深度学习的电站风机故障预警方法

Also Published As

Publication number Publication date
CN117514649A (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
AU2020417285B2 (en) Scalable systems and methods for assessing healthy condition scores in renewable asset management
CN115578015B (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
US7873581B2 (en) Method and system for determining the reliability of a DC motor system
WO2020140128A1 (en) Scalable system and method for forecasting wind turbine failure with varying lead time windows
Pillai et al. A hybrid approach for fusing physics and data for failure prediction
CN111045894B (zh) 数据库异常检测方法、装置、计算机设备和存储介质
CN113614359A (zh) 用于预测风力涡轮机齿轮箱组件中的可观察损坏的风险的方法和系统
Wang A prognosis model for wear prediction based on oil-based monitoring
Puggina et al. Development of a statistical methodology for gas turbine prognostics
CN111984513A (zh) 一种预测性维护方法、装置、设备以及存储介质
CN112534370A (zh) 用于预测工业机器故障的系统和方法
CN114580493A (zh) 基于ai的重载铁路桥梁健康监测方法
CN113196311A (zh) 用于识别和预测机器的异常感测行为模式的系统和方法
CN114091798A (zh) 对资产执行预后健康分析的方法和计算系统
CN116187552A (zh) 异常检测方法、计算设备及计算机存储介质
CN116677570A (zh) 基于海上风电机组机舱温度监测的故障预警方法及系统
CN113962253B (zh) 基于深度小波极限学习机的轴承剩余寿命预测方法及系统
Ghasemi et al. Equipment failure rate in electric power distribution networks: An overview of concepts, estimation, and modeling methods
KR102512615B1 (ko) 수명분포를 고려한 생애주기데이터 확장 기능을 가지는 잔존수명 예측 시스템 및 방법
CN116777088B (zh) 用于保障生命安全的供电应急抢修环境监测方法及系统
CN117523793A (zh) 一种电厂设备故障预警方法和计算机设备
CN117514649B (zh) 一种风电机组健康状态监测方法及装置
CN115310693A (zh) 一种综合能源数据清洗方法、系统、设备和介质
CN115577551A (zh) 基于71度法模型的变环境输入寿命评估方法及系统
CN112580875B (zh) 一种配电装置的故障预测方法及系统

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