一种风机故障预测方法及系统技术方案

本发明专利技术公开了一种风机故障预测方法及系统，其中，方法包括：收集待预测风机的基础信息；基于基础信息筛选出预测风机集；将预测风机集中的风机划分为不同的故障预测等级，风机基于故障预测等级对应的预测周期进行故障预测；基于环境条件将预测风机集中的风机划分为预测风机子集；构建风机故障状态下的标准时域信号；构建对应的环境条件下的时域信号预测模型；基于时域信号预测模型，为风机预测时域信号；将风机的预测时域信号划分为多个时域子信号，计算时域子信号与标准时域信号的相关系数，预测风机是否会出现故障及故障出现时间。本发明专利技术实现对大量风机的故障预测，基于不同的环境条件进行独立预测，处理成本低、效率高、预测精度高。

A method and system of fan fault prediction

【技术实现步骤摘要】
一种风机故障预测方法及系统
本专利技术涉及故障预测领域，具体涉及一种风机故障预测方法及系统。
技术介绍
随着运转时间的加长，风机内粉尘会不均匀的附着在叶轮上，逐渐破坏风机的动平衡，使轴承振动逐渐加大，一旦振动达到风机允许的最大值时，风机必须停机修理。每年风机故障损失的发电量和故障导致的维护费用都给风电场带来巨大的经济损失。风机通常运行在野外等自然条件下，进行维护的成本较高。因此，对风机的故障提前进行预测可以有效地提前获知风机可能发生的故障，从而可以提取采取措施来避免故障的发生公开号为CN106951997A的专利技术专利申请公开了一种预测风机的故障的方法和设备，初始化风机的风机模型；周期性地根据当前环境条件和风机的当前实际风机状态参数来更新风机模型的风机模型参数；根据历史的风机模型参数和对应的历史的环境条件，建立风机模型参数变化模型；基于未来时刻的未来环境条件，使用风机模型参数变化模型预测在所述未来时刻的风机模型参数；根据历史的风机模型参数和对应的历史的风机故障，建立风机故障模型；根据预测的风机模型参数和风机故障模型，预测未来时刻的风机故障。上述申请虽然能对风机的故障进行预测，但是风机的数量众多，作用与功能多种多样，所处的地理位置、天气等环境也各不相同。也就是说，风机间的个体差异较大，如果对大量的风机采用相同的故障预测方法进行预测，存在预测花销大、预测精度低等问题。因此，如何针对大量的风机实现高精度的故障预测，是本领域亟待解决的问题。
技术实现思路
本专利技术的目的是针对现有技术的缺陷，提供了一种风机故障预测方法及系统。本专利技术实现对大量风机的故障预测，基于不同的环境条件进行独立预测，处理成本低、效率高、预测精度高。为了实现以上目的，本专利技术采用以下技术方案：一种风机故障预测方法，其特征在于，包括：S1、收集待预测风机的基础信息，包括使用年限、已使用时长；S2、基于所述基础信息对待预测风机进行筛选，筛选出需要进行故障预测的风机组成预测风机集；S3、将所述预测风机集中的风机基于所述基础信息划分为不同的故障预测等级，风机基于所述故障预测等级对应的预测周期进行故障预测；S4、基于风机所处的环境条件将所述预测风机集中的风机划分为预测风机子集；S5、构建风机故障状态下的标准时域信号；S6、采集预测风机子集对应的环境条件中历史风机的时域信号作为训练样本，构建预测风机子集对应的环境条件下的时域信号预测模型；S7、基于所述时域信号预测模型，为所述预测风机子集中的风机预测时域信号；S8、将风机的预测时域信号按照所述标准时域信号划分为多个时域子信号，计算所述时域子信号与所述标准时域信号的相关系数，预测风机是否会出现故障及故障出现的时间。进一步地，所述步骤S2包括：判断是否成立，其中，为风机已使用时长，为风机使用年限，为对待预测风机进行筛选所设定的阈值，若是，则不对该风机进行故障预测，否则将该风机加入预测风机集。进一步地，所述步骤S4包括：计算所述预测风机集中任意两个风机所处环境条件的相似性，对于风机i与风机j，针对的环境条件包括m个，则其环境间的相似度为：其中，为第k个环境条件间的相似度，为第k个环境条件的权重；基于所述任意两个风机所处环境条件的相似性构建预测风机集中风机环境条件的相似性矩阵，计算所述相似性矩阵的特征向量，设置特征阈值范围，将特征向量中的值划分到不同的特征阈值范围，相应的属于同一阈值范围内的值对应的风机划分到同一预测风机子集。进一步地，所述时域信号预测模型为卷积神经网络，输入层输入的是已采集的风机的时域信号，对于计算机而言可将其理解为若干矩阵；卷积层通过输入层和卷积层之间的矩阵卷积运算，提取输入数据的特征；全连接层位于最后一个池化层和输出层之间，每一个神经元都与前一层的全部神经元相连接，并根据时域信号振幅预测的需要，有针对性地将特征向量映射到输出层；输出层位于神经网络的最后，输出振幅集中概率最大的振幅向量，作为预测的风机下一时刻的振幅；预测出的时域信号振幅加入风机已有时域信号中，再对下一时刻的振幅进行预测，由此得到风机在未来一段时间内的时域信号。进一步地，时域子信号与故障状态下的标准时域信号的相关系数为：。本专利技术还提出一种风机故障预测系统，包括：基础信息收集模块，用于收集待预测风机的基础信息，包括使用年限、已使用时长；筛选模块，用于基于所述基础信息对待预测风机进行筛选，筛选出需要进行故障预测的风机组成预测风机集；等级划分模块，用于将所述预测风机集中的风机基于所述基础信息划分为不同的故障预测等级，风机基于所述故障预测等级对应的预测周期进行故障预测；预测风机子集划分模块，用于基于风机所处的环境条件将所述预测风机集中的风机划分为预测风机子集；标准时域信号构建模块，用于构建风机故障状态下的标准时域信号；时域信号预测模型构建模块，用于采集预测风机子集对应的环境条件中历史风机的时域信号作为训练样本，构建预测风机子集对应的环境条件下的时域信号预测模型；时域信号预测模块，用于基于所述时域信号预测模型，为所述预测风机子集中的风机预测时域信号；故障预测模块，用于将风机的预测时域信号按照所述标准时域信号划分为多个时域子信号，计算所述时域子信号与所述标准时域信号的相关系数，预测风机是否会出现故障及故障出现的时间。进一步地，所述筛选模块包括：判断是否成立，其中，为风机已使用时长，为风机使用年限，为对待预测风机进行筛选所设定的阈值，若是，则不对该风机进行故障预测，否则将该风机加入预测风机集。进一步地，所述预测风机子集划分模块包括：计算所述预测风机集中任意两个风机所处环境条件的相似性，对于风机i与风机j，针对的环境条件包括m个，则其环境间的相似度为：其中，为第k个环境条件间的相似度，为第k个环境条件的权重；基于所述任意两个风机所处环境条件的相似性构建预测风机集中风机环境条件的相似性矩阵，计算所述相似性矩阵的特征向量，设置特征阈值范围，将特征向量中的值划分到不同的特征阈值范围，相应的属于同一阈值范围内的值对应的风机划分到同一预测风机子集。进一步地，所述时域信号预测模型为卷积神经网络，输入层输入的是已采集的风机的时域信号，对于计算机而言可将其理解为若干矩阵；卷积层通过输入层和卷积层之间的矩阵卷积运算，提取输入数据的特征；全连接层位于最后一个池化层和输出层之间，每一个神经元都与前一层的全部神经元相连接，并根据时域信号振幅预测的需要，有针对性地将特征向量映射到输出层；输出层位于神经网络的最后，输出振幅集中概率最大的振幅向量，作为预测的风机下一时刻的振幅；预测出的时域信号振幅加入风机已有时域信号中，再对下一时刻的振幅进行预测，由此得到风机在未来一段时间内的时域信号。进一步地，时域子信号与故障状态下的标准时域信号的相关系数为：。本专利技术对需要进行故障预测的风机进行筛选，本文档来自技高网...

【技术保护点】
1.一种风机故障预测方法，其特征在于，包括：/nS1、收集待预测风机的基础信息，包括使用年限、已使用时长；/nS2、基于所述基础信息对待预测风机进行筛选，筛选出需要进行故障预测的风机组成预测风机集；/nS3、将所述预测风机集中的风机基于所述基础信息划分为不同的故障预测等级，风机基于所述故障预测等级对应的预测周期进行故障预测；/nS4、基于风机所处的环境条件将所述预测风机集中的风机划分为预测风机子集；/nS5、构建风机故障状态下的标准时域信号；/nS6、采集预测风机子集对应的环境条件中历史风机的时域信号作为训练样本，构建预测风机子集对应的环境条件下的时域信号预测模型；/nS7、基于所述时域信号预测模型，为所述预测风机子集中的风机预测时域信号；/nS8、将风机的预测时域信号按照所述标准时域信号划分为多个时域子信号，计算所述时域子信号与所述标准时域信号的相关系数，预测风机是否会出现故障及故障出现的时间。/n

【技术特征摘要】
1.一种风机故障预测方法，其特征在于，包括：
S1、收集待预测风机的基础信息，包括使用年限、已使用时长；
S2、基于所述基础信息对待预测风机进行筛选，筛选出需要进行故障预测的风机组成预测风机集；
S3、将所述预测风机集中的风机基于所述基础信息划分为不同的故障预测等级，风机基于所述故障预测等级对应的预测周期进行故障预测；
S4、基于风机所处的环境条件将所述预测风机集中的风机划分为预测风机子集；
S5、构建风机故障状态下的标准时域信号；
S6、采集预测风机子集对应的环境条件中历史风机的时域信号作为训练样本，构建预测风机子集对应的环境条件下的时域信号预测模型；
S7、基于所述时域信号预测模型，为所述预测风机子集中的风机预测时域信号；
S8、将风机的预测时域信号按照所述标准时域信号划分为多个时域子信号，计算所述时域子信号与所述标准时域信号的相关系数，预测风机是否会出现故障及故障出现的时间。


2.根据权利要求1所述的风机故障预测方法，其特征在于，所述步骤S2包括：判断是否成立，其中，为对待预测风机进行筛选所设定的阈值，为风机已使用时长，为风机使用年限，若是，则不对该风机进行故障预测，否则将该风机加入预测风机集。


3.根据权利要求2所述的风机故障预测方法，其特征在于，所述步骤S4包括：
计算所述预测风机集中任意两个风机所处环境条件的相似性，对于风机i与风机j，针对的环境条件包括m个，则其环境间的相似度为：



其中，为第k个环境条件间的相似度，为第k个环境条件的权重；
基于所述任意两个风机所处环境条件的相似性构建预测风机集中风机环境条件的相似性矩阵，计算所述相似性矩阵的特征向量，设置特征阈值范围，将特征向量中的值划分到不同的特征阈值范围，相应的属于同一阈值范围内的值对应的风机划分到同一预测风机子集。


4.根据权利要求2所述的风机故障预测方法，其特征在于，所述时域信号预测模型为卷积神经网络，输入层输入的是已采集的风机的时域信号，对于计算机而言可将其理解为若干矩阵；卷积层通过输入层和卷积层之间的矩阵卷积运算，提取输入数据的特征；全连接层位于最后一个池化层和输出层之间，每一个神经元都与前一层的全部神经元相连接，并根据时域信号振幅预测的需要，有针对性地将特征向量映射到输出层；输出层位于神经网络的最后，输出振幅集中概率最大的振幅向量，作为预测的风机下一时刻的振幅；预测出的时域信号振幅加入风机已有时域信号中，再对下一时刻的振幅进行预测，由此得到风机在未来一段时间内的时域信号。


5.根据权利要求2所述的风机故障预测方法，其特征在于，时域子信号与故障状态下的标准时域信号的相关系数为：

。


6.一种风机故障预测系统，其特征在于，包括：
基础信...

【专利技术属性】
技术研发人员：陈月娟，郑涛，冯雪飞，汪狄帅，
申请(专利权)人：浙江上风高科专风实业有限公司，
类型：发明
国别省市：浙江;33