一种风机集群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集群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；筛选出需要进行故障预测的预测风机集；划分不同的故障预测等级，基于对应的预测周期进行故障预测；将预测风机集中的风机划分为预测风机子集；基于风机型号选择代表风机；获得与风机发生故障的主要环境条件；构建单位时间段内风机参数变化预测模型，预测代表风机单位时间后的参数及主要环境条件；不断更新代表风机当前的参数及主要环境条件，直到完成代表风机预设时间段内的参数预测；判断风机是否会出现故障及故障出现的时间。本发明专利技术实现对大量风机的故障预测，不断更新环境条件进行独立预测，处理成本低、效率高、预测精度高。

A fault prediction method and system for fan cluster

【技术实现步骤摘要】
一种风机集群故障预测方法及系统
本专利技术涉及故障预测领域，具体涉及一种风机集群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CN108446783A的专利技术专利申请公开了一种新风机运行功率的预测及监控方法，首先是服务器采集新风机相关数据；建立一个SVM预测模型，得到新风机运行功率SVM预测模型。其次应用该SVM预测模型预测新风机历史数据，计算新风机运行功率预测值与实际值之间的误差。然后计算得出马尔可夫模型；应用该SVM预测模型预测新风机未来运行功率，使用马尔可夫模型修正SVM预测模型初步预测值，得到最终结果；最后将预测模型部署到服务器上，服务器每小时将新风机运行功率实际值和预测值进行对比，当对比值大于150%时，服务器推送提醒信息至用户手机APP上。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，对所有监测范围内的风机都采用相同的方式进行故障预测处理花销大。且现有的基于环境条件对风机故障进行预测的方案中，都是训练生成环境条件与风机状态间的关系模型，根据环境条件预测风机的状态参数。然而，风机状态不仅与当前的环境条件有关，还与长期所处的环境有关，因此，基于当前环境条件确定风机状态准确率低。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，提供了一种风机集群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，通过将风机划分为不同的故障预测等级进行不同周期的故障预测，提高了风机的预测效率。不断更新环境条件提高基于环境条件进行故障预测的准确性。为了实现以上目的，本专利技术采用以下技术方案：一种风机集群故障预测方法，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、基于预测风机子集中风机的型号为每个所述预测风机子集选择代表风机；S6、对环境条件进行筛选，获得与风机发生故障的主要环境条件；S7、采集历史风机主要环境条件及对应的风机参数，构建单位时间段内风机参数变化预测模型；S8、采集所述代表风机当前的参数及所处的主要环境条件，基于所述单位时间段内风机参数变化预测模型预测代表风机单位时间后的参数；预测代表风机单位时间后的主要环境条件；S9、基于所述代表风机单位时间后的参数及代表风机单位时间后的主要环境条件更新所述代表风机当前的参数及所处的主要环境条件，继续执行步骤S8，直到完成代表风机预设时间段内的参数预测；S10、比较代表风机的预测参数值与相应的预设参数阈值，预测代表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S5具体为：统计出预测风机子集中的风机型号，为各风机型号任意选择一台风机作为代表风机，代表该预测风机子集中所有与代表风机为同一型号的风机。进一步地，所述步骤S7具体为：对采集的历史风机主要环境条件及对应的风机参数基于单位时间划分为多个历史数据段，所述历史数据段包括该段起始时刻所对应的环境条件、起始时刻所对应的风机参数值、终止时刻所对应的风机参数值；基于所述起始时刻所对应的风机参数值、终止时刻所对应的风机参数值计算风机参数值的变化量；将所述起始时刻所对应的环境条件作为输入，所述风机参数值的变化量作为输出，对卷积神经网络进行训练，生成所述单位时间段内风机参数变化预测模型。进一步地，所述步骤S10还包括：将代表风机相应的故障预测结果作为同一预测风机子集中型号与其相同的所有其它风机的预测结果。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。本专利技术还提出一种风机集群故障预测系统，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；代表风机选择模块，用于基于预测风机子集中风机的型号为每个所述预测风机子集选择代表风机；环境条件筛选模块，用于对环境条件进行筛选，获得与风机发生故障的主要环境条件；风机参数变化预测模型构建模块，用于采集历史风机主要环境条件及对应的风机参数，构建单位时间段内风机参数变化预测模型；参数及条件更新模块，用于采集所述代表风机当前的参数及所处的主要环境条件，基于所述单位时间段内风机参数变化预测模型预测代表风机单位时间后的参数；预测代表风机单位时间后的主要环境条件；循环预测模块，用于基于所述代表风机单位时间后的参数及代表风机单位时间后的主要环境条件更新所述代表风机当前的参数及所处的主要环境条件，调用所述参数及条件更新模块，直到完成代表风机预设时间段内的参数预测；故障预测模块，用于比较代表风机的预测参数值与相应的预设参数阈值，预测代表风机是否会出现故障及故障出现的时间。进一步地，所述代表风机选择模块具体为：统计出预测风机子集中的风机型号，为各风机型号任意选择一台风机作为代表风机，代表该预测风机子集中所有与代表风机为同一型号的风机。进一步地，所述风机参数变化预测模型构建具体为：对采集的历史风机主要环境条件及对应的风机参数基于单位时间划分为多个历史数据段，所述历史数据段包括该段起始时刻所对应的环境条件、起始时刻所对应的风机参数值、终止时刻所对应的风机参数值；基于所述起始时刻所对应的风机参数值、终止时刻所对应的风机参数值计算风机参数值的变化量；将所述起始时刻所本文档来自技高网...

【技术保护点】
1.一种风机集群故障预测方法，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、基于预测风机子集中风机的型号为每个所述预测风机子集选择代表风机；/nS6、对环境条件进行筛选，获得与风机发生故障的主要环境条件；/nS7、采集历史风机主要环境条件及对应的风机参数，构建单位时间段内风机参数变化预测模型；/nS8、采集所述代表风机当前的参数及所处的主要环境条件，基于所述单位时间段内风机参数变化预测模型预测代表风机单位时间后的参数；预测代表风机单位时间后的主要环境条件；/nS9、基于所述代表风机单位时间后的参数及代表风机单位时间后的主要环境条件更新所述代表风机当前的参数及所处的主要环境条件，继续执行步骤S8，直到完成代表风机预设时间段内的参数预测；/nS10、比较代表风机的预测参数值与相应的预设参数阈值，预测代表风机是否会出现故障及故障出现的时间。/n...

【技术特征摘要】
1.一种风机集群故障预测方法，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、基于预测风机子集中风机的型号为每个所述预测风机子集选择代表风机；
S6、对环境条件进行筛选，获得与风机发生故障的主要环境条件；
S7、采集历史风机主要环境条件及对应的风机参数，构建单位时间段内风机参数变化预测模型；
S8、采集所述代表风机当前的参数及所处的主要环境条件，基于所述单位时间段内风机参数变化预测模型预测代表风机单位时间后的参数；预测代表风机单位时间后的主要环境条件；
S9、基于所述代表风机单位时间后的参数及代表风机单位时间后的主要环境条件更新所述代表风机当前的参数及所处的主要环境条件，继续执行步骤S8，直到完成代表风机预设时间段内的参数预测；
S10、比较代表风机的预测参数值与相应的预设参数阈值，预测代表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所述的故障预测方法，其特征在于，所述步骤S5具体为：
统计出预测风机子集中的风机型号，为各风机型号任意选择一台风机作为代表风机，代表该预测风机子集中所有与代表风机为同一型号的风机。


3.根据权利要求2所述的故障预测方法，其特征在于，所述步骤S7具体为：
对采集的历史风机主要环境条件及对应的风机参数基于单位时间划分为多个历史数据段，所述历史数据段包括该段起始时刻所对应的环境条件、起始时刻所对应的风机参数值、终止时刻所对应的风机参数值；基于所述起始时刻所对应的风机参数值、终止时刻所对应的风机参数值计算风机参数值的变化量；将所述起始时刻所对应的环境条件作为输入，所述风机参数值的变化量作为输出，对卷积神经网络进行训练，生成所述单位时间段内风机参数变化预测模型。


4.根据权利要求2所述的故障预测方法，其特征在于，所述步骤S10还包括：
将代表风机相应的故障预测结果作为同一预测风机子集中型号与其相同的所有其它风机的预测结果。


5.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。


6.一种风机集群故障预测系统，其特征在于，包括：
基础信息收集模块，用于收集待预测风...

【专利技术属性】
技术研发人员：胡伟锋，李林林，陈君君，任华江，
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