设备故障预警方法及装置、计算设备和存储介质制造方法及图纸

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。可减少设备故障的发生率。可减少设备故障的发生率。

【技术实现步骤摘要】
设备故障预警方法及装置、计算设备和存储介质


[0001]本专利技术涉及人工智能
，尤其涉及设备故障预警方法及装置、计算设备和存储介质。

技术介绍

[0002]目前，设备故障预警技术所使用的数据主要来源于SCADA(Supervisory Control And Data Acquisition，即数据采集与监视控制)系统和高频振动监测CMS(condition monitoring 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(fast Fourier 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。

技术实现思路

[0003]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。
[0004]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：
[0005]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；
[0006]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；
[0007]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；
[0008]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；
[0009]根据所述故障等级，发出所述设备的故障预警信息。
[0010]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。
[0011]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：
[0012]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；
[0013]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。
[0014]作为第一方面的一种可能的实现方式，所述方法还包括：
[0015]根据所述故障等级，对所述设备进行风险保护控制。
[0016]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：
[0017]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。
[0018]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。
[0019]作为第一方面的一种可能的实现方式，所述方法还包括：
[0020]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。
[0021]本申请第二方面提供了一种设备故障预警装置，包括：
[0022]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；
[0023]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；
[0024]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；
[0025]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；
[0026]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。
[0027]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。
[0028]作为第二方面的一种可能的实现方式，所述确定单元用于：
[0029]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；
[0030]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。
[0031]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：
[0032]根据所述故障等级，对所述设备进行风险保护控制。
[0033]作为第二方面的一种可能的实现方式，所述控制单元用于：
[0034]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。
[0035]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。
[0036]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：
[0037]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。
[0038]本申请第三方面提供了一种计算设备，包括：
[0039]通信接口；
[0040]至少一个处理器，其与所述通信接口连接；以及
[0041]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。
[0042]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。
[0043]本专利技术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
[0044]以下参照附图来进一步说明本专利技术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：
[0045]图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
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：...

【专利技术属性】
技术研发人员：王俊杰，王晓磊，张伦毓，曹伟，刘鹏程，张涛，赵晓婷，
申请(专利权)人：华能昌邑风力发电有限公司，
类型：发明
国别省市：