一种基于人工智能的风机轴承温度预测预警系统技术方案

本申请提供一种基于人工智能的风机轴承温度预测预警系统，包括：数据获取模块，获取引起风机轴承温升的相关参数和轴承冷却介质温度的历史数据和实时数据；实时预测模块，根据机理模型和机器学习方法建立轴承温度模型，将所述历史数据和实时数据输入所述轴承温度模型，对风机轴承温度进行实时预测；状态评价模块，建立基于人工智能的异常判别模型，将预测得到的风机轴承温度输入所述异常判别模型，得到风机轴承状态的实时评价结果，在所述实时评价结果为故障时，对故障进行预报；指导检修模块，根据所述实时评价结果的故障类型，指导检修可能影响轴承温度的系统。本申请避免破坏性故障的发生，实现小事故、早发现的系统设计目标，提高设备运行可靠性和稳定性。提高设备运行可靠性和稳定性。提高设备运行可靠性和稳定性。

【技术实现步骤摘要】
一种基于人工智能的风机轴承温度预测预警系统


[0001]本申请涉及人工智能
，尤其涉及一种基于人工智能的风机轴承温度预测预警系统。

技术介绍

[0002]通过对风机历史故障记录中主要故障进行统计可以发现，风机轴承温度故障是风机较为频发的故障。一旦发生风机轴承温度报警故障，会对风机造成较严重的影响，导致风机故障停机等，最终影响整个风机的发电量。因此，对未来的风机轴承温度故障进行预测，能够帮助及时了解风机轴承温度的未来趋势和发生风机轴承温度报警故障的紧急程度，为现场工程师采取有效合理的防护措施提供有指导性的建议和帮助。然而，目前针对风机轴承温度故障的预测精度都不高，因而对于实际工作的指导意义不大。

技术实现思路

[0003]有鉴于此，本申请的目的在于提出一种基于人工智能的风机轴承温度预测预警系统，本申请能够针对性的解决现有的问题。
[0004]基于上述目的，本申请还提出了一种基于人工智能的风机轴承温度预测预警系统，包括：
[0005]数据获取模块，获取引起风机轴承温升的相关参数和轴承冷却介质温度的历史数据和实时数据，所述相关参数至少包括：风机y向振动、风机x向振动、风机轴承温度、驱动端前轴承温度、驱动端中轴承温度、驱动端后轴承温度、定子线圈温度、风机油滤网差压、驱动端润滑油压力、平均风速、风机外温度、风机转速、齿轮箱油温、齿轮箱冷却水温度、齿轮箱润滑油温度、变流器实际转矩；
[0006]实时预测模块，根据机理模型和机器学习方法建立轴承温度模型，将所述历史数据和实时数据输入所述轴承温度模型，对风机轴承温度进行实时预测；
[0007]状态评价模块，建立基于人工智能的异常判别模型，将预测得到的风机轴承温度输入所述异常判别模型，得到风机轴承状态的实时评价结果，在所述实时评价结果为故障时，对故障进行预报；
[0008]指导检修模块，根据所述实时评价结果的故障类型，指导检修可能影响轴承温度的系统，所述可能影响轴承温度的系统至少包括：冷却水系统、风机、齿轮箱、变流器。
[0009]进一步地，通过SCADA系统获取所述历史数据和实时数据。
[0010]进一步地，所述根据机理模型和机器学习方法建立轴承温度模型，包括：
[0011]基于三维建模软件定义风机轴承的物理属性、几何属性、机械结构和材料属性从而在三维虚拟空间对机理模型进行多物理场、多尺度、多概率的仿真重构；
[0012]基于机器学习对所述相关参数进行深度挖掘，将所述相关参数反馈到所述机理模型中实现对机理模型的优化；
[0013]分析风机轴承的动力学原理结合赫兹接触理论和变形机理从而构建相应的参数
方程；
[0014]根据所述参数方程和优化后的机理模型，构建含有多个自由度的轴承温度模型。
[0015]进一步地，将所述历史数据和实时数据输入所述轴承温度模型，包括：
[0016]对所述历史数据进行归一化处理；将历史数据按比例分为训练数据集和测试数据集；使用测试数据集训练所述轴承温度模型；将所述实时数据输入训练完成的轴承温度模型；或者，
[0017]所述轴承温度模型采用MLP的多层感知机，所述MLP的多层包括输入层、隐含层和输出层三部分，所述输入层输入一个n维向量，即代表输入n个神经元，隐含层中的神经元由输入层得到，若输入层用向量x表示，隐含层输出为：f(w1x+b1)；其中，w1是权重，b1是偏置，所述f函数是sigmoid激活函数。
[0018]进一步地，所述建立基于人工智能的异常判别模型，包括：
[0019]采用回归模型或神经网络模型来构建异常判别模型，或者，
[0020]所述异常判别模型包括LSTM模型，所述LSTM模型由多个模型单元组成，各所述模型单元包括遗忘门、输入门和输出门；其中，LSTM模型中第1个模型单元根据第1时刻的输入数据产生输出数据，第m个模型单元根据前一单元的输出数据集和第m时刻的输入数据产生输出数据。
[0021]进一步地，所述将预测得到的风机轴承温度输入所述异常判别模型，得到风机轴承状态的实时评价结果，包括：
[0022]基于所述预测得到的风机轴承温度及所述异常判别模型产生关于风机轴承状态的实时评价结果，其中，所述异常判别模型包括比对预测样本、预设参考值，并根据预设的异常判断条件判断所述预测得到的风机轴承温度是否符合所述异常判断条件，若否，则输出正常的预测分析结果，若是，则输出异常的预测分析结果。
[0023]进一步地，当故障类型为风机堵塞时，检查风机滤网是否被灰尘或者其他杂物堵塞；
[0024]当故障类型为冷却水系统异常时，检查冷却水系统的上下水出口水流是否正常；
[0025]当故障类型为齿轮箱异常时，检查齿轮箱的运行速度是否位于正常范围内。
[0026]进一步地，当故障类型为变流器异常时，检查并处理变流器的以下故障之一：功率与力矩不匹配、整流未准备好、驱动板连接错误、变流器温度低、母线充电超时、主断路器闭合超时、风扇过热、UPS告警、断路器状态错误、主滤波异常断开。
[0027]总的来说，本申请的优势及给用户带来的体验在于：
[0028]本申请的基于人工智能的风机轴承温度预测预警系统，能够合理制定检修计划，避免破坏性故障的发生，实现小事故、早发现的系统设计目标，提高设备运行可靠性和稳定性。
附图说明
[0029]在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。
[0030]图1示出根据本申请实施例的基于人工智能的风机轴承温度预测预警系统示意
图。
[0031]图2示出数据获取模块的具体实现方法示意图。
[0032]图3示出根据本申请实施例的状态评价模块的具体实现方法示意图。
[0033]图4示出根据本申请实施例的指导检修模块的具体实现方法示意图。
[0034]图5示出了本申请一实施例所提供的一种电子设备的结构示意图。
[0035]图6示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
[0036]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。
[0037]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0038]本申请的基于人工智能的风机轴承温度预测预警系统，通过引起轴承温升的相关参数和轴承冷却介质温度的历史数据，利用机理模型和机器学习方法建立轴承温度模型，对风机轴承温度进行实时预测，利用基于人工智能的异常判别模型对轴承状态就行实时评价，对故障提前预报，进而指导检修冷却本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的风机轴承温度预测预警系统，其特征在于，包括：数据获取模块，获取引起风机轴承温升的相关参数和轴承冷却介质温度的历史数据和实时数据，所述相关参数至少包括：风机y向振动、风机x向振动、风机轴承温度、驱动端前轴承温度、驱动端中轴承温度、驱动端后轴承温度、定子线圈温度、风机油滤网差压、驱动端润滑油压力、平均风速、风机外温度、风机转速、齿轮箱油温、齿轮箱冷却水温度、齿轮箱润滑油温度、变流器实际转矩；实时预测模块，根据机理模型和机器学习方法建立轴承温度模型，将所述历史数据和实时数据输入所述轴承温度模型，对风机轴承温度进行实时预测；状态评价模块，建立基于人工智能的异常判别模型，将预测得到的风机轴承温度输入所述异常判别模型，得到风机轴承状态的实时评价结果，在所述实时评价结果为故障时，对故障进行预报；指导检修模块，根据所述实时评价结果的故障类型，指导检修可能影响轴承温度的系统，所述可能影响轴承温度的系统至少包括：冷却水系统、风机、齿轮箱、变流器。2.根据权利要求1所述的系统，其特征在于，通过SCADA系统获取所述历史数据和实时数据。3.根据权利要求2所述的系统，其特征在于，所述根据机理模型和机器学习方法建立轴承温度模型，包括：基于三维建模软件定义风机轴承的物理属性、几何属性、机械结构和材料属性从而在三维虚拟空间对机理模型进行多物理场、多尺度、多概率的仿真重构；基于机器学习对所述相关参数进行深度挖掘，将所述相关参数反馈到所述机理模型中实现对机理模型的优化；分析风机轴承的动力学原理结合赫兹接触理论和变形机理从而构建相应的参数方程；根据所述参数方程和优化后的机理模型，构建含有多个自由度的轴承温度模型。4.根据权利要求3所述的系统，其特征在于，将所述历史数据和实时数据输入所述轴承温度模型，包括：对所述历史数据进行归一化处理，将历史数据按比例分为训练数据集和测试数据集，使用测试数据集训练所述轴承温度模型，将所述实时数据输入训练完成的轴承温度模型；或者，所述轴承温度模型采用MLP的多层感知机，所述MLP的多层包括输入层、隐含层和输出层三部分，所述输入层输入一个n维向量，即代表输入n个神经元，隐含层...

【专利技术属性】
技术研发人员：吴志辉，尚雪松，金立志，
申请(专利权)人：北京东方通网信科技有限公司，
类型：发明
国别省市：