CN110472684B - 一种风机叶片的结冰监测方法、其装置及可读存储介质 - Google Patents

一种风机叶片的结冰监测方法、其装置及可读存储介质 Download PDF

Info

Publication number
CN110472684B
CN110472684B CN201910750771.5A CN201910750771A CN110472684B CN 110472684 B CN110472684 B CN 110472684B CN 201910750771 A CN201910750771 A CN 201910750771A CN 110472684 B CN110472684 B CN 110472684B
Authority
CN
China
Prior art keywords
monitoring
icing
training sample
sample data
class
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
CN201910750771.5A
Other languages
English (en)
Other versions
CN110472684A (zh
Inventor
栾睿琦
徐凯华
周子怡
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.)
Beijing Rootcloud Technology Co ltd
Changsha Rootcloud Technology Co ltd
Jiansu Rootcloud Technology Co ltd
Shanghai Rootcloud Technology Co ltd
Rootcloud Technology Co Ltd
Original Assignee
Beijing Rootcloud Technology Co ltd
Changsha Rootcloud Technology Co ltd
Jiansu Rootcloud Technology Co ltd
Shanghai Rootcloud Technology Co ltd
Rootcloud Technology Co Ltd
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 Beijing Rootcloud Technology Co ltd, Changsha Rootcloud Technology Co ltd, Jiansu Rootcloud Technology Co ltd, Shanghai Rootcloud Technology Co ltd, Rootcloud Technology Co Ltd filed Critical Beijing Rootcloud Technology Co ltd
Priority to CN201910750771.5A priority Critical patent/CN110472684B/zh
Publication of CN110472684A publication Critical patent/CN110472684A/zh
Application granted granted Critical
Publication of CN110472684B publication Critical patent/CN110472684B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

本申请提供了一种风机叶片的结冰监测方法、结冰监测装置及可读存储介质，根据待监测风机的运行监测数据，得到在多个历史时刻下待监测风机的第一类特征值、第二类特征值、第三类特征值以及第四类特征值；将基于各个历史监测时刻分别对应的第一类特征值、第二类特征值、第三类特征值以及第四类特征值，生成风机叶片的监测特征向量序列输入至训练好的结冰故障预测模型中，确定出所述风机叶片在多个未来时刻的结冰预测结果。这样，可以有效的预测出风机叶片的结冰情况，预测结果的准确性和可靠性高，有助于预先了解风机叶片的状态，及时进行除冰等维护工作，有效降低风机叶片结冰损坏的概率，有利于提高风机叶片的使用寿命和工作效率。

Description

一种风机叶片的结冰监测方法、其装置及可读存储介质
技术领域
本申请涉及机械工程技术领域，尤其是涉及一种风机叶片的结冰监测方法、其装置及可读存储介质。
背景技术
风力发电作为清洁的可循环能源，近年来发展的越来越快，随之而来的问题也越来越多，例如处于高原寒冷地区，由于海拔高且气温低易导致叶片结冰、材料及结构性能改变、载荷改变的问题，再比如寒冷的冬季，也会由于气温低易导致叶片结冰、材料及结构性能改变、载荷改变的问题，对风机的发电性能和安全运行造成较大的威胁。
其中，叶片结冰会导致叶片加重、折损，从而影响风机工作效率，甚至存在巨大的安全隐患。而目前工业界针对风叶结冰的监测，大多是当风机真实功率与理论功率的偏差达到一定值后触发报警、停机，但通常这时叶片已大面积结冰，因此如何更及时、更准确地预测出风机在工作过程中叶片可能发生结冰的时间，以便于工人及时排除结冰故障，是目前亟待解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种风机叶片的结冰监测方法、结冰监测装置及可读存储介质，通过将基于待监测风机在多个历史监测时刻分别对应的多个特征值生成的监测特征向量序列输入到训练好的结冰故障预测模型中，确定风机叶片在多个未来时刻的结冰预测结果，可以有效的预测出风机叶片的结冰情况，预测结果的准确性和可靠性高，有助于预先了解风机叶片的状态，及时进行除冰等维护工作，有效降低风机叶片结冰损坏的概率，有利于提高风机叶片的使用寿命和工作效率。
本申请实施例提供了一种风机叶片的结冰监测方法，所述结冰监测方法包括：
基于待监测风机的运行监测数据，确定所述待监测风机在多个历史监测时刻下，在运行监测特征下的第一类特征值和物理机理特征下的第二类特征值，以及与所述待监测风机的风机叶片在各维度监测特征变量对应的叶片统计特征下的第三类特征值和各维度监测特征变量对应的叶片差分特征下的第四类特征值；
基于各个所述历史监测时刻分别对应的所述第一类特征值、所述第二类特征值、所述第三类特征值以及所述第四类特征值，生成所述风机叶片的监测特征向量序列，其中，所述监测特征向量序列中包括与各个所述历史监测时刻分别对应的监测特征向量；
将所述监测特征向量序列输入到训练好的结冰故障预测模型中，确定出所述风机叶片在多个未来时刻的结冰预测结果。
进一步的，所述将所述监测特征向量输入到训练好的结冰故障预测模型中，确定出所述风机叶片的结冰预测结果，包括：
将所述监测特征向量序列输入至结冰故障预测模型中的第一类神经网络层，以提取出与所述监测特征向量序列对应的第一类特征向量；
将所述第一类特征向量以及获取的第一预设中间权值向量输入至结冰故障预测模型中的第二类神经网络层中，获取与所述监测特征向量序列对应的第二类特征向量，并获取与所述监测特征向量序列对应的第一中间权值向量；
将所述第二类特征向量和获取的第二预设中间权值向量输入至结冰故障预测模型中的第三类神经网络层中，获取与所述监测特征向量序列对应的第三类特征向量，并获取与所述监测特征向量序列对应的第二中间权值向量；
将所述第三类特征向量输入至分类器中，获取与所述监测特征向量对应的所述风机叶片的结冰预测结果。
进一步的，所述第一预设中间权值向量为预设的中间权值向量；
或者，所述第一预设中间权值向量为本次通过所述运行监测数据对所述风机叶片进行结冰预测之前的上一次预测时，所述第二类神经网络层对该上一次预测时的运行监测数据进行处理得到的第一中间权值向量。
进一步的，所述第二预设中间权值向量为预设的中间权值向量；
或者，所述第二预设中间权值向量为本次通过所述运行监测数据对所述风机叶片进行结冰预测之前的上一次预测时，所述第三类神经网络层对该上一次预测时的运行监测数据进行处理得到的第二中间权值向量。
进一步的，所述结冰监测方法，采用下述方式训练所述结冰故障预测模型：
获取待监测风机在多个监测时刻的监测数据，对所述监测数据进行滑动采样，形成多个训练样本数据，其中，每个训练样本数据中均包括多个监测时刻分别对应的监测数据；
确定每个训练样本数据对应的训练样本特征向量序列，以及每个训练样本数据对应的风机叶片的实际结冰结果；
基于每个训练样本数据的训练样本特征向量序列和每个训练样本数据对应的风机叶片的实际结冰结果，训练所述结冰故障预测模型。
进一步的，所述基于每个训练样本数据的训练样本特征向量和每个训练样本数据对应的风机叶片的实际结冰结果，训练所述结冰故障预测模型，包括：
按照每个训练样本数据对应的滑动采样顺序，依次将每个训练样本数据作为当前训练样本数据，将该当前训练样本数据对应的训练样本特征向量序列输入待训练的结冰故障预测模型的第一类神经网络层中，提取与该当前训练样本数据对应的第一类样本特征向量；
将所述第一类样本特征向量以及与该当前训练样本数据最接近的前一训练样本数据对应的第一中间权值向量，输入至待训练的结冰故障预测模型的第二类神经网络层中，获取与该当前训练样本数据对应的第二类样本特征向量，并获取与该当前训练样本数据对应的第一中间权值向量；
将所述第二类样本特征向量以及与该当前训练样本数据最接近的前一训练样本数据对应的第二中间权值向量，输入至待训练的结冰故障预测模型的第三类神经网络层中，获取与该当前训练样本数据对应的第三类样本特征向量，并获取与该当前训练样本数据对应的第二中间权值向量；
将该当前训练样本数据对应的第三类特征向量输入至分类器中，获取与该当前训练样本数据对应的结冰预测结果；
基于所述结冰预测结果，以及与该当前训练样本数据对应的实际结冰结果，训练所述第一类神经网络层、第二类神经网络层、第三类神经网络层以及所述分类器。
进一步的，所述物理机理特征至少包括风机的扭矩、风速功率比以及风机机舱温度和外界温度的温度差值，风机叶片的特征变量至少包括风机中每个叶片的角度、转速和半径。
本申请实施例还提供了一种风机叶片的结冰监测装置，所述结冰监测装置包括：
第一确定模块，用于基于待监测风机的运行监测数据，确定所述待监测风机在多个历史监测时刻下，在运行监测特征下的第一类特征值和物理机理特征下的第二类特征值，以及与所述待监测风机的风机叶片在各维度监测特征变量对应的叶片统计特征下的第三类特征值和各维度监测特征变量对应的叶片差分特征下的第四类特征值；
生成模块，用于基于各个第一确定模块确定的历史监测时刻分别对应的所述第一类特征值、所述第二类特征值、所述第三类特征值以及所述第四类特征值，生成所述风机叶片的监测特征向量序列，其中，所述监测特征向量序列中包括与各个所述历史监测时刻分别对应的监测特征向量；
第二确定模块，用于将生成模块生成的监测特征向量序列输入到训练好的结冰故障预测模型中，确定出所述风机叶片在多个未来时刻的结冰预测结果。
进一步的，所述第二确定模块，包括：
第一提取单元，用于将所述监测特征向量序列输入至结冰故障预测模型中的第一类神经网络层，以提取出与所述监测特征向量序列对应的第一类特征向量；
第一获取单元，用于将第一提取单元提取的第一类特征向量以及获取的第一预设中间权值向量输入至结冰故障预测模型中的第二类神经网络层中，获取与所述监测特征向量序列对应的第二类特征向量，并获取与所述监测特征向量序列对应的第一中间权值向量；
第二获取单元，用于将第一获取单元获取的第二类特征向量和获取的第二预设中间权值向量输入至结冰故障预测模型中的第三类神经网络层中，获取与所述监测特征向量序列对应的第三类特征向量，并获取与所述监测特征向量序列对应的第二中间权值向量；
第三获取单元，用于将第二获取单元获取的第三类特征向量输入至分类器中，获取与所述监测特征向量对应的所述风机叶片的结冰预测结果。
进一步的，所述结冰监测装置还包括模型训练模块，所述模型训练模块用于通过以下方式训练结冰故障预测模型：
获取待监测风机在多个监测时刻的监测数据，对所述监测数据进行滑动采样，形成多个训练样本数据，其中，每个训练样本数据中均包括多个监测时刻分别对应的监测数据；
确定每个训练样本数据对应的训练样本特征向量序列，以及每个训练样本数据对应的风机叶片的实际结冰结果；
基于每个训练样本数据的训练样本特征向量序列和每个训练样本数据对应的风机叶片的实际结冰结果，训练所述结冰故障预测模型。
进一步的，在所述模型训练模块训练结冰故障预测模型的过程中，所述模型训练模块还用于：
按照每个训练样本数据对应的滑动采样顺序，依次将每个训练样本数据作为当前训练样本数据，将该当前训练样本数据对应的训练样本特征向量序列输入待训练的结冰故障预测模型的第一类神经网络层中，提取与该当前训练样本数据对应的第一类样本特征向量；
将所述第一类样本特征向量以及与该当前训练样本数据最接近的前一训练样本数据对应的第一中间权值向量，输入至待训练的结冰故障预测模型的第二类神经网络层中，获取与该当前训练样本数据对应的第二类样本特征向量，并获取与该当前训练样本数据对应的第一中间权值向量；
将所述第二类样本特征向量以及与该当前训练样本数据最接近的前一训练样本数据对应的第二中间权值向量，输入至待训练的结冰故障预测模型的第三类神经网络层中，获取与该当前训练样本数据对应的第三类样本特征向量，并获取与该当前训练样本数据对应的第二中间权值向量；
将该当前训练样本数据对应的第三类特征向量输入至分类器中，获取与该当前训练样本数据对应的结冰预测结果；
基于所述结冰预测结果，以及与该当前训练样本数据对应的实际结冰结果，训练所述第一类神经网络层、第二类神经网络层、第三类神经网络层以及所述分类器。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的风机叶片的结冰监测方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的风机叶片的结冰监测方法的步骤。
本申请实施例提供的风机叶片的结冰监测方法、结冰监测装置及可读存储介质，基于待监测风机的运行监测数据，确定所述待监测风机在多个历史监测时刻下，在运行监测特征下的第一类特征值和物理机理特征下的第二类特征值，以及与所述待监测风机的风机叶片在各维度监测特征变量对应的叶片统计特征下的第三类特征值和各维度监测特征变量对应的叶片差分特征下的第四类特征值；基于各个所述历史监测时刻分别对应的所述第一类特征值、所述第二类特征值、所述第三类特征值以及所述第四类特征值，生成所述风机叶片的监测特征向量序列；将所述监测特征向量序列输入到训练好的结冰故障预测模型中，确定出所述风机叶片在多个未来时刻的结冰预测结果。
这样，通过将基于待监测风机在多个历史监测时刻分别对应的多个特征值生成的监测特征向量序列输入到训练好的结冰故障预测模型中，确定风机叶片在多个未来时刻的结冰预测结果，可以有效的预测出风机叶片的结冰情况，预测结果的准确性和可靠性高，有助于预先了解风机叶片的状态，及时进行除冰等维护工作，有效降低风机叶片结冰损坏的概率，有利于提高风机叶片的使用寿命和工作效率。
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为一种可能的应用场景下的***架构图；
图2为本申请实施例所提供的一种风机叶片的结冰监测方法的流程图；
图3为本申请实施例所提供的结冰故障预测模型训练方法的流程图；
图4为本申请实施例所提供的一种风机叶片的结冰监测装置的结构示意图之一；
图5为本申请实施例所提供的一种风机叶片的结冰监测装置的结构示意图之二；
图6为图4中所示的第二确定模块的结构示意图；
图7为本申请一实施例提供的电子设备的结构图。
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每个其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于机械工程技术领域，通过将基于待监测风机在多个历史监测时刻分别对应的多个特征值生成的监测特征向量序列输入到训练好的结冰故障预测模型中，确定风机叶片在多个未来时刻的结冰预测结果，可以有效的预测出风机叶片的结冰情况，预测结果的准确性和可靠性高，有助于预先了解风机叶片的状态，及时进行除冰等维护工作，有效降低风机叶片结冰损坏的概率，有利于提高风机叶片的使用寿命和工作效率，请参阅图1，图1为一种在该应用场景下的***结构图。如图1中所示，所述***包括数据监测装置和结冰监测装置，所述数据监测装置监测风机的运行数据，所述结冰监测装置基于所述数据监测装置监测风机的运行数据确定所述待监测风机在多个历史监测时刻的第一类特征值、第二类特征值、第三类特征值以及第四类特征值，基于各个所述历史监测时刻分别对应的所述第一类特征值、所述第二类特征值、所述第三类特征值以及所述第四类特征值，生成所述风机叶片的监测特征向量序列，将所述监测特征向量序列输入到训练好的结冰故障预测模型中，确定出所述风机叶片在多个未来时刻的结冰预测结果。
经研究发现，目前工业界针对风叶结冰的监测，大多是当风机真实功率与理论功率的偏差达到一定值后触发报警、停机，但通常这时叶片已大面积结冰，因此如何更及时，更准确地预测出风机在工作过程中叶片可能发生结冰的时间，以便于工人及时排除结冰故障，是目前亟待解决的问题。
基于此，本申请实施例提供了一种风机叶片的结冰监测方法，通过将基于待监测风机在多个历史监测时刻分别对应的多个特征值生成的监测特征向量序列输入到训练好的结冰故障预测模型中，确定风机叶片在多个未来时刻的结冰预测结果，可以有效的预测出风机叶片的结冰情况，预测结果的准确性和可靠性高，有助于预先了解风机叶片的状态，及时进行除冰等维护工作，有效降低风机叶片结冰损坏的概率，有利于提高风机叶片的使用寿命和工作效率。
请参阅图2，图2为本申请实施例所提供的一种风机叶片的结冰监测方法的流程图。本申请实施例提供的一种风机叶片的结冰监测方法，包括：
步骤201、基于待监测风机的运行监测数据，确定所述待监测风机在多个历史监测时刻下，在运行监测特征下的第一类特征值和物理机理特征下的第二类特征值，以及与所述待监测风机的风机叶片在各维度监测特征变量对应的叶片统计特征下的第三类特征值和各维度监测特征变量对应的叶片差分特征下的第四类特征值。
该步骤中，基于待监测风机的运行监测数据，提取每一个历史监测时刻下的待监测风机的特征值，其中所述特征值包括：在运行监测特征下的第一类特征值，待监测风机工作的物理机理特征下的第二类特征值，待监测风机的风机叶片在各维度监测特征变量对应的叶片的统计特征下的第三类特征值以及风机叶片在各维度监测特征变量对应的叶片的差分特征下的第四类特征值。
其中，待监测风机工作的物理机理特征可以包括风机的扭矩、风速功率比以及风机机舱温度和外界温度差值等可以表征待监测风机在工作时的物理特征；风机叶片的特征变量至少包括待监测风机中每个风机叶片的角度、转速和半径。风机叶片在各维度监测特征变量对应的叶片的统计特征下的第三类特征值可以是在风机叶片的角度、转速和半径等维度下的平均值。
这里，待监测风机的监测数据可以由数据采集与监视控制***(SCADA)监测获取得到。
步骤202、基于各个所述历史监测时刻分别对应的所述第一类特征值、所述第二类特征值、所述第三类特征值以及所述第四类特征值，生成所述风机叶片的监测特征向量序列。
该步骤中，根据得到每个历史监测时刻对应的第一类特征值、所述第二类特征值、所述第三类特征值以及所述第四类特征值，生成每个历史监测时刻的监测特征向量，将每个历史监测时刻的监测特征向量按照顺序，例如监测时间顺序排列起来，形成风机叶片的监测特征向量序列。
步骤203、将所述监测特征向量序列输入到训练好的结冰故障预测模型中，确定出所述风机叶片在多个未来时刻的结冰预测结果。
该步骤中，将风机叶片的监测特征向量序列输入到预先训练好的结冰故障预测模型中，所述结冰故障预测模型输出在未来的多个时刻，每个未来时刻下，所述风机叶片是否结冰的预测信息。
进一步的，步骤203还包括：
步骤2031、将所述监测特征向量序列输入至结冰故障预测模型中的第一类神经网络层，以提取出与所述监测特征向量序列对应的第一类特征向量。
该步骤中，将监测特征向量序列输入至结冰故障预测模型中的第一类神经网络层，经过第一类神经网络层对监测特征向量序列进行降维得到所述监测特征向量序列对应的第一类特征向量。
步骤2032、将所述第一类特征向量以及获取的第一预设中间权值向量输入至结冰故障预测模型中的第二类神经网络层中，获取与所述监测特征向量序列对应的第二类特征向量，并获取与所述监测特征向量序列对应的第一中间权值向量。
该步骤中，将步骤2031得到的第一类特征向量和获取的第一预设中间权值向量输入至结冰故障预测模型中的第二类神经网络层中，经过第二类神经网络层根据不同时间段分析第一类特征向量，并输出第二类特征向量。
其中，当输入的运行监测数据为第一个输入的运行监测数据时，即在该运行监测数据之前没有运行监测数据的输入，所述第一预设中间权值向量为预先设置的预设中间权值向量；当输入的运行监测数据不为第一个输入的运行监测数据时，所述第一预设中间权值向量为本次通过所述运行监测数据对所述风机叶片进行结冰预测之前的上一次预测时，所述第二类神经网络层对该上一次预测时的运行监测数据进行处理得到的第一中间权值向量。
步骤2033、将所述第二类特征向量和获取的第二预设中间权值向量输入至结冰故障预测模型中的第三类神经网络层中，获取与所述监测特征向量序列对应的第三类特征向量，并获取与所述监测特征向量序列对应的第二中间权值向量。
该步骤中，将步骤2032得到的第二类特征向量获取的第二预设中间权值向量输入至结冰故障预测模型中的第三类神经网络层中，经过第三类神经网络层再次根据不同时间段分析第二类特征向量，并输出第三类特征向量。
其中，当输入的运行监测数据为第一个输入的运行监测数据时，即在该运行监测数据之前没有运行监测数据的输入，所述第二预设中间权值向量为预先设置的预设中间权值向量；当输入的运行监测数据不为第一个输入的运行监测数据时，所述第二预设中间权值向量为本次通过所述运行监测数据对所述风机叶片进行结冰预测之前的上一次预测时，所述第三类神经网络层对该上一次预测时的运行监测数据进行处理得到的第二中间权值向量。
步骤2034、将所述第三类特征向量输入至分类器中，获取与所述监测特征向量对应的所述风机叶片的结冰预测结果。
该步骤中，将步骤2033得到的第三类特征向量输入至分类器中，输出与所述监测特征向量对应的所述风机叶片的结冰预测结果，即未来多个时刻下，风机叶片是否结冰。
本申请实施例提供的风机叶片的结冰监测方法，基于待监测风机的运行监测数据，确定所述待监测风机在多个历史监测时刻下，在运行监测特征下的第一类特征值和物理机理特征下的第二类特征值，以及与所述待监测风机的风机叶片在各维度监测特征变量对应的叶片统计特征下的第三类特征值和各维度监测特征变量对应的叶片差分特征下的第四类特征值；基于各个所述历史监测时刻分别对应的所述第一类特征值、所述第二类特征值、所述第三类特征值以及所述第四类特征值，生成所述风机叶片的监测特征向量序列；将所述监测特征向量序列输入到训练好的结冰故障预测模型中，确定出所述风机叶片在多个未来时刻的结冰预测结果。
这样，将根据监测风机的运行监测数据的多个历史监测时刻下的第一类特征值、第二类特征值、第三类特征值和第四类特征值生成的风机叶片的监测特征向量序列输入到预先训练好的结冰故障预测模型中经过结冰故障预测模型中的第一类神经网络层、第二类神经网络层、第三类神经网络层和分类器，确定出所述风机叶片在多个未来时刻的结冰预测结果，可以有效的预测出风机叶片的结冰情况，预测结果的准确性和可靠性高，有助于预先了解风机叶片的状态，及时进行除冰等维护工作，有效降低风机叶片结冰损坏的概率，有利于提高风机叶片的使用寿命和工作效率。
相应的，本申请实施例还提供了一种结冰故障预测模型训练方法，请参阅图3，图3为本申请实施例所提供的结冰故障预测模型训练方法的流程图，所述结冰故障预测模型训练方法，包括：
步骤301、获取待监测风机在多个监测时刻的监测数据，对所述监测数据进行滑动采样，形成多个训练样本数据，其中，每个训练样本数据中均包括多个监测时刻分别对应的监测数据。
该步骤中，以预设的时间间隔得到待监测风机的多个监测时刻，以及每个监测时刻下的监测数据，通过预设宽度的滑动窗口对监测数据进行滑动采样，得到多个训练样本数据。
这里，获取到的监测数据，要进行预处理，剔除噪声数据，由于监测数据的正、负样本存在的明显不均衡性，首先通过对正常状态的样本进行欠采样来初步地降低监测数据的正负样本不均衡性，并从原始监测数据中剔除掉一部分明显不结冰数据，来防止模型过度学习正常样本，并降低监测数据正、负类样本不规则的比例。其中，正类样本数据指的是风机的叶片没有结冰时对应的数据，负类样本指的是风机的叶片结冰时对应的数据。
这里，所述滑动窗口的宽度可以设定为128，即训练样本数据的一批数据为128个连续时间点上的训练数据，这样就可以使样本数据同时具备了连续时间上的信息以及特征维度的信息。
步骤302、确定每个训练样本数据对应的训练样本特征向量序列，以及每个训练样本数据对应的风机叶片的实际结冰结果。
该步骤中，在获得多个训练样本数据后，可以从每个训练样本数据中提取与风机和风机叶片相关的各维度的特征，以形成与每个训练样本数据的训练样本特征向量序列，并可以根据实际情况下的监测结果，获得每个训练样本数据对应的风机叶片的实际结冰结果。
其中，确定每个训练样本数据对应的训练样本特征向量序列，可以是根据每个训练样本数据，来提取出每个训练样本数据中，在每个监测时刻下的运行监测样本特征，并确定在运行监测样本特征下的第一类样本特征值和物理机理特征下的第二类样本特征值，以及与所述待监测风机的风机叶片在各维度监测特征变量对应的叶片统计特征下的第三类样本特征值和各维度监测特征变量对应的叶片差分特征下的第四类样本特征值。然后可以根据确定出的第一类样本特征值、第二类样本特征值、第三类样本特征值以及第四类样本特征值，来生成每个训练样本数据的训练样本特征向量序列；
步骤303、基于每个训练样本数据的训练样本特征向量序列和每个训练样本数据对应的风机叶片的实际结冰结果，训练所述结冰故障预测模型。
该步骤中，将每个训练样本数据的对应的训练样本特征向量序列输入到待训练的结冰故障预测模型中，将待训练的结冰故障预测模型输出结果和每个训练样本数据对应的风机叶片的实际结冰结果进行对比，调整结冰故障预测模型中的参数，对所述结冰故障预测模型进行训练。
进一步的，步骤303还包括：
步骤3031、按照每个训练样本数据对应的滑动采样顺序，依次将每个训练样本数据作为当前训练样本数据，将该当前训练样本数据对应的训练样本特征向量序列输入待训练的结冰故障预测模型的第一类神经网络层中，提取与该当前训练样本数据对应的第一类样本特征向量。
该步骤中，根据每个训练样本数据对应的滑动采样顺序，将多个训练样本数据依次作为当前训练样本数据，并将当前训练样本数据对应的训练样本特征向量序列输入到待训练的结冰故障预测模型中的第一类神经网络层中，其中，所述第一类神经网络层可以包括两层一维卷积层，并且每一个卷积层后都连接着一个池化层。在卷积层完成对训练样本特征向量序列的降维和特征提取，但是在经过卷积层降维后的样本特征向量序列的维数可能还是很高，计算耗时，也容易过拟合，这时可以通过设置的池化层来进行再一次的降维，池化层的功能是在保留主要特征的同时压缩数据和参数，防止过拟合，还可以在一定程度上增加模型的鲁棒性，通过卷积层和池化层来学习连续时刻训练样本数据的特征以及时间变化趋势。再将通过两层卷积层和池化层的降维之后的样本特征向量序列经过全连接层提取整合样本特征向量序列中有用的数据信息(再次降维)得到与当前训练样本数据对应的第一类样本特征向量。
步骤3032、将所述第一类样本特征向量以及与该当前训练样本数据最接近的前一训练样本数据对应的第一中间权值向量，输入至待训练的结冰故障预测模型的第二类神经网络层中，获取与该当前训练样本数据对应的第二类样本特征向量，并获取与该当前训练样本数据对应的第一中间权值向量。
该步骤中，将得到的第一类样本特征向量以及与该当前训练样本数据最接近的前一训练样本数据对应的第一中间权值向量输入至待训练的结冰故障预测模型的第二类神经网络层中。所述第二类神经网络层可以包括一层GRU(Gated Recurrent Unit)层，GRU是一种循环神经网络的特殊形式，重要的参考指标就是时刻，GRU会对每一个时刻的输入结合当前模型的状态给出一个输出，通过一些“门”的结构让信息有选择性地影响每个时刻状态，GRU包括更新门和重置门，结合本实施例来说，将第一类样本特征向量和获取到的第一中间权值向量输入到GRU层中，得到输出的第二样本特征和该当前训练样本数据对应的第一中间权值向量。
其中，当输入的当前监测样本为第一个输入的监测样本时，即在该当前监测样本之前没有监测样本的输入，所述第一中间权值向量为预先设置的中间权值向量；当输入的当前监测样本不为第一个输入的监测样本时，所述第一中间权值向量为本次通过所述训练样本数据对所述风机叶片进行结冰预测之前的上一次训练时，所述第二类神经网络层对该上一次训练时的训练样本数据进行处理得到的第一中间权值向量。
这里，第二类神经网络层还可以采用循环神经网络的特殊形式长短期记忆网络(LSTM)。
步骤3033、将所述第二类样本特征向量以及与该当前训练样本数据最接近的前一训练样本数据对应的第二中间权值向量，输入至待训练的结冰故障预测模型的第三类神经网络层中，获取与该当前训练样本数据对应的第三类样本特征向量，并获取与该当前训练样本数据对应的第二中间权值向量。
该步骤中，将由第二类神经网络层得到的第二类样本特征向量和预先获取的第二中间权值向量输入到第三类神经网络层中，第三类神经网络层和第二类神经网络层相同，也可以包括一层GRU，经由第三类神经网络层得到第三类样本特征向量，进一步学习不同时间段的特征。
其中，类比于第一中间权值向量的获取方法，当输入的当前监测样本为第一个输入的监测样本时，即在该当前监测样本之前没有监测样本的输入，所述第二中间权值向量为预先设置的中间权值向量；当输入的当前监测样本不为第一个输入的监测样本时，所述第二中间权值向量为本次通过所述训练样本数据对所述风机叶片进行结冰预测之前的上一次训练时，所述第三类神经网络层对该上一次训练时的训练样本数据进行处理得到的第二中间权值向量。
这里，第三类神经网络层还可以采用循环神经网络的特殊形式长短期记忆网络(LSTM)。
步骤3034、将该当前训练样本数据对应的第三类特征向量输入至分类器中，获取与该当前训练样本数据对应的结冰预测结果。
该步骤中，将经由第二类神经网络层和第三类神经网络层的第三样本特征输入到分类器中，所述样本分类器可以包括两层全连接层，全连接层起“分类器”的作用，每个全连接层与一个Sigmoid层得到与该当前训练样本数据对应的结冰预测结果，即结冰还是未结冰。
步骤3035、基于所述结冰预测结果，以及与该当前训练样本数据对应的实际结冰结果，训练所述第一类神经网络层、第二类神经网络层、第三类神经网络层以及所述分类器。
该步骤中，根据结冰预测结果和与该当前训练样本数据对应的实际结冰结果，调整第一类神经网络层、第二类神经网络层、第三类神经网络层以及所述分类器中的参数，如第一类神经网络层中的卷积层的卷积核的尺寸和个数、第二类神经网络层和第三类神经网络层中GRU中的循环过程中的参数、分类器中全连接层的参数等，经过多个训练样本数据调整参数，使得结冰预测结果可以表示实际结冰结果。
这里，由于风机叶片结冰预测是一个二分类问题，所以采用准确率，混淆矩阵(AUC)以及负样本的召回率(TN/TN+FP)为模型的评价标准，对得到的模型分类预测结果进行评价，最终达到风机叶片结冰故障预测的目的。在传统的机器学习算法中，例如Xgboost、GBDT以及Random_Forest，经实际研究和数据测量发现，对于风机叶片结冰的预测，Xgboost预测的准确率大概为0.9418，负样本的召回率大概为0.3143；GBDT预测的准确率大概为0.9342，负样本的召回率大概为0.3054；Random_Forest预测的准确率大概为0.9389，负样本的召回率大概为0.2906；而本申请采用的CNN_GRU模型的预测准确率可以提高至大约0.9604，负样本的召回率大概为0.4230，由此可见，和传统的机器学习算法相比，拥有更高的预测的准确率和负样本的召回率，对风机叶片结冰预测的效果更好。
本申请实施例提供的风机叶片的结冰监测方法，获取待监测风机在多个监测时刻的监测数据，对所述监测数据进行滑动采样，形成多个训练样本数据，其中，每个训练样本数据中均包括多个监测时刻分别对应的监测数据；确定每个训练样本数据对应的训练样本特征向量序列，以及每个训练样本数据对应的风机叶片的实际结冰结果；基于每个训练样本数据的训练样本特征向量序列和每个训练样本数据对应的风机叶片的实际结冰结果，训练所述结冰故障预测模型。
这样，通过待监测风机在多个监测时刻的监测数据确定每个训练样本数据对应的训练样本特征向量序列，再结合每个训练样本数据对应的风机叶片的实际结冰结果，训练结冰故障预测模型，可以提高结冰故障预测模型基于待监测风机的运行监测数据对未来多个时刻风机叶片的结冰预测的准确性。
请参阅图4至图6，图4为本申请实施例所提供的一种风机叶片的结冰监测装置的结构示意图之一，图5为本申请实施例所提供的一种风机叶片的结冰监测装置的结构示意图之二，图6为图4中所示的第二确定模块的结构示意图。
如图4中所示，所述风机叶片的结冰监测装置400包括：
第一确定模块410，用于基于待监测风机的运行监测数据，确定所述待监测风机在多个历史监测时刻下，在运行监测特征下的第一类特征值和物理机理特征下的第二类特征值，以及与所述待监测风机的风机叶片在各维度监测特征变量对应的叶片统计特征下的第三类特征值和各维度监测特征变量对应的叶片差分特征下的第四类特征值。
生成模块420，用于基于各个第一确定模块410确定的历史监测时刻分别对应的所述第一类特征值、所述第二类特征值、所述第三类特征值以及所述第四类特征值，生成所述风机叶片的监测特征向量序列，其中，所述监测特征向量序列中包括与各个所述历史监测时刻分别对应的监测特征向量。
第二确定模块430，用于将生成模块420生成的监测特征向量序列输入到训练好的结冰故障预测模型中，确定出所述风机叶片在多个未来时刻的结冰预测结果。
进一步的，如图5所示，所述风机叶片的结冰监测装置400还包括：
模型训练模块440，所述模型训练模块440用于通过以下方式训练结冰故障预测模型：
获取待监测风机在多个监测时刻的监测数据，对所述监测数据进行滑动采样，形成多个训练样本数据，其中，每个训练样本数据中均包括多个监测时刻分别对应的监测数据；
确定每个训练样本数据对应的训练样本特征向量序列，以及每个训练样本数据对应的风机叶片的实际结冰结果；
基于每个训练样本数据的训练样本特征向量序列和每个训练样本数据对应的风机叶片的实际结冰结果，训练所述结冰故障预测模型。
进一步的，所述模型训练模块440在训练结冰故障预测模型的过程中，所述模型训练模块440具体还用于：
按照每个训练样本数据对应的滑动采样顺序，依次将每个训练样本数据作为当前训练样本数据，将该当前训练样本数据对应的训练样本特征向量序列输入待训练的结冰故障预测模型的第一类神经网络层中，提取与该当前训练样本数据对应的第一类样本特征向量；
将所述第一类样本特征向量以及与该当前训练样本数据最接近的前一训练样本数据对应的第一中间权值向量，输入至待训练的结冰故障预测模型的第二类神经网络层中，获取与该当前训练样本数据对应的第二类样本特征向量，并获取与该当前训练样本数据对应的第一中间权值向量；
将所述第二类样本特征向量以及与该当前训练样本数据最接近的前一训练样本数据对应的第二中间权值向量，输入至待训练的结冰故障预测模型的第三类神经网络层中，获取与该当前训练样本数据对应的第三类样本特征向量，并获取与该当前训练样本数据对应的第二中间权值向量；
将该当前训练样本数据对应的第三类特征向量输入至分类器中，获取与该当前训练样本数据对应的结冰预测结果；
基于所述结冰预测结果，以及与该当前训练样本数据对应的实际结冰结果，训练所述第一类神经网络层、第二类神经网络层、第三类神经网络层以及所述分类器。
进一步的，如图6所示，所述第二确定模块430包括：
第一提取单元431，用于将所述监测特征向量序列输入至结冰故障预测模型中的第一类神经网络层，以提取出与所述监测特征向量序列对应的第一类特征向量。
第一获取单元432，用于将第一提取单元431提取的第一类特征向量以及获取的第一预设中间权值向量输入至结冰故障预测模型中的第二类神经网络层中，获取与所述监测特征向量序列对应的第二类特征向量，并获取与所述监测特征向量序列对应的第一中间权值向量。
第二获取单元433，用于将第一获取单元432获取的第二类特征向量和获取的第二预设中间权值向量输入至结冰故障预测模型中的第三类神经网络层中，获取与所述监测特征向量序列对应的第三类特征向量，并获取与所述监测特征向量序列对应的第二中间权值向量。
第三获取单元434，用于将第二获取单元433获取的第三类特征向量输入至分类器中，获取与所述监测特征向量对应的所述风机叶片的结冰预测结果。
本申请实施例提供的风机叶片的结冰监测装置，基于待监测风机的运行监测数据，确定所述待监测风机在多个历史监测时刻下，在运行监测特征下的第一类特征值和物理机理特征下的第二类特征值，以及与所述待监测风机的风机叶片在各维度监测特征变量对应的叶片统计特征下的第三类特征值和各维度监测特征变量对应的叶片差分特征下的第四类特征值基于各个所述历史监测时刻分别对应的所述第一类特征值、所述第二类特征值、所述第三类特征值以及所述第四类特征值，生成所述风机叶片的监测特征向量序列；将所述监测特征向量序列输入到训练好的结冰故障预测模型中，确定出所述风机叶片在多个未来时刻的结冰预测结果。
这样，将根据监测风机的运行监测数据的多个历史监测时刻下的第一类特征值、第二类特征值、第三类特征值和第四类特征值生成的风机叶片的监测特征向量序列输入到预先训练好的结冰故障预测模型中，根据结冰故障预测模型的输出结果，得到未来多个时刻所述风机的结冰与否的预测信息。可以有效的预测出风机叶片的结冰情况，预测结果的准确性和可靠性高，有助于预先了解风机叶片的状态，及时进行除冰等维护工作，有效降低风机叶片结冰损坏的概率，有利于提高风机叶片的使用寿命和工作效率。
请参阅图7，图7为本申请实施例所提供的一种电子设备的结构示意图。如图7中所示，所述电子设备700包括处理器710、存储器720和总线730。
所述存储器720存储有所述处理器710可执行的机器可读指令，当电子设备700运行时，所述处理器710与所述存储器720之间通过总线730通信，所述机器可读指令被所述处理器710执行时，可以执行如上述图2以及图3所示方法实施例中的风机叶片的结冰监测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图2以及图3所示方法实施例中的风机叶片的结冰监测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
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***、装置和单元的具体工作过程，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***、装置和方法，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，所述单元的划分，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，多个单元或组件可以结合或者可以集成到另一个***，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权利要求的保护范围为准。

Claims (12)

1.一种风机叶片的结冰监测方法，其特征在于，所述结冰监测方法包括：
基于待监测风机的运行监测数据，确定所述待监测风机在多个历史监测时刻下，在运行监测特征下的第一类特征值和物理机理特征下的第二类特征值，以及与所述待监测风机的风机叶片在各维度监测特征变量对应的叶片统计特征下的第三类特征值和各维度监测特征变量对应的叶片差分特征下的第四类特征值，其中，所述物理机理特征至少包括风机的扭矩、风速功率比以及风机机舱温度和外界温度的温度差值，风机叶片的特征变量至少包括风机中每个叶片的角度、转速和半径；
基于各个所述历史监测时刻分别对应的所述第一类特征值、所述第二类特征值、所述第三类特征值以及所述第四类特征值，生成所述风机叶片的监测特征向量序列，其中，所述监测特征向量序列中包括与各个所述历史监测时刻分别对应的监测特征向量；
将所述监测特征向量序列输入到训练好的结冰故障预测模型中，确定出所述风机叶片在多个未来时刻的结冰预测结果。
2.如权利要求1所述的结冰监测方法，其特征在于，所述将所述监测特征向量输入到训练好的结冰故障预测模型中，确定出所述风机叶片的结冰预测结果，包括：
将所述监测特征向量序列输入至结冰故障预测模型中的第一类神经网络层，以提取出与所述监测特征向量序列对应的第一类特征向量；
将所述第一类特征向量以及获取的第一预设中间权值向量输入至结冰故障预测模型中的第二类神经网络层中，获取与所述监测特征向量序列对应的第二类特征向量，并获取与所述监测特征向量序列对应的第一中间权值向量；
将所述第二类特征向量和获取的第二预设中间权值向量输入至结冰故障预测模型中的第三类神经网络层中，获取与所述监测特征向量序列对应的第三类特征向量，并获取与所述监测特征向量序列对应的第二中间权值向量；
将所述第三类特征向量输入至分类器中，获取与所述监测特征向量对应的所述风机叶片的结冰预测结果。
3.如权利要求2所述的结冰监测方法，其特征在于，所述第一预设中间权值向量为预设的中间权值向量；或者
所述第一预设中间权值向量为本次通过所述运行监测数据对所述风机叶片进行结冰预测之前的上一次预测时，所述第二类神经网络层对该上一次预测时的运行监测数据进行处理得到的第一中间权值向量。
4.如权利要求2所述的结冰监测方法，其特征在于，所述第二预设中间权值向量为预设的中间权值向量；或者
所述第二预设中间权值向量为本次通过所述运行监测数据对所述风机叶片进行结冰预测之前的上一次预测时，所述第三类神经网络层对该上一次预测时的运行监测数据进行处理得到的第二中间权值向量。
5.如权利要求1所述的结冰监测方法，其特征在于，采用下述方式训练所述结冰故障预测模型：
获取待监测风机在多个监测时刻的监测数据，对所述监测数据进行滑动采样，形成多个训练样本数据，其中，每个训练样本数据中均包括多个监测时刻分别对应的监测数据；
确定每个训练样本数据对应的训练样本特征向量序列，以及每个训练样本数据对应的风机叶片的实际结冰结果；
基于每个训练样本数据的训练样本特征向量序列和每个训练样本数据对应的风机叶片的实际结冰结果，训练所述结冰故障预测模型。
6.如权利要求5所述的结冰监测方法，其特征在于，所述基于每个训练样本数据的训练样本特征向量和每个训练样本数据对应的风机叶片的实际结冰结果，训练所述结冰故障预测模型，包括：
按照每个训练样本数据对应的滑动采样顺序，依次将每个训练样本数据作为当前训练样本数据，将该当前训练样本数据对应的训练样本特征向量序列输入待训练的结冰故障预测模型的第一类神经网络层中，提取与该当前训练样本数据对应的第一类样本特征向量；
将所述第一类样本特征向量以及与该当前训练样本数据最接近的前一训练样本数据对应的第一中间权值向量，输入至待训练的结冰故障预测模型的第二类神经网络层中，获取与该当前训练样本数据对应的第二类样本特征向量，并获取与该当前训练样本数据对应的第一中间权值向量；
将所述第二类样本特征向量以及与该当前训练样本数据最接近的前一训练样本数据对应的第二中间权值向量，输入至待训练的结冰故障预测模型的第三类神经网络层中，获取与该当前训练样本数据对应的第三类样本特征向量，并获取与该当前训练样本数据对应的第二中间权值向量；
将该当前训练样本数据对应的第三类特征向量输入至分类器中，获取与该当前训练样本数据对应的结冰预测结果；
基于所述结冰预测结果，以及与该当前训练样本数据对应的实际结冰结果，训练所述第一类神经网络层、第二类神经网络层、第三类神经网络层以及所述分类器。
7.一种风机叶片的结冰监测装置，其特征在于，所述监测装置包括：
第一确定模块，用于基于待监测风机的运行监测数据，确定所述待监测风机在多个历史监测时刻下，在运行监测特征下的第一类特征值和物理机理特征下的第二类特征值，以及与所述待监测风机的风机叶片在各维度监测特征变量对应的叶片统计特征下的第三类特征值和各维度监测特征变量对应的叶片差分特征下的第四类特征值，其中，所述物理机理特征至少包括风机的扭矩、风速功率比以及风机机舱温度和外界温度的温度差值，风机叶片的特征变量至少包括风机中每个叶片的角度、转速和半径；
生成模块，用于基于各个第一确定模块确定的历史监测时刻分别对应的所述第一类特征值、所述第二类特征值、所述第三类特征值以及所述第四类特征值，生成所述风机叶片的监测特征向量序列，其中，所述监测特征向量序列中包括与各个所述历史监测时刻分别对应的监测特征向量；
第二确定模块，用于将生成模块生成的监测特征向量序列输入到训练好的结冰故障预测模型中，确定出所述风机叶片在多个未来时刻的结冰预测结果。
8.如权利要求7所述的结冰监测装置，其特征在于，所述第二确定模块，包括：
第一提取单元，用于将所述监测特征向量序列输入至结冰故障预测模型中的第一类神经网络层，以提取出与所述监测特征向量序列对应的第一类特征向量；
第一获取单元，用于将第一提取单元提取的第一类特征向量以及获取的第一预设中间权值向量输入至结冰故障预测模型中的第二类神经网络层中，获取与所述监测特征向量序列对应的第二类特征向量，并获取与所述监测特征向量序列对应的第一中间权值向量；
第二获取单元，用于将第一获取单元获取的第二类特征向量和获取的第二预设中间权值向量输入至结冰故障预测模型中的第三类神经网络层中，获取与所述监测特征向量序列对应的第三类特征向量，并获取与所述监测特征向量序列对应的第二中间权值向量；
第三获取单元，用于将第二获取单元获取的第三类特征向量输入至分类器中，获取与所述监测特征向量对应的所述风机叶片的结冰预测结果。
9.如权利要求7所述的结冰监测装置，其特征在于，所述结冰监测装置还包括模型训练模块，所述模型训练模块用于通过以下方式训练结冰故障预测模型：
获取待监测风机在多个监测时刻的监测数据，对所述监测数据进行滑动采样，形成多个训练样本数据，其中，每个训练样本数据中均包括多个监测时刻分别对应的监测数据；
确定每个训练样本数据对应的训练样本特征向量序列，以及每个训练样本数据对应的风机叶片的实际结冰结果；
基于每个训练样本数据的训练样本特征向量序列和每个训练样本数据对应的风机叶片的实际结冰结果，训练所述结冰故障预测模型。
10.根据权利要求9所述的结冰监测装置，其特征在于，在所述模型训练模块训练结冰故障预测模型的过程中，所述模型训练模块还用于：
按照每个训练样本数据对应的滑动采样顺序，依次将每个训练样本数据作为当前训练样本数据，将该当前训练样本数据对应的训练样本特征向量序列输入待训练的结冰故障预测模型的第一类神经网络层中，提取与该当前训练样本数据对应的第一类样本特征向量；
将所述第一类样本特征向量以及与该当前训练样本数据最接近的前一训练样本数据对应的第一中间权值向量，输入至待训练的结冰故障预测模型的第二类神经网络层中，获取与该当前训练样本数据对应的第二类样本特征向量，并获取与该当前训练样本数据对应的第一中间权值向量；
将所述第二类样本特征向量以及与该当前训练样本数据最接近的前一训练样本数据对应的第二中间权值向量，输入至待训练的结冰故障预测模型的第三类神经网络层中，获取与该当前训练样本数据对应的第三类样本特征向量，并获取与该当前训练样本数据对应的第二中间权值向量；
将该当前训练样本数据对应的第三类特征向量输入至分类器中，获取与该当前训练样本数据对应的结冰预测结果；
基于所述结冰预测结果，以及与该当前训练样本数据对应的实际结冰结果，训练所述第一类神经网络层、第二类神经网络层、第三类神经网络层以及所述分类器。
11.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至6中任一项所述的风机叶片的结冰监测方法的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至6中任一项所述的风机叶片的结冰监测方法的步骤。
CN201910750771.5A 2019-08-14 2019-08-14 一种风机叶片的结冰监测方法、其装置及可读存储介质 Active CN110472684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910750771.5A CN110472684B (zh) 2019-08-14 2019-08-14 一种风机叶片的结冰监测方法、其装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910750771.5A CN110472684B (zh) 2019-08-14 2019-08-14 一种风机叶片的结冰监测方法、其装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN110472684A CN110472684A (zh) 2019-11-19
CN110472684B true CN110472684B (zh) 2022-02-08

Family

ID=68510799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910750771.5A Active CN110472684B (zh) 2019-08-14 2019-08-14 一种风机叶片的结冰监测方法、其装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN110472684B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111337244B (zh) * 2020-03-13 2022-04-01 华风数据(深圳)有限公司 一种风机齿轮箱输入轴故障监测和诊断的方法及装置
CN113822344B (zh) * 2021-08-30 2024-05-31 龙源(北京)新能源工程技术有限公司 基于数据驱动的风电机组发电机前轴承状态监测方法
CN114757395B (zh) * 2022-03-22 2023-06-16 欧亚高科数字技术有限公司 一种基于智能物联网的危房监测方法
CN116184930B (zh) * 2023-03-22 2023-07-21 中科航迈数控软件(深圳)有限公司 数控机床故障预测方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106841846A (zh) * 2016-12-19 2017-06-13 广东电网有限责任公司电力调度控制中心 一种变压器状态分析与故障诊断方法及***
CN107608937A (zh) * 2017-09-11 2018-01-19 浙江大学 一种基于云计算平台的机器学习风机状态监测方法及装置
CN109522627A (zh) * 2018-11-01 2019-03-26 西安电子科技大学 基于scada数据的风机叶片结冰预测方法
CN109751206A (zh) * 2019-02-25 2019-05-14 宜通世纪物联网研究院(广州)有限公司 风机叶片结冰故障预测方法、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10418811B2 (en) * 2017-09-12 2019-09-17 Sas Institute Inc. Electric power grid supply and load prediction using cleansed time series data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106841846A (zh) * 2016-12-19 2017-06-13 广东电网有限责任公司电力调度控制中心 一种变压器状态分析与故障诊断方法及***
CN107608937A (zh) * 2017-09-11 2018-01-19 浙江大学 一种基于云计算平台的机器学习风机状态监测方法及装置
CN109522627A (zh) * 2018-11-01 2019-03-26 西安电子科技大学 基于scada数据的风机叶片结冰预测方法
CN109751206A (zh) * 2019-02-25 2019-05-14 宜通世纪物联网研究院(广州)有限公司 风机叶片结冰故障预测方法、装置及存储介质

Also Published As

Publication number Publication date
CN110472684A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
CN110472684B (zh) 一种风机叶片的结冰监测方法、其装置及可读存储介质
Xiang et al. Fault detection of wind turbine based on SCADA data analysis using CNN and LSTM with attention mechanism
CN109026563B (zh) 一种基于特征选择和XGBoost的风机叶片结冰预测方法
US8155820B2 (en) Method, apparatus and computer program product for predicting and avoiding a fault
US6408259B1 (en) Alert generation for trend performance analysis
CN111144499A (zh) 基于深度神经网络的风机叶片早期结冰故障检测方法
CN111582392B (zh) 一种风电机组关键部件多工况健康状态在线监测方法
CN106870298B (zh) 基于机器学习的叶根螺栓断裂故障检测方法
CN110298485A (zh) 基于改进深度随机森林算法的变桨***故障预测方法
CN110469461B (zh) 一种风机齿带的断裂预估方法、其装置及可读存储介质
CN112733283A (zh) 一种风电机组部件故障预测方法
CN111538311B (zh) 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置
CN112734131B (zh) 一种基于深度学习算法的风机叶片覆冰状态预测方法
WO2022048228A1 (zh) 风电机组的载荷控制方法和装置
CN116186578A (zh) 风电机组故障辨识方法、装置及终端设备
CN115859148A (zh) 风机叶片振动报警方法及装置
Chen et al. Prediction of icing fault of wind turbine blades based on deep learning
CN110674991A (zh) 一种基于ocsvm的火电厂一次风机异常检测方法
CN114060228A (zh) 风力发电机组扭矩异常跳变的检测方法、装置及控制器
CN110985315A (zh) 一种检测风机叶片结冰的早期预测方法
CN116244581A (zh) 一种基于人工智能平台的风电叶片故障预警方法及***
CN116677570A (zh) 基于海上风电机组机舱温度监测的故障预警方法及***
CN111652393A (zh) 基于大数据技术的电力设备异常预警方法
CN115929569A (zh) 一种风电机组变桨***故障诊断方法
CN114753980A (zh) 一种风机叶片结冰监测方法及***

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 303-309, No.3, Pazhou Avenue East Road, Haizhu District, Guangzhou City, Guangdong Province 510000

Applicant after: Shugen Internet Co.,Ltd.

Applicant after: SHANGHAI ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant after: JIANSU ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant after: GUANGZHOU ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant after: BEIJING ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant after: CHANGSHA ROOTCLOUD TECHNOLOGY Co.,Ltd.

Address before: 100094 No. six, No. 5, 5 East Tower, 10 northwestern Wang Dong Road, Haidian District, Beijing.

Applicant before: IROOTECH TECHNOLOGY Co.,Ltd.

Applicant before: SHANGHAI ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant before: JIANSU ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant before: GUANGZHOU ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant before: BEIJING ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant before: CHANGSHA ROOTCLOUD TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210519

Address after: Room 303-309, 3 Pazhou Avenue East Road, Haizhu District, Guangzhou, Guangdong 510000

Applicant after: Shugen Internet Co.,Ltd.

Applicant after: SHANGHAI ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant after: JIANSU ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant after: BEIJING ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant after: CHANGSHA ROOTCLOUD TECHNOLOGY Co.,Ltd.

Address before: Room 303-309, 3 Pazhou Avenue East Road, Haizhu District, Guangzhou, Guangdong 510000

Applicant before: Shugen Internet Co.,Ltd.

Applicant before: SHANGHAI ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant before: JIANSU ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant before: GUANGZHOU ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant before: BEIJING ROOTCLOUD TECHNOLOGY Co.,Ltd.

Applicant before: CHANGSHA ROOTCLOUD TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant