CN115906437A - 一种风机状态确定方法、装置、设备和存储介质 - Google Patents

Abstract

本发明公开了一种风机状态确定方法、装置、设备和存储介质。该方法包括：获取待评价风机的特征数据集合，其中，所述待评价风机的特征数据集合包括：风机数据、锅炉数据以及发电机组数据；根据评价指标对所述待评价风机的特征数据集合进行筛选，得到目标特征数据集合；根据所述目标特征数据集合确定所述待评价风机的状态信息。本发明实施例通过在确定风机运行状态对风机进行健康度评价时，考虑了风机和锅炉以及发电机组的关联性，获取到的特征数据更加全面，确定了合理的评价指标，使得对风机状态的确定更加准确有效，有利于保障风机安全可靠运行。

Description

一种风机状态确定方法、装置、设备和存储介质

技术领域

本发明涉及发电设备技术领域，尤其涉及一种风机状态确定方法、装置、设备和存储介质。

背景技术

火电厂的三大风机包括送风机、一次风机和引风机。其中一次风机和送风机主要为锅炉提供燃烧所需的包含煤粉的一次风量、二次风的风量和风温，保证炉膛的稳定燃烧；引风机是将锅炉的烟气抽出，维持锅炉负压的作用。风机作为火电厂的重要辅机，其运行状态与发电机组的安全性和经济性息息相关，严重的故障会导致发电机组的非计划停机，但是风机受关注程度仍然较低。

目前国内外学者大多基于解析模型、专家***和数据驱动的方法对风机设备作了一些状态评价方面的研究，但是这些研究主要集中于风机的振动状态与故障方面，而没有对风机的健康状态进行实时评价，并且缺少与发电机组和锅炉状态的耦合性评价。当前在风机运行过程中主要是根据风机的部分运行参数的固定阈值报警来发现问题，用户根据经验进行分析诊断，提出处理方案。

但是，电站风机的实际运行状态是跟随发电机组的运行调度而变化的，而传统的健康状态固定阈值监测方法无法用于风机在不同工况下的健康状态评价。同时，传统的阈值方法多用于区分风机健康状态的正常与异常，没有开展风机内在健康度的量化分析，容易造成误判，无法准确有效地实现通风机运行状态的健康度定量评价。对电站风机的健康状态评价主要有以下几个难点：风机类型多，结构复杂，运行工况恶劣，状态繁多；风机各运行参数之间关系复杂，具有较强的非线性关系；风机的各类测点数量有限，运行数据不全面，没有比较全面的健康度评价方法；尚未建立风机故障的分析诊断模型，用于故障的快速定位和原因分析，并提供可行的处理方案。因此，提出一种准确有效的基于电站通风机运行状态的健康度定量评价方法有利于保障风机的安全可靠运行。

发明内容

本发明提供了一种风机状态确定方法、装置、设备和存储介质，以实现更加准确有效地确定风机的状态，保障风机安全可靠运行。

根据本发明的一方面，提供了一种风机状态确定方法，该方法包括：

获取待评价风机的特征数据集合，其中，所述待评价风机的特征数据集合包括：风机数据、锅炉数据以及发电机组数据；

根据评价指标对所述待评价风机的特征数据集合进行筛选，得到目标特征数据集合；

根据所述目标特征数据集合确定所述待评价风机的状态信息。

根据本发明的另一方面，提供了一种风机状态确定装置，该装置包括：

第一获取模块，用于获取待评价风机的特征数据集合，其中，所述待评价风机的特征数据集合包括：风机数据、锅炉数据以及发电机组数据；

筛选模块，用于根据评价指标对所述待评价风机的特征数据集合进行筛选，得到目标特征数据集合；

确定模块，用于根据所述目标特征数据集合确定所述待评价风机的状态信息。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的风机状态确定方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的风机状态确定方法。

本发明实施例的技术方案，通过获取待评价风机的特征数据集合，其中，待评价风机的特征数据集合包括：风机数据、锅炉数据以及发电机组数据，根据评价指标对待评价风机的特征数据集合进行筛选，得到目标特征数据集合，根据目标特征数据集合确定待评价风机的状态信息，解决了现有技术中缺少风机与发电机组和锅炉状态的耦合性评价的问题，考虑了风机和锅炉以及发电机组的关联性，获取到的特征数据更加全面，使得对风机状态的确定更加准确有效，取得了有利于保障风机安全可靠运行的有益效果。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限值本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1是根据本发明实施例一提供的一种风机状态确定方法的流程图；

图2是根据本发明实施例二提供的一种风机状态确定装置的结构示意图；

图3是实现本发明实施例的风机状态确定方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是根据本发明实施例一提供的一种风机状态确定方法的流程图，本实施例可适用于风机状态确定情况，该方法可以由风机状态确定装置来执行，该风机状态确定装置可以采用硬件和/或软件的形式实现，该风机状态确定装置可集成在任何提供风机状态确定功能的电子设备中。如图1所示，该方法包括：

S101、获取待评价风机的特征数据集合。

在本实施例中，待评价风机可以是火电厂的三大风机的总称。火电厂的三大风机包括送风机、一次风机和引风机，其中一次风机和送风机主要为锅炉提供燃烧所需的包含煤粉的一次风量、二次风的风量和风温，保证炉膛的稳定燃烧；引风机将锅炉的烟气抽出，起到维持锅炉负压的作用。具体的，风机可以由风机部件、电机部件、油***部件以及变频器部件等部件组成。

需要说明的是，待评价风机的特征数据集合可以是由实时采集到的待评价风机的特征数据、与待评价风机相关联的锅炉的特征数据以及与待评价风机相关联的发电机组的特征数据组成的特征数据集合。

其中，待评价风机的特征数据集合包括：风机数据、锅炉数据以及发电机组数据。

在本实施例中，风机数据可以包括送风机、一次风机和引风机的特征数据。示例性的，送风机的特征数据可以包括：二次风量、风压、风温和风门挡板开度等数据；一次风机的特征数据可以包括：一次风量、风压、风温和风门挡板开度等数据；引风机的特征数据可以包括：烟气流量、风压、风温和风门挡板开度等数据。在本实施例中，风机数据还包括单台风机各部件运行状态的在线数据、点巡检数据和智能预警数据特征数据。示例性的，风机数据可以包括：风机部件的特征数据、电机部件的特征数据、油***部件的特征数据以及变频器部件的特征数据等特征数据。具体的，风机部件的特征数据可以包括：动叶角度、入口压力、入口风温、出口压力、出口风温、轴承温度、油温和轴承振动等数据；电机部件的特征数据可以包括：电流、定子绕组温度、轴承温度和轴承振动等数据；油***部件的特征数据可以包括：油温、润滑油泵油压、调节油泵油压、油箱油位和油箱油温等数据；变频装置部件的特征数据可以包括：电流、电压、频率、转速和温度等数据。

在本实施例中，锅炉数据可以是与待评价风机相关联的锅炉的特征数据。示例性的，锅炉数据可以是锅炉的蒸发量、总燃料量、主汽流量和总烟风量等数据。发电机组数据可以是与待评价风机相关联的发电机组的特征数据。示例性的，发电机组数据可以是发电机组的实发功率等数据。

具体的，通过数据接口实时采集SIS(Supervisory Information System，厂级监控信息***)***和PMS(Power production Management System，工程生产管理***)***数据的方式，获取待评价风机的特征数据集合，其中，待评价风机的特征数据集合包括风机数据、锅炉数据以及发电机组数据。

S102、根据评价指标对待评价风机的特征数据集合进行筛选，得到目标特征数据集合。

需要解释的是，评价指标可以是通过一定规则选择的用于表征风机健康度的特征数据。评价指标例如可以是风机的振动、轴承温度、油压、电机定子绕组温度、风机流量、压力和效率等特征数据。

在本实施例中，筛选操作可以是将待评价风机的特征数据集合中属于评价指标的特征数据保留，将不属于评价指标的特征数据去除。在实际操作过程中，获取到的待评价风机的特征数据集合中的一些特征数据从特征维度上可能超出了本发明实施例关注的特征数据，从样本数量维度上也可能超出了本发明实施例关注的风机正常运行状态，因此需对这些特征数据进行筛选操作。

其中，目标特征数据集合可以是将待评价风机的特征数据集合中属于评价指标的特征数据保留，将不属于评价指标的特征数据去除后得到的待评价风机的特征数据集合。

具体的，根据评价指标对待评价风机的特征数据集合进行筛选，例如可以是将待评价风机的特征数据集合中属于评价指标的特征数据保留，将不属于评价指标的特征数据去除，得到目标特征数据集合。

S103、根据目标特征数据集合确定待评价风机的状态信息。

需要说明的是，待评价风机的状态信息可以是待评价风机的健康状态信息，待评价风机的状态信息例如可以是待评价风机正常运行，也可以是待评价风机出现异常，若待评价风机出现异常则是待评价风机的具体哪个部件出现了异常等。

具体的，将目标特征数据集合中的特征数据按照一定规则进行计算，确定待评价风机的状态信息。在实际操作过程中，可以根据待评价风机的状态信息对待评价风机的健康度进行评价。

本发明实施例的技术方案，通过获取待评价风机的特征数据集合，其中，待评价风机的特征数据集合包括：风机数据、锅炉数据以及发电机组数据，根据评价指标对待评价风机的特征数据集合进行筛选，得到目标特征数据集合，根据目标特征数据集合确定待评价风机的状态信息，解决了现有技术中缺少风机与发电机组和锅炉状态的耦合性评价的问题，考虑了风机和锅炉以及发电机组的关联性，获取到的特征数据更加全面，使得对风机状态的确定更加准确有效，取得了有利于保障风机安全可靠运行的有益效果。

可选的，在根据评价指标对待评价风机的特征数据集合进行筛选，得到目标特征数据集合之前，还包括：

对历史风机特征数据集合进行聚类分析，得到至少一个风机运行工况对应的第一特征数据集合。

在本实施例中，历史风机特征数据集合可以是采集到的风机的历史特征数据、与风机相关联的锅炉的历史特征数据以及与风机相关联的发电机组的历史特征数据组成的特征数据集合。其中，历史风机的特征数据集合可以包括：历史风机数据、历史锅炉数据以及历史发电机组数据。

需要说明的是，聚类分析可以是将历史风机特征数据集合中的特征数据聚类为至少一个不同种类的风机运行工况对应的特征数据集合。其中，风机运行工况可以是风机在运行时所处的工况，例如可以是风机运行工况一、风机运行工况二、风机运行工况三或者风机运行工况四，不同的风机运行运行工况对应的特征参数或者特征参数的值可以是不同的。

其中，第一特征数据集合可以是不同的风机运行工况对应的特征数据组成的集合。示例性的，风机运行工况一可以对应第一特征数据集合A，风机运行工况二可以对应第一特征数据集合B，风机运行工况三可以对应第一特征数据集合C，风机运行工况四可以对应第一特征数据集合D。

在实现过程中，可以从DCS(Distributed Control System，分布式控制***)***、SIS***、PMS***及其他监测***筛选采集风机、与风机相关联的锅炉以及与风机相关联的发电机组的历史运行数据和点巡检数据，组成历史风机特征数据集合。历史风机特征数据集合中的一些特征数据从特征维度上可能超出了本发明实施例关注的特征数据，从样本数量维度上也可能超出了本发明实施例关注的风机正常运行状态，例如故障数据、噪声数据和停机数据等。因此需要对历史风机特征数据集合中的特征数据进行清洗，例如风机部件状态、运行模式和报警信号等开关量信息，这类特征数据主要用于判断风机及其部件的控制逻辑，对于风机的状态信息确定来说，这些离散型开关量数据不仅会导致特征数据的过度冗余，还会降低计算的准确度，因此数据清洗的第一步是剔除这些开关量数据。另外，对于一些测点故障引起的测量值缺失或超限数据，这些数据已经失去价值，对于这类测点也可以直接剔除其特征数据。

在实现过程中，对历史风机特征数据集合中的特征数据进行清洗后的特征数据较多且特征数据的量纲不统一，为了降低特征数据数值大小和量纲对风机的状态信息确定的影响，对所有特征数据进行归一化处理，归一化处理过程的具体公式如下：

其中，

表示每个对历史风机特征数据集合中的特征数据进行清洗后的特征数据进行归一化处理后的特征数据的数值，其值在0～1之间；x表示每个对历史风机特征数据集合中的特征数据进行清洗后的特征数据的原始数值；

表示对历史风机特征数据集合中的特征数据进行清洗后的特征数据的平均值；σ表示对历史风机特征数据集合中的特征数据进行清洗后的特征数据的标准差。

在实现过程中，对历史风机特征数据集合中的特征数据进行清洗后的特征数据进行归一化处理后，采用密度聚类算法对这些特征数据进行聚类分析。依据历史发电机组数据和历史风机数据分布的紧密程度，使用相邻区域内特征数据的数量作为发电机组和风机相关联的工况连通标准，并基于此连通性不断扩展发电机组与风机的关联工况聚类簇，最终形成基于发电机组特征数据的风机运行工况聚类结构。根据数据聚类分析的结果，识别并定义发电机组运行工况的种类，用于后续自动判别风机运行时所处的工况，得到至少一个风机运行工况对应的第一特征数据集合。

获取每个风机运行工况对应的第一特征数据集合中的风机部件的历史特征数据与历史锅炉数据的相关强度值、风机部件的历史特征数据与历史发电机组数据的相关强度值以及风机部件的历史特征数据与其他风机部件的历史特征数据的相关强度值。

其中，风机部件的历史特征数据可以是风机的组成部件的历史特征数据，历史锅炉数据可以是与风机相关联的锅炉的历史特征数据，历史发电机组数据可以是与风机相关联的发电机组的历史特征数据，其他风机部件的历史特征数据可以是风机的其他组成部件的历史特征数据。

需要解释的是，相关强度值可以是两个特征数据之间呈现正相关或者负相关的强度的值。示例性的，特征数据A升高时特征数据B也相应升高则特征数据A和特征数据B呈现正相关，若两个特征数据升高的幅度也相同，则特征数据A和特征数据B的相关强度值可以是1。

具体的，针对每个风机运行工况对应的第一特征数据集合中的风机部件的历史特征数据，采用皮尔逊相关系数法计算其与历史锅炉数据的相关强度值、其与历史发电机组数据的相关强度值以及其与其他风机部件的历史特征数据的相关强度值。

根据特征数据集合中的风机部件的历史特征数据与历史锅炉数据的相关强度值、风机部件的历史特征数据与历史发电机组数据的相关强度值以及风机部件的历史特征数据与其他风机部件的历史特征数据的相关强度值确定评价指标。

具体的，根据特征数据集合中的风机部件的历史特征数据与历史锅炉数据的相关强度值、与历史发电机组数据的相关强度值以及与其他风机部件的历史特征数据的皮尔逊相关系数的绝对值分别进行求平均值，构成特征数据集合中的风机部件的历史特征数据相对于历史锅炉数据的相关强度值、相对于历史发电机组数据的相关强度值以及相对于其他风机部件的历史特征数据的权重，根据特征数据集合中的风机部件的历史特征数据相对于历史锅炉数据的相关强度值、相对于历史发电机组数据的相关强度值以及相对于其他风机部件的历史特征数据的权重确定评价指标。

可选的，根据特征数据集合中的风机部件的历史特征数据与历史锅炉数据的相关强度值、风机部件的历史特征数据与历史发电机组数据的相关强度值以及风机部件的历史特征数据与其他风机部件的历史特征数据的相关强度值确定评价指标，包括：

根据特征数据集合中的风机部件的历史特征数据与历史锅炉数据的相关强度值、风机部件的历史特征数据与历史发电机组数据的相关强度值以及风机部件的历史特征数据与其他风机部件的历史特征数据的相关强度值确定特征数据集合中的风机部件的历史特征数据相对于历史锅炉数据的权重、风机部件的历史特征数据相对于历史发电机组数据的权重以及风机部件的历史特征数据相对于其他风机部件的历史特征数据的权重。

具体的，特征数据集合中的风机部件的历史特征数据相对于历史锅炉数据的权重的计算公式如下：

其中，r₁(x)表示特征数据集合中的风机部件的历史特征数据相对于历史锅炉数据的权重，x表示每个对历史风机特征数据集合中的特征数据进行清洗后的特征数据的原始数值，a_i1表示第i1个历史锅炉数据的数值，其中，i1＝1,2,…,l，其中，l表示历史锅炉数据的总个数，

表示特征数据集合中的风机部件的历史特征数据与历史锅炉数据的相关强度值。

风机部件的历史特征数据相对于历史发电机组数据的权重的计算公式如下：

其中，r₂(x)表示特征数据集合中的风机部件的历史特征数据相对于历史发电机组数据的权重，x表示每个对历史风机特征数据集合中的特征数据进行清洗后的特征数据的原始数值，b_i2表示第i2个历史发电机组数据的数值，其中，i2＝1,2,…,m，其中，m表示历史锅炉数据的总个数，r_x,bi2表示特征数据集合中的风机部件的历史特征数据与历史发电机组数据的相关强度值。

风机部件的历史特征数据相对于其他风机部件的历史特征数据的权重的计算公式如下：

其中，r₃(x)表示特征数据集合中的风机部件的历史特征数据相对于其他风机部件的历史特征数据的权重，x表示每个对历史风机特征数据集合中的特征数据进行清洗后的特征数据的原始数值，c_i3表示第i3个其他风机部件的历史特征数据的数值，其中，i3＝1,2,…,n，其中，n表示其他风机部件的历史特征数据的总个数，

表示特征数据集合中的风机部件的历史特征数据与其他风机部件的历史特征数据的相关强度值。

根据预设权重阈值、特征数据集合中的风机部件的历史特征数据相对于历史锅炉数据的权重、风机部件的历史特征数据相对于历史发电机组数据的权重以及风机部件的历史特征数据相对于其他风机部件的历史特征数据的权重确定评价指标。

其中，预设权重阈值可以是由用户根据实际情况自行设置的特征数据集合中的风机部件的历史特征数据相对于历史锅炉数据的权重、风机部件的历史特征数据相对于历史发电机组数据的权重以及风机部件的历史特征数据相对于其他风机部件的历史特征数据的权重的值，本实施例对此不进行限定。优选的，预设权重阈值例如可以是0.45。

具体的，根据预设权重阈值、特征数据集合中的风机部件的历史特征数据相对于历史锅炉数据的权重、风机部件的历史特征数据相对于历史发电机组数据的权重以及风机部件的历史特征数据相对于其他风机部件的历史特征数据的权重来选择表征风机健康度的评价指标。将特征数据集合中的风机部件的历史特征数据相对于历史锅炉数据的权重、风机部件的历史特征数据相对于历史发电机组数据的权重以及风机部件的历史特征数据相对于其他风机部件的历史特征数据的权重大于预设权重阈值(例如可以是0.45)的特征数据分离出来，并去除冗余特征数据，构成风机的健康度评价指标。以引风机为例，经过权重计算和去冗余，将原有的35个健康度评价指标降维至18个，减少计算量。

可选的，根据目标特征数据集合确定待评价风机的状态信息，包括：

获取目标特征数据集合中限值类评价指标对应的特征数据。

在本实施例中，限值类评价指标可以包括振动、轴承温度、油压和电机定子绕组温度等风机健康度评价指标。具体的，限值类评价指标可以分为超上限报警型限值类评价指标和越下限报警型限值类评价指标。示例性的，振动和温度等评价指标属于超上限报警型限值类评价指标，油压等评价指标属于越下限报警型限值类评价指标。

具体的，若目标特征数据集合中存在限值类评价指标对应的特征数据，则获取目标特征数据集合中限值类评价指标对应的特征数据。

根据特征数据、预设风机状态阈值以及特征数据对应的风机状态阈值确定特征数据的限值类评价指标状态值。

其中，预设风机状态阈值可以是由用户根据实际情况自行设置的风机的状态信息分别为正常、注意、异常和严重四种状态时的分值数值，本实施例对此不进行限定。优选的，风机的状态信息可以分别设置为正常、注意、异常和严重四种状态，风机的状态信息可以用0～100分的分值进行表示，四种状态的取值范围分别可以为：正常[100，H_A)、注意[H_A，H_E)、异常[H_E,H_S)和严重[H_E,0]。

其中，特征数据对应的风机状态阈值可以是由用户根据行业标准或运行经验，从设备安全运行角度确定的评价指标分别在风机的状态信息为注意、异常和严重时的分值数值，本实施例对此不进行限定。

在本实施例中，特征数据的限值类评价指标状态值可以是目标特征数据集合中的特征数据为限值类评价指标时特征数据的状态值。

具体的，当目标特征数据集合中限值类评价指标对应的特征数据为超上限报警型限值类评价指标时，根据特征数据、预设风机状态阈值以及特征数据对应的风机状态阈值确定特征数据的限值类评价指标状态值的具体计算公式如下：

其中，H(x)表示当目标特征数据集合中限值类评价指标对应的特征数据为超上限报警型限值类评价指标时的特征数据的限值类评价指标状态值，x为目标特征数据集合中限值类评价指标对应的特征数据的实测值，H_A表示预设风机状态阈值中风机的状态信息为注意时的阈值，H_E表示预设风机状态阈值中风机的状态信息为异常时的阈值，H_S表示预设风机状态阈值中风机的状态信息为严重时的阈值，X_A表示特征数据对应的风机状态阈值中风机的状态信息为注意时的阈值，X_E表示特征数据对应的风机状态阈值中风机的状态信息为异常时的阈值，X_S表示特征数据对应的风机状态阈值中风机的状态信息为严重时的阈值。

当目标特征数据集合中限值类评价指标对应的特征数据为越下限报警型限值类评价指标时，根据特征数据、预设风机状态阈值以及特征数据对应的风机状态阈值确定特征数据的限值类评价指标状态值的具体计算公式如下：

其中，H′(x)表示当目标特征数据集合中限值类评价指标对应的特征数据为越下限报警型限值类评价指标时的特征数据的限值类评价指标状态值，x为目标特征数据集合中限值类评价指标对应的特征数据的实测值，H_A表示预设风机状态阈值中风机的状态信息为注意时的阈值，H_E表示预设风机状态阈值中风机的状态信息为异常时的阈值，H_S表示预设风机状态阈值中风机的状态信息为严重时的阈值，X′_A表示特征数据对应的风机状态阈值中风机的状态信息为注意时的阈值，X′_E表示特征数据对应的风机状态阈值中风机的状态信息为异常时的阈值，X′_S表示特征数据对应的风机状态阈值中风机的状态信息为严重时的阈值。

根据特征数据的限值类评价指标状态值确定待评价风机的状态信息。

具体的，获取目标特征数据集合中限值类评价指标对应的特征数据，计算特征数据的限值类评价指标状态值结果，确定待评价风机的状态信息。

可选的，根据目标特征数据集合确定待评价风机的状态信息，包括：

获取目标特征数据集合中性能类评价指标对应的特征数据。

在本实施例中，性能类评价指标可以包括风机流量、压力和效率等风机健康度评价指标。

具体的，若目标特征数据集合中存在性能类评价指标对应的特征数据，则获取目标特征数据集合中性能类评价指标对应的特征数据。

根据特征数据和特征数据对应的第一数值确定特征数据的第一偏差值。

需要解释的是，特征数据对应的第一数值可以是目标特征数据集合中性能类评价指标对应的特征数据的理论计算值。其中，特征数据对应的第一数值通过将特征数据输入目标模型得到。在本实施例中，目标模型可以是风机机理模型。

需要说明的是，特征数据的第一偏差值可以是性能类评价指标的特征数据的偏差值。

具体的，根据特征数据和特征数据对应的第一数值确定特征数据的第一偏差值的具体计算公式如下：

其中，δ表示特征数据的第一偏差值，x表示目标特征数据集合中性能类评价指标对应的特征数据的实测值，x_cal表示特征数据对应的第一数值，即目标特征数据集合中性能类评价指标对应的特征数据的理论计算值。

根据特征数据的第一偏差值、预设风机状态阈值以及特征数据对应的风机状态第一偏差阈值确定特征数据的性能类评价指标状态值。

其中，特征数据对应的风机状态第一偏差阈值可以是由用户根据风机机理模型，从运行性能角度确定的评价指标分别在风机的状态信息为注意、异常和严重时的分值数值，本实施例对此不进行限定。

在本实施例中，特征数据的性能类评价指标状态值可以是目标特征数据集合中的特征数据为性能类评价指标时特征数据的状态值。

具体的，根据特征数据的第一偏差值、预设风机状态阈值以及特征数据对应的风机状态第一偏差阈值确定特征数据的性能类评价指标状态值的具体计算公式如下：

其中，H_δ(x)表示特征数据的性能类评价指标状态值，δ表示特征数据的第一偏差值，H_A表示预设风机状态阈值中风机的状态信息为注意时的阈值，H_E表示预设风机状态阈值中风机的状态信息为异常时的阈值，H_S表示预设风机状态阈值中风机的状态信息为严重时的阈值，δ_A表示特征数据对应的风机状态第一偏差阈值中风机的状态信息为注意时的阈值，δ_E表示特征数据对应的风机状态第一偏差阈值中风机的状态信息为异常时的阈值，δ_S表示特征数据对应的风机状态第一偏差阈值中风机的状态信息为严重时的阈值。

根据特征数据的性能类评价指标状态值确定待评价风机的状态信息。

具体的，获取目标特征数据集合中性能类评价指标对应的特征数据，计算特征数据的性能类评价指标状态值结果，确定待评价风机的状态信息。

可选的，根据目标特征数据集合确定待评价风机的状态信息，包括：

获取目标特征数据集合中预警类评价指标对应的特征数据。

在本实施例中，预警类评价指标可以包括振动、轴承温度、油压、电机定子绕组温度、风机流量、压力和效率等风机健康度评价指标。

具体的，若目标特征数据集合中存在预警类评价指标对应的特征数据，则获取目标特征数据集合中预警类评价指标对应的特征数据。

根据特征数据和特征数据的对应第二数值确定特征数据的第二偏差值。

需要说明的是，特征数据对应的第二数值可以是目标特征数据集合中预警类评价指标对应的特征数据的状态预测值。

其中，特征数据对应的第二数值通过将特征数据输入目标神经网络模型得到。目标输入神经网络模型通过目标样本集迭代训练神经网络模型得到，目标样本集根据历史风机特征数据集合确定，目标样本集包括预警类评价指标对应的特征数据样本和特征数据样本对应的第二数值。

在本实施例中，目标神经网络模型可以是人工智能神经网络模型。

其中，特征数据的第二偏差值可以是预警类评价指标的特征数据的偏差值。

具体的，根据特征数据和特征数据的对应第二数值确定特征数据的第二偏差值的具体计算公式如下：

其中，Δ表示特征数据的第二偏差值，x表示目标特征数据集合中预警类评价指标对应的特征数据的实测值，x_pre表示特征数据对应的第二数值，即目标特征数据集合中预警类评价指标对应的特征数据的状态预测值。

根据特征数据的第二偏差值、预设风机状态阈值以及特征数据对应的风机状态第二偏差阈值确定特征数据的预警类评价指标状态值。

需要解释的是，特征数据对应的风机状态第二偏差阈值由用户根据数据驱动的人工智能算法，从安全可靠性角度确定的评价指标分别在风机的状态信息为注意、异常和严重时的分值数值，本实施例对此不进行限定。

在本实施例中，特征数据的预警类评价指标状态值可以是目标特征数据集合中的特征数据为预警类评价指标时特征数据的状态值。

具体的，根据特征数据的第二偏差值、预设风机状态阈值以及特征数据对应的风机状态第二偏差阈值确定特征数据的预警类评价指标状态值的具体计算公式如下：

其中，H_Δ(x)表示特征数据的预警类评价指标状态值，Δ表示特征数据的第二偏差值，H_A表示预设风机状态阈值中风机的状态信息为注意时的阈值，H_E表示预设风机状态阈值中风机的状态信息为异常时的阈值，H_S表示预设风机状态阈值中风机的状态信息为严重时的阈值，Δ_A表示特征数据对应的风机状态第二偏差阈值中风机的状态信息为注意时的阈值，Δ_E表示特征数据对应的风机状态第二偏差阈值中风机的状态信息为异常时的阈值，Δ_S表示特征数据对应的风机状态第二偏差阈值中风机的状态信息为严重时的阈值。

根据特征数据的预警类评价指标状态值确定待评价风机的状态信息。

具体的，获取目标特征数据集合中预警类评价指标对应的特征数据，计算特征数据的预警类评价指标状态值结果，确定待评价风机的状态信息。

可选的，通过目标样本集迭代训练神经网络模型，包括：

建立神经网络模型。

将目标样本集中的预警类评价指标对应的特征数据样本输入神经网络模型中得到特征数据样本对应的第二数值。

根据特征数据样本对应的第二数值和预警类评价指标对应的特征数据样本形成的目标函数训练神经网络模型的参数。

返回执行将目标样本集中的预警类评价指标对应的特征数据样本输入神经网络模型中得到特征数据样本对应的第二数值的操作，直至得到目标神经网络模型。

在实现过程中，在计算得到特征数据的限值类评价指标状态值、特征数据的性能类评价指标状态值以及特征数据的预警类评价指标状态值之后，根据限值类评价指标的权重、性能类评价指标的权重以及预警类评价指标的权重(在本实施例中，限值类评价指标的权重、性能类评价指标的权重以及预警类评价指标的权重均可以由用户根据实际情况进行设置，本实施例对此不进行限定)和特征数据的限值类评价指标状态值、特征数据的性能类评价指标状态值以及特征数据的预警类评价指标状态值构建风机的健康度评价模型。

可选的，健康度评价模型可以是某个限值类和预警类评价指标组合，或者某个性能类和预警类评价指标组合的健康度计算方法。具体的，健康度评价值的计算公式可以表示如下：

H_p(x)＝αH″(x)+(1-α)H_Δ(x)；

或：

H_p(x)＝βH_δ(x)+(1-β)H_Δ(x)；

其中，H_p(x)表示参数级健康度评价值，α表示限值类评价指标的权重，H″(x)表示特征数据的限值类评价指标状态值，其中，H″(x)包括超上限报警型限值类评价指标H(x)和越下限报警型限值类评价指标H′(x)，H_Δ(x)表示特征数据的预警类评价指标状态值，β表示性能类评价指标的权重，H_δ(x)表示特征数据的性能类评价指标状态值。

可选的，健康度评价模型可以是所有限值类、性能类和预警类评价指标组合基于权重的健康度计算方法。具体的，健康度评价值的计算公式可以表示如下：

其中，H_c表示部件级健康度评价值，r₁(x_i)表示限值类评价指标的权重，r₁(x_j)表示性能类评价指标的权重，r₁(x_k)表示预警类评价指标的权重；H″(x_i)表示特征数据的限值类评价指标状态值，其中，H″(x_i)包括超上限报警型限值类评价指标H(x)和越下限报警型限值类评价指标H′(x)；H_δ(x_j)表示特征数据的性能类评价指标状态值，H_Δ(x_k)表示特征数据的预警类评价指标状态值；i表示第i个限值类评价指标状态值，其中，i＝1,2,…,l1，其中，l1表示目标特征数据集合中限值类评价指标状态值的总个数；j表示第j个性能类评价指标状态值，其中，j＝1,2,…,l2，其中，l2表示目标特征数据集合中性能类评价指标状态值的总个数；k表示第k个预警类评价指标状态值，其中，k＝1,2,…,l3，其中，l3表示目标特征数据集合中预警类评价指标状态值的总个数。

在实际操作过程中，将风机的健康度评价模型部署到电厂，通过数据接口实时采集SIS***和PMS***的发电机组和锅炉总体参数、风机的各类状态在线参数、点巡检数据和预警数据，将这些数据输入根据实际情况选定的风机健康度评价模型，实时更新风机的健康度状态(正常、注意、异常或严重)，输出风机的健康度评价值及其趋势图，同时输出注意、异常或严重健康状态的扣分项内容等。其中扣分项的输出内容可以包括评价指标的名称、扣分规则、扣分值、健康状态和该评价指标的权重等。基于从电厂收集的风机故障案例和历史经验知识，结合风机的行业标准、设计、安装和运行规程，建立风机的故障知识库，通过健康度评价模型输出的扣分项可直接提取与风机异常相关的所有特征数据，将这些特征数据与风机故障知识库进行耦合，开展风机的故障诊断，分析故障原因，定位故障部件，给出检查方案和处理措施。

本发明实施例的技术方案，在待评价风机的状态信息确定中，综合考虑了风机的特征数据、锅炉的特征数据以及发电机组的特征数据，保证了获取数据的全面性；根据评价指标对待评价风机的特征数据集合进行了筛选，提取出了更为有效实用的特征数据，保证了待评价风机状态信息确定的合理性和准确性。通过确定电站风机运行状态的健康度，根据健康度值提前判断风机运行的健康状态及发展趋势，可实现风机故障的提前预警，避免故障的进一步扩大，对于保障风机的安全可靠运行，降低风机运维费用具有重要意义。通过提升风机的健康管理水平，可减少火电机组的非计划停机，降低火电厂的运维成本，保证电厂或电网运行的稳定性和安全性。

实施例二

图2是根据本发明实施例二提供的一种风机状态确定装置的结构示意图。如图2所示，该装置包括：第一获取模块201、筛选模块202和确定模块203。

其中，第一获取模块201，用于获取待评价风机的特征数据集合，其中，所述待评价风机的特征数据集合包括：风机数据、锅炉数据以及发电机组数据；

筛选模块202，用于根据评价指标对所述待评价风机的特征数据集合进行筛选，得到目标特征数据集合；

确定模块203，用于根据所述目标特征数据集合确定所述待评价风机的状态信息。

可选的，所述装置还包括：

聚类分析模块，用于在根据评价指标对所述待评价风机的特征数据集合进行筛选，得到目标特征数据集合之前，对历史风机特征数据集合进行聚类分析，得到至少一个风机运行工况对应的第一特征数据集合；

第二获取模块，用于在根据评价指标对所述待评价风机的特征数据集合进行筛选，得到目标特征数据集合之前，获取每个风机运行工况对应的第一特征数据集合中的风机部件的历史特征数据与历史锅炉数据的相关强度值、风机部件的历史特征数据与历史发电机组数据的相关强度值以及风机部件的历史特征数据与其他风机部件的历史特征数据的相关强度值；

第二确定模块，用于在根据评价指标对所述待评价风机的特征数据集合进行筛选，得到目标特征数据集合之前，根据特征数据集合中的风机部件的历史特征数据与历史锅炉数据的相关强度值、风机部件的历史特征数据与历史发电机组数据的相关强度值以及风机部件的历史特征数据与其他风机部件的历史特征数据的相关强度值确定评价指标。

可选的，所述第二确定模块包括：

第一确定单元，用于根据特征数据集合中的风机部件的历史特征数据与历史锅炉数据的相关强度值、风机部件的历史特征数据与历史发电机组数据的相关强度值以及风机部件的历史特征数据与其他风机部件的历史特征数据的相关强度值确定特征数据集合中的风机部件的历史特征数据相对于历史锅炉数据的权重、风机部件的历史特征数据相对于历史发电机组数据的权重以及风机部件的历史特征数据相对于其他风机部件的历史特征数据的权重；

第二确定单元，用于根据预设权重阈值、特征数据集合中的风机部件的历史特征数据相对于历史锅炉数据的权重、风机部件的历史特征数据相对于历史发电机组数据的权重以及风机部件的历史特征数据相对于其他风机部件的历史特征数据的权重确定评价指标。

可选的，所述确定模块203包括：

第一获取单元，用于获取所述目标特征数据集合中限值类评价指标对应的特征数据；

第三确定单元，用于根据所述特征数据、预设风机状态阈值以及所述特征数据对应的风机状态阈值确定所述特征数据的限值类评价指标状态值；

第四确定单元，用于根据所述特征数据的限值类评价指标状态值确定所述待评价风机的状态信息。

可选的，所述确定模块203包括：

第二获取单元，用于获取所述目标特征数据集合中性能类评价指标对应的特征数据；

第五确定单元，用于根据所述特征数据和所述特征数据对应的第一数值确定所述特征数据的第一偏差值，其中，所述特征数据对应的第一数值通过将所述特征数据输入目标模型得到；

第六确定单元，用于根据所述特征数据的第一偏差值、预设风机状态阈值以及所述特征数据对应的风机状态第一偏差阈值确定所述特征数据的性能类评价指标状态值；

第七确定单元，用于根据所述特征数据的性能类评价指标状态值确定所述待评价风机的状态信息。

可选的，所述确定模块203包括：

第三获取单元，用于获取所述目标特征数据集合中预警类评价指标对应的特征数据；

第八确定单元，用于根据所述特征数据和所述特征数据的对应第二数值确定所述特征数据的第二偏差值，其中，所述特征数据对应的第二数值通过将所述特征数据输入目标神经网络模型得到，所述目标输入神经网络模型通过目标样本集迭代训练神经网络模型得到，所述目标样本集根据所述历史风机特征数据集合确定，所述目标样本集包括预警类评价指标对应的特征数据样本和所述特征数据样本对应的第二数值；

第九确定单元，用于根据所述特征数据的第二偏差值、预设风机状态阈值以及所述特征数据对应的风机状态第二偏差阈值确定所述特征数据的预警类评价指标状态值；

第十确定单元，用于根据所述特征数据的预警类评价指标状态值确定所述待评价风机的状态信息。

可选的，所述第八确定单元具体用于：

建立神经网络模型；

将所述目标样本集中的预警类评价指标对应的特征数据样本输入所述神经网络模型中得到所述特征数据样本对应的第二数值；

根据所述特征数据样本对应的第二数值和所述预警类评价指标对应的特征数据样本形成的目标函数训练所述神经网络模型的参数；

返回执行将所述目标样本集中的预警类评价指标对应的特征数据样本输入所述神经网络模型中得到所述特征数据样本对应的第二数值的操作，直至得到目标神经网络模型。

本发明实施例所提供的风机状态确定装置可执行本发明任意实施例所提供的风机状态确定方法，具备执行方法相应的功能模块和有益效果。

实施例三

图3示出了可以用来实施本发明的实施例的电子设备30的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限值本文中描述的和/或者要求的本发明的实现。

如图3所示，电子设备30包括至少一个处理器31，以及与至少一个处理器31通信连接的存储器，如只读存储器(ROM)32、随机访问存储器(RAM)33等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器31可以根据存储在只读存储器(ROM)32中的计算机程序或者从存储单元38加载到随机访问存储器(RAM)33中的计算机程序，来执行各种适当的动作和处理。在RAM 33中，还可存储电子设备30操作所需的各种程序和数据。处理器31、ROM 32以及RAM 33通过总线34彼此相连。输入/输出(I/O)接口35也连接至总线34。

电子设备30中的多个部件连接至I/O接口35，包括：输入单元36，例如键盘、鼠标等；输出单元37，例如各种类型的显示器、扬声器等；存储单元38，例如磁盘、光盘等；以及通信单元39，例如网卡、调制解调器、无线通信收发机等。通信单元39允许电子设备30通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器31可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器31的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器31执行上文所描述的各个方法和处理，例如风机状态确定方法：

获取待评价风机的特征数据集合，其中，所述待评价风机的特征数据集合包括：风机数据、锅炉数据以及发电机组数据；

根据评价指标对所述待评价风机的特征数据集合进行筛选，得到目标特征数据集合；

根据所述目标特征数据集合确定所述待评价风机的状态信息。

在一些实施例中，风机状态确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元38。在一些实施例中，计算机程序的部分或者全部可以经由ROM 32和/或通信单元39而被载入和/或安装到电子设备30上。当计算机程序加载到RAM 33并由处理器31执行时，可以执行上文描述的风机状态确定方法的一个或多个步骤。备选地，在其他实施例中，处理器31可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行风机状态确定方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限值。

上述具体实施方式，并不构成对本发明保护范围的限值。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种风机状态确定方法，其特征在于，包括：

获取待评价风机的特征数据集合，其中，所述待评价风机的特征数据集合包括：风机数据、锅炉数据以及发电机组数据；

根据评价指标对所述待评价风机的特征数据集合进行筛选，得到目标特征数据集合；

根据所述目标特征数据集合确定所述待评价风机的状态信息。

2.根据权利要求1所述的方法，其特征在于，在根据评价指标对所述待评价风机的特征数据集合进行筛选，得到目标特征数据集合之前，还包括：

对历史风机特征数据集合进行聚类分析，得到至少一个风机运行工况对应的第一特征数据集合；

获取每个风机运行工况对应的第一特征数据集合中的风机部件的历史特征数据与历史锅炉数据的相关强度值、风机部件的历史特征数据与历史发电机组数据的相关强度值以及风机部件的历史特征数据与其他风机部件的历史特征数据的相关强度值；

根据特征数据集合中的风机部件的历史特征数据与历史锅炉数据的相关强度值、风机部件的历史特征数据与历史发电机组数据的相关强度值以及风机部件的历史特征数据与其他风机部件的历史特征数据的相关强度值确定评价指标。

3.根据权利要求2所述的方法，其特征在于，根据特征数据集合中的风机部件的历史特征数据与历史锅炉数据的相关强度值、风机部件的历史特征数据与历史发电机组数据的相关强度值以及风机部件的历史特征数据与其他风机部件的历史特征数据的相关强度值确定评价指标，包括：

根据特征数据集合中的风机部件的历史特征数据与历史锅炉数据的相关强度值、风机部件的历史特征数据与历史发电机组数据的相关强度值以及风机部件的历史特征数据与其他风机部件的历史特征数据的相关强度值确定特征数据集合中的风机部件的历史特征数据相对于历史锅炉数据的权重、风机部件的历史特征数据相对于历史发电机组数据的权重以及风机部件的历史特征数据相对于其他风机部件的历史特征数据的权重；

根据预设权重阈值、特征数据集合中的风机部件的历史特征数据相对于历史锅炉数据的权重、风机部件的历史特征数据相对于历史发电机组数据的权重以及风机部件的历史特征数据相对于其他风机部件的历史特征数据的权重确定评价指标。

4.根据权利要求1所述的方法，其特征在于，根据所述目标特征数据集合确定所述待评价风机的状态信息，包括：

获取所述目标特征数据集合中限值类评价指标对应的特征数据；

根据所述特征数据、预设风机状态阈值以及所述特征数据对应的风机状态阈值确定所述特征数据的限值类评价指标状态值；

根据所述特征数据的限值类评价指标状态值确定所述待评价风机的状态信息。

5.根据权利要求1所述的方法，其特征在于，根据所述目标特征数据集合确定所述待评价风机的状态信息，包括：

获取所述目标特征数据集合中性能类评价指标对应的特征数据；

根据所述特征数据和所述特征数据对应的第一数值确定所述特征数据的第一偏差值，其中，所述特征数据对应的第一数值通过将所述特征数据输入目标模型得到；

根据所述特征数据的第一偏差值、预设风机状态阈值以及所述特征数据对应的风机状态第一偏差阈值确定所述特征数据的性能类评价指标状态值；

根据所述特征数据的性能类评价指标状态值确定所述待评价风机的状态信息。

6.根据权利要求1所述的方法，其特征在于，根据所述目标特征数据集合确定所述待评价风机的状态信息，包括：

获取所述目标特征数据集合中预警类评价指标对应的特征数据；

根据所述特征数据和所述特征数据的对应第二数值确定所述特征数据的第二偏差值，其中，所述特征数据对应的第二数值通过将所述特征数据输入目标神经网络模型得到，所述目标输入神经网络模型通过目标样本集迭代训练神经网络模型得到，所述目标样本集根据所述历史风机特征数据集合确定，所述目标样本集包括预警类评价指标对应的特征数据样本和所述特征数据样本对应的第二数值；

根据所述特征数据的第二偏差值、预设风机状态阈值以及所述特征数据对应的风机状态第二偏差阈值确定所述特征数据的预警类评价指标状态值；

根据所述特征数据的预警类评价指标状态值确定所述待评价风机的状态信息。

7.根据权利要求6所述的方法，其特征在于，通过目标样本集迭代训练神经网络模型，包括：

建立神经网络模型；

将所述目标样本集中的预警类评价指标对应的特征数据样本输入所述神经网络模型中得到所述特征数据样本对应的第二数值；

根据所述特征数据样本对应的第二数值和所述预警类评价指标对应的特征数据样本形成的目标函数训练所述神经网络模型的参数；

返回执行将所述目标样本集中的预警类评价指标对应的特征数据样本输入所述神经网络模型中得到所述特征数据样本对应的第二数值的操作，直至得到目标神经网络模型。

8.一种风机状态确定装置，其特征在于，包括：

第一获取模块，用于获取待评价风机的特征数据集合，其中，所述待评价风机的特征数据集合包括：风机数据、锅炉数据以及发电机组数据；

筛选模块，用于根据评价指标对所述待评价风机的特征数据集合进行筛选，得到目标特征数据集合；

确定模块，用于根据所述目标特征数据集合确定所述待评价风机的状态信息。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的风机状态确定方法。

10.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的风机状态确定方法。

Images