CN116591911A - 一种面向海上风机发电机组的智能检测运维***及方法 - Google Patents
一种面向海上风机发电机组的智能检测运维***及方法 Download PDFInfo
- Publication number
- CN116591911A CN116591911A CN202310589105.4A CN202310589105A CN116591911A CN 116591911 A CN116591911 A CN 116591911A CN 202310589105 A CN202310589105 A CN 202310589105A CN 116591911 A CN116591911 A CN 116591911A
- Authority
- CN
- China
- Prior art keywords
- generator set
- data
- fault
- module
- offshore wind
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 124
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 41
- 208000024891 symptom Diseases 0.000 claims abstract description 39
- 238000004891 communication Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 abstract description 14
- 230000002265 prevention Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 52
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 101100455978 Arabidopsis thaliana MAM1 gene Proteins 0.000 description 4
- 241001123248 Arma Species 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Sustainable Development (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种面向海上风机发电机组的智能检测运维***及方法,一种面向海上风机发电机组的智能检测运维***,包括:边缘采集模块、数据通信模块、数据库模块、数据处理模块、故障检测模块、状态监测模块和维护策略模块。该***通过故障检测模块生成风机发电机组故障类型与风机发电机组故障征兆,并基于风机发电机组故障类型与风机发电机组故障征兆,通过海上风机发电机组故障描述记录数据库和关键部位实时状态数据确定风机维护策略,实现了对海上风力发电机组故障的“早发现、早预防、早治理”,减少了故障发生后再采取解决措施的运维成本,更科学地指导风机发电机组的运维排期,降低发电损失,保护海上风电运维人员的安全。
Description
技术领域
本发明涉及海上风机发电机组检测技术领域,尤其是涉及一种面向海上风机发电机组的智能检测运维***及方法。
背景技术
我国海岸线长,海上风资源丰富,海上风电又具有占地面积少,开发规模大,发电利用小时数高等特点,加上陆上风电又面临困境,以及国家政策利好,我国海上风电开发建设已渐入佳境。与此同时,由此衍生出来的海上风电机组运维的相关问题也受到了大家的广泛关注。海上风电机组相对于陆上来说故障率更高,因为它们面临的是一个更加恶劣的环境、更高难度的维护方式等。随着海上风电的发展,海上风电场建设不得不需要转移到离岸更远的地方,更深的水域。由于这个变化,运维成本将会增加,同时面临更远的运输距离,更恶劣的气候条件和更严峻的物流挑战。
当前技术的主要缺陷在于:当前在海上风电运维中,基本探讨的是对风机发电机组已发生的故障进行诊断和监测的方法,属于“故障后管理”,不探讨故障前预警和对故障的预兆进行尽早干预,运维成本高。并且在海上风电中,仅依靠振动信号的故障诊断***或者仅依靠视频检测在工业应用起来相对较难。对于风力发电***,基于振动的故障诊断方法需要安装相当数量的传感器,基于视频的故障诊断方法需要装配大量的视频检测设备并建立完备的视频检测***。
发明内容
因此,本发明技术方案主要解决现有技术缺乏对海上风机发电机组故障前的管理,并且基于振动或视频的故障诊断方法成本较高的缺陷,从而提供一种面向海上风机发电机组的智能检测运维***及方法。
第一方面,本发明实施例提供了一种面向海上风机发电机组的智能检测运维***,包括:边缘采集模块、数据通信模块、数据库模块、数据处理模块、故障检测模块、状态监测模块和维护策略模块;
所述边缘采集模块,用于采集海上风电机组的实时数据信息,并将所述海上风电机组的实时数据信息发送给所述数据通信模块;
所述数据通信模块连接所述边缘采集模块和所述数据库模块,用于将所述海上风电机组的实时数据信息发送给所述数据库模块;
所述数据库模块,用于基于所述海上风电机组的实时数据信息构建风机发电机组基础数据库;其中,所述风机发电机组基础数据库包括海上风机发电机组原始数据库、海上风机发电机组故障描述记录数据库和风电场环境数据库;
所述数据处理模块,用于对所述海上风机发电机组原始数据库中的数据进行处理,生成风机发电机组原始数据,并将所述风机发电机组原始数据发送给所述故障检测模块;
所述故障检测模块,用于获取不同故障类型的风机发电机组数据,并基于所述不同故障类型的风机发电机组数据构建基础模型树,将所述风机发电机组原始数据输入所述基础模型树中,生成风机发电机组故障类型与风机发电机组故障征兆;
所述状态监测模块,用于对海上风电机组的各关键部位进行实时状态监测,生成关键部位实时状态数据;
所述维护策略模块与所述故障检测模块和所述状态监测模块连接,用于基于所述风机发电机组故障类型与所述风机发电机组故障征兆,通过所述海上风机发电机组故障描述记录数据库和所述关键部位实时状态数据确定风机维护策略。
本发明实施例提供的一种面向海上风机发电机组的智能检测运维***,通过故障检测模块生成风机发电机组故障类型与风机发电机组故障征兆,并基于风机发电机组故障类型与风机发电机组故障征兆,通过海上风机发电机组故障描述记录数据库和关键部位实时状态数据确定风机维护策略,实现了对海上风力发电机组故障的“早发现、早预防、早治理”,减少了故障发生后再采取解决措施的运维成本,更科学地指导风机发电机组的运维排期,降低发电损失,保护海上风电运维人员的安全。
结合第一方面,在一种可能的实施方式中,所述数据处理模块,包括:数据抽取单元、数据清洗转换单元和数据加载单元;
所述数据抽取单元,用于全量提取或增量提取所述海上风机发电机组原始数据库中的数据;
所述数据清洗转换单元,用于对所述海上风机发电机组原始数据库中的信号类数据进行清洗处理,对所述海上风机发电机组原始数据库中的图像类数据进行转换处理;
所述数据加载单元,用于全量加载或增量加载所述海上风机发电机组原始数据库中的数据至所述故障检测模块。
结合第一方面,在另一种可能的实施方式中,所述故障检测模块,包括:第一构建单元、第二构建单元、第三构建单元和第一生成单元;
所述第一构建单元,用于当所述风机发电机组数据为信号类型时,则将所述风机发电机组数据进行傅里叶变换,并基于傅里叶变换后的风机发电机组数据构建第一分类模型;
所述第二构建单元,用于当所述风机发电机组数据为图像类型时,则基于所述风机发电机组数据,利用元学习构建第二分类模型;
所述第三构建单元连接所述第一构建单元和所述第二构建单元,用于基于所述第一分类模型与所述第二分类模型构建所述基础模型树;
所述第一生成单元连接所述第三构建单元,用于将所述风机发电机组原始数据输入所述基础模型树中,生成风机发电机组故障类型与风机发电机组故障征兆。
结合第一方面,在另一种可能的实施方式中,所述维护策略模块,包括:关联单元、第二生成单元、分级排序单元和确定单元;
所述关联单元连接所述故障检测模块和所述数据库模块,用于将所述风机发电机组故障类型和所述风机发电机组故障征兆与所述海上风机发电机组故障描述记录数据库进行关联,生成故障处理方式;
所述第二生成单元,用于基于所述风机发电机组故障类型和所述风机发电机组故障征兆,利用自回归滑动平均模型生成故障预测发生时间;
所述分级排序单元连接所述关联单元和所述故障检测模块,用于获取风电场运维标准,基于所述关键部位实时状态数据和所述风电场运维标准对所述风机发电机组故障类型和所述故障处理方式进行分级排序,生成故障等级;
所述确定单元连接所述故障检测模块、所述第二生成单元和所述分级排序单元,用于基于所述风机发电机组故障征兆、所述故障预测发生时间和所述故障等级确定所述风机维护策略。
结合第一方面,在另一种可能的实施方式中,还包括:天气模块;
所述天气模块,用于获取目标区域的实时天气预报,基于所述目标区域的实时天气预报与所述风电场环境数据库中的目标区域天气数据确定天气预测数据。
结合第一方面,在另一种可能的实施方式中,还包括:智能排期模块;
所述智能排期模块与所述维护策略模块和所述天气模块连接,用于根据所述风机维护策略、所述风电场环境数据库中的运维船舶信息与运维人员信息和所述天气预测数据,生成检修排期数据。
结合第一方面,在另一种可能的实施方式中,还包括:***经济运行评价模块;
所述***经济运行评价模块,用于获取海上风电场的发电量损失与海上风电机厂运维成本,基于所述海上风电场的发电量损失与所述海上风电机厂运维成本对海上风电场的运行进行评价,生成海上风电场经济运行评价结果。
第二方面,本发明实施例还提供了一种面向海上风机发电机组的智能检测运维方法,包括:
边缘采集模块采集海上风电机组的实时数据信息;
数据通信模块将所述海上风电机组的实时数据信息发送给数据库模块;
所述数据库模块基于所述海上风电机组的实时数据信息构建风机发电机组基础数据库;其中,所述风机发电机组基础数据库包括海上风机发电机组原始数据库、海上风机发电机组故障描述记录数据库和风电场环境数据库;
数据处理模块对所述海上风机发电机组原始数据库中的数据进行处理,生成风机发电机组原始数据;
故障检测模块获取不同故障类型的风机发电机组数据,并基于所述不同故障类型的风机发电机组数据构建基础模型树,将所述风机发电机组原始数据输入所述基础模型树中,生成风机发电机组故障类型与风机发电机组故障征兆;
状态监测模块对海上风电机组的各关键部位进行实时状态监测,生成关键部位实时状态数据;
维护策略模块基于所述风机发电机组故障类型与所述风机发电机组故障征兆,通过所述海上风机发电机组故障描述记录数据库和所述关键部位实时状态数据确定风机维护策略。
第三方面,本发明实施例还公开了一种电子设备,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指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如第二方面所述的一种面向海上风机发电机组的智能检测运维***的步骤。
第四方面,本发明实施方式还公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第二方面所述的一种面向海上风机发电机组的智能检测运维***的步骤。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种面向海上风机发电机组的智能检测运维***的框图;
图2为本发明实施例提供的一种面向海上风机发电机组的智能检测运维方法的流程图;
图3为本发明实施例中电子设备的一个具体示例图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。另外,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接、机械连接,也可以是电连接;或者可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供了一种面向海上风机发电机组的智能检测运维***,如图1所示,包括:边缘采集模块1、数据通信模块2、数据库模块3、数据处理模块4、故障检测模块5、状态监测模块6和维护策略模块7;
边缘采集模块1,用于采集海上风电机组的实时数据信息,并将海上风电机组的实时数据信息发送给数据通信模块2。
具体地,设备状态监测传感器、摄像头采集获得发电机组的振动,温度、发动机组音像、发动机组图像数据等实时数据信息,进而完成对海上风电机组的实时数据信息的采集。
进一步地,每一个风机的发电机组都有自己的边缘中心采集模块,用以采集各风机发电机组的数据信息。
数据通信模块2连接边缘采集模块1和数据库模块3,用于将海上风电机组的实时数据信息发送给数据库模块3。
具体地,综合利用海底线缆等有线,卫星通信等无线通信形式,将各风机发电机组的边缘中心采集模块采集的海上风电机组的实时数据信息发送至数据库模块3。
数据库模块3,用于基于海上风电机组的实时数据信息构建风机发电机组基础数据库;其中,风机发电机组基础数据库包括海上风机发电机组原始数据库、海上风机发电机组故障描述记录数据库和风电场环境数据库。
具体地,从以下三个维度,构建三个海上风电场的风机发电机组基础数据库,用以完整描述海上风电场风机发电机组的故障;一是海上风机发电机组原始数据库:综合使用关系型数据库、非关系型数据库来存储各边缘中心采集模块采集的风机发电机组的信号、音像图像数据等多源异构的海上风机发电机组的原始数据;二是海上风机发电机组故障描述记录数据库:从时间、部件、故障形式、故障诊断技术、故障处理方案、故障发生前后设备数据等方面对海上风机发电机组的故障进行描述,并结合风机发电机组的信息(例如其他同型号海上风机发电机的信息,包括过往故障信息),构建故障描述记录数据库;三是风电场环境数据库,用来存储风电场历史和当前环境数据,包括当地气象数据、风场环境资料、运维船舶信息、运维人员信息等相关数据。
数据处理模块4,用于对海上风机发电机组原始数据库中的数据进行处理,生成风机发电机组原始数据,并将风机发电机组原始数据发送给故障检测模块5。
具体地,采用E(extract,抽取)T(transform,清洗转换)L(load,加载)对数据库中海上风机发电机组原始数据库的数据进行处理。
故障检测模块5,用于获取不同故障类型的风机发电机组数据,并基于不同故障类型的风机发电机组数据构建基础模型树,将风机发电机组原始数据输入基础模型树中,生成风机发电机组故障类型与风机发电机组故障征兆。
具体地,采用多种方法,对不同数据类型和风机部位故障结合元学习构建Meta-Learner LSTM(基于元学习器的时间循环神经网络)的基础模型。
状态监测模块6,用于对海上风电机组的各关键部位进行实时状态监测,生成关键部位实时状态数据。
具体地,状态监测模块6对海上风机发电机组的各个关键部位进行实时状态监测,对非关键部位进行自定义时间状态更新。
维护策略模块7与故障检测模块5和状态监测模块6连接,用于基于风机发电机组故障类型与风机发电机组故障征兆,通过海上风机发电机组故障描述记录数据库和关键部位实时状态数据确定风机维护策略。
本实施例提出的一种面向海上风机发电机组的智能检测运维***,通过故障检测模块生成风机发电机组故障类型与风机发电机组故障征兆,并基于风机发电机组故障类型与风机发电机组故障征兆,通过海上风机发电机组故障描述记录数据库和关键部位实时状态数据确定风机维护策略,实现了对海上风力发电机组故障的“早发现、早预防、早治理”,减少了故障发生后再采取解决措施的运维成本,更科学地指导风机发电机组的运维排期,降低发电损失,保护海上风电运维人员的安全。
作为本发明一个可选实施方式,数据处理模块4,包括:数据抽取单元8、数据清洗转换单元9和数据加载单元10;
数据抽取单元8,用于全量提取或增量提取海上风机发电机组原始数据库中的数据。
具体地,如果之前没有构建过故障检测的模型,则在采集海上风电机组的实时数据信息之后全量提取数据库模块3所有数据并将其放入进入缓存区(主要目的是汇总多源数据);如果后续在采集到部分新建海上风场风机发电机组的相关数据,为了针对性地调整构架模型,增量提取新建海上风场风机发电机组的相关数据并将其放入缓存区;如果后续为了根据新搜集的数据大规模调整模型,也可全量提取数据库模块3中数据。
数据清洗转换单元9,用于对海上风机发电机组原始数据库中的信号类数据进行清洗处理,对海上风机发电机组原始数据库中的图像类数据进行转换处理。
具体地,对信号类数据首先进行傅里叶转换,进而对不完整数据、重复数据和错误数据进行筛选(筛选部分数据,或者部分字段,提取一部分有用的数据)、清理(缺失值填充、默认值设定、枚举映射等)、合并(多个属性合并在一起)、拆分、标准化、替换、验证(时间规则、业务规则、自定义规则)、关联(关联其他数据或数学,保障数据完整性)、排序、计算等处理;对图像类数据的处理:图像标注、导入图像、去噪处理、图像增强、彩色图像转变成灰度图、灰度图转化成二值图、边缘检测/分割、直方图匹配/轮廓匹配。
数据加载单元10,用于全量加载或增量加载海上风机发电机组原始数据库中的数据至故障检测模块5。
具体地,根据实际情况,决定全量或增量加载数据。
作为本发明一个可选实施方式,故障检测模块5,包括:第一构建单元11、第二构建单元12、第三构建单元13和第一生成单元14;
第一构建单元11,用于当风机发电机组数据为信号类型时,则将风机发电机组数据进行傅里叶变换,并基于傅里叶变换后的风机发电机组数据构建第一分类模型;
具体地,对信号类数据,利用傅里叶变换进行处理,进而通过Meta-Learner LSTM,使用LSTM(Long Short-Term Memory,长短期记忆网络)作为元学习器,并采用LSTM作为基学习器,得到分类的结果,即得到用信号类数据的故障和故障征兆。
进一步地,Meta-Learner LSTM是一个两层的LSTM网络,第一层是正常的LSTM模型,第二层是近似随机梯度的LSTM模型,其中,所有的损失函数值和损失函数梯度值经过预处理,输入第一层LSTM模型中,计算学习率和遗忘门等参数,损失函数梯度值还要输入第二层LSTM中用于参数更新。
进一步地,基于傅里叶变换后的风机发电机组数据建立任务集,并将任务集划分为训练集和验证集,对于任务集中的第d个任务,在训练集中随机抽取T个批次的数据,记为(X1,Y1),...,(XT,YT);对于第t个批次的数据(Xt,Yt),计算learner(学习器)的损失函数值和损失函数梯度值,其中,learner的损失函数值Lt的计算公式如下所示:
Lt=L[M(Xt;θt-1),Yt] (1)
其中,θt-1表示元学习器M在t-1次更新后的参数,L表示损失函数。
进一步地,learner的损失函数梯度值为表示梯度算子。
进一步地,将learner的损失函数值和损失函数梯度值输入meta-learner,利用下式更新细胞状态:
其中,ct表示更新后的细胞状态,Θd-1表示元学习器R第d-1次更新后的参数。
进一步地,更新的参数值等于更新的细胞状态,即θt=ct。
进一步地,处理完第d个任务中所有T个批次的训练数据后,使用第d个任务的验证集(X,Y)计算验证集上的损失函数值Ltest:
Ltest=L[M(Xt;θt),Y] (3)
进一步地,损失函数梯度值为(/>表示梯度算子);进而利用损失函数梯度值和损失函数值Ltest更新meta-learner(元学习器)参数。
进一步地,当验证集对应的损失函数梯度值和损失函数值较小(或符合预设条件)时,则表示Meta-Learner LSTM模型对于此次任务适应性较好,反之则表示模型适应性差,无法满足数据的识别需求。
进一步地,在输入第一层LSTM之前,基学习器LSTM会给元学习器提供每个批次数据上的损失函数值和损失函数梯度值,在输入第一层LSTM之前每个批次数据上的损失函数值和损失函数梯度值可以是通过LSTM计算得出的,也可以通过CNN计算得出。
进一步地,在迭代过程中元学习器会不断给基学习器提供更新的参数,对于LSTM来说就是输入数据的特征维数,LSTM中隐层的纬度和循环神经网络的层数;对于CNN来说就是学习率、优化器、迭代次数、批次大小、激活函数、隐含神经元层数、权重初始化、dropout方法(丢弃法)、正则化、拟归一化;元学习器迭代完一次后会返还更新后的参数给基学习器,基学习器通过更新后的参数计算损失函数值和损失函数梯度返回给元学习器。
进一步地,在Meta-Learner LSTM中,元学习器给基学习器提供修改的LSTM更新参数,元学习器自身的参数并不是基学习器中的参数初始值,元学习器自身的参数使用SGD进行更新,并不会出现损失函数高阶导数的计算;并且,在Meta-Learner LSTM中,基学习器和元学习器的参数更新都在元学习器中进行。
第二构建单元12,用于当风机发电机组数据为图像类型时,则基于风机发电机组数据,利用元学习构建第二分类模型。
具体地,图像类数据,通过Meta-Learner LSTM,使用LSTM作为元学习器,采用CNN(Convolutional Neural Networks,卷积神经网络)作为基学习器,得到分类的结果,即得到图像类数据的故障和故障征兆。
第三构建单元13连接第一构建单元11和第二构建单元12,用于基于第一分类模型与第二分类模型构建基础模型树。
第一生成单元14连接第三构建单元13,用于将风机发电机组原始数据输入基础模型树中,生成风机发电机组故障类型与风机发电机组故障征兆。
上述可选实施方式中,采用Meta-Learner LSTM的方法聚焦于解决小样本的问题,主要是针对新建的海上风电场,新投运的海上风机,新更换的发电机组,解决新投运1-2年内历史数据少无法直接用机器学习模型的问题;待历史数据积累后,可采用增量加载数据的方式在基础模型数上继续训练,同时,Meta-Learner LSTM也适用于大样本也就是普通的已投运一段时间的海上风场,扩展了其适用场景。
作为本发明一个可选实施方式,维护策略模块7,包括:关联单元15、第二生成单元16、分级排序单元17和确定单元18;
关联单元15连接故障检测模块5和数据库模块3,用于将风机发电机组故障类型和风机发电机组故障征兆与海上风机发电机组故障描述记录数据库进行关联,生成故障处理方式。
具体地,采用APRIORI算法(关联规则挖掘算法),挖掘故障规则,进而利用规则将风机发电机组故障类型、风机发电机组故障征兆与海上风机发电机组故障描述记录数据库进行关联,生成故障处理方式。
第二生成单元16,用于基于风机发电机组故障类型和风机发电机组故障征兆,利用自回归滑动平均模型生成故障预测发生时间。
具体地,在小样本的情况下利用元学***均模型)的模型,得到故障预计发生时间。
进一步地,使用MAML(元学***均模型(当前时间点的值等于过去若干个时间点的预测误差的回归;预测误差=模型预测值-真实值)的阶数q(依赖的过去q个历史预测误差值)。
分级排序单元17连接关联单元15和故障检测模块5,用于获取风电场运维标准,基于关键部位实时状态数据和风电场运维标准对风机发电机组故障类型和故障处理方式进行分级排序,生成故障等级。
具体地,根据国家颁布的关于风电场运维标准,以及过往生产经验,状态检测模块中的关键部位实时状态数据,对以上风机发电机组故障类型和故障处理方式按照重大情况等级进行分级排序。
确定单元18连接故障检测模块5、第二生成单元16和分级排序单元17,用于基于风机发电机组故障征兆、故障预测发生时间和故障等级确定风机维护策略。
上述可选实施方式中,构建海上风力发电机组故障原始数据库,学习如何在小样本、多模型情况下学习构建海上风力发电机组故障模型树的方法,构建海上风力发电机组故障规则库,得到故障发生征兆,综合考虑特定风场环境因素进行排期,对未知海上风力发电机组特征学习能力强。
作为本发明一个可选实施方式,还包括:天气模块19;
天气模块19,用于获取目标区域的实时天气预报,基于目标区域的实时天气预报与风电场环境数据库中的目标区域天气数据确定天气预测数据。
具体地,利用风电场环境数据库中目标区域气象数据,结合目标区域气象局天气预报,对天气情况进行监测和预测。
作为本发明一个可选实施方式,还包括:智能排期模块20;
智能排期模块20与维护策略模块7和天气模块19连接,用于根据风机维护策略、风电场环境数据库中的运维船舶信息与运维人员信息和天气预测数据,生成检修排期数据。
具体地,根据风机维护策略,数据库模块3中运维船舶信息、运维人员信息以及天气模块中得到的天气预测数据,运用运筹学中指派问题的思想,自动生成检修排期。
作为本发明一个可选实施方式,还包括:***经济运行评价模块21;
***经济运行评价模块21,用于获取海上风电场的发电量损失与海上风电机厂运维成本,基于海上风电场的发电量损失与海上风电机厂运维成本对海上风电场的运行进行评价,生成海上风电场经济运行评价结果。
具体地,发电量损失=预计发电量-实际发电量;运维成本=耗材和备件+运行维护和定期检修+技术改造。
下面通过一个具体的实施例来说明一种面向海上风机发电机组的智能检测运维***的工作过程的。
实施例1:
利用边缘数据采集模块采集得到该海上风电场全部风机发电机组能采到的数据;
将采集的数据通过数据通信模块把数据送给数据库模块和状态监测模块;
将采集的数据从数据库模块中以增量的形式抽取至数据处理模块,并在数据处理模块中进行数据预处理;
将处理完得到的数据全量加载(对于数据库来说是增量加载)至故障检测模块;调用故障检测模块已有的基础模型树,对该新建海上风电场的所有风机发电机组进行建模,得到对应风机发电机组的故障和故障征兆;
将上一步得到的故障和故障征兆输入维护策略模块,得到对应风机的维护策略;
将维护策略输入智能排期模块,得到该新建海上风电场关于风机发电机组的智能排期。
以年为单位,生成该新建海上风电场的经济运行报告,判断是否经济运行和运维损失。
本发明实施例还公开了一种面向海上风机发电机组的智能检测运维方法,如图2所示,包括:
S201、边缘采集模块采集海上风电机组的实时数据信息。
具体地,设备状态监测传感器、摄像头采集获得发电机组的振动,温度、发动机组音像、发动机组图像数据等实时数据信息,进而完成对海上风电机组的实时数据信息的采集。
进一步地,每一个风机的发电机组都有自己的边缘中心采集模块,用以采集各风机发电机组的数据信息。
S202、数据通信模块将海上风电机组的实时数据信息发送给数据库模块。
具体地,综合利用海底线缆等有线,卫星通信等无线通信形式,将各风机发电机组的边缘中心采集模块采集的海上风电机组的实时数据信息发送至数据库模块。
S203、数据库模块基于海上风电机组的实时数据信息构建风机发电机组基础数据库;其中,风机发电机组基础数据库包括海上风机发电机组原始数据库、海上风机发电机组故障描述记录数据库和风电场环境数据库。
具体地,从以下三个维度,构建三个海上风电场的风机发电机组基础数据库,用以完整描述海上风电场风机发电机组的故障;一是海上风机发电机组原始数据库:综合使用关系型数据库、非关系型数据库来存储各边缘中心采集模块采集的风机发电机组的信号、音像图像数据等多源异构的海上风机发电机组的原始数据;二是海上风机发电机组故障描述记录数据库:从时间、部件、故障形式、故障诊断技术、故障处理方案、故障发生前后设备数据等方面对海上风机发电机组的故障进行描述,并结合风机发电机组的信息(例如其他同型号海上风机发电机的信息,包括过往故障信息),构建故障描述记录数据库;三是风电场环境数据库,用来存储风电场历史和当前环境数据,包括当地气象数据、风场环境资料、运维船舶信息、运维人员信息等相关数据。
S204、数据处理模块对海上风机发电机组原始数据库中的数据进行处理,生成风机发电机组原始数据。
具体地,采用E(extract,抽取)T(transform,清洗转换)L(load,加载)对数据库中海上风机发电机组原始数据库的数据进行处理。
S205、故障检测模块获取不同故障类型的风机发电机组数据,并基于不同故障类型的风机发电机组数据构建基础模型树,将风机发电机组原始数据输入基础模型树中,生成风机发电机组故障类型与风机发电机组故障征兆。
具体地,采用多种方法,对不同数据类型和风机部位故障结合元学习构建Meta-Learner LSTM(基于元学习器的时间循环神经网络)的基础模型。
S206、状态监测模块对海上风电机组的各关键部位进行实时状态监测,生成关键部位实时状态数据。
具体地,状态监测模块对海上风机发电机组的各个关键部位进行实时状态监测,对非关键部位进行自定义时间状态更新。
S207、维护策略模块基于风机发电机组故障类型与风机发电机组故障征兆,通过海上风机发电机组故障描述记录数据库和关键部位实时状态数据确定风机维护策略。
本发明提供的一种面向海上风机发电机组的智能检测运维方法,通过故障检测模块生成风机发电机组故障类型与风机发电机组故障征兆,并基于风机发电机组故障类型与风机发电机组故障征兆,通过海上风机发电机组故障描述记录数据库和关键部位实时状态数据确定风机维护策略,实现了对海上风力发电机组故障的“早发现、早预防、早治理”,减少了故障发生后再采取解决措施的运维成本,更科学地指导风机发电机组的运维排期,降低发电损失,保护海上风电运维人员的安全。
作为本发明一个可选实施方式,上述S204,即数据处理模块对海上风机发电机组原始数据库中的数据进行处理,生成风机发电机组原始数据,包括:
数据抽取单元全量提取或增量提取海上风机发电机组原始数据库中的数据。
具体地,如果之前没有构建过故障检测的模型,则在采集海上风电机组的实时数据信息之后全量提取数据库模块所有数据并将其放入进入缓存区(主要目的是汇总多源数据);如果后续在采集到部分新建海上风场风机发电机组的相关数据,为了针对性地调整构架模型,增量提取新建海上风场风机发电机组的相关数据并将其放入缓存区;如果后续为了根据新搜集的数据大规模调整模型,也可全量提取数据库模块中数据。
数据清洗转换单元对海上风机发电机组原始数据库中的信号类数据进行清洗处理,对海上风机发电机组原始数据库中的图像类数据进行转换处理。
具体地,对信号类数据首先进行傅里叶转换,进而对不完整数据、重复数据和错误数据进行筛选(筛选部分数据,或者部分字段,提取一部分有用的数据)、清理(缺失值填充、默认值设定、枚举映射等)、合并(多个属性合并在一起)、拆分、标准化、替换、验证(时间规则、业务规则、自定义规则)、关联(关联其他数据或数学,保障数据完整性)、排序、计算等处理;对图像类数据的处理:图像标注、导入图像、去噪处理、图像增强、彩色图像转变成灰度图、灰度图转化成二值图、边缘检测/分割、直方图匹配/轮廓匹配。
数据加载单元全量加载或增量加载海上风机发电机组原始数据库中的数据至故障检测模块。
具体地,根据实际情况,决定全量或增量加载数据。
作为本发明一个可选实施方式,上述S204,即故障检测模块获取不同故障类型的风机发电机组数据,并基于不同故障类型的风机发电机组数据构建基础模型树,将风机发电机组原始数据输入基础模型树中,生成风机发电机组故障类型与风机发电机组故障征兆,包括:
当风机发电机组数据为信号类型时,第一构建单元则将风机发电机组数据进行傅里叶变换,并基于傅里叶变换后的风机发电机组数据构建第一分类模型。
具体地,对信号类数据,利用傅里叶变换进行处理,进而通过Meta-Learner LSTM,使用LSTM(Long Short-Term Memory,长短期记忆网络)作为元学习器,并采用LSTM作为基学习器,得到分类的结果,即得到用信号类数据的故障和故障征兆。
进一步地,Meta-Learner LSTM是一个两层的LSTM网络,第一层是正常的LSTM模型,第二层是近似随机梯度的LSTM模型,其中,所有的损失函数值和损失函数梯度值经过预处理,输入第一层LSTM模型中,计算学习率和遗忘门等参数,损失函数梯度值还要输入第二层LSTM中用于参数更新。
进一步地,基于傅里叶变换后的风机发电机组数据建立任务集,并将任务集划分为训练集和验证集,对于任务集中的第d个任务,在训练集中随机抽取T个批次的数据,记为(X1,Y1),...,(XT,YT);对于第t个批次的数据(Xt,Yt),计算learner(学习器)的损失函数值和损失函数梯度值,其中,learner的损失函数值Lt的计算公式如下所示:
Lt=L[M(Xt;θt-1),Yt] (1)
其中,θt-1表示元学习器M在t-1次更新后的参数,L表示损失函数。
进一步地,learner的损失函数梯度值为表示梯度算子。
进一步地,将learner的损失函数值和损失函数梯度值输入meta-learner,利用下式更新细胞状态:
其中,ct表示更新后的细胞状态,Θd-1表示元学习器R第d-1次更新后的参数。
进一步地,更新的参数值等于更新的细胞状态,即θt=ct。
进一步地,处理完第d个任务中所有T个批次的训练数据后,使用第d个任务的验证集(X,Y)计算验证集上的损失函数值Ltest:
Ltest=L[M(Xt;θt),Y] (3)
进一步地,损失函数梯度值为(/>表示梯度算子);进而利用损失函数梯度值和损失函数值Ltest更新meta-learner(元学习器)参数。
进一步地,当验证集对应的损失函数梯度值和损失函数值较小(或符合预设条件)时,则表示Meta-Learner LSTM模型对于此次任务适应性较好,反之则表示模型适应性差,无法满足数据的识别需求。
进一步地,在输入第一层LSTM之前,基学习器LSTM会给元学习器提供每个批次数据上的损失函数值和损失函数梯度值,在输入第一层LSTM之前每个批次数据上的损失函数值和损失函数梯度值可以是通过LSTM计算得出的,也可以通过CNN计算得出。
进一步地,在迭代过程中元学习器会不断给基学习器提供更新的参数,对于LSTM来说就是输入数据的特征维数,LSTM中隐层的纬度和循环神经网络的层数;对于CNN来说就是学习率、优化器、迭代次数、批次大小、激活函数、隐含神经元层数、权重初始化、dropout方法(丢弃法)、正则化、拟归一化;元学习器迭代完一次后会返还更新后的参数给基学习器,基学习器通过更新后的参数计算损失函数值和损失函数梯度返回给元学习器。
进一步地,在Meta-Learner LSTM中,元学习器给基学习器提供修改的LSTM更新参数,元学习器自身的参数并不是基学习器中的参数初始值,元学习器自身的参数使用SGD进行更新,并不会出现损失函数高阶导数的计算;并且,在Meta-Learner LSTM中,基学习器和元学习器的参数更新都在元学习器中进行。
当风机发电机组数据为图像类型时,第二构建单元则基于风机发电机组数据,利用元学习构建第二分类模型。
具体地,图像类数据,通过Meta-Learner LSTM,使用LSTM作为元学习器,采用CNN(Convolutional Neural Networks,卷积神经网络)作为基学习器,得到分类的结果,即得到图像类数据的故障和故障征兆。
第三构建单元基于第一分类模型与第二分类模型构建基础模型树。
第一生成单元将风机发电机组原始数据输入基础模型树中,生成风机发电机组故障类型与风机发电机组故障征兆。
作为本发明一个可选实施方式,上述S206,即维护策略模块基于风机发电机组故障类型与风机发电机组故障征兆,通过海上风机发电机组故障描述记录数据库和关键部位实时状态数据确定风机维护策略,包括:
关联单元将风机发电机组故障类型和风机发电机组故障征兆与海上风机发电机组故障描述记录数据库进行关联,生成故障处理方式。
具体地,采用APRIORI算法(关联规则挖掘算法),挖掘故障规则,进而利用规则将风机发电机组故障类型、风机发电机组故障征兆与海上风机发电机组故障描述记录数据库进行关联,生成故障处理方式。
第二生成单元基于风机发电机组故障类型和风机发电机组故障征兆,利用自回归滑动平均模型生成故障预测发生时间。
具体地,在小样本的情况下利用元学***均模型)的模型,得到故障预计发生时间。
进一步地,使用MAML(元学***均模型(当前时间点的值等于过去若干个时间点的预测误差的回归;预测误差=模型预测值-真实值)的阶数q(依赖的过去q个历史预测误差值)。
分级排序单元获取风电场运维标准,基于关键部位实时状态数据和风电场运维标准对风机发电机组故障类型和故障处理方式进行分级排序,生成故障等级。
具体地,根据国家颁布的关于风电场运维标准,以及过往生产经验,状态检测模块中的关键部位实时状态数据,对以上风机发电机组故障类型和故障处理方式按照重大情况等级进行分级排序。
确定单元基于风机发电机组故障征兆、故障预测发生时间和故障等级确定风机维护策略。
作为本发明一个可选实施方式,还包括:
天气模块获取目标区域的实时天气预报,基于目标区域的实时天气预报与风电场环境数据库中的目标区域天气数据确定天气预测数据。
具体地,利用风电场环境数据库中目标区域气象数据,结合目标区域气象局天气预报,对天气情况进行监测和预测。
作为本发明一个可选实施方式,还包括:
智能排期模块根据风机维护策略、风电场环境数据库中的运维船舶信息与运维人员信息和天气预测数据,生成检修排期数据。
具体地,根据风机维护策略,数据库模块中运维船舶信息、运维人员信息以及天气模块中得到的天气预测数据,运用运筹学中指派问题的思想,自动生成检修排期。
作为本发明一个可选实施方式,还包括:
***经济运行评价模块获取海上风电场的发电量损失与海上风电机厂运维成本,基于海上风电场的发电量损失与海上风电机厂运维成本对海上风电场的运行进行评价,生成海上风电场经济运行评价结果。
具体地,发电量损失=预计发电量-实际发电量;运维成本=耗材和备件+运行维护和定期检修+技术改造。
另外,本发明实施例还提供了一种电子设备,如图3所示,该电子设备可以包括处理器110和存储器120,其中处理器110和存储器120可以通过总线或者其他方式连接,图3中以通过总线连接为例。此外,该电子设备中还包括至少一个接口130,该至少一个接口130可以是通信接口或其他接口,本实施例对此不做限制。
其中,处理器110可以为中央处理器(Central Processing Unit,CPU)。处理器110还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器120作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的视频合成方法对应的程序指令/模块。处理器110通过运行存储在存储器120中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的一种面向海上风机发电机组的智能检测运维***。
存储器120可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器110所创建的数据等。此外,存储器120可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器120可选包括相对于处理器110远程设置的存储器,这些远程存储器可以通过网络连接至处理器110。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
另外,至少一个接口130用于电子设备与外部设备的通信,比如与服务器通信等。可选的,至少一个接口130还可以用于连接外设输入、输出设备,比如键盘、显示屏等。
所述一个或者多个模块存储在所述存储器120中,当被所述处理器110执行时,执行如图2所示实施例中的一种面向海上风机发电机组的智能检测运维方法。
上述电子设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种面向海上风机发电机组的智能检测运维***,其特征在于,包括:边缘采集模块、数据通信模块、数据库模块、数据处理模块、故障检测模块、状态监测模块和维护策略模块;
所述边缘采集模块,用于采集海上风电机组的实时数据信息,并将所述海上风电机组的实时数据信息发送给所述数据通信模块;
所述数据通信模块连接所述边缘采集模块和所述数据库模块,用于将所述海上风电机组的实时数据信息发送给所述数据库模块;
所述数据库模块,用于基于所述海上风电机组的实时数据信息构建风机发电机组基础数据库;其中,所述风机发电机组基础数据库包括海上风机发电机组原始数据库、海上风机发电机组故障描述记录数据库和风电场环境数据库;
所述数据处理模块,用于对所述海上风机发电机组原始数据库中的数据进行处理,生成风机发电机组原始数据,并将所述风机发电机组原始数据发送给所述故障检测模块;
所述故障检测模块,用于获取不同故障类型的风机发电机组数据,并基于所述不同故障类型的风机发电机组数据构建基础模型树,将所述风机发电机组原始数据输入所述基础模型树中,生成风机发电机组故障类型与风机发电机组故障征兆;
所述状态监测模块,用于对海上风电机组的各关键部位进行实时状态监测,生成关键部位实时状态数据;
所述维护策略模块与所述故障检测模块和所述状态监测模块连接,用于基于所述风机发电机组故障类型与所述风机发电机组故障征兆,通过所述海上风机发电机组故障描述记录数据库和所述关键部位实时状态数据确定风机维护策略。
2.根据权利要求1所述的一种面向海上风机发电机组的智能检测运维***,其特征在于,所述数据处理模块,包括:数据抽取单元、数据清洗转换单元和数据加载单元;
所述数据抽取单元,用于全量提取或增量提取所述海上风机发电机组原始数据库中的数据;
所述数据清洗转换单元,用于对所述海上风机发电机组原始数据库中的信号类数据进行清洗处理,对所述海上风机发电机组原始数据库中的图像类数据进行转换处理;
所述数据加载单元,用于全量加载或增量加载所述海上风机发电机组原始数据库中的数据至所述故障检测模块。
3.根据权利要求1所述的一种面向海上风机发电机组的智能检测运维***,其特征在于,所述故障检测模块,包括:第一构建单元、第二构建单元、第三构建单元和第一生成单元;
所述第一构建单元,用于当所述风机发电机组数据为信号类型时,则将所述风机发电机组数据进行傅里叶变换,并基于傅里叶变换后的风机发电机组数据构建第一分类模型;
所述第二构建单元,用于当所述风机发电机组数据为图像类型时,则基于所述风机发电机组数据,利用元学习构建第二分类模型;
所述第三构建单元连接所述第一构建单元和所述第二构建单元,用于基于所述第一分类模型与所述第二分类模型构建所述基础模型树;
所述第一生成单元连接所述第三构建单元,用于将所述风机发电机组原始数据输入所述基础模型树中,生成风机发电机组故障类型与风机发电机组故障征兆。
4.根据权利要求1所述的一种面向海上风机发电机组的智能检测运维***,其特征在于,所述维护策略模块,包括:关联单元、第二生成单元、分级排序单元和确定单元;
所述关联单元连接所述故障检测模块和所述数据库模块,用于将所述风机发电机组故障类型和所述风机发电机组故障征兆与所述海上风机发电机组故障描述记录数据库进行关联,生成故障处理方式;
所述第二生成单元,用于基于所述风机发电机组故障类型和所述风机发电机组故障征兆,利用自回归滑动平均模型生成故障预测发生时间;
所述分级排序单元连接所述关联单元和所述故障检测模块,用于获取风电场运维标准,基于所述关键部位实时状态数据和所述风电场运维标准对所述风机发电机组故障类型和所述故障处理方式进行分级排序,生成故障等级;
所述确定单元连接所述故障检测模块、所述第二生成单元和所述分级排序单元,用于基于所述风机发电机组故障征兆、所述故障预测发生时间和所述故障等级确定所述风机维护策略。
5.根据权利要求1所述的一种面向海上风机发电机组的智能检测运维***,其特征在于,还包括:天气模块;
所述天气模块,用于获取目标区域的实时天气预报,基于所述目标区域的实时天气预报与所述风电场环境数据库中的目标区域天气数据确定天气预测数据。
6.根据权利要求5所述的一种面向海上风机发电机组的智能检测运维***,其特征在于,还包括:智能排期模块;
所述智能排期模块与所述维护策略模块和所述天气模块连接,用于根据所述风机维护策略、所述风电场环境数据库中的运维船舶信息与运维人员信息和所述天气预测数据,生成检修排期数据。
7.根据权利要求1所述的一种面向海上风机发电机组的智能检测运维***,其特征在于,还包括:***经济运行评价模块;
所述***经济运行评价模块,用于获取海上风电场的发电量损失与海上风电机厂运维成本,基于所述海上风电场的发电量损失与所述海上风电机厂运维成本对海上风电场的运行进行评价,生成海上风电场经济运行评价结果。
8.一种面向海上风机发电机组的智能检测运维方法,其特征在于,包括:
边缘采集模块采集海上风电机组的实时数据信息;
数据通信模块将所述海上风电机组的实时数据信息发送给数据库模块;
所述数据库模块基于所述海上风电机组的实时数据信息构建风机发电机组基础数据库;其中,所述风机发电机组基础数据库包括海上风机发电机组原始数据库、海上风机发电机组故障描述记录数据库和风电场环境数据库;
数据处理模块对所述海上风机发电机组原始数据库中的数据进行处理,生成风机发电机组原始数据;
故障检测模块获取不同故障类型的风机发电机组数据,并基于所述不同故障类型的风机发电机组数据构建基础模型树,将所述风机发电机组原始数据输入所述基础模型树中,生成风机发电机组故障类型与风机发电机组故障征兆;
状态监测模块对海上风电机组的各关键部位进行实时状态监测,生成关键部位实时状态数据;
维护策略模块基于所述风机发电机组故障类型与所述风机发电机组故障征兆,通过所述海上风机发电机组故障描述记录数据库和所述关键部位实时状态数据确定风机维护策略。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器与所述处理器耦合;
所述存储器上存储有计算机可读程序指令,当所述指令被所述处理器执行时,实现如权利要求8所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310589105.4A CN116591911A (zh) | 2023-05-19 | 2023-05-19 | 一种面向海上风机发电机组的智能检测运维***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310589105.4A CN116591911A (zh) | 2023-05-19 | 2023-05-19 | 一种面向海上风机发电机组的智能检测运维***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116591911A true CN116591911A (zh) | 2023-08-15 |
Family
ID=87604248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310589105.4A Pending CN116591911A (zh) | 2023-05-19 | 2023-05-19 | 一种面向海上风机发电机组的智能检测运维***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116591911A (zh) |
-
2023
- 2023-05-19 CN CN202310589105.4A patent/CN116591911A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Adedipe et al. | Bayesian network modelling for the wind energy industry: An overview | |
Liu et al. | A small-sample wind turbine fault detection method with synthetic fault data using generative adversarial nets | |
Wang et al. | Copula‐based model for wind turbine power curve outlier rejection | |
Dinwoodie et al. | Analysis of offshore wind turbine operation and maintenance using a novel time domain meteo-ocean modeling approach | |
US11604461B2 (en) | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid | |
CN111878322B (zh) | 风力发电机装置 | |
US20220292666A1 (en) | Systems and methods for detecting wind turbine operation anomaly using deep learning | |
CN115796059B (zh) | 一种基于深度学习的电气设备寿命预测方法及*** | |
CN115036922B (zh) | 一种分布式光伏发电电量预测方法及*** | |
CN116383773A (zh) | 基于自适应预测区间的数据中心能效异常检测方法、***和介质 | |
CN116307641A (zh) | 一种面向数字化电厂的资源协同调度管理方法及*** | |
Vera-Tudela et al. | On the selection of input variables for a wind turbine load monitoring system | |
CN116821730B (zh) | 风机故障检测方法、控制装置及存储介质 | |
CN112802011A (zh) | 一种基于vgg-bls的风机叶片缺陷检测方法 | |
CN116591911A (zh) | 一种面向海上风机发电机组的智能检测运维***及方法 | |
CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN111523557A (zh) | 基于大数据的风电智能化故障诊断方法 | |
Pahmi et al. | Artificial neural network based forecasting of power under real time monitoring environment | |
CN115659778A (zh) | 风力发电机轴承故障诊断模型在线构建方法及在线更新设备 | |
CN112699598A (zh) | 齿轮箱油温异常智能诊断方法及装置 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
Nielsen et al. | Quantifying the value of SHM for wind turbine blades | |
CN117688464B (zh) | 一种基于多源传感器数据的隐患分析方法及*** | |
Francisco de Santos et al. | Farm-wide fatigue loads estimation: a data-driven approach | |
Rama et al. | Predictive Maintenance and Anomaly Detection of Wind Turbines Based on Bladed Simulator Models |
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 |