Nothing Special   »   [go: up one dir, main page]

CN113313365A - 一种一次风机的劣化预警方法及设备 - Google Patents

一种一次风机的劣化预警方法及设备 Download PDF

Info

Publication number
CN113313365A
CN113313365A CN202110530315.7A CN202110530315A CN113313365A CN 113313365 A CN113313365 A CN 113313365A CN 202110530315 A CN202110530315 A CN 202110530315A CN 113313365 A CN113313365 A CN 113313365A
Authority
CN
China
Prior art keywords
data
primary air
early warning
degradation
air fan
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
Application number
CN202110530315.7A
Other languages
English (en)
Inventor
宋庆
吴迅
梁晏萱
陈飞云
彭文乾
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.)
Huaneng Chongqing Luohuang Power Generation Co Ltd
Original Assignee
Huaneng Chongqing Luohuang Power Generation 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 Huaneng Chongqing Luohuang Power Generation Co Ltd filed Critical Huaneng Chongqing Luohuang Power Generation Co Ltd
Priority to CN202110530315.7A priority Critical patent/CN113313365A/zh
Publication of CN113313365A publication Critical patent/CN113313365A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • 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
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种一次风机的劣化预警方法及设备，所述方法包括：获取所述一次风机正常运行时的历史运行数据；基于所述历史运行数据对预设神经网络模型进行训练，以获取所述一次风机的劣化预警模型；基于所述劣化预警模型对所述一次风机的实时运行数据进行监测，并在所述实时运行数据出现劣化趋势时向用户发出预警信息，通过上述方法，实现对一次风机的状态进行实时监测，提高了一次风机的安全性，并降低了人工成本。

Description

一种一次风机的劣化预警方法及设备
技术领域
本申请涉及风能利用领域，更具体地，涉及一种一次风机的劣化预警方法及设备。
背景技术
一次风机是保证火力发电厂正常运行的重要辅机设备之一,其运行状态直接影响电力生产的经济性和安全性.在线监测和故障预测有助于保证发电运行的可靠性与稳定性。
目前人工智能进行预防性维护的算法模式基本思路是将设备上次检修后的运行时间作为输入量，将设备(机器)故障(失效)的概率作为输出量，利用深度学习，根据输入量的变化修正实际输出量。在实际设备检修中，以设备等效运行小时数为输入量，根据设备实际运行的时间、计算的统计数据、经验曲线等对等效运行小时进行修正，以修正后的等效运行小时为主要依据确定设备是否检修。如燃机等效运行小时(EOH)可分解为累积实际运行小时数、启停次数等效小时数、跳机等效小时数、甩负荷等效小时数和快速变负荷等效小时数等。也有根据专家知识建立专家库，通过建立相关的规则或推理来实现设备的状态监测，或基于故障预警，持续跟踪异常征兆并监测设备状态，实现发电设备状态检修。
上述方式虽然采用了基于统计学的人工智能算法，但总体上还是沿用了传统制造业的思维模式，最后计算出的数值依然是这一类型设备运行多长时间应该检修，回到定期维修的模式。所以，上述方法及已有应用成果无法有针对性的判断并指导设备(机器)开展状态检修。工业设备尽管是同一型号的设备，但其运行工况往往差异很大，加之检修人员检修与维护水平参差不齐，上次检修后设备的健康程度也存在差异。因此，人工智能应该根据实际情况寻求新的技术路线，使工业领域真正实现设备的状态检修。
因此，提出一种一次风机的劣化预警方法，用以解决现有技术中无法实时监测一次风机的运行状态且人工成本高的技术问题，是本领域技术人员亟待解决的技术问题。
发明内容
本发明提供一种一次风机的劣化预警方法，用以解决现有技术中无法实时监测一次风机的运行状态且人工成本高的技术问题，所述方法包括：
获取所述一次风机正常运行时的历史运行数据；
基于所述历史运行数据对预设神经网络模型进行训练，以获取所述一次风机的劣化预警模型；
基于所述劣化预警模型对所述一次风机的实时运行数据进行监测，并在所述实时运行数据出现劣化趋势时向用户发出预警信息。
优选的，基于所述历史运行数据对预设神经网络模型进行训练，以获取所述一次风机的劣化预警模型，具体为：
对所述历史运行数据进行特征提取处理，并得到所述历史运行数据对应的数据特征；
基于所述数据特征对所述预设神经网络模型进行训练，以获取所述劣化预警模型。
优选的，对所述历史运行数据进行特征提取处理，并得到所述历史运行数据对应的数据特征，具体为：
对所述历史运行数据进行数据清洗；
对清洗后的历史运行数据进行归一化处理，并通过主成分分析将归一化处理后的历史运行数据进行降维处理；
通过相关系数法及降维处理后的历史运行数据获取所述数据特征。
优选的，所述预设神经网络模型具体为自编码神经网络模型，所述自编码神经网络模型的输入和输出层的激活函数选择sigmoid激活函数，中间层的激活函数选择tanh激活函数。
优选的，所述历史运行数据包括一次风机入口压力数据、一次风机出口压力数据、一次风机出口风量数据、一次风机轴承振动数据。
优选的，基于所述数据特征对所述预设神经网络模型进行训练，以获取所述劣化预警模型，具体为：
通过机器学习方法或深度学习方法对所述数据特征进行模型训练，并获取所述劣化预警模型。
优选的，基于所述劣化预警模型对所述一次风机的实时运行数据进行监测，并在所述实时运行数据出现劣化趋势时向用户发出预警信息，具体为：
将所述实时运行数据输入所述劣化预警模型中，将所述劣化预警模型的输出值与预设值进行比较；
若所述输出值与预设值之差超过预设范围，则确定所述一次风机出现劣化趋势，并向用户发出预警信息。
优选的，所述方法还包括：
将所述实时运行数据作为新的历史运行数据存储到数据库中，并实时更新所述劣化预警模型。
优选的，获取所述一次风机正常运行时的历史运行数据之前，还包括：
对所述历史运行数据进行有效性检验。
相应地，本发明还提出了一种一次风机的劣化预警设备，所述设备包括：
获取模块，用于获取所述一次风机正常运行时的历史运行数据；
训练模块，用于基于所述历史运行数据对预设神经网络模型进行训练，以获取所述一次风机的劣化预警模型；
监测模块，用于基于所述劣化预警模型对所述一次风机的实时运行数据进行监测，并在所述实时运行数据出现劣化趋势时向用户发出预警信息。
与现有技术对比，本发明具备以下有益效果：
本发明公开了一种一次风机的劣化预警方法及设备，所述方法包括：获取所述一次风机正常运行时的历史运行数据；基于所述历史运行数据对预设神经网络模型进行训练，以获取所述一次风机的劣化预警模型；基于所述劣化预警模型对所述一次风机的实时运行数据进行监测，并在所述实时运行数据出现劣化趋势时向用户发出预警信息，通过上述方法，实现对一次风机的状态进行实时监测，提高了一次风机的安全性，并降低了人工成本。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域技术人员来讲，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示出了本发明实施例提出的一种一次风机的劣化预警方法的流程示意图；
图2示出了本发明实施例提出的一种一次风机的劣化预警设备的结构示意图；
图3示出了本发明实施例提出的一种一次风机的劣化预警方法的效果示意图。
具体实施方式
下面将结合本申请实施例中的附图，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。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如背景技术所述，目前现有技术虽然采用了基于统计学的人工智能算法，但总体上还是沿用了传统制造业的思维模式，最后计算出的数值依然是这一类型设备运行多长时间应该检修，回到定期维修的模式。所以，上述方法及已有应用成果无法有针对性的判断并指导设备(机器)开展状态检修。
为解决上述问题，本申请实施例提出了一种一次风机的劣化预警方法及设备，该方法包括：获取所述一次风机正常运行时的历史运行数据；基于所述历史运行数据对预设神经网络模型进行训练，以获取所述一次风机的劣化预警模型；基于所述劣化预警模型对所述一次风机的实时运行数据进行监测，并在所述实时运行数据出现劣化趋势时向用户发出预警信息，通过上述方法，实现对一次风机的状态进行实时监测，提高了一次风机的安全性，并降低了人工成本。
如图1所示本发明实施例提出的一种一次风机的劣化预警方法的流程示意图，该方法包括：
S101，获取所述一次风机正常运行时的历史运行数据。
具体的，在本方案中，通过采集历史数据建立预警模型，来实现对一次风机的自动预警检测，为了保证建立的预警模型能够有效的监测所述一次风机的运行状态，本方案中采集一次风机正常运行时的历史运行数据，另外，为了便于后续模型的建立，本方案中，将所述历史运行数据划分为训练集、验证集和测试集。
为了后续建立一次风机的预警模型，在本方案的优选实施例中，所述历史运行数据包括一次风机入口压力数据、一次风机出口压力数据、一次风机出口风量数据、一次风机轴承振动数据。
需要说明的是，所述历史运行数据包括但不限于上述数据，本领域技术人员可以根据实际设备或运行环境灵活选择不同的可以代表所述一次风机的运行状态的数据参数。
为了准确获取所述历史运行数据，在本方案的优选实施例中，获取所述一次风机正常运行时的历史运行数据之前，还包括：
对所述历史运行数据进行有效性检验。
具体的，在接收到一次风机的历史运行数据后，对所述历史运行数据进行有效性检验，将无效数据滤除掉，保证所述历史运行数据为有效数据。
S102，基于所述历史运行数据对预设神经网络模型进行训练，以获取所述一次风机的劣化预警模型。
具体的，根据获取到的历史运行数据对预设神经网络模型进行训练，从而获得一次风机的劣化预警模型。
为了获得一次风机的劣化预警模型，在本申请的优选实施例中，所述预设神经网络模型具体为自编码神经网络模型，所述自编码神经网络模型的输入和输出层的激活函数选择sigmoid激活函数，中间层的激活函数选择tanh激活函数。
具体的，在本方案中的预设神经网络模型具体为自编码神经网络模型，所述自编码神经网络模型的输入和输出层的激活函数选择sigmoid激活函数，中间层的激活函数选择tanh激活函数。
需要说明的是，所述自编码神经网络模型仅为本方案的一种优选实施方式，本领域技术人员可以根据实际需要选取不同的神经网络模型进行训练，所述神经网络模型的不同并不影响本申请的保护范围。
为了准确的获得一次风机的劣化预警模型，基于所述历史运行数据对预设神经网络模型进行训练，以获取所述一次风机的劣化预警模型，具体为：
对所述历史运行数据进行特征提取处理，并得到所述历史运行数据对应的数据特征；
基于所述数据特征对所述预设神经网络模型进行训练，以获取所述劣化预警模型。
具体的，由于很多机器学习问题需要研究的对象可能是分类变量、文字甚至图像，所以我们需要先对所述历史运行数据进行特征提取处理，从而获取所述历史运行数据对应的数据特征，在得到所述数据特征后，根据所述数据特征对所述预设神经网络模型进行训练，以获得所述一次风机的劣化预警模型。
为了得到所述历史运行数据对应的数据特征，在本申请的优选实施例中，对所述历史运行数据进行特征提取处理，并得到所述历史运行数据对应的数据特征，具体为：
对所述历史运行数据进行数据清洗；
对清洗后的历史运行数据进行归一化处理，并通过主成分分析将归一化处理后的历史运行数据进行降维处理；
通过相关系数法及降维处理后的历史运行数据获取所述数据特征。
具体的，首先对所述历史运行数据进行数据清洗，在我们人工进行数据采集时，难免会有遗漏或者误采的情况，数据中经常可能会有空值(NAN)和空格出现。在进行数据分析和处理之前，进行数据清洗是很有必要的流程，同时也是整个数据分析过程中最为重要的环节。
对清洗后的历史运行数据进行归一化处理，归一化的具体作用是归纳统一样本的统计分布性，归一化即为同一、统一和合一的意思。无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练和预测的，且上述提到的sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本的输出归一化处理。另外在数据中常存在奇异样本数据，奇异样本数据存在所引起的网络训练时间增加，并可能引起网络无法收敛。为了避免出现这种情况及后面数据处理的方便，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。
在完成归一化处理后，通过主成分分析将归一化处理后的历史运行数据进行降维处理，选取线性不相关的历史运行数据，再通过相关系数法评估所述历史运行数据与训练结果的相关性，从而获取所述历史运行数据对应的数据特征。
为了准确获取所述劣化预警模型，在本方案的优选实施例中，基于所述数据特征对所述预设神经网络模型进行训练，以获取所述劣化预警模型，具体为：
通过机器学习方法或深度学习方法对所述数据特征进行模型训练，并获取所述劣化预警模型。
具体的，在对预设神经网络模型进行训练时，可以通过机器学习方法对所述数据特征进行模型训练，从而获取所述劣化预警模型，也可以通过深度学习方法对所述数据特征进行模型训练，从而获取所述劣化预警模型。
S103，基于所述劣化预警模型对所述一次风机的实时运行数据进行监测，并在所述实时运行数据出现劣化趋势时向用户发出预警信息。
具体的，在获得所述劣化预警模型后，将所述一次风机的实时数据输入到所述劣化预警模型，从而时刻监测所述一次风机的实时运行数据是否出现劣化趋势，若出现劣化趋势，则通过显示屏或其他终端向用户发出预警信息。
为了准确判断所述实时运行数据是否出现劣化趋势，在本方案的优选实施例中，基于所述劣化预警模型对所述一次风机的实时运行数据进行监测，并在所述实时运行数据出现劣化趋势时向用户发出预警信息，具体为：
将所述实时运行数据输入所述劣化预警模型中，将所述劣化预警模型的输出值与预设值进行比较；
若所述输出值与预设值之差超过预设范围，则确定所述一次风机出现劣化趋势，并向用户发出预警信息。
具体的，将所述实时运行数据输入所述劣化预警模型中，将所述劣化预警模型的输出值与预设值进行比较，若所述输出值与预设值之间的差值超过预设范围，则确定所述一次风机出现劣化趋势，并向用户发出预警信息，此外也可以设置预设持续时间，当劣化趋势持续到的时间超过预设持续时间后才向用户发出预警信息，避免短暂的数据异常或波动也引起预警信息，给用户带来不必要的工作。
为了实时监测一次风机的劣化趋势，在本申请的优选实施例中，所述方法还包括：
将所述实时运行数据作为新的历史运行数据存储到数据库中，并实时更新所述劣化预警模型。
具体的，将所述实时运行数据作为新的历史运行数据存储到数据库中，以实现实时更新所述劣化预警模型，提高劣化预警模型的准确性和适用范围。
如图3所示为本发明实施例提出的一种一次风机的劣化预警方法的效果示意图，在分析平台中配置了一次风机的劣化预警模型，实现了一次风机轴承设备的状态实时评估及劣化趋势检测，为电站运行人员掌握一次风机健康状态提供了依据，并能够在一定的时间内对一次风机轴承可能存在的问题进行有效及时的排查，如图3所示，缓变率即表示其效率的变化趋势，当其劣化趋势严重(即效率下降明显)时，系统会根据相关配置发出可能在30日出现异常或10内出现异常提示运行人员及时关注一次风机运行状况。
通过应用以上技术方案，本发明公开了一种一次风机的劣化预警方法，该方法包括：获取所述一次风机正常运行时的历史运行数据；基于所述历史运行数据对预设神经网络模型进行训练，以获取所述一次风机的劣化预警模型；基于所述劣化预警模型对所述一次风机的实时运行数据进行监测，并在所述实时运行数据出现劣化趋势时向用户发出预警信息，通过上述方法，实现对一次风机的状态进行实时监测，提高了一次风机的安全性，并降低了人工成本。
为了达到以上技术目的，本申请实施例还提出了一种一次风机的劣化预警设备，如图2所示，所述设备包括：
获取模块201，用于获取所述一次风机正常运行时的历史运行数据；
训练模块202，用于基于所述历史运行数据对预设神经网络模型进行训练，以获取所述一次风机的劣化预警模型；
监测模块203，用于基于所述劣化预警模型对所述一次风机的实时运行数据进行监测，并在所述实时运行数据出现劣化趋势时向用户发出预警信息。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括以若干指令的形式使一台计算机一次风机的劣化预警方法(可以是个人计算机，服务器，或者网络一次风机的劣化预警方法等)执行本发明各个实施场景所述的方法。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解装置中的模块可以按照实施场景描述分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本发明序号仅仅为了描述，不代表实施场景的优劣。
以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (10)

1.一种一次风机的劣化预警方法，其特征在于，所述方法包括：
获取所述一次风机正常运行时的历史运行数据；
基于所述历史运行数据对预设神经网络模型进行训练，以获取所述一次风机的劣化预警模型；
基于所述劣化预警模型对所述一次风机的实时运行数据进行监测，并在所述实时运行数据出现劣化趋势时向用户发出预警信息。
2.如权利要求1所述的劣化预警方法，其特征在于，基于所述历史运行数据对预设神经网络模型进行训练，以获取所述一次风机的劣化预警模型，具体为：
对所述历史运行数据进行特征提取处理，并得到所述历史运行数据对应的数据特征；
基于所述数据特征对所述预设神经网络模型进行训练，以获取所述劣化预警模型。
3.如权利要求1所述的劣化预警方法，其特征在于，对所述历史运行数据进行特征提取处理，并得到所述历史运行数据对应的数据特征，具体为：
对所述历史运行数据进行数据清洗；
对清洗后的历史运行数据进行归一化处理，并通过主成分分析将归一化处理后的历史运行数据进行降维处理；
通过相关系数法及降维处理后的历史运行数据获取所述数据特征。
4.如权利要求2所述的劣化预警方法，其特征在于，所述预设神经网络模型具体为自编码神经网络模型，所述自编码神经网络模型的输入和输出层的激活函数选择sigmoid激活函数，中间层的激活函数选择tanh激活函数。
5.如权利要求1所述的劣化预警方法，其特征在于，所述历史运行数据包括一次风机入口压力数据、一次风机出口压力数据、一次风机出口风量数据、一次风机轴承振动数据。
6.如权利要求2所述的劣化预警方法，其特征在于，基于所述数据特征对所述预设神经网络模型进行训练，以获取所述劣化预警模型，具体为：
通过机器学习方法或深度学习方法对所述数据特征进行模型训练，并获取所述劣化预警模型。
7.如权利要求1所述的劣化预警方法，其特征在于，基于所述劣化预警模型对所述一次风机的实时运行数据进行监测，并在所述实时运行数据出现劣化趋势时向用户发出预警信息，具体为：
将所述实时运行数据输入所述劣化预警模型中，将所述劣化预警模型的输出值与预设值进行比较；
若所述输出值与预设值之差超过预设范围，则确定所述一次风机出现劣化趋势，并向用户发出预警信息。
8.如权利要求1所述的劣化预警方法，其特征在于，所述方法还包括：
将所述实时运行数据作为新的历史运行数据存储到数据库中，并实时更新所述劣化预警模型。
9.如权利要求1所述的劣化预警方法，其特征在于，获取所述一次风机正常运行时的历史运行数据之前，还包括：
对所述历史运行数据进行有效性检验。
10.一种一次风机的劣化预警设备，其特征在于，所述设备包括：
获取模块，用于获取所述一次风机正常运行时的历史运行数据；
训练模块，用于基于所述历史运行数据对预设神经网络模型进行训练，以获取所述一次风机的劣化预警模型；
监测模块，用于基于所述劣化预警模型对所述一次风机的实时运行数据进行监测，并在所述实时运行数据出现劣化趋势时向用户发出预警信息。
CN202110530315.7A 2021-05-14 2021-05-14 一种一次风机的劣化预警方法及设备 Pending CN113313365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110530315.7A CN113313365A (zh) 2021-05-14 2021-05-14 一种一次风机的劣化预警方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110530315.7A CN113313365A (zh) 2021-05-14 2021-05-14 一种一次风机的劣化预警方法及设备

Publications (1)

Publication Number Publication Date
CN113313365A true CN113313365A (zh) 2021-08-27

Family

ID=77373211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110530315.7A Pending CN113313365A (zh) 2021-05-14 2021-05-14 一种一次风机的劣化预警方法及设备

Country Status (1)

Country Link
CN (1) CN113313365A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066274A (zh) * 2021-11-22 2022-02-18 通用电气（武汉）自动化有限公司 一种设备性能预警的方法及装置
CN116662761A (zh) * 2023-06-28 2023-08-29 广州发展南沙电力有限公司 一种基于数据分析的燃机电站重要参数预警方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948833A (zh) * 2019-02-25 2019-06-28 华中科技大学 一种基于长短期记忆网络的水电机组劣化趋势预测方法
CN112465136A (zh) * 2020-10-22 2021-03-09 国家电网有限公司 一种水电机组劣化预测方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948833A (zh) * 2019-02-25 2019-06-28 华中科技大学 一种基于长短期记忆网络的水电机组劣化趋势预测方法
CN112465136A (zh) * 2020-10-22 2021-03-09 国家电网有限公司 一种水电机组劣化预测方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨嘉巍: ""电站引风机运行状态与风险评估方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066274A (zh) * 2021-11-22 2022-02-18 通用电气（武汉）自动化有限公司 一种设备性能预警的方法及装置
CN116662761A (zh) * 2023-06-28 2023-08-29 广州发展南沙电力有限公司 一种基于数据分析的燃机电站重要参数预警方法及系统
CN116662761B (zh) * 2023-06-28 2024-05-14 广州发展南沙电力有限公司 一种基于数据分析的燃机电站重要参数预警方法及系统

Similar Documents

Publication Publication Date Title
CN108154291B (zh) 一种基于策略库的供电厂性能指标评价方法及系统
CN108133316B (zh) 一种供电厂电力设备家族性缺陷的检测方法
CN111141517B (zh) 风机故障诊断方法及系统
CN109492790A (zh) 基于神经网络与数据挖掘的风电机组健康管理方法
CN112016743A (zh) 电网设备的检修预测方法、装置、计算机设备和存储介质
CN112001511A (zh) 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备
CN113313365A (zh) 一种一次风机的劣化预警方法及设备
CN116480534A (zh) 一种风电机组健康度评估和检修方法、系统、设备及介质
CN112816898B (zh) 电瓶故障预测方法、装置、电子设备和存储介质
CN114519382A (zh) 一种核动力装置关键运行参数提取与异常监测方法
CN115828173A (zh) 基于故障知识与因果推理的风机故障诊断方法及系统
CN111666978B (zh) 一种it系统运维大数据的智能故障预警系统
CN117350377A (zh) 一种基于知识图谱驱动的设备故障诊断方法及装置
CN118096131B (zh) 一种基于电力场景模型的运维巡检方法
KR20220089853A (ko) 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법
CN117150418B (zh) 基于状态特征故障树的变压器运检周期制定方法和系统
CN118462500A (zh) 一种智慧风电场综合效能评估方法
CN112524077A (zh) 检测风机故障的方法及装置、系统
CN115600695B (zh) 一种计量设备的故障诊断方法
CN117993562A (zh) 基于人工智能大数据分析的风电机组故障预测方法及系统
CN111308016A (zh) 一种齿轮箱故障诊断方法、系统、设备及存储介质
Zhang Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data
Smeraldo et al. A data-driven approach to fault diagnostics for industrial process plants based on feature extraction and inferential statistics
CN115906437A (zh) 一种风机状态确定方法、装置、设备和存储介质
CN114066163A (zh) 一种基于三层架构模式的电力设备状态分析方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210827

RJ01 Rejection of invention patent application after publication