基于人工智能的风机运行故障预警方法及系统技术方案

本发明专利技术涉及数据处理领域，具体涉及基于人工智能的风机运行故障预警方法及系统，采集各监控数据序列；获取电压关联度和电流关联度；根据电压数据序列第一周期、第二周期的电压差值序列及电压数据序列得到电压波动趋增系数；根据电压数据序列第一周期、第二周期各电压异常组得到第一周期、第二周期的电压波变强度；根据电压波动趋增系数及第一周期、第二周期的电压波变强度得到电压异常波动渐延度；获取电流异常波动渐延度；根据电压、电流异常波动渐延度及关联度得到趋势平滑参数，下一时刻的风机转速预测值，完成风机运行故障预警。使预测值更快适应临近时刻数据的变化，实现对风机的实时监测和预测，提高预警的准确性和精度。提高预警的准确性和精度。提高预警的准确性和精度。

【技术实现步骤摘要】
基于人工智能的风机运行故障预警方法及系统


[0001]本申请涉及数据处理
，具体涉及基于人工智能的风机运行故障预警方法及系统。

技术介绍

[0002]本专利技术中的风机是一种使用电能工作、用于散热和冷却的装置，主要通过风流来降低温度并排除热量。其中电机是风机的核心部件，风叶的转速也体现该风机运行时是否存在故障，同时电机老化、叶片堵塞、轴承损坏等都会造成该风机转速的异常。
[0003]传统的基于经验阈值是通过固定的阈值对风机转速的异常情况进行监测，这种方法并不能根据具体的实际情况设置特有的阈值，且对于临近的历史数据与时间较远的历史数据对预测值的影响不做任何权重的限制，导致对风机运行未来可能出现的故障预警的精度较低。
[0004]综上所述，本专利技术提出基于人工智能的风机运行故障预警方法，采集风机运行数据，根据电压、电流数据中的异常情况进行分析，通过影响风机转速的预测值，完成对风机运行故障预警。

技术实现思路

[0005]为了解决上述技术问题，本专利技术的目的在于提供一种基于人工智能的风机运行故障预警方法及系统，所采用的技术方案具体如下：第一方面，本专利技术实施例提供了一种基于人工智能的风机运行故障预警方法，该方法包括以下步骤：采集风机运行时各监控数据序列；所述监控数据序列包含电压、电流、风机转速数据序列；结合灰色关联法获取电压、电流数据序列对风机转速数据序列的电压关联度和电流关联度；将电压数据序列分成第一周期和第二周期；获取电压数据序列的标准差；根据电压数据序列得到第一周期的电压差值序列；获取第二周期的电压差值序列；计算电压差值序列第一周期、第二周期的赫尔斯特指数；根据电压数据序列第一周期、第二周期的赫尔斯特指数及电压数据序列的标准差得到电压波动趋增系数；获取电流波动趋增系数；根据电压数据序列得到各电压异常组；根据电压数据序列第一周期各电压异常组得到各电压异常组的电压波变系数；根据电压数据序列第一周期各电压异常组的电压波变系数得到电压数据序列第一周期的电压波变强度；获取电压数据序列第二周期的电压波变强度；根据电压波动趋增系数及电压数据序列第一周期、第二周期的电压波变强度得到电压异常波动渐延度；获取电流异常波动渐延度；根据电压、电流异常波动渐延度及关联度得到趋势平滑参数；根据趋势平滑参数对风机转速数据序列计算下一时刻的风机转速预测值；当下一时刻的风机转速预测值高于
额定转速值时风机出现故障，完成风机运行故障预警。
[0006]优选的，所述将电压数据序列分成第一周期和第二周期的具体步骤为：对于电压数据序列，将前个数据记为第一周期，将后个数据记为第二周期，、为预设数量。
[0007]优选的，所述根据电压数据序列得到第一周期的电压差值序列的具体步骤为：获取额定电压值，将电压数据序列第一周期各数据数值与额定电压值的差值绝对值记为第一周期的电压差值序列。
[0008]优选的，所述根据电压数据序列第一周期、第二周期的赫尔斯特指数及电压数据序列的标准差得到电压波动趋增系数的具体步骤为：对于电压数据序列，获取第一周期的赫尔斯特指数与第二周期的赫尔斯特指数的比值；将电压数据序列的标准差与所述比值的乘积作为电压波动趋增系数。
[0009]优选的，所述根据电压数据序列得到各电压异常组的具体步骤为：设置电压高、低阈值，将电压数据序列中高于高阈值或低于低阈值的连续数据均记为一组电压异常组，得到各电压异常组。
[0010]优选的，所述根据电压数据序列第一周期各电压异常组得到各电压异常组的电压波变系数的具体步骤为：对于电压数据序列第一周期各电压异常组，计算电压异常组各数据点的数值与额定电压值的差值绝对值，将电压异常组中所有数据点的差值绝对值求和得到电压异常组的电压波变系数。
[0011]优选的，所述根据电压数据序列第一周期各电压异常组的电压波变系数得到电压数据序列第一周期的电压波变强度的具体步骤为：获取电压数据序列第一周期电压异常组的组数；对于电压数据序列第一周期各电压异常组，获取电压异常组内的数据点数量；将电压异常组的电压波变系数与数据点数量的乘积记为电压异常组的第一因子；计算第一周期所有电压异常组的第一因子与所述组数的乘积，将所述乘积与第一周期电压数据序列的数据点数量的比值记为电压数据序列第一周期的电压波变强度。
[0012]优选的，所述根据电压波动趋增系数及电压数据序列第一周期、第二周期的电压波变强度得到电压异常波动渐延度的具体步骤为：对于电压数据序列，计算第二周期与第一周期的电压波变强度的比值，将所述比值与电压波动趋增系数的乘积作为电压异常波动渐延度。
[0013]优选的，所述根据电压、电流异常波动渐延度及关联度得到趋势平滑参数的具体步骤为：将电压异常波动渐延度与电压关联度的乘积记为第一乘积，将电流异常波动渐延度与电流关联度的乘积记为第二乘积，将第一乘积与第二乘积的和值作为趋势平滑参数。
[0014]第二方面，本专利技术实施例还提供了一种基于人工智能的风机运行故障预警系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
[0015]本专利技术至少具有如下有益效果：
本专利技术根据历史的电压、电流数据序列进行分析，将历史数据分成两个周期，针对每个周期的异常情况得到其数据序列对风机转速数据序列的影响程度，将预测值设置为受到更临近数据异常情况的影响，即时间越远历史数据对未来的预测值的影响越小，以此更准确预测未来下一时刻的风机转速，使得预警结果更加准确。
[0016]将电压、电流对转速的关联度作为影响因素对转速的影响度的初始值，对电压、电流数据进行分析处理，对于随着时间变化，数值相关性越大、序列数值混乱波动越具有增加的趋势，同时该异常波动强度越大，两者表示数据中较为异常的波动强度越呈现增强的趋势，说明该数据变化并非是偶然现象，而是越具有逐渐增大的趋势；采取霍尔特指数平滑算法对未来数据进行预测，使预测值更快适应临近时刻数据的变化，实现对风机的实时监测和预测，提高预警的准确性和精度。
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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它附图。
[0018]图1为本专利技术提供的基于人工智能的风机运行故障预警方法的流程图。
具体实施方式
[0019]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的基于人工智能的风机运行故障预警方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0020]除非另有定义，本文所使用的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能的风机运行故障预警方法，其特征在于，该方法包括以下步骤：采集风机运行时各监控数据序列；所述监控数据序列包含电压、电流、风机转速数据序列；结合灰色关联法获取电压、电流数据序列对风机转速数据序列的电压关联度和电流关联度；将电压数据序列分成第一周期和第二周期；获取电压数据序列的标准差；根据电压数据序列得到第一周期的电压差值序列；获取第二周期的电压差值序列；计算电压差值序列第一周期、第二周期的赫尔斯特指数；根据电压数据序列第一周期、第二周期的赫尔斯特指数及电压数据序列的标准差得到电压波动趋增系数；获取电流波动趋增系数；根据电压数据序列得到各电压异常组；根据电压数据序列第一周期各电压异常组得到各电压异常组的电压波变系数；根据电压数据序列第一周期各电压异常组的电压波变系数得到电压数据序列第一周期的电压波变强度；获取电压数据序列第二周期的电压波变强度；根据电压波动趋增系数及电压数据序列第一周期、第二周期的电压波变强度得到电压异常波动渐延度；获取电流异常波动渐延度；根据电压、电流异常波动渐延度及关联度得到趋势平滑参数；根据趋势平滑参数对风机转速数据序列计算下一时刻的风机转速预测值；当下一时刻的风机转速预测值高于额定转速值时风机出现故障，完成风机运行故障预警。2.如权利要求1所述的基于人工智能的风机运行故障预警方法，其特征在于，所述将电压数据序列分成第一周期和第二周期的具体步骤为：对于电压数据序列，将前个数据记为第一周期，将后个数据记为第二周期，、为预设数量。3.如权利要求1所述的基于人工智能的风机运行故障预警方法，其特征在于，所述根据电压数据序列得到第一周期的电压差值序列的具体步骤为：获取额定电压值，将电压数据序列第一周期各数据数值与额定电压值的差值绝对值记为第一周期的电压差值序列。4.如权利要求1所述的基于人工智能的风机运行故障预警方法，其特征在于，所述根据电压数据序列第一周期、第二周期的赫尔斯特指数及电压数据序列的标准差得到电压波动趋增系数的具体步骤为：对于电压数据序列，获取第一周期的赫尔斯特指数与第二周期的赫尔斯特指数的比值；将电压数据序列的标准差与所述比值的乘积作为电压波动趋增系数。5.如权利要求1所述的基于人工智...

【专利技术属性】
技术研发人员：濮晓明，唐晓强，吴放明，
申请(专利权)人：无锡市明通动力工业有限公司，
类型：发明
国别省市：