[發(fā)明專利]一種故障預警方法、裝置、設備及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202011230465.8
• 申請日: 2020-11-06
• 公開（公告）號: CN112529036B
• 公開（公告）日: 2023-06-13
• 發(fā)明（設計）人: 孫猛;丁剛;臧劍南;汪勇;鄧志成;楊凱鏇;方超;陳榮澤;李治;陳家穎;何川博
• 申請（專利權(quán)）人: 上海發(fā)電設備成套設計研究院有限責任公司
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/23;G06F18/10;G06F16/215;G06F16/25;G06Q50/06;H02J13/00;G06N3/02;G06F18/27
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

本發(fā)明公開了一種故障預警方法、裝置、設備及存儲介質(zhì)。該方法包括：獲取離線數(shù)據(jù)和在線數(shù)據(jù)，其中，所述在線數(shù)據(jù)包括：生產(chǎn)實時數(shù)據(jù)和振動數(shù)據(jù)；根據(jù)所述離線數(shù)據(jù)、所述振動數(shù)據(jù)和所述生產(chǎn)實時數(shù)據(jù)確定測點數(shù)據(jù)，其中，所述測點數(shù)據(jù)包括：添加相同時間標簽的離線數(shù)據(jù)、振動數(shù)據(jù)和生產(chǎn)實時數(shù)據(jù)；將所述測點數(shù)據(jù)輸入訓練好的故障預警模型，得到預估健康數(shù)據(jù)；若所述測點數(shù)據(jù)和預估健康數(shù)據(jù)的差值大于設定閾值，則進行故障預警，通過本發(fā)明的技術(shù)方案，以實現(xiàn)對設備故障的預警診斷，提前預估設備的劣化狀態(tài)，實現(xiàn)預知檢修，避免了故障發(fā)生，減少維護時間，降低故障率。

技術(shù)領域

本發(fā)明實施例涉及電站設備狀態(tài)監(jiān)測技術(shù)領域，尤其涉及一種故障預警方法、裝置、設備及存儲介質(zhì)。

背景技術(shù)

在電站中，設備運行的好壞具有十分重要的意義，當關鍵設備發(fā)生故障時，很可能會對整個系統(tǒng)及其他相關設備產(chǎn)生重大影響。隨著人工智能技術(shù)和大數(shù)據(jù)挖掘算法的在工業(yè)領域的普遍應用，設備故障預警診斷在電站設備狀態(tài)監(jiān)測領域得到了較大發(fā)展和較多應用。目前設備預警診斷方法主要針對生產(chǎn)實時數(shù)據(jù)的建模，對設備狀態(tài)的監(jiān)測手段具有一定的局限性。因此，針對預警模型的多種數(shù)據(jù)結(jié)構(gòu)的基礎數(shù)據(jù)利用和分析受到了廣泛的關注。

隨著現(xiàn)代大生產(chǎn)的發(fā)展和科學技術(shù)的進步，電站設備狀態(tài)的監(jiān)測手段越來越完善，監(jiān)測數(shù)據(jù)的類型越來越復雜，對設備的全方位監(jiān)控越來越細致，但數(shù)據(jù)孤島現(xiàn)象嚴重，不同類型數(shù)據(jù)存儲于不同系統(tǒng)中，相互獨立、互相割裂，對設備數(shù)據(jù)的整體分析困難。

現(xiàn)有電站設備故障預警診斷系統(tǒng)，主要是針對生產(chǎn)歷史數(shù)據(jù)建立設備預警診斷模型，無法有效結(jié)合離線數(shù)據(jù)和振動數(shù)據(jù)，數(shù)據(jù)基礎不完整，進而影響了預警診斷結(jié)果的準確性。

現(xiàn)有電站設備生產(chǎn)運行產(chǎn)生的時序數(shù)據(jù)、定期試驗和定期工作產(chǎn)生離線數(shù)據(jù)、振動傳感器監(jiān)測產(chǎn)生的高頻振動數(shù)據(jù)的數(shù)據(jù)類型各不相同，分別需要時序數(shù)據(jù)庫、關系型數(shù)據(jù)庫和高頻數(shù)據(jù)庫來單獨存儲，這使得數(shù)據(jù)的多元融合十分困難。

近年來，電站設備診斷專家們依據(jù)日益發(fā)展的新進科技手段，例如人工智能和大數(shù)據(jù)挖掘等算法作了針對設備狀態(tài)的大量研究，并將其引入電站設備監(jiān)測領域，主要是針對設備狀態(tài)的異常有了一定判斷，取得了一定成果。但在實際使用過程中，由于所利用的數(shù)據(jù)源是單一生產(chǎn)實時數(shù)據(jù)的局限性，無法利用現(xiàn)場實際測得的離線數(shù)據(jù)及時反饋和修正計算模型，使得模型的自學習能力不強。

發(fā)明內(nèi)容

本發(fā)明實施例提供一種故障預警方法、裝置、設備及存儲介質(zhì)，通過數(shù)據(jù)融合標準與數(shù)據(jù)類型轉(zhuǎn)換，使離線數(shù)據(jù)和振動數(shù)據(jù)以測點方式轉(zhuǎn)換為時序數(shù)據(jù)，通過數(shù)據(jù)類型的轉(zhuǎn)換，使生產(chǎn)時序數(shù)據(jù)、離線數(shù)據(jù)和振動數(shù)據(jù)統(tǒng)一數(shù)據(jù)標準，為故障預警建模提供數(shù)據(jù)支撐，進而實現(xiàn)對設備故障的預警診斷，提前預估設備的劣化狀態(tài)，實現(xiàn)預知檢修，避免了故障發(fā)生，減少維護時間，降低故障率。

第一方面，本發(fā)明實施例提供了一種故障預警方法，包括：

獲取離線數(shù)據(jù)和在線數(shù)據(jù)，其中，所述在線數(shù)據(jù)包括：生產(chǎn)實時數(shù)據(jù)和振動數(shù)據(jù)；

根據(jù)所述離線數(shù)據(jù)、所述振動數(shù)據(jù)和所述生產(chǎn)實時數(shù)據(jù)確定測點數(shù)據(jù)，其中，所述測點數(shù)據(jù)包括：添加相同時間標簽的離線數(shù)據(jù)、振動數(shù)據(jù)和生產(chǎn)實時數(shù)據(jù)；

將所述測點數(shù)據(jù)輸入訓練好的故障預警模型，得到預估健康數(shù)據(jù)；

若所述測點數(shù)據(jù)和預估健康數(shù)據(jù)的差值大于設定閾值，則進行故障預警。

第二方面，本發(fā)明實施例還提供了一種故障預警裝置，該裝置包括：

獲取模塊，用于獲取離線數(shù)據(jù)和在線數(shù)據(jù)，其中，所述在線數(shù)據(jù)包括：生產(chǎn)實時數(shù)據(jù)和振動數(shù)據(jù)；

確定模塊，用于根據(jù)所述離線數(shù)據(jù)、所述振動數(shù)據(jù)和所述生產(chǎn)實時數(shù)據(jù)確定測點數(shù)據(jù)，其中，所述測點數(shù)據(jù)包括：添加相同時間標簽的離線數(shù)據(jù)、振動數(shù)據(jù)和生產(chǎn)實時數(shù)據(jù)；