一种基于大数据管理的服役风力发电机组故障预测方法与流程

技术特征：
1.一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，包括以下步骤：s1、通过对工作过程所服役风力发电机组的内部转子、皮带轮以及齿轮进行监测，得到转速数值，其中监测时间为24h，以24h为一个周期，通过计算对24h内的转圈数值进行统计整合；s2、对所统计整合的转圈数值进行处理，通过测试所得的磨损因子，计算得到内部转子、皮带轮以及齿轮的损耗值，损耗值为一个周期的损耗值，将对应的损耗值进行处理计算得到维修值，通过数据监测，得出90个周期内不同的维修值；s3、对维修值以及对应的周期进行离散系数处理，得到多组线性函数因子，对多组线性函数因子进行整合并进行均值处理，得到对应的均值因子；s4、利用均值因子以及90个周期后的维修值进行处理计算，对维修值降到报警阈值的周期进行提取，并将此周期直接输送至维护终端内，维护终端对此周期时间进行存储，周期时间到达时对所服役的风力发电机组进行人员派遣。2.根据权利要求1所述的一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，步骤s1中进行监测所采用的仪器为转速传感器。3.根据权利要求1所述的一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，步骤s1中计算为周期时间与转速数值进行相乘得到转圈数值，所统计整合的转圈数值为内部转子一个周期内转圈数值z，皮带轮在一个周期内的转圈数值标记为p，齿轮在一个周期内的转圈数值标记为c。4.根据权利要求1所述的一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，步骤s2中磨损因子的测试方式为：s21、将对应的内部转子、皮带轮以及齿轮均采用300r/min转速进行测试，测试24h；s22、再通过采用外部测试仪对内部转子、皮带轮以及齿轮进行扫描比对，得到与原始器件的比对值b，其中磨损因子表示形式为：器件的比对值b，其中磨损因子表示形式为：为对应的磨损因子；s23、采用同样的方式依次检测出内部转子、匹配轮以及齿轮的磨损因子以及5.根据权利要求4所述的一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，通过得到对应服役风力发电机组的维修值wxi，其中为修正因子，取值为0.982365，其中i代表不同的周期，i＝1、2、
……
、90，其中i为正整数。6.根据权利要求1所述的一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，步骤s3中对维修值以及对应的时间周期进行离散系数处理的步骤如下：s31、采用计算公式得出i＝j情况下的离散值lsi，其中j属于i，其中为wxi的均值，其中1＜j＜90，且j为正整数；s32、令j＝1，得到对应的离散值ls1，再令j值加1进行计算，直到所计算的离散值lsi小于等于x1,则令二者数值之间的区间为线性区间，其中x1由外部操作人员进行拟定；
s33、再令j值进行加1计算，直到对应的离散值lsi大于x1，则令1到j值的离散值为线性函数值，并通过对应的周期长度以及数值差距得到对应的函数因子h1，采用得到第一个函数因子h1；s34、令j 1重复步骤s32以及步骤s33，得到第二个函数因子h2，再对所有的wxi进行依次计算，得到若干个函数因子hy，其中y＝1、2、
……
、n；s35、采用得到对应的均值因子7.根据权利要求6所述的一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，步骤s4中利用均值因子以及90个周期后的维修值进行处理计算的步骤如下：s41、提取90个周期后的维修值wxi，i＝90,再对报警阈值进行提取，其中报警阈值为特定的维修值，报警阈值由外部操作人员进行拟定，标记为by；s42、采用得到周期值zq；s43、再采用wh＝(i zq-7)得到维护周期点wh，并将所维护的周期时间值wh输送至维护终端内。8.根据权利要求7所述的一种基于大数据管理的服役风力发电机组故障预测方法，其特征在于，步骤s43中zq-7表示在固定周期点提前一周的时间点，通过维护终端对维护人员进行派遣对风力发电机组进行维护。

技术总结
本发明公开了一种基于大数据管理的服役风力发电机组故障预测方法，属于风力发电机组故障预测技术领域，解决了某台发电机组出现故障时，外部维护人员到达指定点会耗费很长的时间，还会导致内部的电路器件被损毁的问题；对所统计整合的数值进行处理，通过损耗值计算得到对应的维修值，并对90个周期内不同的维修值进行离散系数处理，得到多组线性函数因子，再通过得到的线性函数均值因子对所拟定的维修值进行计算，对下一周期时间点进行预测，并在所预测的时间点之前便对维护人员进行派遣，此种预测方式对所监测的数值进行精细化处理，并通过精细化处理后的数值得到对应的维修值，可使预测的维护周期点更加准确，使发电机组得到良好的工作环境。良好的工作环境。良好的工作环境。


技术研发人员：罗丹 刘丽丽 殷理杰 蒋兵兵 黄银秀 蒋洪武
受保护的技术使用者：湖南铁道职业技术学院
技术研发日：2021.12.08
技术公布日：2022/3/15