基于NLP的风机叶片故障分类方法、系统与流程

基于nlp的风机叶片故障分类方法、系统
技术领域
1.本发明涉及故障分类技术领域，采用人工智能技术，更为具体地，涉及一种基于nlp的风机叶片故障分类方法、系统。


背景技术：

2.风力发电机是将风能转换为机械功，机械功带动转子旋转，最终输出交流电的电力设备。风力发电机一般有风轮、发电机(包括装置)、调向器(尾翼)、塔架、限速安全机构和储能装置等构件组成。
3.随着能源危机和环境问题的日益严重，世界各国争相发展可再生新兴能源，我国长期规划明确支持“研究开发大型风力发电设备”，风电装备由此得到了迅猛发展。在风电迅猛发展的同时，风力发电机高额的运行维护成本影响了风场的经济效益。风场一般地处偏远、环境恶劣，并且机舱位于70m至90m以上的高空，给机组的维护维修工作造成了困难，增加了机组的运行维护成本。并且高额的运行维护费用增加了风场的运营成本，降低了风电的经济效益。
4.由于风机故障千变万化，因此对风机故障进行数据管理是非常大的工程，在现有技术中，通常通过人工对风机的故障进行手动记载，而后将记载的故障类型、故障解决方式等内容上传至风机管理模块，再手动将上传至风机管理模块的数据进行分类存储，该方式极大地浪费人力，且处理效率极低，并且，由于故障数据的分类层级不够明确，在下一次调用某个故障的相关数据时，往往需要大费工夫。
5.因此，亟需一种能够提高风机故障分类效率，提高故障分类精度，且便于二次数据调用的基于nlp的风机叶片故障分类方法、系统。


技术实现要素：

6.鉴于上述问题，本发明的目的是提供一种基于nlp的风机叶片故障分类方法种、系统，以解决传统风机故障分类方法极大地浪费人力，且处理效率极低，并且，由于故障数据的分类层级不够明确，在下一次调用某个故障的相关数据时，往往需要大费工夫的问题。
7.本发明提供的一种基于nlp的风机叶片故障分类方法，包括：
8.获取与预设的风机故障管理模块相连接的风机故障数据库的连接端口；
9.通过所述连接端口在所述风机故障数据库中获取风机的故障信息；
10.将所述风机故障管理模块的分类功能与nlp学习的功能一一对应以形成nlp分类脚本；
11.通过所述nlp分类脚本生成风机故障知识图谱，并对新增的风机故障信息进行图谱归属划分以完成风机叶片的故障分类。
12.优选地，获取与预设的风机故障管理模块相连接的风机故障数据库的连接端口的过程，包括：
13.通过预设的密码登陆所述风机故障管理模块；
14.通过所述风机故障管理模块中的功能按键在所述风机故障数据库中调用关于所述风机故障数据库的配置信息；
15.解析所述配置信息以获取连接端口。
16.优选地，通过所述连接端口在所述风机故障数据库中获取风机的故障信息的过程，包括：
17.通过所述连接端口在所述风机故障数据库中获取故障代码；
18.获取与所述故障代码相对应的故障信息。
19.优选地，将所述风机故障管理模块的分类功能与所述nlp学习的功能一一对应以形成nlp分类脚本；
20.对所述故障管理模块的分类功能进行遍历以获取功能列表；
21.在所述故障信息中标记学习信息；所述学习信息包括与所述功能列表相对应的关键字和与所述关键字关联的字眼；
22.使所述nlp根据所述学习信息与所述故障信息进行学习以形成nlp分类脚本。
23.优选地，在所述故障信息中标记学习信息的过程，包括：
24.阅览所述故障信息，对所述故障信息进行文字识别以获取文字和数字组；
25.根据所述文字和数字组标注与所述功能列表相对应的标签；
26.通过labeling function函数判断所述标签的准确度是否合格；
27.若所述标签的准确度合格，则将所述标签作为学习信息。
28.优选地，使所述nlp根据所述学习信息与所述故障信息进行学习以形成nlp分类脚本的过程，包括：
29.基于所述学习信息与所述故障信息对所述nlp进行反复训练以形成nlp待测脚本；
30.通过所述nlp待测脚本对所述故障信息进行分类以获取分类结果；
31.将所述分类结果与所述学习信息进行比对以获取损失函数；
32.根据所述损失函数进行反向传播以更新所述nlp待测脚本，直至所述待nlp测脚本的权重达到预设阈值，将最后一次更新的nlp待测脚本作为nlp分类脚本。
33.优选地，通过所述nlp分类脚本生成风机故障知识图谱的过程，包括：
34.通过所述nlp分类脚本将所述风机故障数据库中现存的故障信息进行分类汇总以形成子数据集；
35.为所述子数据集命名，以按照层级形成关于所述子数据集的知识表达链图；
36.按照所述知识表达链图的顺序对所述子数据集进行次级划分以形成风机故障知识拓扑；
37.在所述风机故障知识拓扑的各个节点中进行规格标记以形成风机故障知识图谱。
38.优选地，对新增的风机故障信息进行图谱归属划分的过程，包括：
39.当所述风机产生新故障，则将所述新故障汇集为故障文本；
40.通过所述风机故障管理模块将所述故障文本输入至所述风机故障数据库中以形成新增的风机故障信息；
41.若所述风机故障数据库变动，则通过所述nlp分类脚本对所述新增的风机故障信息进行分类处理以将所述新增的风机故障信息归属至所述风机故障知识图谱的对应节点中。
42.本发明还提供一种基于nlp的风机叶片故障分类系统，实现前述的基于nlp的风机叶片故障分类方法，其中，包括：
43.端口获取单元，用于获取与预设的风机故障管理模块相连接的风机故障数据库的连接端口；
44.信息采集单元，用于通过所述连接端口在所述风机故障数据库中获取风机的故障信息；
45.脚本生成单元，用于将所述风机故障管理模块的分类功能与nlp学习的功能一一对应以形成nlp分类脚本；
46.故障分类单元，用于通过所述nlp分类脚本生成风机故障知识图谱，并对新增的风机故障信息进行图谱归属划分以完成风机叶片的故障分类。
47.本发明还提供一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如前所述的基于nlp的风机叶片故障分类方法。
48.从上面的技术方案可知，本发明提供的基于nlp的风机叶片故障分类方法，首先获取与预设的风机故障管理模块相连接的风机故障数据库的连接端口，再通过连接端口在风机故障数据库中获取风机的故障信息，再将风机故障管理模块的分类功能与nlp学习的功能一一对应以形成nlp分类脚本，而后通过nlp分类脚本生成风机故障知识图谱，并对新增的风机故障信息进行图谱归属划分以完成风机叶片的故障分类，如此，以nlp分类脚本自动对新获取的风机故障数据进行分类管理的方式取代人工上传故障数据的方式，不仅提高风机故障数据的管理效率，且提高风机故障数据的管理精度，能够清晰地将同一类别、同一层级区分的故障数据进行分类处理，并且能够形成完整的风机故障知识图谱，后期可以按照风机故障知识图谱的布局直接将所需的风机故障数据调用出来，从而提高后期调用数据的处理效率，解决传统技术中由于故障数据的分类层级不够明确，在调用某个故障的相关数据时，往往需要大费工夫的弊端。
附图说明
49.通过参考以下结合附图的说明书内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
50.图1为根据本发明实施例的基于nlp的风机叶片故障分类方法的流程图；
51.图2为根据本发明实施例的基于nlp的风机叶片故障分类系统的示意图；
52.图3为根据本发明实施例的计算机可读存储介质的示意图。
具体实施方式
53.传统技术中，通常通过人工对风机的故障进行手动记载，而后将记载的故障类型、故障解决方式等内容上传至风机管理模块，再手动将上传至风机管理模块的数据进行分类存储，该方式极大地浪费人力，且处理效率极低，并且，由于故障数据的分类层级不够明确，在下一次调用某个故障的相关数据时，往往需要大费工夫。
54.针对上述问题，本发明提供一种基于nlp的风机叶片故障分类方法、系统，以下将结合附图对本发明的具体实施例进行详细描述。
55.为了说明本发明提供的基于nlp的风机叶片故障分类方法、系统，图1对本发明实施例的基于nlp的风机叶片故障分类方法进行了示例性标示；图2对本发明实施例的基于nlp的风机叶片故障分类系统进行了示例性标示。
56.以下示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术和设备可能不作详细讨论，但在适当情况下，所述技术和设备应当被视为说明书的一部分。
57.需要注明的是：nlp(natural languageprocessing，自然语言处理)，nlp是针对人类语言文字进行各种自动化处理的技术，其目标是要让电脑认识、分析、理解、合成人类语言，进行各式运算，希望最终以自然语言为媒介，让电脑跟人类顺畅沟通，已完成各项指定的任务。
58.自然语言处理涵盖的议题包括短词、词性标记、专有名词标记、词义消歧、代名词释义、句法剖析、文法比对、语意角色标注、语意逻辑推论、自动音译、机器翻译、语音辨识、语音合成等。而针对文字内文内容，nlp可以根据风机故障信息来判断目前风机故障的具意。
59.如图1所示，本发明提供的本发明实施例的基于nlp的风机叶片故障分类方法，包括：
60.s1：获取与预设的风机故障管理模块相连接的风机故障数据库的连接端口；
61.s2：通过连接端口在风机故障数据库中获取风机的故障信息；
62.s3：将风机故障管理模块的分类功能与nlp学习的功能一一对应以形成nlp分类脚本；
63.s4：通过nlp分类脚本生成风机故障知识图谱，并对新增的风机故障信息进行图谱归属划分以完成风机叶片的故障分类。
64.如图1所示，步骤s1为获取与预设的风机故障管理模块相连接的风机故障数据库的连接端口的过程；其中，包括：
65.s11：通过预设的密码登陆风机故障管理模块；
66.s12：通过风机故障管理模块中的功能按键在风机故障数据库中调用关于风机故障数据库的配置信息；
67.s13：解析配置信息以获取连接端口。
68.具体的，该风机故障管理模块即为单纯的与风机故障数据库相连接的操作模块，在该风机故障管理模块中设置有多种按键，工作人员可通过点击按键的方式，将新记录的风机故障数据按照风机故障管理模块中按键的指示输入至风机故障数据库中，在通过步骤登陆风机故障管理模块之后，即可获取与该故障管理模块相连接的风机故障数据库的端口，如此得以使后续步骤直接在该风机故障数据库中获取风机的故障信息。
69.在图1所示的实施例中，步骤s2为通过连接端口在风机故障数据库中获取风机的故障信息的过程；其中，包括：
70.s21：通过连接端口在风机故障数据库中获取故障代码；
71.s22：获取与故障代码相对应的故障信息。
72.具体的，在通过步骤s1获取风机故障数据库的端口之后，首先获取故障代码，而后根据该故障代码调用与该故障代码相对应的故障信息，需要说明的是，该故障代码为根据
风机的编号以及故障的类型等因素编写的唯一故障标识，通过该故障代码可调取任何关于该故障的信息，甚至可以包括与该故障代码相对应的风机所处的风力、温湿度状态下的振动频率，及不同区域(叶片端部、叶片根部)的振动频率等信息。
73.如图1所示，步骤s3为将风机故障管理模块的分类功能与nlp学习的功能一一对应以形成nlp分类脚本的过程，该过程，包括：
74.s31：对故障管理模块的分类功能进行遍历以获取功能列表；
75.s32：在故障信息中标记学习信息；学习信息包括与功能列表相对应的关键字和与关键字关联的字眼；
76.s33：使nlp根据学习信息与故障信息进行学习以形成nlp分类脚本。
77.其中，步骤s31为对故障管理模块的分类功能进行遍历以获取功能列表的过程，换句话说，该过程将故障管理模块的所有的物理按键的连接链，以及各个层级的功能进行串联，比如再登陆该故障管理模块之后，用户需点击故障信息上传按键，然后进入上传页面，在上传页面中再点击上传附件的按键，从而件工作人员预记载的故障信息挂在该上传页面中，而后再在该上传页面中选择关于该故障信息的一级标签，基于该一级标签再选择点击二级标签，再基于该二级标签选择点击三级标签等，而步骤s31即将登陆-上传-选择标签的工作流程汇总为该线程的功能列表，该功能列表不仅包括关于上传故障信息的线程，还可以包括故障信息下载、故障信息查询、故障信息检索的线程，在此不作赘述。
78.其中，步骤s32在故障信息中标记学习信息的过程，包括：
79.s321：阅览故障信息，对故障信息进行文字识别以获取文字和数字组；
80.s322：根据文字和数字组标注与功能列表相对应的标签；
81.s323：通过labeling function函数判断标签的准确度是否合格；labeling function函数为标记函数，其用于机器学习中的标记工作，具体如何实现，在此不作赘述；
82.s324：若标签的准确度合格，则将标签作为学习信息。
83.具体的，步骤s32即为在故障信息中标记与功能列表相对应的关键字和与关键字关联的字眼，也就是说在故障信息中标记处与功能列表相对应的关键字，该关键字为可以为与该功能列表相对应的任意具有标示性的字眼，比如，在本实施例中可以通过提取故障信息中的关键文字生成标签，即首先在故障信息中获取文字和数字，再根据文字的内容判断该故障信息属于功能列表中的哪一线程，并且属于该线程中的哪一个三级标签，而后根据该三级标签生成与功能列表相对应的标签，而后再通过labeling function函数判断标签的准确度是否合格，若合格，则将标签作为学习信息，如此，利用labeling function函数判断标记内容的正确与否，标记关键字进行学习时，会将关键字及相关联的字眼同时学习，且学习目的针对性强，学习效率高。
84.步骤s33为使nlp根据学习信息与故障信息进行学习以形成nlp分类脚本的过程，其中，包括：
85.s331：基于学习信息与故障信息对nlp进行反复训练以形成nlp待测脚本；
86.s332：通过nlp待测脚本对故障信息进行分类以获取分类结果；
87.s333：将分类结果与学习信息进行比对以获取损失函数；
88.s334：根据损失函数进行反向传播以更新nlp待测脚本，直至待nlp测脚本的权重达到预设阈值，将最后一次更新的nlp待测脚本作为nlp分类脚本；
89.具体的，步骤s33为训练nlp分类脚本的过程，在经过反复训练之后生成nlp待测试脚本，以该nlp待测试脚本进行分类管理以获取分类结果，若分类结果的权重达到预设阈值，则训练完成，将该nlp待测试脚本作为最后的nlp分类脚本，如此，通过该nlp分类脚本可自动对有关风机的故障的数据进行分类管理，省去人工操作的环节，实现数据分类管理自动化。
90.在图1所示的实施例中，步骤s4为通过nlp分类脚本生成风机故障知识图谱，并对新增的风机故障信息进行图谱归属划分以完成风机叶片的故障分类的过程，其中，通过nlp分类脚本生成风机故障知识图谱的过程，包括：
91.s411：通过nlp分类脚本将风机故障数据库中现存的故障信息进行分类汇总以形成子数据集；
92.s412：为子数据集命名，以按照层级形成关于子数据集的知识表达链图；
93.s413：按照知识表达链图的顺序对子数据集进行次级划分以形成风机故障知识拓扑；
94.s414：在风机故障知识拓扑的各个节点中进行规格标记以形成风机故障知识图谱；
95.对新增的风机故障信息进行图谱归属划分的过程，包括：
96.s421：当风机产生新故障，则将新故障汇集为故障文本；
97.s422：通过风机故障管理模块将故障文本输入至风机故障数据库中以形成新增的风机故障信息；
98.s423：若风机故障数据库变动，则通过nlp分类脚本对新增的风机故障信息进行分类处理以将新增的风机故障信息归属至风机故障知识图谱的对应节点中。
99.具体的，训练完成的nlp分类脚本能够将风机故障数据库中现存的故障信息进行分类汇总以形成子数据集，并且对子数据集进行各种分类、规范处理以形成风机故障知识图谱；而且，对于新增的风机故障信息也能够直接进行分类管理，无需人为操作，当风机产生新故障，则将新故障汇集为故障文本，再通过风机故障管理模块将故障文本输入至风机故障数据库中以形成新增的风机故障信息，当新增的风机故障信息形成，则新增的风机故障信息形成自动输入至风机故障数据库，此时风机故障数据库变动，则通过nlp分类脚本对新增的风机故障信息进行分类处理以将新增的风机故障信息归属至风机故障知识图谱的对应节点中，如此，完成风机故障的完整归类。
100.如上所述，本发明提供的基于nlp的风机叶片故障分类方法，首先获取与预设的风机故障管理模块相连接的风机故障数据库的连接端口，再通过连接端口在风机故障数据库中获取风机的故障信息，再将风机故障管理模块的分类功能与nlp学习的功能一一对应以形成nlp分类脚本，而后通过nlp分类脚本生成风机故障知识图谱，并对新增的风机故障信息进行图谱归属划分以完成风机叶片的故障分类，如此，以nlp分类脚本自动对新获取的风机故障数据进行分类管理的方式取代人工上传故障数据的方式，不仅提高风机故障数据的管理效率，且提高风机故障数据的管理精度，能够清晰地将同一类别、同一层级区分的故障数据进行分类处理，并且能够形成完整的风机故障知识图谱，后期可以按照风机故障知识图谱的布局直接将所需的风机故障数据调用出来，从而提高后期调用数据的处理效率，解决传统技术中由于故障数据的分类层级不够明确，在调用某个故障的相关数据时，往往需
要大费工夫的弊端。
101.如图2所示，本发明还提供一种基于nlp的风机叶片故障分类系统100，实现如前所述的基于nlp的风机叶片故障分类方法，其特征在于，包括：
102.端口获取单元101，用于获取与预设的风机故障管理模块相连接的风机故障数据库的连接端口；
103.信息采集单元102，用于通过连接端口在风机故障数据库中获取风机的故障信息；
104.脚本生成单元103，用于将风机故障管理模块的分类功能与nlp学习的功能一一对应以形成nlp分类脚本；
105.故障分类单元104，用于通过nlp分类脚本生成风机故障知识图谱，并对新增的风机故障信息进行图谱归属划分以完成风机叶片的故障分类。
106.本发明所提供的上述基于nlp的风机故障分类系统的更为具体的实现方式，均可以参照上述对种基于nlp的风机叶片故障分类方法的实施例表述，在此不再一一列举。
107.通过上述实施方式可以看出，本发明提供的基于nlp的风机故障分类系统100，首先通过端口获取单元101获取与预设的风机故障管理模块相连接的风机故障数据库的连接端口，再基于信息采集单元102通过连接端口在风机故障数据库中获取风机的故障信息，再通过脚本生成单元103将风机故障管理模块的分类功能与nlp学习的功能一一对应以形成nlp分类脚本，而后基于故障分类单元104通过nlp分类脚本生成风机故障知识图谱，并对新增的风机故障信息进行图谱归属划分以完成风机叶片的故障分类，如此，以nlp分类脚本自动对新获取的风机故障数据进行分类管理的方式取代人工上传故障数据的方式，不仅提高风机故障数据的管理效率，且提高风机故障数据的管理精度，能够清晰地将同一类别、同一层级区分的故障数据进行分类处理，并且能够形成完整的风机故障知识图谱，后期可以按照风机故障知识图谱的布局直接将所需的风机故障数据调用出来，从而提高后期调用数据的处理效率，解决传统技术中由于故障数据的分类层级不够明确，在调用某个故障的相关数据时，往往需要大费工夫的弊端。
108.再一方面，本发明还提供一种计算机可读存储介质，图3为根据本发明实施例的计算机可读存储介质的示意图。如图3所示，在该计算机可读存储介质中存储有至少一个指令，该至少一个指令被电子设备中的处理器执行以实现上述基于nlp的风机故障分类方法。具体的，作为示例，存储器11中存储的基于nlp的风机故障分类程序12是多个指令的组合，在处理器10中运行时，可以实现：
109.获取与预设的风机故障管理模块相连接的风机故障数据库的连接端口；
110.通过连接端口在风机故障数据库中获取风机的故障信息；
111.将风机故障管理模块的分类功能与nlp学习的功能一一对应以形成nlp分类脚本；
112.通过nlp分类脚本生成风机故障知识图谱，并对新增的风机故障信息进行图谱归属划分以完成风机叶片的故障分类。
113.具体地，该基于nlp的风机故障分类程序12被处理器执行时具体实现方法可参考实施例基于nlp的风机故障分类方法中相关步骤的描述，在此不赘述。
114.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
115.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
116.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
117.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
118.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
119.如上参照附图以示例的方式描述了根据本发明提出的基于nlp的风机故障分类方法、系统、计算机可读存储介质。但是，本领域技术人员应当理解，对于上述本发明所提出的基于nlp的风机叶片故障分类方法、系统、计算机可读存储介质，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。