基于人工智能的风力发电机组故障智能分析方法及系统与流程

技术特征：
1.基于人工智能的风力发电机组故障智能分析方法，其特征在于，包括以下步骤：（1）将待进行运行故障分析的风力发电机组记为指定风力发电机组，并统计指定风力发电机组存在的运行指标数量，同时从参考信息库中调取各运行指标对应的关联发电部件；（2）在指定风力发电机组外部分别设置风速风向仪和环境监测终端，并在指定风力发电机组机舱内布设微型红外热像仪和监控终端；（3）在指定风力发电机组运行过程中通过风速风向仪和环境监测终端按照设定的采集时间间隔采集指定风力发电机组所处位置的风力参数和外界环境参数，以此分析指定风力发电机组所处位置在各采集时刻的风能环境品质系数；（4）基于指定风力发电机组所处位置在各采集时刻的风能环境品质系数预估指定风力发电机组在各采集时刻对应各运行指标的正常值；（5）在各采集时刻监测指定风力发电机组对应各运行指标的实际值，并将其与该采集时刻对应各运行指标的正常值进行对比，以此判断指定风力发电机组是否存在运行故障，若判断存在运行故障，则识别故障运行时刻和故障运行指标；（6）根据故障运行指标获取故障运行指标对应的关联发电部件，将其记为隐患发电部件，与此同时获取隐患发电部件的运行温度和运行状态图像；（7）对隐患发电部件对应的运行温度和运行状态图像进行解析，预测故障运行指标的故障原因，并将其进行后台显示。2.根据权利要求1所述的基于人工智能的风力发电机组故障智能分析方法，其特征在于：所述风力参数包括风速和风向，外界环境参数包括外界温度、外界湿度和外界粉尘浓度。3.根据权利要求2所述的基于人工智能的风力发电机组故障智能分析方法，其特征在于：所述分析指定风力发电机组所处位置在各采集时刻的风能环境品质系数具体包括以下步骤：（31）将指定风力发电机组对应风轮叶片的放置状态进行图像拍摄，进而从图像中提取风轮叶片的放置方向；（32）根据指定风力发电机组所处位置在各采集时刻的风向与风轮叶片的放置方向获取各采集时刻的风向与风轮叶片放置方向之间的夹角，将其记为风力角；（33）将指定风力发电机组所处位置在各采集时刻的风速和风力角代入公式，计算出指定风力发电机组所处位置在各采集时刻的风能优势度，其中t表示为采集时刻编号，
，m表示为采集时刻数量，、分别表示为指定风力发电机组所处位置在第t采集时刻的风速、风力角，表示为指定风力发电机组对应的额定风速；（34）将指定风力发电机组所处位置在各采集时刻的外界环境参数与参考信息库中指定风力发电机组处于正常运行状态下的外界环境参数进行对比，计算指定风力发电机组所处位置在各采集时刻的外界环境恶劣度,其计算公式为,其中、、分别表示为指定风力发电机组所处位置在第t采集时刻的外界温度、外界湿度、外界粉尘浓度，、、分别表示为指定风力发电机组处于正常运行状态下的外界温度、外界湿度、外界粉尘浓度，u表示为预设常数，且u>1;（35）将和代入公式，计算出指定风力发电机组所处位置在各采集时刻的风能环境品质系数。4.根据权利要求1所述的基于人工智能的风力发电机组故障智能分析方法，其特征在于：所述预估指定风力发电机组在各采集时刻对应各运行指标的正常值的具体确定方法如下：（41）从参考信息库中提取指定风力发电机组在额定发电状态下的需求风能环境品质系数，并将其与指定风力发电机组在各采集时刻的风能环境品质系数进行对比，计算指定风力发电机组在各采集时刻的风能环境品质偏差度，其计算公式为，表示为指定风力发电机组在第t采集时刻的风能环境品质偏差度,表示为指定风力发电机组在额定发电状态下的需求风能环境品质系数，e表示为自然常数；（42）根据指定风力发电机组在各采集时刻的风能环境品质偏差度获取指定风力发电
机组在各采集时刻的风能环境品质偏差等级；（43）将指定风力发电机组在各采集时刻的风能环境品质偏差等级与参考信息库中各运行指标在各风能环境品质偏差等级下的正常值进行匹配，从中匹配出指定风力发电机组在各采集时刻对应各运行指标的正常值，记为，其中i表示为运行指标编号，，n表示为指定风力发电机组对应的运行指标数量。5.根据权利要求1所述的基于人工智能的风力发电机组故障智能分析方法，其特征在于：所述判断指定风力发电机组是否存在运行故障，若判断存在运行故障，则识别故障运行时刻和故障运行指标对应的执行步骤如下：（51）从参考信息库中提取指定风力发电机组对应各运行指标的额定值，进而将各采集时刻指定风力发电机组对应各运行指标的实际值与指定风力发电机组在各采集时刻对应各运行指标的正常值进行对比，通过偏离度计算公式，计算出各采集时刻指定风力发电机组对应各运行指标的偏离度，表示为第t采集时刻指定风力发电机组对应第i运行指标的实际值;（52）将各采集时刻指定风力发电机组对应各运行指标的偏离度与设定的各运行指标的允许偏离度进行对比，若某采集时刻指定风力发电机组对应某运行指标的偏离度大于该运行指标的允许偏离度，则判断指定风力发电机组存在运行故障，并该采集时刻记为故障运行时刻，将该运行指标记为故障运行指标。6.根据权利要求1所述的基于人工智能的风力发电机组故障智能分析方法，其特征在于：所述获取隐患发电部件的运行温度和运行状态图像的具体获取方法如下：（61）利用指定风力发电机组机舱内设置的监控终端在故障运行时刻采集指定风力发电机组的运行状态图像，并从中提取隐患发电部件对应的运行位置和外形轮廓，由此按照隐患发电部件对应的外形轮廓将指定风力发电机组的运行状态图像进行分割，得到隐患发电部件对应的运行状态图像；（62）利用指定风力发电机组机舱内设置的微型红外热像仪在故障运行时刻采集指定风力发电机组机舱内的热图像，并基于隐患发电部件对应的运行位置将热图像定位在隐患发电部件所在区域，从而从热图像中提取隐患发电部件所在区域的颜色；（63）将隐患发电部件所在区域的颜色与热图表征库中各种颜色对应的温度进行匹配，进而将匹配成功的温度作为隐患发电部件对应的运行温度。7.根据权利要求6所述的基于人工智能的风力发电机组故障智能分析方法，其特征在于：所述预测故障运行指标的故障原因具体参照如下步骤：（71）将隐患发电部件对应的运行状态图像与参考信息库中隐患发电部件对应的正常运行状态图像进行对比，识别是否存在异常，若存在异常，则预测故障运行指标的故障原因
为隐患发电部件的运行状态存在异常；（72）将隐患发电部件对应的运行温度与参考信息库中隐患发电部件对应的适宜运行温度区间进行对比，若隐患发电部件对应的运行温度不处于适宜运行温度区间内，则预测故障运行指标的故障原因为隐患发电部件的运行温度存在异常。8.根据权利要求1所述的基于人工智能的风力发电机组故障智能分析方法，其特征在于：所述（6）还包括当隐患发电部件的数量不止一个时对各隐患发电部件的分析顺序进行智能排布，其具体排布方法如下：第一步、基于隐患发电部件的名称从参考信息库中提取各隐患发电部件在发电过程中的重要度，记为，k表示为隐患发电部件的编号，，z表示为隐患发电部件的数量；第二步、基于隐患发电部件的名称从各运行指标对应的关联发电部件中识别隐患发电组件被关联的运行指标数量，记为;第三步、将和代入公式，计算出各隐患发电部件对应的分析优先度，、分别表示为设定的重要度、被关联运行指标数量对应的权重因子；第四步、将各隐患发电部件按照分析优先度由大到小的顺序进行排序，得到各隐患发电部件的分析顺序。9.基于人工智能的风力发电机组故障智能分析系统，其特征在于，包括以下模块：运行指标关联发电部件统计获取模块，用于将待进行运行故障分析的风力发电机组记为指定风力发电机组，并统计指定风力发电机组存在的运行指标数量，同时从参考信息库中调取各运行指标对应的关联发电部件；指定风力发电机组监测设备设置模块，用于在指定风力发电机组外部分别设置风速风向仪和环境监测终端，并在指定风力发电机组机舱内布设微型红外热像仪和监控终端；风能环境监测分析模块，用于在指定风力发电机组运行过程中通过风速风向仪和环境监测终端按照设定的采集时间间隔采集指定风力发电机组所处位置的风力参数和外界环境参数，以此分析指定风力发电机组所处位置在各采集时刻的风能环境品质系数；指定风力发电机组正常运行指标预估模块，用于基于指定风力发电机组所处位置在各采集时刻的风能环境品质系数预估指定风力发电机组在各采集时刻对应各运行指标的正常值；参考信息库，用于存储各运行指标对应的关联发电部件，存储指定风力发电机组处于正常运行状态下的外界环境参数，存储指定风力发电机组在额定发电状态下的需求风能环境品质系数，存储指定风力发电机组对应各运行指标的额定值及各运行指标在各风能环境品质偏差等级下的正常值，并存储指定风力发电机组中各发电部件对应的正常运行状态图像、适宜运行温度区间及其对应的重要度；热图表征库，用于存储各种颜色对应的温度；
指定风力发电机组运行故障判断模块，用于在各采集时刻监测指定风力发电机组对应各运行指标的实际值，并将其与该采集时刻对应各运行指标的正常值进行对比，以此判断指定风力发电机组是否存在运行故障，若判断存在运行故障，则识别故障运行时刻和故障运行指标；隐患发电部件运行信息获取模块，用于根据故障运行指标获取故障运行指标对应的关联发电部件，将其记为隐患发电部件，与此同时获取隐患发电部件的运行温度和运行状态图像；故障运行指标故障原因预测显示终端，用于对隐患发电部件对应的运行温度和运行状态图像进行解析，预测故障运行指标的故障原因，并将故障运行指标的故障原因进行后台显示。

技术总结
本发明属于设备运行故障分析技术领域，公开基于人工智能的风力发电机组故障智能分析方法及系统，通过基于指定风力发电机组所处位置的风力参数和外界环境参数分析出风能环境品质系数，由此得到指定风力发电机组在当前风能环境品质系数下各运行指标的正常值，进而根据实际运行指标与相应运行指标的正常值对比结果实现了隐患发电部件的可靠识别，大大提高了识别结果与实际风能环境品质的贴合度，能够最大限度提高运行故障原因的预测效率，同时在进行隐患发电部件异常运行分析时充分考虑到运行状态异常和运行温度异常均有可能造成运行故障，由此从以上两个方面进行综合分析，使得隐患发电部件异常运行的分析维度更加全面。得隐患发电部件异常运行的分析维度更加全面。得隐患发电部件异常运行的分析维度更加全面。


技术研发人员：刘鹏 宋宇 傅恩军 谭博 刘东奇 吴云鹏 余腾
受保护的技术使用者：深圳鹏锐信息技术股份有限公司
技术研发日：2022.12.15
技术公布日：2023/1/13