一种风机故障预测方法及系统与流程

本发明涉及故障预测领域，具体涉及一种风机故障预测方法及系统。

背景技术：

随着运转时间的加长，风机内粉尘会不均匀的附着在叶轮上，逐渐破坏风机的动平衡，使轴承振动逐渐加大，一旦振动达到风机允许的最大值时，风机必须停机修理。每年风机故障损失的发电量和故障导致的维护费用都给风电场带来巨大的经济损失。

风机通常运行在野外等自然条件下，进行维护的成本较高。因此，对风机的故障提前进行预测可以有效地提前获知风机可能发生的故障，从而可以提取采取措施来避免故障的发生

公开号为cn106951997a的发明专利申请公开了一种预测风机的故障的方法和设备，初始化风机的风机模型；周期性地根据当前环境条件和风机的当前实际风机状态参数来更新风机模型的风机模型参数；根据历史的风机模型参数和对应的历史的环境条件，建立风机模型参数变化模型；基于未来时刻的未来环境条件，使用风机模型参数变化模型预测在所述未来时刻的风机模型参数；根据历史的风机模型参数和对应的历史的风机故障，建立风机故障模型；根据预测的风机模型参数和风机故障模型，预测未来时刻的风机故障。

上述申请虽然能对风机的故障进行预测，但是风机的数量众多，作用与功能多种多样，所处的地理位置、天气等环境也各不相同。也就是说，风机间的个体差异较大，如果对大量的风机采用相同的故障预测方法进行预测，存在预测花销大、预测精度低等问题。因此，如何针对大量的风机实现高精度的故障预测，是本领域亟待解决的问题。

技术实现要素：

本发明的目的是针对现有技术的缺陷，提供了一种风机故障预测方法及系统。本发明实现对大量风机的故障预测，基于不同的环境条件进行独立预测，处理成本低、效率高、预测精度高。

为了实现以上目的，本发明采用以下技术方案：

一种风机故障预测方法，其特征在于，包括：

s1、收集待预测风机的基础信息，包括使用年限、已使用时长；

s2、基于所述基础信息对待预测风机进行筛选，筛选出需要进行故障预测的风机组成预测风机集；

s3、将所述预测风机集中的风机基于所述基础信息划分为不同的故障预测等级，风机基于所述故障预测等级对应的预测周期进行故障预测；

s4、基于风机所处的环境条件将所述预测风机集中的风机划分为预测风机子集；

s5、构建风机故障状态下的标准时域信号；

s6、采集预测风机子集对应的环境条件中历史风机的时域信号作为训练样本，构建预测风机子集对应的环境条件下的时域信号预测模型；

s7、基于所述时域信号预测模型，为所述预测风机子集中的风机预测时域信号；

s8、将风机的预测时域信号按照所述标准时域信号划分为多个时域子信号，计算所述时域子信号与所述标准时域信号的相关系数，预测风机是否会出现故障及故障出现的时间。

进一步地，所述步骤s2包括：判断是否成立，其中，为风机已使用时长，为风机使用年限，为对待预测风机进行筛选所设定的阈值，若是，则不对该风机进行故障预测，否则将该风机加入预测风机集。

进一步地，所述步骤s4包括：

计算所述预测风机集中任意两个风机所处环境条件的相似性，对于风机i与风机j，针对的环境条件包括m个，则其环境间的相似度为：

其中，为第k个环境条件间的相似度，为第k个环境条件的权重；

基于所述任意两个风机所处环境条件的相似性构建预测风机集中风机环境条件的相似性矩阵，计算所述相似性矩阵的特征向量，设置特征阈值范围，将特征向量中的值划分到不同的特征阈值范围，相应的属于同一阈值范围内的值对应的风机划分到同一预测风机子集。

进一步地，所述时域信号预测模型为卷积神经网络，输入层输入的是已采集的风机的时域信号，对于计算机而言可将其理解为若干矩阵；卷积层通过输入层和卷积层之间的矩阵卷积运算，提取输入数据的特征；全连接层位于最后一个池化层和输出层之间，每一个神经元都与前一层的全部神经元相连接，并根据时域信号振幅预测的需要，有针对性地将特征向量映射到输出层；输出层位于神经网络的最后，输出振幅集中概率最大的振幅向量，作为预测的风机下一时刻的振幅；预测出的时域信号振幅加入风机已有时域信号中，再对下一时刻的振幅进行预测，由此得到风机在未来一段时间内的时域信号。

进一步地，时域子信号与故障状态下的标准时域信号的相关系数为：

。

本发明还提出一种风机故障预测系统，包括：

基础信息收集模块，用于收集待预测风机的基础信息，包括使用年限、已使用时长；

筛选模块，用于基于所述基础信息对待预测风机进行筛选，筛选出需要进行故障预测的风机组成预测风机集；

等级划分模块，用于将所述预测风机集中的风机基于所述基础信息划分为不同的故障预测等级，风机基于所述故障预测等级对应的预测周期进行故障预测；

预测风机子集划分模块，用于基于风机所处的环境条件将所述预测风机集中的风机划分为预测风机子集；

标准时域信号构建模块，用于构建风机故障状态下的标准时域信号；

时域信号预测模型构建模块，用于采集预测风机子集对应的环境条件中历史风机的时域信号作为训练样本，构建预测风机子集对应的环境条件下的时域信号预测模型；

时域信号预测模块，用于基于所述时域信号预测模型，为所述预测风机子集中的风机预测时域信号；

故障预测模块，用于将风机的预测时域信号按照所述标准时域信号划分为多个时域子信号，计算所述时域子信号与所述标准时域信号的相关系数，预测风机是否会出现故障及故障出现的时间。

进一步地，所述筛选模块包括：判断是否成立，其中，为风机已使用时长，为风机使用年限，为对待预测风机进行筛选所设定的阈值，若是，则不对该风机进行故障预测，否则将该风机加入预测风机集。

进一步地，所述预测风机子集划分模块包括：

计算所述预测风机集中任意两个风机所处环境条件的相似性，对于风机i与风机j，针对的环境条件包括m个，则其环境间的相似度为：

其中，为第k个环境条件间的相似度，为第k个环境条件的权重；

基于所述任意两个风机所处环境条件的相似性构建预测风机集中风机环境条件的相似性矩阵，计算所述相似性矩阵的特征向量，设置特征阈值范围，将特征向量中的值划分到不同的特征阈值范围，相应的属于同一阈值范围内的值对应的风机划分到同一预测风机子集。

进一步地，所述时域信号预测模型为卷积神经网络，输入层输入的是已采集的风机的时域信号，对于计算机而言可将其理解为若干矩阵；卷积层通过输入层和卷积层之间的矩阵卷积运算，提取输入数据的特征；全连接层位于最后一个池化层和输出层之间，每一个神经元都与前一层的全部神经元相连接，并根据时域信号振幅预测的需要，有针对性地将特征向量映射到输出层；输出层位于神经网络的最后，输出振幅集中概率最大的振幅向量，作为预测的风机下一时刻的振幅；预测出的时域信号振幅加入风机已有时域信号中，再对下一时刻的振幅进行预测，由此得到风机在未来一段时间内的时域信号。

进一步地，时域子信号与故障状态下的标准时域信号的相关系数为：

。

本发明对需要进行故障预测的风机进行筛选，并对筛选出的风机进行分级预测，提高了对大量风机进行故障预测的效率，降低了对大量风机进行故障预测的硬件及软件成本。同时，根据风机的不同环境条件，训练生成不同的时域信号预测模型，将风机根据环境条件划分成不同的预测风机子集，针对不同的环境条件风机进行针对化的故障预测，提高了故障预测的准确率。

附图说明

图1是实施例一提供的一种风机故障预测方法流程图；

图2是实施例二提供的一种风机故障预测系统结构图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

实施例一

如图1所示，本实施例提出了一种风机故障预测方法，包括：

s1、收集待预测风机的基础信息，包括使用年限、已使用时长；

对于待预测的风机，本发明首先收集待预测风机的基础信息。基础信息包括但不限于使用年限、已使用时长。使用年限与该风机的具体型号有关，通过获取该型号对应的官方数据获得。已使用时长通过对风机运行数据的采集进行统计获取。

s2、基于所述基础信息对待预测风机进行筛选，筛选出需要进行故障预测的风机组成预测风机集；

风机广泛用于工厂、矿井、隧道、冷却塔、车辆、船舶和建筑物的通风、排尘和冷却，锅炉和工业炉窑的通风和引风；空气调节设备和家用电器设备中的冷却和通风；谷物的烘干和选送，风洞风源和气垫船的充气和推进等。也就是说，风机数量十分庞大，如果对所有待预测风机都进行预测，无论是硬件花销还是软件花销，都是进行风机故障预测时的重大负担。因此，本发明基于风机的基础信息对待预测风机进行筛选，筛选出需要进行故障预测的风机，所有需要进行故障预测的风机组成预测风机集。具体地，对于使用年限长但是已使用时长短的风机，其发生故障的概率极低。因此，对于此类风机，本发明不进行风险预测。因此，本发明设置阈值，进行如下判断：

其中，为已使用时长，为使用年限。若上式成立，则不对该风机进行故障预测，否则将该风机加入预测风机集。值得注意的是，随着风机的基础信息不断改变，不断更新预测风机集。

s3、将所述预测风机集中的风机基于所述基础信息划分为不同的故障预测等级，风机基于所述故障预测等级对应的预测周期进行故障预测；

本发明对已使用时长超过使用年限一定比例的风机进行故障预测。为了进一步降低风机故障预测的处理开销，本发明设置故障预测等级，为预测风机集中的风机采用不同的故障预测周期进行预测。已使用时长与使用年限间的比值越高，相应的风机出现故障的概率越高，即故障预测等级越高，预测周期越短。因此，本发明为风险预测等级设置相应的阈值区间，将风机根据使用时长与使用年限间的比值所属阈值区间将其划分到相应的故障预测等级，基于故障预测等级对应的预测周期进行故障预测。

例如，本发明设置五个故障预测等级i级、ii级、iii级、iv级、v级，分别对应的阈值区间为[0.9,1]、[0.8,0.9)、[0.7,0.8)、[0.6,0.7)、[,0.6)，为步骤s2中对待预测风机进行筛选所设定的阈值，各故障预测等级所对应的预测周期为三小时、一天、三天、一周、两周。当预测风机集中的风机已使用时长与使用年限间的比值为0.79时，将该风机划分为第iii级故障预测等级，每三天进行依次风机故障预测。

s4、基于风机所处的环境条件将所述预测风机集中的风机划分为预测风机子集；

风机所处的环境条件对风机的运行有巨大的影响。因此，不同环境条件中风机的运行趋势不同。因此，本发明基于风机所处的环境条件将预测风机集中的风机划分为预测风机子集，将属于同一预测风机子集中的风机按照相同的规律进行故障预测。环境条件可包括（但不限于）下面参数中的至少一个：风速、温度、湿度、气压、空气密度等。可以利用各种用于检测环境状况的传感器来实测环境条件。

具体地，依次计算预测风机集中任意两个风机所处环境条件的相似性，对于风机i与风机j，针对的环境条件包括m个，则其环境间的相似度为：

其中，为第k个环境条件间的相似度，为第k个环境条件的权重。

例如，当环境条件依次包括风速、温度、湿度、气压、空气密度时，m=5，是风机i与风机j之间所处温度间的相似度。具体为：

其中，为风机j在时刻t时第k个环境条件的值，为风机j在时刻t时第k个环境条件的值，t为环境条件的统计时刻总数。

依次计算预测风机集中任意两个风机所处环境条件的相似性后，能够基于两两风机间的环境相似性构建预测风机集中风机环境条件的相似性矩阵，进一步计算相似性矩阵的特征值，构建相似性矩阵的特征向量。设置相应的特征阈值范围，将特征向量中的值划分到不同的特征阈值范围，相应的属于同一阈值范围内的值对应的风机属于同一预测风机子集。

例如，当预测风机集中包括6个风机a、b、c、d、e、f，按照上述方法计算出的特征向量为（12，38，-5，67，-24，-16），设置阈值范围包括（-100，0]、(0，25]、(25，75]，则预测风机集被划分为三个预测风机子集{a}、{b、d}、{c、e、f}。

s5、构建风机故障状态下的标准时域信号；

本发明对风机故障进行预测，具体地，将风机预测的时域信号与标准时域信号进行比较，预测风机是否会出现故障。为了构建风机标准信号数据，本发明让风机在不同的故障状态下运行，采集风机不同故障引起的故障状态下的振动信号。具体地，可以在风机轴承设置振动传感器，获取风机轴承的振动信号。振动信号采用特定的采样频率进行采样，采集一段时间内的风机振动信号，得到时域振动信号。例如，本发明可以分别采集风机在转子不平衡、地脚螺栓松动等故障下的振动信号。将不同故障状态下的振动信号都作为风机故障状态下的标准时域信号。为了提高风机故障状态下的标准时域信号的标准化程度，本发明多次对风机在各个工况状态下的振动信号进行采集，对多次采集的振动信号求取平均信号，得到风机故障状态下的标准时域信号。

s6、采集预测风机子集对应的环境条件中历史风机的时域信号作为训练样本，构建预测风机子集对应的环境条件下的时域信号预测模型；

本发明对预测风机子集中的风机时域信号进行预测，时域信号的预测实际是预测风机下一时刻的振幅。本发明采用卷积神经网络进行各个时刻的振幅预测。卷积神经网络（convolutionalneuralnetworks，cnn）是一类包含卷积计算且具有深度结构的前馈神经网络，主要由输入层、卷积层、采样层、全连接层、输出层组成。输入层输入的是已采集的风机的时域信号，对于计算机而言可将其理解为若干矩阵。本发明通过传感器对风机的振动信号进行采集，获取风机的时域信号，多个时刻对应的振幅组成时域信号。本发明基于采集的风机时域信号，对风机未来的时域信号进行预测。卷积层是卷积神经网络的重要组成部分，通过输入层和卷积层之间的矩阵卷积运算，提取输入数据的特征。全连接层位于最后一个池化层和输出层之间，其中每一个神经元都与前一层的全部神经元相连接，并根据振幅预测的需要，有针对性地将特征向量映射到输出层。输出层位于神经网络的最后，其作用是对全连接层映射过来的输入向量进行分类，输出振幅集中概率最大的振幅向量，作为预测的风机下一时刻的振幅卷积层与采样层可以根据需要重复多次，其中不同的卷积核负责提取多种特征。预测出的时域信号振幅加入已有的时域信号中，再对下一时刻的振幅进行预测，由此得到风机在未来一段时间内的时域信号。

本发明利用大量的预测风机子集对应的环境条件中历史风机的时域信号，得到最终使用的卷积神经网络。如上所述，不同环境条件下的风机时域信号的变化趋势不同，因此，本发明采集预测风机子集对应的环境条件中历史风机的时域信号，分别对构建的卷积神经网络进行训练，得到构建预测风机子集对应的环境条件下的时域信号预测模型。本发明计算时域信号预测模型的损失函数对时域信号预测模型进行迭代、优化、更新，训练生成预测风机子集对应的环境条件下的时域信号预测模型。由此，本发明针对不同的环境条件，生成适应于各环境条件的时域信号预测模型。

s7、基于所述时域信号预测模型，为所述预测风机子集中的风机预测时域信号；

构建好时域信号预测模型后，就能对风机的时域信号进行预测。对于待预测的风机，预测风机子集中的风机调用与该子集对应环境条件的时域信号预测模型，输入预测风机已采集的风机的时域信号，输出预测的各时刻风机的振幅，将预测出的风机振幅与对应的时刻加入已有的时域信号，得到风机预测时域信号。

s8、将风机的预测时域信号按照所述标准时域信号划分为多个时域子信号，计算所述时域子信号与所述标准时域信号的相关系数，预测风机是否会出现故障及故障出现的时间。

本发明将预测时域信号划分为多个时域子信号，各时域子信号的时间长度与标准时域信号一致，对于最后一段时域子信号，如果时间长度小于标准时域信号长度，向前提取时域信号，达到标准时域信号长度，实现时域信号时间长度对齐。

本发明利用振动信号的时域信息对风机的故障进行预测。具体地，将各个时域子信号与故障状态下的标准时域信号进行相似性计算，具体为：

类似地，计算出所有时域子信号与故障状态下的标准时域信号的相关系数。相关系数越大，说明该时域子信号风机越可能处于故障状态。因此，对于风机的预测时域信号，只要存在时域子信号与所述标准时域信号的相关系数大于一定阈值，则预测该风机在该时域子信号所对应的时间段内会出现故障，实现风机的故障预测。此外，标准时域信号可能包括多个不同故障引起的故障状态下的标准时域信号，当风机时域子信号与某个故障对应的标准时域信号的相关系数超过阈值时，能够进一步预测风机出现故障的原因。

实施例二

如图2所示，本实施例提出了一种风机故障预测系统，包括：

基础信息收集模块，用于收集待预测风机的基础信息，包括使用年限、已使用时长；

对于待预测的风机，本发明首先收集待预测风机的基础信息。基础信息包括但不限于使用年限、已使用时长。使用年限与该风机的具体型号有关，通过获取该型号对应的官方数据获得。已使用时长通过对风机运行数据的采集进行统计获取。

筛选模块，用于基于所述基础信息对待预测风机进行筛选，筛选出需要进行故障预测的风机组成预测风机集；

风机广泛用于工厂、矿井、隧道、冷却塔、车辆、船舶和建筑物的通风、排尘和冷却，锅炉和工业炉窑的通风和引风；空气调节设备和家用电器设备中的冷却和通风；谷物的烘干和选送，风洞风源和气垫船的充气和推进等。也就是说，风机数量十分庞大，如果对所有待预测风机都进行预测，无论是硬件花销还是软件花销，都是进行风机故障预测时的重大负担。因此，本发明基于风机的基础信息对待预测风机进行筛选，筛选出需要进行故障预测的风机，所有需要进行故障预测的风机组成预测风机集。具体地，对于使用年限长但是已使用时长短的风机，其发生故障的概率极低。因此，对于此类风机，本发明不进行风险预测。因此，本发明设置阈值，进行如下判断：

其中，为已使用时长，为使用年限。若上式成立，则不对该风机进行故障预测，否则将该风机加入预测风机集。值得注意的是，随着风机的基础信息不断改变，不断更新预测风机集。

等级划分模块，用于将所述预测风机集中的风机基于所述基础信息划分为不同的故障预测等级，风机基于所述故障预测等级对应的预测周期进行故障预测；

本发明对已使用时长超过使用年限一定比例的风机进行故障预测。为了进一步降低风机故障预测的处理开销，本发明设置故障预测等级，为预测风机集中的风机采用不同的故障预测周期进行预测。已使用时长与使用年限间的比值越高，相应的风机出现故障的概率越高，即故障预测等级越高，预测周期越短。因此，本发明为风险预测等级设置相应的阈值区间，将风机根据使用时长与使用年限间的比值所属阈值区间将其划分到相应的故障预测等级，基于故障预测等级对应的预测周期进行故障预测。

例如，本发明设置五个故障预测等级i级、ii级、iii级、iv级、v级，分别对应的阈值区间为[0.9,1]、[0.8,0.9)、[0.7,0.8)、[0.6,0.7)、[,0.6)，为筛选模块中对待预测风机进行筛选所设定的阈值，各故障预测等级所对应的预测周期为三小时、一天、三天、一周、两周。当预测风机集中的风机已使用时长与使用年限间的比值为0.79时，将该风机划分为第iii级故障预测等级，每三天进行依次风机故障预测。

预测风机子集划分模块，用于基于风机所处的环境条件将所述预测风机集中的风机划分为预测风机子集；

风机所处的环境条件对风机的运行有巨大的影响。因此，不同环境条件中风机的运行趋势不同。因此，本发明基于风机所处的环境条件将预测风机集中的风机划分为预测风机子集，将属于同一预测风机子集中的风机按照相同的规律进行故障预测。环境条件可包括（但不限于）下面参数中的至少一个：风速、温度、湿度、气压、空气密度等。可以利用各种用于检测环境状况的传感器来实测环境条件。

具体地，依次计算预测风机集中任意两个风机所处环境条件的相似性，对于风机i与风机j，针对的环境条件包括m个，则其环境间的相似度为：

其中，为第k个环境条件间的相似度，为第k个环境条件的权重。

例如，当环境条件依次包括风速、温度、湿度、气压、空气密度时，m=5，是风机i与风机j之间所处温度间的相似度。具体为：

其中，为风机j在时刻t时第k个环境条件的值，为风机j在时刻t时第k个环境条件的值，t为环境条件的统计时刻总数。

依次计算预测风机集中任意两个风机所处环境条件的相似性后，能够基于两两风机间的环境相似性构建预测风机集中风机环境条件的相似性矩阵，进一步计算相似性矩阵的特征值，构建相似性矩阵的特征向量。设置相应的特征阈值范围，将特征向量中的值划分到不同的特征阈值范围，相应的属于同一阈值范围内的值对应的风机属于同一预测风机子集。

例如，当预测风机集中包括6个风机a、b、c、d、e、f，按照上述方法计算出的特征向量为（12，38，-5，67，-24，-16），设置阈值范围包括（-100，0]、(0，25]、(25，75]，则预测风机集被划分为三个预测风机子集{a}、{b、d}、{c、e、f}。

标准时域信号构建模块，用于构建风机故障状态下的标准时域信号；

本发明对风机故障进行预测，具体地，将风机预测的时域信号与标准时域信号进行比较，预测风机是否会出现故障。为了构建风机标准信号数据，本发明让风机在不同的故障状态下运行，采集风机不同故障引起的故障状态下的振动信号。具体地，可以在风机轴承设置振动传感器，获取风机轴承的振动信号。振动信号采用特定的采样频率进行采样，采集一段时间内的风机振动信号，得到时域振动信号。例如，本发明可以分别采集风机在转子不平衡、地脚螺栓松动等故障下的振动信号。将不同故障状态下的振动信号都作为风机故障状态下的标准时域信号。为了提高风机故障状态下的标准时域信号的标准化程度，本发明多次对风机在各个工况状态下的振动信号进行采集，对多次采集的振动信号求取平均信号，得到风机故障状态下的标准时域信号。

时域信号预测模型构建模块，用于采集预测风机子集对应的环境条件中历史风机的时域信号作为训练样本，构建预测风机子集对应的环境条件下的时域信号预测模型；

本发明对预测风机子集中的风机时域信号进行预测，时域信号的预测实际是预测风机下一时刻的振幅。本发明采用卷积神经网络进行各个时刻的振幅预测。卷积神经网络（convolutionalneuralnetworks，cnn）是一类包含卷积计算且具有深度结构的前馈神经网络，主要由输入层、卷积层、采样层、全连接层、输出层组成。输入层输入的是已采集的风机的时域信号，对于计算机而言可将其理解为若干矩阵。本发明通过传感器对风机的振动信号进行采集，获取风机的时域信号，多个时刻对应的振幅组成时域信号。本发明基于采集的风机时域信号，对风机未来的时域信号进行预测。卷积层是卷积神经网络的重要组成部分，通过输入层和卷积层之间的矩阵卷积运算，提取输入数据的特征。全连接层位于最后一个池化层和输出层之间，其中每一个神经元都与前一层的全部神经元相连接，并根据振幅预测的需要，有针对性地将特征向量映射到输出层。输出层位于神经网络的最后，其作用是对全连接层映射过来的输入向量进行分类，输出振幅集中概率最大的振幅向量，作为预测的风机下一时刻的振幅卷积层与采样层可以根据需要重复多次，其中不同的卷积核负责提取多种特征。预测出的时域信号振幅加入已有的时域信号中，再对下一时刻的振幅进行预测，由此得到风机在未来一段时间内的时域信号。

本发明利用大量的预测风机子集对应的环境条件中历史风机的时域信号，得到最终使用的卷积神经网络。如上所述，不同环境条件下的风机时域信号的变化趋势不同，因此，本发明采集预测风机子集对应的环境条件中历史风机的时域信号，分别对构建的卷积神经网络进行训练，得到构建预测风机子集对应的环境条件下的时域信号预测模型。本发明计算时域信号预测模型的损失函数对时域信号预测模型进行迭代、优化、更新，训练生成预测风机子集对应的环境条件下的时域信号预测模型。由此，本发明针对不同的环境条件，生成适应于各环境条件的时域信号预测模型。

时域信号预测模块，用于基于所述时域信号预测模型，为所述预测风机子集中的风机预测时域信号；

构建好时域信号预测模型后，就能对风机的时域信号进行预测。对于待预测的风机，预测风机子集中的风机调用与该子集对应环境条件的时域信号预测模型，输入预测风机已采集的风机的时域信号，输出预测的各时刻风机的振幅，将预测出的风机振幅与对应的时刻加入已有的时域信号，得到风机预测时域信号。

故障预测模块，用于将风机的预测时域信号按照所述标准时域信号划分为多个时域子信号，计算所述时域子信号与所述标准时域信号的相关系数，预测风机是否会出现故障及故障出现的时间。

本发明将预测时域信号划分为多个时域子信号，各时域子信号的时间长度与标准时域信号一致，对于最后一段时域子信号，如果时间长度小于标准时域信号长度，向前提取时域信号，达到标准时域信号长度，实现时域信号时间长度对齐。

本发明利用振动信号的时域信息对风机的故障进行预测。具体地，将各个时域子信号与故障状态下的标准时域信号进行相似性计算，具体为：

类似地，计算出所有时域子信号与故障状态下的标准时域信号的相关系数。相关系数越大，说明该时域子信号风机越可能处于故障状态。因此，对于风机的预测时域信号，只要存在时域子信号与所述标准时域信号的相关系数大于一定阈值，则预测该风机在该时域子信号所对应的时间段内会出现故障，实现风机的故障预测。此外，标准时域信号可能包括多个不同故障引起的故障状态下的标准时域信号，当风机时域子信号与某个故障对应的标准时域信号的相关系数超过阈值时，能够进一步预测风机出现故障的原因。

由此可知，本发明提出的风机故障预测方法及系统，本发明对需要进行故障预测的风机进行筛选，并对筛选出的风机进行分级预测，提高了对大量风机进行故障预测的效率，降低了对大量风机进行故障预测的硬件及软件成本。同时，根据风机的不同环境条件，训练生成不同的时域信号预测模型，将风机根据环境条件划分成不同的预测风机子集，针对不同的环境条件风机进行针对化的故障预测，提高了故障预测的准确率。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。