一种风力发电机组智能辅助维修系统及辅助维修方法与流程

本发明涉及机电设备智能维护技术领域，更具体的说是涉及一种风力发电机组智能辅助维修系统及辅助维修方法。

背景技术：

目前，风力发电机组的维修工作大多依赖运维人员的实操经验判定，在出现新故障后，只能依靠查看故障处理手册和风电机组图纸的方式查找故障位置、分析故障起因，最后给出故障维修方案，整个过程需要运维人员通过以往经验去逐步判断，不仅维护效率低下，对于运维人员来说工作任务艰巨，耗费大量人力物力，且对运维人员的专业水平要求较高，对于新入行的运维人员来说，只能通过现有的技术资料以及所能遇见的故障类型逐渐积累经验，提升速度慢，很难满足故障多样、维护任务重的风力发电机组维修工作的需求。

因此，如何提供一种智能高效、便于运维人员能力提升的风力发电机组智能辅助维修系统是本领域技术人员亟需解决的问题。

技术实现要素：

有鉴于此，本发明提供了一种风力发电机组智能辅助维修系统及辅助维修方法，该系统将现场维修工作端与专家客户端对接，专家实时指导，同时维护数据可以在系统中分类存储，解决了现有的风力发电机组维护方式耗时耗力，且维护工作效率低，维护人员能力提升缓慢的问题。

为了实现上述目的，本发明采用如下技术方案：

一方面，本发明提供了一种风力发电机组智能辅助维修系统，该系统包括：

工况数据接口，所述工况数据接口与外部的风机工况数据源通信连接，用于读取外部监测数据；

现场维修工作端，所述现场维修工作端用于采集现场维修信息，并进行虚实融合处理；

专家客户端，所述专家客户端用于采集并输入专家知识数据，提供机组相关运维事务自学习处理模型、备件属性信息和机组机构模型数据；

协调处理器，所述工况数据接口、现场维修工作端以及专家客户端均与所述协调处理器通信连接，所述协调处理器用于对接收到的数据进行分析、处理及转发工作；以及

智能处理模块，所述协调处理器还与所述智能处理模块通信连接，所述智能处理模块用于存储并管理系统相关数据并执行智能计算功能。

本发明的有益效果是：该系统将维修现场与技术专家通过协调处理器进行实时对接，便于专家为维修现场提供远程技术指导，同时系统的智能处理模块可以存储并管理系统中的相关维护数据，便于日后学习和经验积累，为维修人员提供了一个更加便捷高效的学习平台，同时也大大提高了风力发电机组维修工作的效率。

在上述方案的基础上，对本发明提供的方案做进一步解释说明。

进一步地，所述工况数据接口包括机组scada系统接口和机组运行日志接口。工况数据接口是一组网络接口硬件，支持有线、无线等工业常用总线或网络形式，可以从机组scada系统接口以及机组运行日志接口接受机组工况数据，用于辅助维修决策。

进一步地，所述现场维修工作端包括修护数据采集单元、第一数据识别单元、第一虚实融合单元和第一人机交互单元，所述修护数据采集单元依次通过第一数据识别单元和第一虚实融合单元与第一人机交互单元连接，所述第一数据识别单元、第一虚实融合单元和第一人机交互单元分别与所述协调处理器连接；

所述修护数据采集单元用于采集用户对风力发电机组维护过程中的维修数据，所述第一数据识别单元用于提取所述修护数据采集单元采集到的维修数据中的关键信息，所述第一虚实融合单元用于将关键信息中的真实图形与其预先存储的虚拟图形进行融合处理，所述第一人机交互单元用于显示融合处理后的数据。

进一步地，所述专家客户端包括专家数据采集单元、第二数据识别单元、第二虚实融合单元和第二人机交互单元，所述专家数据采集单元依次通过第二数据识别单元和第二虚实融合单元与第二人机交互单元连接，所述第二数据识别单元、第二虚实融合单元和第二人机交互单元分别与所述协调处理器连接；

所述专家数据采集单元用于采集输入的专家知识数据，所述第二数据识别单元用于提取所述专家数据采集单元采集到的专家知识数据中的关键信息，所述第二虚实融合单元用于将所述关键信息中的真实图形与其存储的虚拟图形进行融合处理，所述所述第二人机交互单元用于显示融合处理后的数据。

进一步地，所述智能处理模块包括存储单元和智能处理器，所述存储单元与所述智能处理器连接，所述智能处理器还与所述协调处理器通信连接，所述智能处理器用于与所述协调处理进行数据交互，并对接收到的数据进行分析处理，所述存储单元用于对所述智能处理器接收及处理后的数据进行实时存储。

进一步地，所述存储单元包括自学习模型存储单元、经验知识数据存储单元、事实数据存储单元、备件数据存储单元、机组结构数据存储单元和个人能力评估存储单元，所述自学习模型存储单元、经验知识数据存储单元、事实数据存储单元、备件数据存储单元、机组结构数据存储单元和个人能力评估存储单元分别与所述智能处理器电连接；

所述自学习模型存储单元用于存储并更新机组相关运维事务自学习处理模型，所述经验知识数据存储单元用于存储自学习模型学习到的知识数据，所述事实数据存储单元用于存储所述专家客户端提取到的专家知识数据和所述现场维护工作端提取到的维修数据经所述智能处理器处理并生成的相关故障排查及排除故障的动画演示数据，所述备件数据存储单元用于存储备件数量、备件属性信息及三维模型，所述机组结构数据存储单元用于存储机组结构、部件连接情况及机组的三维模型，所述个人能力评估存储单元用于存储系统对于维修人员能力的评价数据。

另一方面，本发明还提供了一种风力发电机组智能辅助维修方法，该方法包括以下步骤：

s1：预先将机组相关运维事务自学习处理模型、故障处理步骤的动画演示数据、备件属性信息及其三维模型以及机组结构和部件连接情况及其三维模型进行分类存储；

s2：采集风力发电机组的工况历史数据，并根据预先存储的机组相关运维事务自学习模型和机组结构知识数据，对工况历史数据和结构知识数据进行深度挖掘和融合，生成经验知识，并对所述经验数据进行实时存储；

s3：故障发生时接收故障代码，并根据预先存储的经验数据，定位最大可能性损坏部件，并将最大可能性损坏部件推荐至现场维修工作端，所述现场维修工作端根据接收到的最大可能性损坏部件确定目标故障点；

s4：实时采集目标故障点的视频数据，并调取预先存储的所述目标故障点的动画演示数据，将动画演示数据与实时采集的目标故障点的视频数据进行融合处理，并展示给现场维修人员；

s5：若根据预先存储的经验数据无法定位到最大可能性损坏部件，则自动将现场维修工作端连接至专家客户端，将故障代码和维修现场视频实时传输至专家客户端，通过专家客户端与现场维修工作端实时对接，确定故障点并提供维修方案；

s6：将最终的维修方案进行实时存储，更新经验数据。

进一步地，所述步骤s3具体包括：

s301：根据接收到的故障代码并结合经验数据确定最大可能性损坏部件，并获取最大可能性损坏部件的照片；

s302：现场维修工作端实时采集所述最大可能性损坏部件所在电器柜的视频数据；

s303：分别获取所述视频数据中每次出现疑似损坏部件时的当前帧数据，并提取每个当前帧数据的语义特征；

s304：将多个当前帧数据的语义特征通过堆叠的形式进行数据融合，并通过相似度判断视频数据中出现的疑似损坏部件是否是最大可能性损坏部件。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种风力发电机组智能辅助维修方法，该方法将先前积累的经验数据应用到现场风力发电机组的故障处理工作中，配合专家远程指导，可以更加快速、准确的定位故障点，大大提高了风力发电机组的维护效率，同时维修人员还可以通过不断更新的维修数据提升自身能力，积累经验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的一种风力发电机组智能辅助维修系统的整体结构架构示意图；

图2附图为本发明实施例中自学习模型存储数据库、备件信息数据库和机组结构数据库构建功能实现原理示意图；

图3附图为本发明实施例中经验知识数据库构建功能实现原理示意图；

图4附图为本发明实施例中系统故障点推荐功能实现原理示意图；

图5附图为本发明实施例中系统辅助指导功能实现原理示意图；

图6附图为本发明实施例中专家在线指导功能实现原理示意图；

图7附图为本发明实施例中在线学习培训功能实现原理示意图；

图8附图为本发明提供的一种风力发电机组辅助维修系统安装示意图；

图9附图为本发明提供的一种风力发电机组智能辅助维修方法的流程示意图；

图10附图为本发明实施例中故障部件定位过程的原理示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一方面，本发明实施例公开了一种风力发电机组智能辅助维修系统，该系统包括：

工况数据接口2，工况数据接口2与外部的风机工况数据源通信连接，用于读取外部监测数据；

现场维修工作端3，现场维修工作端3用于采集现场维修信息，并进行虚实融合处理；

专家客户端5，专家客户端5用于采集并输入专家知识数据，提供机组相关运维事务自学习处理模型、备件属性信息和机组机构模型数据；

协调处理器1，工况数据接口2、现场维修工作端3以及专家客户端5均与协调处理器1通信连接，协调处理器1用于对接收到的数据进行分析、处理及转发工作；以及

智能处理模块4，协调处理器1还与智能处理模块4通信连接，智能处理模块4用于存储并管理系统相关数据并执行智能计算功能。

在一个具体的实施例中，工况数据接口2包括机组scada系统接口21和机组运行日志接口22。工况数据接口2是一组网络接口硬件，支持有线、无线等工业常用总线或网络形式，可以从机组scada系统接口21以及机组运行日志接口22接受机组工况数据，用于辅助维修决策。

在一个具体的实施例中，现场维修工作端3包括修护数据采集单元31、第一数据识别单元32、第一虚实融合单元33和第一人机交互单元34，修护数据采集单元31依次通过第一数据识别单元32和第一虚实融合单元33与第一人机交互单元34连接，第一数据识别单元32、第一虚实融合单元33和第一人机交互单元34分别与协调处理器1连接；

修护数据采集单元31用于采集用户对风力发电机组维护过程中的维修数据，第一数据识别单元32用于提取修护数据采集单元31采集到的维修数据中的关键信息，第一虚实融合单元33用于将关键信息中的真实图形与其预先存储的虚拟图形进行融合处理，第一人机交互单元34用于显示融合处理后的数据。

在本实施例中，现场维修工作端3采用固定终端、移动终端或可穿戴设备，维护数据采集单元31是维修人员携带的手机、平板电脑的摄像头、话筒或其他可移动摄像头、录音设备等，用于采集用户对机组的维修过程或其他信息，第一数据识别单元32是安装在维修人员所携带的可穿戴设备上的图形、音频、文本高速处理器，用于提取维护数据采集单元31采集的视频、图像、文本信息中有用的部分，第一虚实融合单元33是维修人员所携带的可穿戴设备上的数据融合处理器，用于将虚拟的图形与真实图形进行恰当融合，第一人机交互单元34是安装在机组机舱的控制面板触控显示屏、维修人员的手机、平板电脑、个人计算机显示设备和输入设备等，根据实际情况进行选择，用于显示第一虚实融合单元33的处理结果和其他的需要显示的信息。

在一个具体的实施例中，专家客户端5包括专家数据采集单元51、第二数据识别单元52、第二虚实融合单元53和第二人机交互单元54，专家数据采集单元51依次通过第二数据识别单元52和第二虚实融合单元53与第二人机交互单元54连接，第二数据识别单元52、第二虚实融合单元53和第二人机交互单元54分别与协调处理器1连接；

专家数据采集单元51用于采集输入的专家知识数据，第二数据识别单元52用于提取专家数据采集单元51采集到的专家知识数据中的关键信息，第二虚实融合单元53用于将关键信息中的真实图形与其存储的虚拟图形进行融合处理，第二人机交互单元54用于显示融合处理后的数据。

在本实施例中，专家客户端5经过协调处理器1将机组相关运维事务自学习处理模型、备件属性信息和机组机构模型固化到智能处理模块4中，根据工况数据接口2输入的数据结合智能处理模块4中固化的模型和信息自动生成关于运维事务的知识数据，并保存到智能处理模块4中，现场工作端3通过协调处理器1和智能处理模块4、专家客户端5进行数据交互为运维相关事务提供支持。

具体地，专家客户端5采用固定终端、移动终端或可穿戴设备，专家数据采集单元51是专家携带的手机、平板电脑的摄像头、话筒或其他可移动摄像头、录音设备等，用于采集输入专家知识数据，第二数据识别单元52是专家设备上的图形、音频、文本高速处理器，用于提取专家数据采集单元51采集的视频、图像、文本信息中有用的部分，第二虚实融合单元53是专家设备上的数据融合处理器，用于将虚拟的图形与真实图形进行恰当融合，第二人机交互单元54是专家携带的手机、平板电脑、个人计算机显示设备、耳机、音响设备等，根据实际情况进行选择，用于显示第二虚实融合单元53的处理结果和其他需要显示的信息。

在本实施例中，协调处理器1采用嵌入式处理器、工控机和服务器在内的计算机系统，根据系统复杂度的不同进行选取。

在一个具体的实施例中，智能处理模块4包括存储单元和智能处理器47，存储单元与智能处理器47连接，智能处理器47还与协调处理器1通信连接，智能处理器47用于与协调处理1进行数据交互，并对接收到的数据进行分析处理，存储单元用于对智能处理器47接收及处理后的数据进行实时存储。

在一个具体的实施例中，存储单元包括自学习模型存储单元41、经验知识数据存储单元42、事实数据存储单元43、备件数据存储单元44、机组结构数据存储单元45和个人能力评估存储单元46，自学习模型存储单元41、经验知识数据存储单元42、事实数据存储单元43、备件数据存储单元44、机组结构数据存储单元45和个人能力评估存储单元46分别与智能处理器47电连接；

自学习模型存储单元41用于存储并更新机组相关运维事务自学习处理模型，经验知识数据存储单元42用于存储自学习模型学习到的知识数据，事实数据存储单元43用于存储专家客户端5提取到的专家知识数据和现场维护工作端提取到的维修数据经智能处理器47处理并生成的相关故障排查及排除故障的动画演示数据，备件数据存储单元44用于存储备件数量、备件属性信息及三维模型，机组结构数据存储单元45用于存储机组结构、部件连接情况及机组的三维模型，个人能力评估存储单元46用于存储系统对于维修人员能力的评价数据。

在本实施例中，上述的各个存储单元均为具有存储与快速读写功能的硬件介质，可以满足大容量的数据存储需求。

如图2所示，首先通过专家客户端5的第二人机交互单元54经由协调处理器1和智能处理器47将机组相关运维事务自学习处理模型输入到自学习模型存储单元41，故障处理步骤的动画演示输入到事实数据存储单元43中，备件属性信息及其三维模型存储到备件信息存储单元44中，机组结构、部件连接情况及三维模型存储到机组结构数据存储单元45中，对自学习模型存储单元41、事实数据存储单元43、备件信息存储单元44和机组结构数据存储单元45进行参数初始设置。

如图3所示，智能处理器47通过协调处理器1接受来自工况数据接口2中scada系统接口21(supervisorycontrolanddataacquisition，即数据采集与监视控制系统)和运行日志接口22采集的工况历史数据，自学习模型存储单元41中存储的机组相关运维事务的自学习模型和机组结构数据存储单元45中存储的机组结构知识数据，对历史数据和结构知识数据进行深度挖掘和融合，生成经验知识，并存储到经验知识数据存储单元42中，对经验知识数据存储单元42进行参数初始设置。

如图4所示，当故障发生时，现场维修工作端3中的第一人机交互单元34通过协调处理器1接受工况数据接口2中scada系统接口21接收的故障代码和智能处理模块4中经验知识数据存储单元42中的知识数据，为工作人员推荐该故障代码所对应的最大可能性损坏部件，以帮助维修人员最快确认故障点。

如图5所示，在故障处理过程中通过协调处理器1和智能处理器47接收事实数据存储单元43中对应于该故障的动画演示数据，结合维护数据采集单元31和第一数据识别单元32采集和处理后的视频数据，经过第一虚实融合单元33将动画演示数据与现实视频数据相融合，传输到第一人机交互单元34上，为维修人员提供实时指导，事后将该次处理记录经由协调处理器1和智能处理器47处理后作为该维修人员的经验存储到个人能力评估存储单元46中。

如图6所示，当所处理的故障超出所述系统原有的知识数据时，通过求助专家客户端5，专家通过现场维修工作端3反馈的故障代码和实时现实视频数据，对机组结构数据存储单元45中的虚拟机组进行虚拟维修演示，通过协调处理器1传输到现场维修工作端3，为维修人员提供远程支持，同时通过协调处理器1和智能处理器47将该故障的虚拟维修演示生成动画演示并存储到事实数据存储单元43中，将本次处理记录经由协调处理器1和智能处理器47处理后作为该维修人员的经验存储到个人能力评估存储单元46中。

如图7所示，通过智能处理器47自动提取经验知识数据存储单元42、事实数据存储单元43和机组结构存储单元45中的故障维修相关的知识数据，经由协调处理器1输送到现场维修工作端3中的第一人机交互单元34供维修人员进行虚拟维修培训，并将培训记录经由协调处理器1和智能处理器47处理后作为该维修人员的经验存储到个人能力评估存储单元46中。

如图8所示，风力发电机组智能辅助维修系统还包括一个ip65等级以上的机柜；协调处理器1、工况数据接口2和智能处理模块5置于机柜内，机柜上预留存储器和通信线过孔，通信接口和电源接口具有防雷功能，工况数据接口2安装在协调处理器1上并和协调处理器1一同置于机柜内，机柜置于主控室内，现场维修工作端3的固定终端置于塔基和机舱控制柜上或其他有必要放置固定终端的位置，移动终端由维修人员随身携带，可穿戴设备由维修人员随身携带，专家客户端5的固定终端置于塔基控制柜上或专家办公所在地，移动终端由专家随身携带，可穿戴设备由专家随身携带。

另一方面，参见附图9，本发明还提供了一种风力发电机组智能辅助维修方法，该方法包括以下步骤：

s1：预先将机组相关运维事务自学习处理模型、故障处理步骤的动画演示数据、备件属性信息及其三维模型以及机组结构和部件连接情况及其三维模型进行分类存储；

s2：采集风力发电机组的工况历史数据，并根据预先存储的机组相关运维事务自学习模型和机组结构知识数据，对工况历史数据和结构知识数据进行深度挖掘和融合，生成经验知识，并对经验数据进行实时存储；

s3：故障发生时接收故障代码，并根据预先存储的经验数据，定位最大可能性损坏部件，并将最大可能性损坏部件推荐至现场维修工作端，现场维修工作端根据接收到的最大可能性损坏部件确定目标故障点；

s4：实时采集目标故障点的视频数据，并调取预先存储的目标故障点的动画演示数据，将动画演示数据与实时采集的目标故障点的视频数据进行融合处理，并展示给现场维修人员；

s5：若根据预先存储的经验数据无法定位到最大可能性损坏部件，则自动将现场维修工作端连接至专家客户端，将故障代码和维修现场视频实时传输至专家客户端，通过专家客户端与现场维修工作端实时对接，确定故障点并提供维修方案；

s6：将最终的维修方案进行实时存储，更新经验数据。

在本实施例中，为进一步提高目标跟踪的精度，提出一种基于双通道伪孪生网络方法。通过cnn提取视频每一帧的语义特征gw(x)，convlstm(convolutionallstm)通过视频中的历史信息并结合当前帧计算出图像语义信息gv(x),然后将所得到的特征通过堆叠进行数据融合，得到gwv(x)，最后通过计算两个向量的相似度判断所观测的x是否为目标z。

参见附图10，具体故障定位过程通过以下步骤实现：

(1)首先根据scada后台上报的故障代码，推理出相关部件，然后提取相关部件照片z；

(2)风机运维人员利用谷歌眼镜等工具实时采集该部件所在电器柜；

(3)所采集的视频数据中首次出现该部件时，将该帧定义为x1，通过cnn和convlstm提取该帧的语义特征，其中gw(x)和gw(z)共用同一套参数，具有独立的参数；

(4)第二帧及第二帧以后，convlstm提取的特征由于与历史信息进行了融合，所以其提取的特征更为全面、详实；

(5)将每一次的特征通过堆叠的形式进行数据融合，并与gw(x)进行对比，其中对比的损失函数如下：

其中，

y值为1或0，如果模型预测输入是相似的，那么y的值为0，否则y为1；max()表示0和m-dw之间较大值的函数，dw表示残差，图10中的e即为残差。

m是大于0的边际价值(marginvalue)。可以理解成一个阈值，在计算过程中只考虑两个样本特征的欧氏距离差异度在0-margin之间的情况，当其距离超出margin时，则把其loss视为0(即当两个样本特征不相似时，其欧氏距离越大，应使其loss越小；而对两个样本相似的情况，其距离越远则应使其loss越大)

不难发现，使用上述方法，可以将先前积累的经验数据应用到现场风力发电机组的故障处理工作中，配合专家远程指导，可以更加快速、准确的定位故障点，大大提高了风力发电机组的维护效率，同时维修人员还可以通过不断更新的维修数据提升自身能力，积累经验。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。