故障检测方法、模型的训练方法、装置、设备及存储介质与流程

本申请实施例涉及互联网技术领域，特别涉及一种故障检测方法、模型的训练方法、装置、设备及存储介质。

背景技术：

风电场是由多台风力发电机组构成的发电厂。

在相关技术中，通过工作人员积累的工作经验判断排查风力发电机组是否出现故障，并在风力发电机组出现故障时及时预警。

然而，上述相关技术依赖于工作人员的工作经验，易造成风力发电机组的故障发生率高。

技术实现要素：

本申请实施例提供了一种故障检测方法、模型的训练方法、装置、设备及存储介质。技术方案如下：

根据本申请实施例的第一方面，提供了一种风力发电机的故障检测方法，所述方法包括：

对于n个风力发电机中的第一风力发电机，获取第一风力发电机的特征数据和实际温度，所述第一风力发电机的特征数据用于表征所述第一风力发电机的工作状态，所述n为大于1的整数；

将所述第一风力发电机的特征数据分别输入所述n个风力发电机各自对应的温度预测模型中，得到预测温度集合；

基于所述预测温度集合和所述第一风力发电机的实际温度，检测所述第一风力发电机是否存在故障。

根据本申请实施例的第二方面，提供了一种温度预测模型的训练方法，所述方法包括：

获取温度预测模型的训练数据，所述训练数据包括训练样本，所述训练样本包括目标风力发电机的历史温度，以及所述历史温度对应的特征数据，所述历史温度对应的特征数据用于表征所述目标风力发电机的工作状态；

对所述训练数据进行数据清洗，得到数据清洗后的训练数据；其中，所述数据清洗后的训练数据用于对所述温度预测模型进行训练；

通过所述温度预测模型计算所述特征数据对应的预测温度；

根据所述预测温度和所述历史温度对所述温度预测模型进行训练。

根据本申请实施例的第三方面，提供了一种风力发电机的故障检测装置，所述装置包括：

数据获取模块，用于对于n个风力发电机中的第一风力发电机，获取第一风力发电机的特征数据和实际温度，所述第一风力发电机的特征数据用于表征所述第一风力发电机的工作状态，所述n为大于1的整数；

温度获取模块，用于将所述第一风力发电机的特征数据分别输入所述n个风力发电机各自对应的温度预测模型中，得到预测温度集合；

故障检测模块，用于基于所述预测温度集合和所述第一风力发电机的实际温度，检测所述第一风力发电机是否存在故障。

根据本申请实施例的第四方面，提供了一种温度预测模型的训练装置，所述装置包括：

数据获取模块，用于获取温度预测模型的训练数据，所述训练数据包括训练样本，所述训练样本包括目标风力发电机的历史温度，以及所述历史温度对应的特征数据，所述历史温度对应的特征数据用于表征所述目标风力发电机的工作状态；

数据预处理模块，用于对所述训练数据进行数据清洗，得到数据清洗后的训练数据；其中，所述数据清洗后的训练数据用于对所述温度预测模型进行训练；

温度计算模块，用于通过所述温度预测模型计算所述特征数据对应的预测温度；

模型训练模块，用于根据所述预测温度和所述历史温度对所述温度预测模型进行训练。

根据本申请实施例的第五方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如第一方面所述的风力发电机的故障检测方法，或实现如第二方面所述的温度预测模型的训练方法。

根据本申请实施例的第六方面，提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的风力发电机的故障检测方法，或实现如第二方面所述的温度预测模型的训练方法。

本申请实施例提供的技术方案带来的有益效果可以包括：

通过温度预测模型得到预测温度，基于预测温度和实际温度，检测风力发电机是否存在故障，相较于相关技术依赖于工作人员的工作经验，本申请实施例提供的技术方案，可以更准确地检测风力发电机是否存在故障，并及时预警，减轻风力发电机的故障发生率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本申请一个实施例提供的风力发电机的故障检测方法的流程图；

图2是本申请一个实施例提供的故障检测方法的架构图；

图3是本申请一个实施例提供的温度预测模型的训练方法的流程图；

图4是本申请一个实施例提供的温度预测模型经训练至应用的架构图；

图5是本申请一个实施例提供的风力发电机的故障检测装置的框图；

图6是本申请一个实施例提供的温度预测模型的训练装置的框图；

图7是本申请一个实施例提供的计算机设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

请参考图1，其示出了本申请一个实施例提供的风力发电机的故障检测方法的流程图，本申请实施例的执行主体可以是计算机设备，计算机设备是指具备计算和处理能力的电子设备，例如，计算机设备可以是服务器。所述方法包括以下几个步骤：

步骤101，对于n个风力发电机中的第一风力发电机，获取第一风力发电机的特征数据和实际温度。

风力发电机可以简称风机，风力发电机是将风能转换为机械能，机械能带动转子旋转，最终输出交流电的电力设备。第一风力发电机可以是n个风力发电机中的任意一台风力发电机。第一风力发电机的特征数据用于表征第一风力发电机的工作状态。例如，第一风力发电机的特征数据可以包括以下至少一项：风速、风轮转速、桨叶角度、偏航角度、有功功率、发电机转速、齿轮箱油温，本申请实施例对特征数据的类型以及个数不作限定。在可能的实现方式中，第一风力发电机的特征数据必须包括有功功率和发电机转速。

步骤102，将第一风力发电机的特征数据分别输入n个风力发电机各自对应的温度预测模型中，得到预测温度集合。

温度预测模型用于根据特征数据得到预测温度。预测温度可以表示在当前工况下第一风力发电机的健康温度(正常温度)。在本申请实施例中，n个温度预测模型包括第一风力发电机对应的温度预测模型，以及n-1个第二风力发电机分别对应的温度预测模型。示例性地，n个风力发电机为相邻的同机型的风力发电机。也即，第二风力发电机是指与第一风力发电机处于同一风电场内的相邻的同机型的风力发电机。

步骤103，基于预测温度集合和第一风力发电机的实际温度，检测第一风力发电机是否存在故障。

预测温度集合包括n个预测温度，当第一风力发电机存在故障时，第一风力发电机的实际温度会比预测温度高。示例性地，当实际温度比多个预测温度都高时，第一风力发电机存在故障，此时可以预警。

需要说明的是，针对新建风电场内风力发电机的训练数据较少因而不能训练温度预测模型的情况，本申请实施例可以将与第一风力发电机同机型的其他风电场内的第二风力发电机的温度预测模型，应用到第一风力发电机的正常运转数据中，评估模型预测效果，若温度预测模型回归效果符合使用要求，则使用该第二风力发电机的温度预测模型进行告警；若温度预测模型回归效果不符合使用要求，则采用同风电场内同机型的满发段温度数据横向比较的告警策略。满发段温度比较方案可以有效克服因历史数据不足带来的机器学习预测不准的问题，实现零历史数据的故障预警。

综上所述，本申请实施例提供的技术方案中，通过温度预测模型得到预测温度，基于预测温度和实际温度，检测风力发电机是否存在故障，相较于相关技术依赖于工作人员的工作经验，本申请实施例提供的技术方案，可以更准确地检测风力发电机是否存在故障，并及时预警，减轻风力发电机的故障发生率。

另外，针对现有技术严重依赖第一风力发电机的正常历史数据问题，本申请实施例提供了一种横向对比交叉验证的方式，若第一风力发电机存在故障，则其历史数据也会受到故障影响，而第二风力发电机不会受到此故障影响，大概率下第二风力发电机的数据正常，基于多个第二风力发电机对应的温度预测模型得到的预测温度对第一风力发电机进行检测，避免了仅基于第一风力发电机对应的温度预测模型得到的预测温度对第一风力发电机进行检测而造成的漏报问题，提高预警召回率。

在本申请实施例中，n个风力发电机中的每个风力发电机包括m个组件，每个风力发电机对应的温度预测模型包括：每个风力发电机的m个组件各自对应的组件温度预测模型，m为正整数。可选地，通过如下方式对第一风力发电机包括的组件是否存在故障进行检测：

1、获取第一风力发电机的m个组件各自的组件特征数据，以及第一风力发电机的m个组件各自的实际温度；

2、对于第一风力发电机的m个组件中的第i个组件，将第i个组件的组件特征数据分别输入n个风力发电机各自的第i个组件的组件温度预测模型中，得到第i个组件的预测温度集合，i为小于或等于m的正整数；

示例性地，风力发电机包括以下至少一个组件：发电机驱动端轴承、发电机非驱动端轴承、齿轮箱高速轴驱动端轴承、齿轮箱高速轴非驱动端轴承、齿轮箱中间轴驱动端轴承、齿轮箱中间轴非驱动端轴承、主轴前轴承、主轴后轴承。当然，在其他可能的实现方式中，风力发电机还包括其他组件，本申请实施例对组件的类型不作限定。可选地，每个组件都有其对应的组件温度预测模型。

在本申请实施例中，每个风力发电机各自的第i个组件的组件温度预测模型输出一个预测温度，也即，预测温度集合包括n个预测温度。

3、基于第i个组件的预测温度集合和第i个组件的实际温度，检测第i个组件是否存在故障。

在一个示例中，如图2所示，通过如下方式检测第i个组件是否存在故障：

3.1、分别计算第i个组件的预测温度集合中的每个预测温度和第i个组件的实际温度之间的残差值，得到第i个组件的残差值集合；

假设存在3个风力发电机，将第i个组件的组件特征数据分别输入上述3个风力发电机各自的第i个组件的组件温度预测模型，得到3个预测温度，分别为30℃、31℃和32℃，第i个组件的实际温度为38℃，则分别计算3个预测温度和实际温度之间的残差值，得到3个残差值，分别为8、7和6。

3.2、获取第i个组件的残差值集合中大于阈值的残差值的数目；

阈值可以根据历史经验进行设置，假设阈值为5，仍然以上述示例为例，则大于5的残差值的数目为3。

3.3、检测数目是否大于预设数目；

预设数目与n可以成比例，例如，预设数目可以是n的1/2。

3.4、若数目大于预设数目，则确定第i个组件存在故障。预设数目可以是2。

因为3大于2，可以确定第i个组件存在故障。

在另一个示例中，通过如下方式检测第i个组件是否存在故障：

第一、检测n个风力发电机各自的第i个组件的组件温度预测模型中的目标组件温度预测模型对应的目标残差值是否大于阈值；

在本申请实施例中，目标残差值是指目标组件温度预测模型对应的预测温度和第i个组件的实际温度之间的残差值。

第二、若目标残差值大于阈值，则确定目标组件温度预测模型对应的目标风力发电机检测到第i个组件存在异常；

第三、在预设时段内确定目标风力发电机检测到第i个组件存在异常的次数是否大于预设次数；

预设时段可以是一周或3天，预设时段可以由技术人员进行设置。

第四、若次数大于预设次数，则将目标风力发电机确定为预警风力发电机；

当目标风力发电机检测到第i个组件存在一次异常时，就确定该第i个组件存在故障，可能会存在误判情况。而在预设时段内目标风力发电机检测到第i个组件存在异常的次数大于预设次数时，则可以确定目标风力发电机确定第i个组件存在故障。

第五、若n个风力发电机中预警风力发电机的占比大于预设占比，则确定第i个组件存在故障。

当n个风力发电机中超过一定占比的风力发电机都确定第i个组件存在故障时，最终可以确定第i个组件确实存在故障。

综上所述，本申请实施例提供的技术方案中，通过预测温度和实际温度，检测组件是否存在故障，组件是风力发电机的核心部件，组件故障带来的运维成本高达所有运维成本的40％以上，因此，识别风力发电机中是否存在组件故障，并及时预警，可以提前进行针对性的风力发电机运维检修，节约组件维修成本，减少因组件故障导致的非计划停机的发电量损失。

另外，当n个残差值中大于阈值的残差值的数目大于预设数目时，确定组件存在故障，组件的故障检测耗时短。

当目标风力发电机检测到组件存在异常的次数大于预设次数时，将该目标风力发电机确定为预警风力发电机，并在预警风力发电机的占比大于预设占比时，确定组件存在故障，组件的故障检测更为精确。

如图3所示，本申请实施例还提供了一种温度预测模型的训练方法的流程图，上述方法的执行主体可以是计算机设备，计算机设备是指具备计算和处理能力的电子设备，例如，计算机设备可以是服务器。所述方法包括以下几个步骤：

步骤301，获取温度预测模型的训练数据。

在本申请实施例中，训练数据包括训练样本，示例性地，训练数据中包括至少3000个训练样本，训练样本包括目标风力发电机的历史温度，以及历史温度对应的特征数据，历史温度对应的特征数据用于表征目标风力发电机的工作状态。

步骤302，对训练数据进行数据清洗，得到数据清洗后的训练数据。

在本申请实施例中，数据清洗后的训练数据用于对温度预测模型进行训练。在对温度预测模型进行训练前，先对训练数据进行数据清洗，可以提高温度预测模型的精度。

步骤303，通过温度预测模型计算特征数据对应的预测温度。

将特征数据输入温度预测模型中，可以得到该特征数据对应的预测温度。

步骤304，根据预测温度和历史温度对温度预测模型进行训练。

当预测温度和历史温度之间的差值小于预设差值时，停止对温度预测模型进行训练。当然，在其它可能的实现方式中，当训练次数大于预设次数时，停止对温度预测模型的训练。

温度预测模型在训练时可以使用特征工程的方法，加入历史几个小时内的特征数据，例如，历史几个小时内的风轮转速等，提高温度预测模型的精度。可选地，温度预测模型可以是lightgbm模型、随机森林模型、svr(supportvactorregerssion，支持向量回归)模型。

需要说明的是，本申请需要针对同一风电场内的所有风力发电机都要建立温度预测模型。温度预测模型可以每隔预设时长更新一次，例如，每三个月更新一次温度预测模型。

综上所述，本申请实施例提供的技术方案中，通过特征数据对应的预测温度和特征数据对应的历史温度，对温度预测模型进行训练，并将最终训练完成的温度预测模型用于检测风力发电机是否存在故障，可以降低风力发电机的故障发生率。

在一个示例中，数据清洗可以包括以下至少一项：清理死数(死数是指连续固定不变的数值)、清理超限数据(超限数据是指超过预设范围的数据)、清理与历史环境状况不对应的数据(例如，与历史环境温度不对应的历史温度数据、与历史风力不对应的历史功率数据)。

在另一个示例中，可以基于密度对训练数据进行预处理：将历史温度和历史温度对应的特征数据作为一个数据点；基于数据点的分布密度将不属于大众分布的数据点去除。

在又一个示例中，可以基于风电场内同机型的风力发电机的历史数据对训练数据进行预处理：获取风电场内与目标风力发电机同机型的风力发电机的历史温度和历史温度对应的特征数据；基于相同大小的特征数据对历史温度进行分桶清洗，得到分桶清洗后的历史温度。

温度预测模型的训练数据需要使用正常数据，如果温度预测模型中包含大量异常高温训练数据，则会使得预测温度很高，造成故障漏报的情况。相较于相关技术中只是简单清理超限数据，导致训练数据中包含一定的异常高温数据，以致于用训练好的温度预测模型检测风力发电机的温度时，预测温度可能会较高，从而导致残差值较小，漏报发生率高的情况，本申请实施例通过更深层的数据清洗，可以有效保证异常数据被清洗干净，从而减少漏报发生率。

如图4所示，其示出了本申请一个实施例提供的温度预测模型经训练至应用的架构图。针对n个风力发电机都训练其对应的温度预测模型，得到n个温度预测模型，每个风力发电机都用自身的训练数据训练温度预测模型。将第一风力发电机的实时特征数据输入至上述n个风力发电机各自对应的温度预测模型中，得到预测温度集合，基于预测温度集合和实际温度，检测第一风力发电机是否存在故障，当预警风力发电机的占比大于预设占比时，确定第一风力发电机存在故障，从而预警。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

请参考图5，其示出了本申请一个实施例提供的风力发电机的故障检测装置的框图。该装置具有实现上述方法示例的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置500可以包括：数据获取模块510、温度获取模块520和故障检测模块530。

所述数据获取模块510，用于对于n个风力发电机中的第一风力发电机，获取第一风力发电机的特征数据和实际温度，所述第一风力发电机的特征数据用于表征所述第一风力发电机的工作状态，所述n为大于1的整数。

所述温度获取模块520，用于将所述第一风力发电机的特征数据分别输入所述n个风力发电机各自对应的温度预测模型中，得到预测温度集合。

所述故障检测模块530，用于基于所述预测温度集合和所述第一风力发电机的实际温度，检测所述第一风力发电机是否存在故障。

综上所述，本申请实施例提供的技术方案中，通过温度预测模型得到预测温度，基于预测温度和实际温度，检测风力发电机是否存在故障，相较于相关技术依赖于工作人员的工作经验，本申请实施例提供的技术方案，可以更准确地检测风力发电机是否存在故障，并及时预警，减轻风力发电机的故障发生率。

可选地，所述n个风力发电机为相邻的同机型的风力发电机。

可选地，所述n个风力发电机中的每个风力发电机包括m个组件，所述每个风力发电机对应的温度预测模型包括：所述每个风力发电机的m个组件各自对应的组件温度预测模型，所述m为正整数；

所述数据获取模块510，包括：

获取所述第一风力发电机的m个组件各自的组件特征数据，以及所述第一风力发电机的m个组件各自的实际温度；

所述温度获取模块520，用于：

对于所述第一风力发电机的m个组件中的第i个组件，将所述第i个组件的组件特征数据分别输入所述n个风力发电机各自的所述第i个组件的组件温度预测模型中，得到所述第i个组件的预测温度集合，所述i为小于或等于所述m的正整数；

所述故障检测模块530，用于：

基于所述第i个组件的预测温度集合和所述第i个组件的实际温度，检测所述第i个组件是否存在故障。

可选地，所述故障检测模块530，用于：

分别计算所述第i个组件的预测温度集合中的每个预测温度和所述第i个组件的实际温度之间的残差值，得到所述第i个组件的残差值集合；

获取所述第i个组件的残差值集合中大于阈值的残差值的数目；

检测所述数目是否大于预设数目；

若所述数目大于所述预设数目，则确定所述第i个组件存在故障。

可选地，所述故障检测模块530，用于：

检测所述n个风力发电机各自的所述第i个组件的组件温度预测模型中的目标组件温度预测模型对应的目标残差值是否大于阈值，所述目标残差值是指所述目标组件温度预测模型对应的预测温度和所述第i个组件的实际温度之间的残差值；

若所述目标残差值大于所述阈值，则确定所述目标组件温度预测模型对应的目标风力发电机检测到所述第i个组件存在异常；

在预设时段内确定所述目标风力发电机检测到所述第i个组件存在异常的次数是否大于预设次数；

若所述次数大于所述预设次数，则将所述目标风力发电机确定为预警风力发电机；

若所述n个风力发电机中所述预警风力发电机的占比大于预设占比，则确定所述第i个组件存在故障。

请参考图6，其示出了本申请一个实施例提供的温度预测模型的训练装置的框图。该装置具有实现上述方法示例的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置600可以包括：数据获取模块610、数据预处理模块620、温度计算模块630和模型训练模块640。

所述数据获取模块610，用于获取温度预测模型的训练数据，所述训练数据包括训练样本，所述训练样本包括目标风力发电机的历史温度，以及所述历史温度对应的特征数据，所述历史温度对应的特征数据用于表征所述目标风力发电机的工作状态；

所述数据预处理模块620，用于对所述训练数据进行数据清洗，得到数据清洗后的训练数据；其中，所述数据清洗后的训练数据用于对所述温度预测模型进行训练；

所述温度计算模块630，用于通过所述温度预测模型计算所述特征数据对应的预测温度；

所述模型训练模块640，用于根据所述预测温度和所述历史温度对所述温度预测模型进行训练。

综上所述，本申请实施例提供的技术方案中，通过特征数据对应的预测温度和特征数据对应的历史温度，对温度预测模型进行训练，并将最终训练完成的温度预测模型用于检测风力发电机是否存在故障，可以降低风力发电机的故障发生率。

需要说明的一点是，上述实施例提供的装置在实现其功能时，仅以上述各个功能模块的划分进行举例说明，实际应用中，可以根据实际需要而将上述功能分配由不同的功能模块完成，即将设备的内容结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图7示出了本申请一个实施例提供的计算机设备的结构示意图。该计算机设备用于实施上述实施例中提供的方法。具体来讲：

所述计算机设备700包括中央处理单元(centralprocessingunit，cpu)701、包括随机存取存储器(random-accessmemory，ram)702和只读存储器(random-onlymemory，rom)703的系统存储器704，以及连接系统存储器704和中央处理单元701的系统总线705。所述计算机设备700还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(i/o系统)706，和用于存储操作系统713、应用程序714和其他程序模块715的大容量存储设备707。

所述基本输入/输出系统706包括有用于显示信息的显示器708和用于用户输入信息的诸如鼠标、键盘之类的输入设备709。其中所述显示器708和输入设备709都通过连接到系统总线705的输入输出控制器710连接到中央处理单元701。所述基本输入/输出系统706还可以包括输入输出控制器710以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器710还提供输出到显示屏、打印机或其他类型的输出设备。

所述大容量存储设备707通过连接到系统总线705的大容量存储控制器(未示出)连接到中央处理单元701。所述大容量存储设备707及其相关联的计算机可读介质为计算机设备700提供非易失性存储。也就是说，所述大容量存储设备707可以包括诸如硬盘或者cd-rom(companlydiskrandom-onlymemory)驱动器之类的计算机可读介质(未示出)。

不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括ram、rom、eprom(erasableprogrammablerandom-onlymemory，可擦可编程只读存储器)、eeprom(electricallyerasableprogrammablerandom-onlymemory，电子可擦可编程只读存储器)、闪存或其他固态存储其技术，cd-rom、dvd(digitalversatiledisc，数字多功能光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器704和大容量存储设备707可以统称为存储器。

根据本申请的各种实施例，所述计算机设备700还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备700可以通过连接在所述系统总线705上的网络接口单元711连接到网络712，或者说，也可以使用网络接口单元711来连接到其他类型的网络或远程计算机系统(未示出)。

在示例性实施例中，一种非临时性计算机可读存储介质，当所述存储介质中的指令(或计算机程序)由计算机设备700的处理器执行时，使得计算机设备800能够执行上述方法。

可选地，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。