风机变桨系统的故障预警方法、系统、设备及存储介质与流程

1.本发明涉及风力电机技术领域，尤其涉及一种风机变桨系统的故障预警方法、系统、终端设备以及计算机存储介质。


背景技术：

2.在风电机组中，变桨系统是十分重要和关键的组成部件，但是，由于风电机组长期处于复杂的工作环境，导致变桨系统故障成为风电机组故障中最常见的故障之一，而变桨系统一旦发生故障则会导致风机整体停机，严重影响发电量，同时，风机其它设备也会受到不同程度的损伤，而在变桨系统中最容易发生的故障是变桨系统变频器故障。
3.尽管现有技术中已经存在较多针对该变桨系统变频器进行故障预警的方案，例如仅基于来gbdt(gradient boosting decision tree，一种迭代的决策树算法，也称作mart，即multiple additive regression tree)和xgboost(extreme gradient boosting，全名叫极端梯度提升)等提升算法进行的故障预测方案，但是，现有各种方案不仅需要采集大量的样本数据进行算法的提升训练过程，且最终训练得出的算法模型基于样本数据的局限仍然难以适应复杂工作环境中的风机的变桨故障预警。
4.综上，现有针对变桨系统变频器进行故障预警的方案中，针对算法训练的过程复杂且难以突破风机复杂工作环境的局限，从而难以实现准确针对各种环境中风机的变桨系统变频器进行故障预警。


技术实现要素：

5.本发明的主要目的在于提供一种风机变桨系统的故障预警方法、系统、终端设备以及计算机存储介质，旨在解决现有针对故障预警方案中，针对算法训练的过程复杂且难以突破风机复杂工作环境的局限，从而难以实现准确针对各种环境中风机的变桨系统变频器进行故障预警的技术问题。
6.为实现上述目的，本发明提供一种风机变桨系统的故障预警方法，所述风机变桨系统的故障预警方法应用于针对风机变桨系统的变频器进行故障预警，所述故障预警方法包括以下步骤：
7.获取当前待预警的变频器的实时运行参数，并确定所述变频器所属风机变桨系统的工作环境；
8.根据所述工作环境从预设的各故障预警模型当中，调用所述工作环境对应的目标故障预警模型，其中，各所述故障预警模型分别基于对应工作环境中各所述风机变桨系统的特征参数进行联邦学习训练得到；
9.将所述实时运行参数整理为所述目标故障预警模型的模型输入，并获取所述目标故障预警模型基于所述实时运行参数进行计算后输出的所述变频器在所述工作环境中的故障预测结果；
10.按照所述故障预测结果针对所述变频器进行故障预警。
11.优选地，所述故障预警方法还包括：
12.根据各所述风机变桨系统在对应工作环境中的特征参数进行联邦学习训练得到各故障预警模型，并将各所述故障预警模型与各所述风机变桨系统在对应的工作环境进行关联存储。
13.优选地，所述根据各所述风机变桨系统在对应工作环境中的特征参数进行联邦学习训练得到各故障预警模型的步骤，包括：
14.s1：从预设的分布式文件系统中提取各所述风机变桨系统在对应工作环境中的特征参数，其中，所述特征参数与所述风机变桨系统的所述变频器相关联；
15.s2：按照所述工作环境针对所述特征参数进行分类，并使用分类后的特征参数分别训练各初始机器学习模型得到模型参数；
16.s3：整合所述模型参数形成待确认的故障预警模型；
17.s4：通过预设的测试样本数据验证所述待确认的故障预警模型是否符合故障预测条件，其中，所述故障预测条件为：所述待确认的故障预警模型基于所述测试样本数据的故障预测准确率达到预设阈值；
18.s5：若是，则根据所述工作环境针对所述待确认的故障预警模型进行调优处理得到各所述工作环境各自对应的故障预警模型。
19.优选地，在所述通过预设的测试样本数据验证所述待确认的故障预警模型是否符合故障预测条件的步骤之后，还包括：
20.s6：若否，则将所述待确认的故障预警模型作为新的初始机器学习模型，并依次执行所述步骤s2、s3和s4，直至验证到所述待确认的故障预警模型符合所述故障预测条件。
21.优选地，所述故障预警方法还包括：
22.采集各所述风机变桨系统在对应工作环境中的特征参数；
23.针对所述特征参数进行数据集成、数据清洗和数据转换，并获取对所述特征参数进行数据集成、数据清洗和数据转换的过程参数；
24.根据所述过程参数进行编码得到编码数据，并将所述特征参数、所述编码数据和对所述特征参数进行数据集成、数据清洗和数据转换得到的元数据，分散存储于预设的分布式文件系统中。
25.优选地，从所述分布式文件系统中提取特征参数的步骤，包括：
26.从所述分布式文件系统中获取所述编码数据；
27.解析所述编码数据以提取所述编码数据中封装的所述过程参数；
28.基于所述过程参数确定所述元数据映射的特征参数，并获取所述特征参数。
29.此外，为实现上述目的，本发明还提供一种风机变桨系统的故障预警装置，所述风机变桨系统的故障预警装置应用于针对风机变桨系统的变频器进行故障预警，所述故障预警装置包括：
30.获取模块，用于获取当前待预警的变频器的实时运行参数，并确定所述变频器所属风机变桨系统的工作环境；
31.模型调用模块，用于根据所述工作环境从预设的各故障预警模型当中，调用所述工作环境对应的目标故障预警模型，其中，各所述故障预警模型分别基于对应工作环境中各所述风机变桨系统的特征参数进行联邦学习训练得到；
32.模型预测模块，用于将所述实时运行参数整理为所述目标故障预警模型的模型输入，并获取所述目标故障预警模型基于所述实时运行参数进行计算后输出的所述变频器在所述工作环境中的故障预测结果；
33.预警模块，用于按照所述故障预测结果针对所述变频器进行故障预警。
34.优选地，所述故障预警装置还包括：
35.联邦模型训练模块，用于根据各所述风机变桨系统在对应工作环境中的特征参数进行联邦学习训练得到各故障预警模型，并将各所述故障预警模型与各所述风机变桨系统在对应的工作环境进行关联存储。
36.其中，本发明风机变桨系统的故障预警装置的各个功能模块在运行时实现如上所述的风机变桨系统的故障预警方法的步骤。
37.此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风机变桨系统的故障预警程序，所述风机变桨系统的故障预警程序被所述处理器执行时实现如上所述的风机变桨系统的故障预警方法的步骤。
38.此外，为实现上述目的，本发明还提供一种计算机存储介质，所述计算机存储介质上存储有风机变桨系统的故障预警程序，所述风机变桨系统的故障预警程序被处理器执行时实现如上所述的风机变桨系统的故障预警方法的步骤。
39.此外，为实现上述目的，本发明还提供计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上所述的风机变桨系统的故障预警方法的步骤。
40.本发明提供一种风机变桨系统的故障预警方法、装置、终端设备、计算机存储介质以及计算机程序产品，该故障预警方法应用于针对风机变桨系统的变频器进行故障预警，通过获取当前待预警的变频器的实时运行参数，并确定所述变频器所属风机变桨系统的工作环境；根据所述工作环境从预设的各故障预警模型当中，调用所述工作环境对应的目标故障预警模型，其中，各所述故障预警模型分别基于对应工作环境中各所述风机变桨系统的特征参数进行联邦学习训练得到；将所述实时运行参数整理为所述目标故障预警模型的模型输入，并获取所述目标故障预警模型基于所述实时运行参数进行计算后输出的所述变频器在所述工作环境中的故障预测结果；按照所述故障预测结果针对所述变频器进行故障预警。
41.本发明相比于传统仅基于来gbdt和xgboost等提升算法进行的故障预测方案，通过预先基于变频器所属风机变桨系统的工作环境中，各风机变桨系统的特征参数进行联邦学习训练得到与该工作环境对应的故障预警模型，突破了现有技术中复杂工作环境对于算法模型训练的局限，从而，在针对当前待预警的变频器进行故障预警时，使用该变频器的实时运行参数和该变频器所属工作环境对应的目标故障预警模型来进行模型计算，如此，能够得到该变频器在该工作环境下准确的故障预测结果来进行故障预警，有效地的提升了对变桨系统变频器进行故障预警的准确性。
附图说明
42.图1为本发明实施例方案涉及的终端设备硬件运行环境的设备结构示意图；
43.图2为本发明风机变桨系统的故障预警方法一实施例的流程示意图；
44.图3为本发明风机变桨系统的故障预警方法一实施例涉及风机变桨系统的应用场景示意图；
45.图4为本发明风机变桨系统的故障预警装置一实施例的功能模块示意图。
46.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
47.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
48.参照图1，图1为本发明实施例方案涉及的终端设备硬件运行环境的设备结构示意图。
49.本发明实施例终端设备可以是针对风机变桨系统的变频器进行故障预警的终端设备，该终端设备可以是服务器、智能手机、pc(personal computer，个人计算机)、平板电脑、便携计算机等等。
50.如图1所示，该终端设备可以包括：处理器1001，例如cpu，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
51.本领域技术人员可以理解，图1中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
52.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及风机变桨系统的故障预警程序。
53.在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的风机变桨系统的故障预警程序，并执行以下风机变桨系统的故障预警方法的各实施例。
54.基于上述硬件结构，提出本发明风机变桨系统的故障预警方法的各实施例。
55.需要说明的是，在本实施例，由于风电机组长期处于复杂的工作环境中，因此开展风电机组故障预警可以有效降低风电机组的维护成本，提高风电机组的可用性，进而提高风力发电项目的经济效益。如附图3所示的风机变桨系统，变桨系统是风电机组的关键设备，其可在不同工况下控制风电机组功率与转速的平衡，而变桨系统故障是风电机组故障中最常见的故障之一。
56.当前，针对风电机组变桨系统故障预警的研究主要集中在对scada系统数据进行分析，以及机器学习算法可有效应用于风电机组变桨系统的故障预警这些方面。
57.变桨系统的变频器是变桨系统中故障发生率最高的部件，为了减少因变桨系统变频器故障而导致的变桨系统故障，研究变桨系统变频器的故障预警十分必要。
58.尽管现有技术中已经存在较多针对该变桨系统变频器进行故障预警的方案，例如
仅基于来gbdt和xgboost等提升算法进行的故障预测方案，但是，现有各种方案不仅需要采集大量的样本数据进行算法的提升训练过程，且最终训练得出的算法模型基于样本数据的局限仍然难以适应复杂工作环境中的风机的变桨故障预警。
59.综上，现有针对变桨系统变频器进行故障预警的方案中，针对算法训练的过程复杂且难以突破风机复杂工作环境的局限，从而难以实现准确针对各种环境中风机的变桨系统变频器进行故障预警。
60.针对上述现象，本发明提供一种风机变桨系统的故障预警方法。请参照图2，图2为本发明风机变桨系统的故障预警方法第一实施例的流程示意图，在本实施例中，该风机变桨系统的故障预警方法应用于上述的终端设备。需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
61.本实施例中，本发明风机变桨系统的故障预警方法包括：
62.步骤s10，获取当前待预警的变频器的实时运行参数，并确定所述变频器所属风机变桨系统的工作环境；
63.在本实施例中，终端设备在针对变桨系统中的变频器进行实时预警的过程中，先获取当前待预警的变频器的实时运行参数，并同时确定该变频器所属的风机变桨系统的工作环境。
64.需要说明的是，在本实施例中，终端设备具体可以通过检测布设变频器所属的风机变桨系统的整个风机所处的工作环境，并将该工作环境确定为该变频器的工作环境。
65.步骤s20，根据所述工作环境从预设的各故障预警模型当中，调用所述工作环境对应的目标故障预警模型，其中，各所述故障预警模型分别基于对应工作环境中各所述风机变桨系统的特征参数进行联邦学习训练得到；
66.在本实施例中，终端设备在获取得到待预警的变频器的实时运行参数和确定该变频器的工作环境之后，进一步从存储预先基于不同工作环境中各风机变桨系统的特征参数进行联邦学习训练得到的故障预警模型的数据库中，提取并调用与该工作环境相对应的目标故障预警模型。
67.步骤s30，将所述实时运行参数整理为所述目标故障预警模型的模型输入，并获取所述目标故障预警模型基于所述实时运行参数进行计算后输出的所述变频器在所述工作环境中的故障预测结果；
68.在本实施例中，终端设备在进一步提取出与待预警的变频器所处工作环境相对应的目标故障预警模型之后，将该变频器的实时运行参数整理成为该目标故障预警模型的模型输入，以将该实时运行参数输入到该目标故障预警模型当中进行模型训练计算，之后，终端设备进一步获取该目标故障预警模型依据输入的该实时运行参数进行模型训练计算后输出的变频器在所处的工作环境中的故障预测结果；
69.步骤s40，按照所述故障预测结果针对所述变频器进行故障预警。
70.在本实施例中，终端设备在获取到目标故障预警模型，依据输入的实时运行参数进行模型训练计算后输出的变频器在所处的工作环境中的故障预测结果之后，若该故障预测结果表示该变频器在所处工作环境中可能出现故障的概率大于预设阈值，则，终端设备立即针对该变频器进行故障预警，以供相应工作人员针对该变频器进行维护。
71.在本实施例中，本发明风机变桨系统的故障预警方法通过终端设备在针对变桨系
统中的变频器进行实时预警的过程中，先获取当前待预警的变频器的实时运行参数，并同时确定该变频器所属的风机变桨系统的工作环境。终端设备在获取得到待预警的变频器的实时运行参数和确定该变频器的工作环境之后，进一步从存储预先基于不同工作环境中各风机变桨系统的特征参数进行联邦学习训练得到的故障预警模型的数据库中，提取并调用与该工作环境相对应的目标故障预警模型，以及，将该变频器的实时运行参数整理成为该目标故障预警模型的模型输入，以将该实时运行参数输入到该目标故障预警模型当中进行模型训练计算，之后，终端设备进一步获取该目标故障预警模型依据输入的该实时运行参数进行模型训练计算后输出的变频器在所处的工作环境中的故障预测结果；若该故障预测结果表示该变频器在所处工作环境中可能出现故障的概率大于预设阈值，则，终端设备立即针对该变频器进行故障预警，以供相应工作人员针对该变频器进行维护。
72.本发明相比于传统仅基于来gbdt和xgboost等提升算法进行的故障预测方案，通过预先基于变频器所属风机变桨系统的工作环境中，各风机变桨系统的特征参数进行联邦学习训练得到与该工作环境对应的故障预警模型，突破了现有技术中复杂工作环境对于算法模型训练的局限，从而，在针对当前待预警的变频器进行故障预警时，使用该变频器的实时运行参数和该变频器所属工作环境对应的目标故障预警模型来进行模型计算，如此，能够得到该变频器在该工作环境下准确的故障预测结果来进行故障预警，有效地的提升了对变桨系统变频器进行故障预警的准确性。
73.进一步地，在一种可行的实施例中，本发明风机变桨系统的故障预警方法，还可以包括：
74.根据各所述风机变桨系统在对应工作环境中的特征参数进行联邦学习训练得到各故障预警模型，并将各所述故障预警模型与各所述风机变桨系统在对应的工作环境进行关联存储。
75.在本实施例中，终端设备按照如下步骤来根据各风机变桨系统在对应工作环境中的特征参数进行联邦学习训练得到各故障预警模型。即：
76.s1：从预设的分布式文件系统中提取各所述风机变桨系统在对应工作环境中的特征参数，其中，所述特征参数与所述风机变桨系统的所述变频器相关联；
77.s2：按照所述工作环境针对所述特征参数进行分类，并使用分类后的特征参数分别训练各初始机器学习模型得到模型参数；
78.s3：整合所述模型参数形成待确认的故障预警模型；
79.s4：通过预设的测试样本数据验证所述待确认的故障预警模型是否符合故障预测条件，其中，所述故障预测条件为：所述待确认的故障预警模型基于所述测试样本数据的故障预测准确率达到预设阈值；
80.s5：若是，则根据所述工作环境针对所述待确认的故障预警模型进行调优处理得到各所述工作环境各自对应的故障预警模型。
81.在本实施例中，终端设备在根据各个风机变桨系统在各自工作环境中的特征参数进行联邦学习训练得到各故障预警模型的过程中，先从预先设定好存储有每一个风机变桨系统各自在所在工作环境中特征参数的分布式文件系统当中，提取得到各个风机变桨系统各自与系统中变频器相关联的特征参数，然后，终端设备按照该各个分级变桨系统各自所属的工作环境，以每一工作环境作为一种类型对全部的特征参数进行分类，从而得到工作
环境相同的一个或者多个风机变桨系统各自系统中与变频器相关联的特征参数，并进一步将该每一个工作环境所对应特征参数分别作为模型训练样本，以针对该工作环境对应初始机器学习模型进行训练，如此，直到该每一个工作环境对应的初始机器学习模型均训练收敛之后，获取得到收敛后的各个初始机器学习模型的模型参数。
82.之后，终端设备同样按照不同工作环境作为不同类型区分，分别将每一个工作环境所对应全部初始机器学习模型的模型参数，整合作为该工作环境所对应的一个故障预警模型。具体地，终端设备可通过对全部模型参数当中，多个相同类型的模型参数通过加权平均的方式整合为一个参数，如此，将该全部模型参数均整合得到不同类型参数均只有一个之后，再基于各个不同类型的模型参数进行初始机器学习模型的参数填充即可得到一个故障预警模型。
83.再然后，终端设备在经过模型参数整合得到每一个工作环境各自对应的故障预警模型之后，进一步分别使用该每一个工作环境中已知变频器故障结果的风机变桨系统的特征参数来作为测试样本，以分别使用该测试样本来验证对应工作环境的该故障预警模型是否已经符合故障预测条件，并仅在该故障预警模型基于该测试样本输出的预测结果，相比于已知的变频器故障结果之间的准确率达到了预设阈值(如90％)时，才确定该故障预警模型已经符合故障预测条件。
84.最后，终端设备将已经符合故障预测条件的故障预警模型基于工作环境进行模型参数的适应性调整等调优处理，以令该故障预警模型针对该工作环境中风机变桨系统的变频器能够进行更加准确的预测，之后，终端设备即将该故障预警模型与该工作环境的特定标识进行关联存储，以得到该每一个工作环境各自所对应进行风机变桨系统变频器故障预警的故障预警模型。
85.进一步地，在一种可选的实施例中，终端设备在采用上述步骤进行联邦学习训练得到各故障预警模型的过程中，在步骤s4：通过预设的测试样本数据验证所述待确认的故障预警模型是否符合故障预测条件的步骤之后，还包括：
86.s6：若否，则将所述待确认的故障预警模型作为新的初始机器学习模型，并依次执行所述步骤s2、s3和s4，直至验证到所述待确认的故障预警模型符合所述故障预测条件。
87.在本实施例中，若终端设备通过使用测试样本针对对应工作环境的故障预警模型进行验证发现，该模型输出的风机变桨系统中变频器故障预测结果，相比于已知的变频器故障结果之间的准确率没有达到预设阈值时，终端设备即确定该模型当前还不符合故障预测条件，需要重新进行训练。
88.从而，终端设备继续将该模型当做对应工作环境对应的新的初始机器学习模型，以按照上述使用该工作环境中所对应的特征参数作为模型训练样本针对初始机器学习模型进行训练的过程，重新针对该新的初始机器学习模型进行训练、整合和验证，直到该故障预警模型符合故障预警条件。
89.进一步地，在一种可行的实施例中，本发明风机变桨系统的故障预警方法，还可以包括：采集各风机变桨系统在对应工作环境中的特征参数，并针对特征参数进行预处理操作后存储于预设的分布式文件系统中，以供终端设备在采用上述步骤进行联邦学习训练得到各故障预警模型的过程中，从预设的分布式文件系统中提取各风机变桨系统在对应工作环境中的特征参数。
90.需要说明的是，在本实施例中，预处理操作包括：数据集成、数据清洗和数据转换；终端设备在采集各风机变桨系统在对应工作环境中的特征参数，并针对特征参数进行预处理操作后存储于预设的分布式文件系统中时，具体可以包括：
91.采集各所述风机变桨系统在对应工作环境中的特征参数；
92.针对所述特征参数进行数据集成、数据清洗和数据转换，并获取对所述特征参数进行数据集成、数据清洗和数据转换的过程参数；
93.根据所述过程参数进行编码得到编码数据，并将所述特征参数、所述编码数据和对所述特征参数进行数据集成、数据清洗和数据转换得到的元数据，分散存储于预设的分布式文件系统中。
94.在本实施例中，终端设备在从上述的分布式文件系统中提取特征参数进行联邦学习训练之前，提前针对各个风机变桨系统在各自所在工作环境中，采集该系统各自与变频器相关联的特征参数，之后，终端设备进一步分别针对该特征参数进行数据集成、数据清洗、数据转换等操作，得到符合分布式文件系统要求的元数据，并在此过程当中获取针对特征参数进行数据集成、数据清晰、数据转换等操作的过程参数。最后，终端设备即分别针对每一个工作环境中的特征参数，先以获取到的过程参数进行编码按照相应编码规则进行编码，以得到该特征参数对应编码数据，进而，终端设备即将特征数据、编码数据和上述元数据，分散存储于分布式文件系统的多个地点或多个设备，以供后续终端设备提取该特征参数进行联邦学习训练是提供文件服务。
95.需要说明的是，在本实施例中，终端设备在针对参数进行数据集成、数据清洗、数据转换等操作之前，还配置用于对特征数据进行筛选和分类的操作限制规则，如此，在针对每一个工作环境对应特征参数进行上述各操作之前，均先检测该特征参数是否符合该规则，并仅在符合时才进行上述各操作并获取各操作的过程参数。
96.在本实施例中，终端设备配置的操作限制规则用于对上述的特征参数进行筛选和分类，进而获取得到该适合作为模型训练样本进行联邦学习训练的目标参数。具体地，操作限制规则的配置参数包括：特征参数的数据量大小、文件格式等。应当理解的是，在本实施例中，操作限制规则的配置参数可根据用户需求自行设定，本实施例中也不对该操作限制规则配置参数进行具体限定。
97.进一步地，在一种可行的实施例中，终端设备执行的从所述分布式文件系统中提取特征参数，可以包括：
98.从所述分布式文件系统中获取所述编码数据；
99.解析所述编码数据以提取所述编码数据中封装的所述过程参数；
100.基于所述过程参数确定所述元数据映射的特征参数，并获取所述特征参数。
101.在本实施例中，终端设备在从分布式文件系统当中提取特征参数进行联邦学习训练的过程中，终端设备在接收到用户通过客户端发起的需要访问分布式文件系统进行特征参数提取的文件服务请求之后，基于解析该文件服务请求以从分布式文件系统中提取该客户端所归属租户对应的编码数据。
102.然后，终端设备在解析该编码数据以获取该编码数据中所包含的针对特征参数进行数据集成、数据清洗、数据转换等操作的过程参数，再然后，终端设备按照该过程参数执行反向的数据集成、数据清洗、数据转换等操作，从而确定出元数据所对应的目标特征源数
据。具体地，例如，由于检测到某一特征参数中的多个字段之间存在强相关性或者几个字段间可以相互推导得到的，因此产生了数据冗余的问题，而经过数据集成、数据清洗、数据转换等操作后可剔除非必要数据，提高数据质量。因此，终端在解析编码数据时，可获取到降低字段冗余的过程参数，并基于该过程参数方向操作以最终将元数据返回到未经降冗余操作的目标特征参数。
103.最后，终端设备通过解析编码数据使得元数据返回至目标特征参数后，可对该目标特征参数直接在当前所处的分布式文件系统的节点或者设备上执行下载操作，并将下载的该目标特征参数返回至发起文件服务请求的客户端，达成执行由用户从该客户端发起的文件服务请求来提取用于进行联邦学习训练的特征参数的操作。
104.进一步地，本发明还提供一种风机变桨系统的故障预警装置，本发明风机变桨系统的故障预警装置应用于针对风机变桨系统的变频器进行故障预警，如图4所示，本发明故障预警装置包括：
105.获取模块10，用于获取当前待预警的变频器的实时运行参数，并确定所述变频器所属风机变桨系统的工作环境；
106.模型调用模块20，用于根据所述工作环境从预设的各故障预警模型当中，调用所述工作环境对应的目标故障预警模型，其中，各所述故障预警模型分别基于对应工作环境中各所述风机变桨系统的特征参数进行联邦学习训练得到；
107.模型预测模块30，用于将所述实时运行参数整理为所述目标故障预警模型的模型输入，并获取所述目标故障预警模型基于所述实时运行参数进行计算后输出的所述变频器在所述工作环境中的故障预测结果；
108.预警模块40，用于按照所述故障预测结果针对所述变频器进行故障预警。
109.进一步地，本发明风机变桨系统的故障预警装置，还包括：
110.联邦学习模块，用于根据各所述风机变桨系统在对应工作环境中的特征参数进行联邦学习训练得到各故障预警模型，并将各所述故障预警模型与各所述风机变桨系统在对应的工作环境进行关联存储。
111.进一步地，所述联邦学习模块，还用于执行如下步骤：
112.s1：从预设的分布式文件系统中提取各所述风机变桨系统在对应工作环境中的特征参数，其中，所述特征参数与所述风机变桨系统的所述变频器相关联；
113.s2：按照所述工作环境针对所述特征参数进行分类，并使用分类后的特征参数分别训练各初始机器学习模型得到模型参数；
114.s3：整合所述模型参数形成待确认的故障预警模型；
115.s4：通过预设的测试样本数据验证所述待确认的故障预警模型是否符合故障预测条件，其中，所述故障预测条件为：所述待确认的故障预警模型基于所述测试样本数据的故障预测准确率达到预设阈值；
116.s5：若是，则根据所述工作环境针对所述待确认的故障预警模型进行调优处理得到各所述工作环境各自对应的故障预警模型。
117.进一步地，所述联邦学习模块，在执行所述通过预设的测试样本数据验证所述待确认的故障预警模型是否符合故障预测条件的步骤之后，还用于执行如下步骤：
118.s6：若否，则将所述待确认的故障预警模型作为新的初始机器学习模型，并依次执
行所述步骤s2、s3和s4，直至验证到所述待确认的故障预警模型符合所述故障预测条件。
119.进一步地，本发明风机变桨系统的故障预警装置，还包括：
120.数据采集模块，用于采集各所述风机变桨系统在对应工作环境中的特征参数；
121.数据处理模块，用于针对所述特征参数进行数据集成、数据清洗和数据转换，并获取对所述特征参数进行数据集成、数据清洗和数据转换的过程参数；
122.数据存储模块，用于根据所述过程参数进行编码得到编码数据，并将所述特征参数、所述编码数据和对所述特征参数进行数据集成、数据清洗和数据转换得到的元数据，分散存储于预设的分布式文件系统中。
123.进一步地，本发明风机变桨系统的故障预警装置，还包括从所述分布式文件系统中提取特征参数的参数提取模块，用于：
124.从所述分布式文件系统中获取所述编码数据；
125.解析所述编码数据以提取所述编码数据中封装的所述过程参数；
126.基于所述过程参数确定所述元数据映射的特征参数，并获取所述特征参数。
127.其中，上述本发明风机变桨系统的故障预警装置中各个模块的功能实现与上述本发明风机变桨系统的故障预警方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
128.本发明还提供一种计算机存储介质，该计算机存储介质上存储有风机变桨系统的故障预警程序，所述风机变桨系统的故障预警程序被处理器执行时实现如以上任一项实施例所述的风机变桨系统的故障预警方法的步骤。
129.本发明计算机存储介质的具体实施例与上述风机变桨系统的故障预警方法各实施例基本相同，在此不作赘述。
130.本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如以上任一项实施例所述的风机变桨系统的故障预警方法的步骤。
131.本发明计算机程序产品的具体实施例与上述风机变桨系统的故障预警方法各实施例基本相同，在此不作赘述。
132.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种风机变桨系统的故障预警方法，其特征在于，所述风机变桨系统的故障预警方法应用于针对风机变桨系统的变频器进行故障预警，所述故障预警方法包括以下步骤：获取当前待预警的变频器的实时运行参数，并确定所述变频器所属风机变桨系统的工作环境；根据所述工作环境从预设的各故障预警模型当中，调用所述工作环境对应的目标故障预警模型，其中，各所述故障预警模型分别基于对应工作环境中各所述风机变桨系统的特征参数进行联邦学习训练得到；将所述实时运行参数整理为所述目标故障预警模型的模型输入，并获取所述目标故障预警模型基于所述实时运行参数进行计算后输出的所述变频器在所述工作环境中的故障预测结果；按照所述故障预测结果针对所述变频器进行故障预警。2.如权利要求1所述的故障预警方法，其特征在于，所述故障预警方法还包括：根据各所述风机变桨系统在对应工作环境中的特征参数进行联邦学习训练得到各故障预警模型，并将各所述故障预警模型与各所述风机变桨系统在对应的工作环境进行关联存储。3.如权利要求2所述的故障预警方法，其特征在于，所述根据各所述风机变桨系统在对应工作环境中的特征参数进行联邦学习训练得到各故障预警模型的步骤，包括：s1：从预设的分布式文件系统中提取各所述风机变桨系统在对应工作环境中的特征参数，其中，所述特征参数与所述风机变桨系统的所述变频器相关联；s2：按照所述工作环境针对所述特征参数进行分类，并使用分类后的特征参数分别训练各初始机器学习模型得到模型参数；s3：整合所述模型参数形成待确认的故障预警模型；s4：通过预设的测试样本数据验证所述待确认的故障预警模型是否符合故障预测条件，其中，所述故障预测条件为：所述待确认的故障预警模型基于所述测试样本数据的故障预测准确率达到预设阈值；s5：若是，则根据所述工作环境针对所述待确认的故障预警模型进行调优处理得到各所述工作环境各自对应的故障预警模型。4.如权利要求3所述的故障预警方法，其特征在于，在所述通过预设的测试样本数据验证所述待确认的故障预警模型是否符合故障预测条件的步骤之后，还包括：s6：若否，则将所述待确认的故障预警模型作为新的初始机器学习模型，并依次执行所述步骤s2、s3和s4，直至验证到所述待确认的故障预警模型符合所述故障预测条件。5.如权利要求1至4任一项所述的故障预警方法，其特征在于，所述故障预警方法还包括：采集各所述风机变桨系统在对应工作环境中的特征参数；针对所述特征参数进行数据集成、数据清洗和数据转换，并获取对所述特征参数进行数据集成、数据清洗和数据转换的过程参数；根据所述过程参数进行编码得到编码数据，并将所述特征参数、所述编码数据和对所述特征参数进行数据集成、数据清洗和数据转换得到的元数据，分散存储于预设的分布式文件系统中。
6.如权利要求5所述的风机变桨系统的故障预警方法，其特征在于，从所述分布式文件系统中提取特征参数，包括：从所述分布式文件系统中获取所述编码数据；解析所述编码数据以提取所述编码数据中封装的所述过程参数；基于所述过程参数确定所述元数据映射的特征参数，并获取所述特征参数。7.一种风机变桨系统的故障预警装置，其特征在于，所述风机变桨系统的故障预警装置应用于针对风机变桨系统的变频器进行故障预警，所述故障预警装置包括：获取模块，用于获取当前待预警的变频器的实时运行参数，并确定所述变频器所属风机变桨系统的工作环境；模型调用模块，用于根据所述工作环境从预设的各故障预警模型当中，调用所述工作环境对应的目标故障预警模型，其中，各所述故障预警模型分别基于对应工作环境中各所述风机变桨系统的特征参数进行联邦学习训练得到；模型预测模块，用于将所述实时运行参数整理为所述目标故障预警模型的模型输入，并获取所述目标故障预警模型基于所述实时运行参数进行计算后输出的所述变频器在所述工作环境中的故障预测结果；预警模块，用于按照所述故障预测结果针对所述变频器进行故障预警。8.如权利要求7所示的风机变桨系统的故障预警装置，其特征在于，所述故障预警装置还包括：联邦学习模块，用于根据各所述风机变桨系统在对应工作环境中的特征参数进行联邦学习训练得到各故障预警模型，并将各所述故障预警模型与各所述风机变桨系统在对应的工作环境进行关联存储。9.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风机变桨系统的故障预警程序，所述风机变桨系统的故障预警程序被所述处理器执行时实现如权利要求1至6中任一项所述的风机变桨系统的故障预警方法的步骤。10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有风机变桨系统的故障预警程序，所述风机变桨系统的故障预警程序被处理器执行时实现如权利要求1至6中任一项所述的风机变桨系统的故障预警方法的步骤。

技术总结
本发明公开了一种风机变桨系统的故障预警方法、装置、终端设备以及计算机存储介质。该方法包括：获取当前待预警的变频器的实时运行参数，并确定变频器所属风机变桨系统的工作环境；根据工作环境从预设的各故障预警模型当中，调用工作环境对应的目标故障预警模型，其中，各故障预警模型分别基于对应工作环境中各所述风机变桨系统的特征参数进行联邦学习训练得到；将实时运行参数整理为目标故障预警模型的模型输入，并获取目标故障预警模型基于实时运行参数进行计算后输出的变频器在工作环境中的故障预测结果；按照故障预测结果针对变频器进行故障预警。本发明能够有效地的提升对变桨系统的变频器进行故障预警的准确性。变桨系统的变频器进行故障预警的准确性。变桨系统的变频器进行故障预警的准确性。


技术研发人员：朱帮德 崇利锋 潘辉 贾耀武 白会文 王海明 康海锋 王荣怀 魏超 邓屹 马致远 曹梦楠
受保护的技术使用者：深圳量云能源网络科技有限公司 上海能源科技发展有限公司
技术研发日：2021.12.10
技术公布日：2022/3/8