(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211010084.8 (22)申请日 2022.08.23 (71)申请人 中国华能集团清洁能源技 术研究院 有限公司 地址 102209 北京市昌平区北七家镇未来 科技城南区华能人才创新创业基地实 验楼A楼 申请人 华能 （浙江） 能源开发有限公司清洁 能源分公司 　 上海擎测机电工程 技术有限公司 (72)发明人 万抒策　王超　石壮　江增元　 忻一豪　白剑　苏人奇　赵鹏程　 王华　任鑫　李邦兴　钱韫辉　 (74)专利代理 机构 上海中外企专利代理事务所 (特殊普通 合伙) 31387 专利代理师 牛怡(51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06F 113/06(2020.01) G06F 119/02(2020.01) (54)发明名称 一种风机零件 寿命预测方法与系统 (57)摘要 本发明公开了一种风机零件寿命预测方法 与系统， 方法包含以下步骤： 步骤1： 实时采集风 机各零件的运行数据； 步骤2： 对运行数据进行预 处理后得到 预处理数据； 步骤3： 依据预 警模型对 预处理数据进行异常识别得到 预警数据； 步骤4： 提取预警数据中异常风机零件的预处理数据， 若 无异常风机零件， 则执行步骤1； 步骤5： 依据寿命 预测模型对异常风机零件的预处理数据进行剩 余寿命预测并得到寿命预测数据； 系统包含运行 数据获取模块、 预处理模块、 异常识别模块、 寿命 预测模块。 权利要求书2页 说明书8页 附图2页 CN 115455584 A 2022.12.09 CN 115455584 A 1.一种风机零件寿命预测方法， 其特 征在于， 包 含以下步骤： 步骤1： 实时采集 风机各零件的运行 数据； 步骤2： 对所述 运行数据进行 预处理后得到预处 理数据； 步骤3： 依据预警模型对所述预处 理数据进行异常识别得到预警数据； 步骤4： 提取所述预警数据中异常风机零件的预处理数据， 若无异常风机零件， 则执行 步骤1； 步骤5： 依据寿命预测模型对异常风机零件的预处理数据进行剩余寿命预测并得到寿 命预测数据。 2.如权利要求1所述的一种风机零件寿命预测方法， 其特征在于， 步骤2中对所述运行 数据进行 预处理的具体方法如下： 对所述运行数据进行降噪、 清洗、 分类后进行 特征提取得到特征数据； 对所述特 征数据进行存 储。 3.如权利要求2所述的一种风机零件寿命预测方法， 其特征在于， 步骤3中依据所述预 警模型对所述预处 理数据进行异常识别得到预警数据的具体方法如下： 获取风机各零件的所述特 征数据； 采用聚类及线性 回归算法， 将所述特征数据输入所述预警模型中得到风机运行参数的 正常区间[α1, α2]、 高限区间[β1， β2]、 超高限区间[γ1,γ2]； 所述预警模型依据自回归模型及长短记忆神经网络模型进行风机零件的所述特征数 据预测， 将所述特 征数据输入所述预警模型中输出 未来时间内的风机零件运行 预测值； 判断所述预测值在所述正常区间、 所述高限区间、 所述超高限区间哪个区间内， 则 输出 该区间为所述预警数据。 4.如权利要求1 ‑3任一项所述的一种风机零件寿命预测方法， 其特征在于， 所述预警模 型的构建方法如下： 采集风机各零件的历史运行 数据； 对所述历史运行 数据进行归一 化、 数据清洗、 标记处 理， 生成训练样本数据集； 根据聚类及线性回归算法对所述训练样本数据集进行训练得到设备运行过程状态趋 势下的多 级区间参数； 采用自回归模型及长短记忆网络模型基于风机各零件所述运行数据进行运行趋势预 测， 进行优化得到预测模型； 所述多级区间参数与所述预测模型组成所述预警模型。 5.如权利要求4所述的一种风机零件寿命预测方法， 其特征在于， 步骤2中对所述运行 数据进行 预处理还包含如下步骤： 获取风机各零件故障图谱； 依据所述故障图谱对所述特征数据进行提取得到具有故障的零件的故障运行参数变 化特征数据， 所述 故障运行参数变化特征数据记载有故障零件 数据、 故障发生时间、 故障变 化特征； 根据退化线性和非线性过程特征对所述故障运行参数变化特征数据进行风机各零件 全生命周期内运行变化趋势分析得到运行变化趋势数据， 所述运行变化趋势数据 记载有零 件退化测量 值；权　利　要　求　书 1/2 页 2 CN 115455584 A 2对所述故障运行参数变化特 征数据、 所述 运行变化趋势数据进行存 储。 6.如权利要求5所述的一种风机零件寿命预测方法， 其特征在于， 所述寿命预测模型的 构建方法如下： 根据公式T＝ inf{t： X(t)≥ω|X(0)＜ω}对零件寿命进行定义； 其中， T为零件寿命时间， ω为对零件预设的失效阈值， X(t)为t时刻的退化过程状态 量， X(0)为 零件最初开始投用时刻的退化 量； 根据公式Lk＝inf{lk＞0： X(lk+tk)≥ω}构建所述寿命预测模型， 计算tk时刻的零件剩 余寿命； 其中， Lk为剩余寿命， X为对应时刻的设备退化过程状态量， inf(x)是取下限函数， lk为 对应时刻剩余退化 量， tk为对应时刻的零件寿命， ω为对零件预设的失效阈值。 7.如权利要求6所述的一种风机零件寿命预测方法， 其特征在于， 遵循线性维纳过程的 退化过程状态量X(t)表示 为： X(t)＝ λt+σ B(t)； 其中， λ为漂移系数， 在表示零件退化过程时反应零件的退化速率， σ表示扩散系数， B (t)表示标准的布朗运动， 用来描述随机退化量在时间轴上的不确定性， λt为X(t)的均值， t 为时间点； 遵循非线性维纳过程的退化过程状态变量X(t)表示 为： X(t)＝x0+ ∫0tμ( τ； θ )dτ +σBB(t)； 其中， X0为t＝0时刻的退化量， μ(t； θ )表示退化过程的漂移参数， θ为其中的参数 向量； σB是退化过程的扩散系数； B(t)表示的式布朗运动服从正态分布， B(t)～N(0,t)， 用来描述 退化过程的随机动态及退化过程随时间变化的不确定性。 8.一种风机零件寿命预测系统， 其特征在于， 包含运行数据获取模块、 预处理模块、 异 常识别模块、 寿命预测模块； 所述运行数据获取模块用于实时采集 风机各零件的运行 数据； 所述预处 理模块用于对所述 运行数据进行 预处理后得到预处 理数据； 所述异常识别模块用于依据预警模型对所述预处 理数据进行异常识别得到预警数据； 还用于提取所述预警数据中异常风机零件的预处理数据， 若无异常风机零件， 则生成 传输至所述运行数据获取模块的反馈信号； 所述寿命预测模块用于依据寿命预测模型对异常风机零件的预处理数据进行剩余寿 命预测并得到寿命预测数据。 9.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处 理器执行时实现如权利要求1至7中任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115455584 A 3