风机关键部件状态监测方法及装置、存储介质和终端
技术领域
[0001] 本
发明涉及机械设备的故障预测与健康管理技术领域,特别是风机故障检测技术领域,具体为一种风机关键部件状态监测方法。
背景技术
[0002] 风
电机组是用于产生
风能的设备,通常位于
气候多变、环境恶劣的偏远地区,如高山、海上。风电机组机械结构复杂且地理
位置偏僻,其关键部件发生故障后,维修成本高且耗时较长。因此,实时监测发电机的运行状态,评估发电机当前的
健康状态,在发电机健康状态退化时进行提示、在故障发生前进行早期预警,工程师依据此制定合理的维护计划,这对减少风机故障停机、延长设备使用寿命、降低维护成本具有重要意义。
[0003] 现有的风机状态监测及
异常检测方法主要包括基于模型的方法、基于
信号处理的方法和数据驱动的方法。基于模型的方法需要建立风机及其子部件机械结构的准确数学模型,难度大且监测有效性待提高。
信号处理监测方法基于振动数据,振动信号的获得需要安装特定额外的
传感器,代价较大。数据驱动方法基于风机
数据采集与监视控制系统(Supervisory Control and Data Acquisition,SCADA),SCADA系统是风机中常见的监测系统且存储风机大量的运行数据。基于SCADA数据对风机进行状态监测的研究方法目前成为广泛使用,采用的方法包括:风功率曲线建模法、高斯混合模型法、
人工神经网络法、支持向量回归方法、深度自
编码器法等。该类方法主要关注风机正常运行状态下的模型构建,基于健康数据确定健康评估的
阈值,依据与正常模型的偏离度对当前状态进行评估,判断风机状态是否异常。
[0004] 经过对
现有技术的公开文献检索发现,目前针对风机状态监测的研究中大部分只使用当前时刻数据来评估当前时刻的健康状态,每一个状态变量序列的时序信息及历史信息对当前时刻数据的影响被忽略了。在报警策略的设计中,大部分研究认为当前时刻监测阈值超过给定阈值便引发报警,认为状态异常。但由于风机运行数据中存在不确定性、扰动、异常值等,这类策略容易产生误报警。此外,监测结果仅提示风机当前是否异常,风机的退化状态未知,并没有展示给工程人员。
发明内容
[0005] 本发明所要解决的技术问题是现有技术中未充分利用风机关键部件的运行数据中的时序信息,且退化状态缺少表征。
[0006] 为了解决上述技术问题,本发明提供了一种风机关键部件状态监测方法,包括:
[0007] 获取风机关键部件的SCADA数据,并对所述SCADA数据进行筛选得到所述风机关键部件的正常运行数据;
[0008] 基于预设分析方式从所述正常运行数据中筛选出与所述风机关键部件的关键状态变量相关的特征变量数据;
[0009] 采用预设
数据处理方式对所述特征变量数据进行处理得到时间序列样本,并基于所述时间序列样本和所述关键状态变量构建所述风机关键部件状态的
预测模型;
[0010] 基于所述预设模型构建所述风机关键部件的健康指标,并根据所述健康指标分布构建所述风机关键部件健康状态的分级策略,再基于所述风机关键部件健康状态的分级策略对所述风机关键部件的状态进行监测。
[0011] 优选地,所述风机关键部件状态监测方法还包括:
[0012] 根据所述风机关键部件健康状态的分级策略构建局部辅助指标报警策略,并基于所述局部辅助指标报警策略对所述风机关键部件进行异常检测。
[0013] 优选地,对所述SCADA数据进行筛选得到所述风机关键部件正常运行数据包括:
[0014] 按预处理原则对所述SCADA数据进行筛选得到所述风机关键部件正常运行数据,其中预处理原则包括如下处理方式中的至少一个:剔除状态变量有缺失值或所有状态变量为0值的数据样本;根据系统报警记录,剔除故障发生及故障前后30分钟的数据;剔除超过系统设定阈值的数据样本;剔除风机不在发电状态或有功功率小于等于0的数据样本;剔除风速小于
切入风速或大于
切出风速的数据样本,从而获得风机健康状态下的数据集。
[0015] 优选地,基于预设分析方式从所述正常运行数据筛选出与所述风机关键部件的关键状态变量相关的特征变量数据包括:
[0016] 基于Pearson相关系数分析法从所述正常运行数据筛选出与所述风机关键部件的关键状态变量相关的特征变量数据。
[0017] 优选地,采用预设数据处理方式对所述特征变量数据进行处理得到时间序列样本包括:
[0018] 采用滑动窗口
算法对所述特征变量数据进行处理得到时间序列样本。
[0019] 优选地,基于所述时间序列样本和所述关键状态变量构建所述风机关键部件状态的预测模型包括:
[0020] 将所述时间序列样本作为模型输入,所述关键状态变量作为模型输出,基于LSTM网络构建所述风机关键部件状态的预测模型。
[0021] 优选地,采用所述预测模型的平均绝对误差和平均绝对百分比误差作为所述预测模型的性能评价指标。
[0022] 优选地,基于所述预设模型构建所述风机关键部件的健康指标包括:
[0023] 计算所述预测模型的预测残差,并根据所述预测模型的预设残差采用距离度量方法中的
马氏距离构建所述风机关键部件的健康指标。
[0024] 优选地,根据所述健康指标的分布构建所述风机关键部件健康状态的分级策略包括:
[0025] 采用核
密度估计法对所述风机关键部件的健康指标的概率密度函数进行估计,得到所述风机关键部件的健康指标的概率密度函数,基于所述风机关键部件的健康指标的概率密度函数计算出所述风机关键部件的健康指标的
累积分布函数,基于所述风机关键部件的健康指标的累积分布函数构建所述风机关键部件健康状态的分级策略。
[0026] 优选地,所述风机关键部件包括发电机、
齿轮箱和主
轴承。
[0027] 优选地,所述发电机的关键状态变量为发电机后轴承
温度,所述齿轮箱的关键状态变量为齿轮箱高速轴承温度,所述
主轴承的关键状态变量为主轴承温度。
[0028] 为了解决上述技术问题,本发明还提供了一种风机关键部件状态监测装置,包括正常运行数据获取模
块、特征变量数据获取模块、预测模型构建模块和健康状态监测模块;
[0029] 所述正常运行数据获取模块,用于获取风机关键部件的SCADA数据,并对所述SCADA数据进行筛选得到所述风机关键部件的正常运行数据;
[0030] 所述特征变量数据获取模块,用于基于预设分析方式从所述正常运行数据中筛选出与所述风机关键部件的关键状态变量相关的特征变量数据;
[0031] 所述预测模型构建模块,用于采用预设数据处理方式对所述特征变量数据进行处理得到时间序列样本,并基于所述时间序列样本和所述关键状态变量构建所述风机关键部件状态的预测模型;
[0032] 所述健康状态监测模块,用于基于所述预设模型构建所述风机关键部件的健康指标,并根据所述健康指标分布构建所述风机关键部件健康状态的分级策略,再基于所述风机关键部件健康状态的分级策略对所述风机关键部件的状态进行监测。
[0033] 为了解决上述技术问题,本发明还提供了一种存储介质,其上存储有
计算机程序,该程序被处理器执行时实现所述风机关键部件状态监测方法。
[0034] 为了解决上述技术问题,本发明还提供了一种终端,包括:处理器以及
存储器,所述存储器与所述处理器之间通信连接;
[0035] 所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如所述风机关键部件状态监测方法。
[0036] 与现有技术相比,上述方案中的一个或多个
实施例可以具有如下优点或有益效果:
[0037] 应用本发明实施例提供的风机关键部件状态监测方法,将风机关键部件的正常运行SCADA数据作为监测模型构建
基础数据,以增强所构建预设模型的
精度。同时将与风机关键部件的关键状态变量相关的特征变量作为预设模型输入基础数据,通过滑动窗口对特征变量数据重新组织以获取能作为预测模型输入的时间序列样本,有效地减少因数据不确定性及异常值等引起的误报警;同时还以风机关键部件的关键状态变量作为预测模型的输出构建预测模型,使得构建的预测模型更加精准。在状态的分级策略设计中,采用马氏距离构建基于预测残差的发电机健康指标,基于正常行为下健康指标的分布设计发电机健康状态的分级策略,可有效表征发电机当前健康状态,反映其退化状态。
[0038] 本发明的其它特征和优点将在随后的
说明书中阐述,并且部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、
权利要求书以及
附图中所特别指出的结构来实现和获得。
附图说明
[0039] 附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
[0040] 图1为本发明实施例一风机关键部件状态监测方法的步骤示意图;
[0041] 图2为本发明实施例二风机关键部件状态监测方法的步骤示意图;
[0042] 图3为本发明实施例二中风机发电机的SCADA数据筛选前的风功率曲线图;
[0043] 图4为本发明实施例二中风机发电机的SCADA数据筛选后的风功率曲线图;
[0044] 图5为本发明实施例二中风机发电机的预测模型示意图;
[0045] 图6为本发明实施例二中风机发电机的正常行为健康指标分布图;
[0046] 图7和图8为本发明实施例二中的案例监测结果;
[0047] 图9示出了本发明实施例三风机关键部件状态监测装置的结构示意图;
[0048] 图10示出了本发明实施例四终端的结构示意图。
具体实施方式
[0049] 以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
[0050] 在现有的风机状态监测及异常检测方法中,基于SCADA数据对风机进行状态监测的研究方法目前被广泛使用,采用的方法主要包括:风功率曲线建模法、高斯混合模型法、人工神经网络法、支持向量回归方法、深度自编码器法等。上述各类方法均主要关注风机正常运行状态下的模型构建,基于健康数据确定健康评估的阈值,依据与正常模型的偏离度对当前状态进行评估,判断风机状态是否异常。但目前针对风机状态监测的研究中大部分只使用当前时刻数据来评估当前时刻的健康状态,每一个状态变量序列的时序信息及历史信息对当前时刻数据的影响被忽略了。这样就容易导致一旦风机运行数据中出现不确定性、扰动或异常值等数据时,风机立即进行报警,进而产生误报警的情况频出。同时现有的检测方法仅能提示风机当前是否正常异常,无法实时监测风机的状态。
[0051] 实施例一
[0052] 为解决现有技术中存在的技术问题,本发明实施例提供了一种风机关键部件状态监测方法。
[0053] 图1为实施例一的风机关键部件状态监测方法的步骤示意图;参考图1,本发明风机关键部件状态监测方法包括如下步骤。
[0054] 步骤S101,获取风机关键部件的SCADA数据,并对SCADA数据进行筛选得到风机关键部件的正常运行数据。
[0055] 具体地,获取风机关键部件运行时的历史SCADA数据,按预处理原则对SCADA数据进行筛选得到风机关键部件的正常运行数据。优选地,风机关键部件包括发电机、齿轮箱和主轴承。其中,预处理原则包括如下所有筛选条件:剔除状态变量有缺失值或所有状态变量为0值的数据样本;根据系统报警记录,剔除故障发生及故障前后30分钟的数据;剔除超过系统设定阈值的数据样本;剔除风机不在发电状态或有功功率小于等于0的数据样本;剔除风速小于切入风速或大于切出风速的数据样本,从而获得风机健康状态下的数据集。
[0056] 步骤S102,基于预设分析方式从正常运行数据中筛选出与风机关键部件的关键状态变量相关的特征变量数据。
[0057] 具体地,结合预设条件和相关系数分析法从正常运行数据中筛选出与风机关键部件的关键状态变量相关的特征变量数据。优选地,发电机的关键状态变量为发电机后轴承温度,齿轮箱的关键状态变量为齿轮箱高速轴承温度,主轴承的关键状态变量为主轴承温度。根据Pearson相关系数分析法在从风机关键部件的SCADA数据筛选出的正常运行数据中,选择出与风机关键部件的关键状态变量相关的特征变量数据,其中特征变量数据表示与关键状态变量通过相关性分析后选择出变量的数据。
[0058] 步骤S103,采用预设数据处理方式对特征变量数据进行处理得到时间序列样本,并基于时间序列样本和关键状态变量构建风机关键部件状态的预测模型。
[0059] 具体地,采用
滑动窗口算法对风机关键部件的关键状态变量相关的特征变量数据进行处理得到时间序列样本,将时间序列样本作为模型输入,关键状态变量作为模型输出,基于LSTM网络构建风机关键部件状态的预测模型。更进一步地,考虑风机关键部件的关键状态变量及相关特征变量的时序性,采用长度为w的滑动窗口对特征变量数据X=[x1,T L×m T w×mx2,...xL]∈R 进行处理,获得单个时间序列样本si=[xi-w+1,xi-w+2,...xi] ∈R ,w≤i≤L;其中 表示特征变量数据X中的每个时刻样本。预测模型选择擅长处理时序问题的LSTM(长短期记忆模型)网络,将获取的时间序列样本作为LSTM网络输入,关键状态变量作为LSTM网络输出,构建风机关键部件的正常行为预测模型。其中预测模型的准确性是正确评估预警的前提,因此采用预测模型的平均绝对误差和平均绝对百分比误差作为预测模型的性能评价指标。
[0060] 平均绝对误差(MAE)和平均绝对百分比误差(MAPE)的表达式如下:
[0061]
[0062]
[0063] 其中,yi′为模型预测值,yi为系统测量值。
[0064] 步骤S104,基于预设模型构建风机关键部件的健康指标,并根据健康指标分布构建风机关键部件健康状态的分级策略,再基于风机关键部件健康状态的分级策略对风机关键部件的状态进行监测。
[0065] 具体地,计算预测模型的预测残差,并根据预测模型的预设残差采用距离度量方法中的马氏距离构建风机关键部件的健康指标。预测残差在一定程度上可以反映异常的出现。采用核密度估计法对风机关键部件的健康指标的概率密度函数进行估计,得到风机关键部件的健康指标的概率密度函数,基于风机关键部件的健康指标的概率密度函数计算出风机关键部件的健康指标的累积分布函数,基于风机关键部件的健康指标的累积分布函数构建风机关键部件健康状态的分级策略,最后基于风机关键部件健康状态的分级策略对风机关键部件的状态进行监测。
[0066] 更进一步地,风机关键部件的健康指标的构建过程包括:基于风机关键部件的正常行为预测模型计算预测模型的预测残差res=y′-y,其中y′为预测模型的预测值,y为预测模型的测量值。由于正常运行数据满足训练的预测模型,正常行为下数据的预测残差将会比较小,因此当预测残差较大时将预示着潜在的异常发生。进一步,本发明采用距离度量方法中的马氏距离构建了基于预测残差的健康指标HI。
[0067] 马氏距离定义如下:
[0068]
[0069] 其中,z∈R1×m表示来自一系列数据中的观测点,μ∈R1×m表示其均值,S表示其协方差矩阵。
[0070] 基于公式(3),第i个样本点的健康指标HI则定义为
[0071]
[0072] 其中,zi=[resi,yi],zi表示一系列数据中的一个观测点,μnormal表示正常行为数据集下的均值,Snormal表示正常行为数据下的协方差。
[0073] 风机关键部件健康状态的分级策略过程包括:基于正常行为数据的健康指标,本发明进一步研究了其分布特征。通常描述风机关键部件状态参数预测残差采用正态分布,但实际数据的残差分布往往不符合正态分布特征,因此本发明采用一种无参估计方法核密度估计对正常行为数据健康指标的概率密度函数进行估计。假设给定数据(x1,x2,…xn),其核密度估计的风机关键部件的健康指标的概率密度函数表达式如下:
[0074]
[0075] 其中K为核函数,h为带宽,本发明中核函数选择高斯核函数。
[0076] 基于核密度估计得到风机关键部件健康指标的概率密度函数,对应计算出风机关键部件健康指标的累积分布函数。现有的异常检测中依据给定置信
水平设置固定报警阈值,当健康指标超过阈值,则认为风机关键部件状态异常并产生报警,在该策略下,状态监测结果只有正常和异常两种,发电机的退化状态是未知的。为进一步量化发电机健康水平,本发明中设计了分级策略,将发电机健康指标依据其分布特征划分为健康、亚健康、异常三个等级,2个划分阈值点Uconf1和Uconf2由对应设置的置信水平conf1和conf2决定。
[0077] 得到风机关键部件健康状态的分级策略后,基于风机关键部件健康状态的分级策略对风机关键部件的状态进行监测。
[0078] 应用本发明实施例提供的风机关键部件状态监测方法,将风机关键部件的正常运行SCADA数据作为监测模型构建基础数据,以增强所构建预设模型的精度。同时将与风机关键部件的关键状态变量相关的特征变量作为预设模型输入基础数据,通过滑动窗口对特征变量数据进行重新组织以获取能作为预测模型输入的时间序列样本,有效地减少因数据不确定性及异常值等引起的误报警;并以风机关键部件的关键状态变量作为预测模型的输出构建预测模型,使得构建的预测模型更加精准。同时在状态的分级策略设计中,采用马氏距离构建基于预测残差的发电机健康指标,基于正常行为下健康指标的分布设计发电机健康状态的分级策略,可有效表征发电机当前健康状态,反映其退化状态。
[0079] 实施例二
[0080] 为了更进一步的对本发明风机关键部件状态监测方法进行详细的说明,以下在实施例一的基础上增加步骤S105,以提供另一种技术方案。
[0081] 图2为实施例二的风机关键部件状态监测方法的步骤示意图;参考图2,本发明风机关键部件状态监测方法还包括:
[0082] 步骤S105,根据风机关键部件健康状态的分级策略构建局部辅助指标报警策略,并基于局部辅助指标报警策略对风机关键部件进行异常检测。
[0083] 具体地,在风机关键部件健康状态的分级策略基础上,进一步设计了局部辅助指标LAI进行预警,用于改善通过评估单个
采样点健康状态进行预警中未考虑数据不确定性及异常值等带来的误报警问题。LAI的设计采用和输入数据重组相同的滑动窗口策略,设计原则参考控制图中的判异规则。如果滑动窗口内有大于等于9个连续点处于异常状态,或滑动窗口内有超过6个连续点递增且末端点处于异常状态,LAI=1,即引发报警。其他情况下LAI=0,即不引发报警。
[0084] 为了进一步地对本发明风机关键部件状态监测方法进行说明,以下将详细阐述风机关键部件中的发电机的状态监测方法的原理及实施方式,使本领域技术人员在不需要创造性劳动即可理解本发明的发电机状态监测方法。
[0085] S1,筛选风机关键部件中的发电机正常运行数据。具体地,于本实施例中,获取风机关键部件中的发电机运行时的历史SCADA数据,按预处理原则从SCADA数据中筛选出风机发电机的正常运行数据用于训练。风机关键部件中的发电机的SCADA数据筛选前后的风功率曲线分别如图3和图4所示。
[0086] S2,以发电机后轴承温度为关键状态变量,基于Pearson相关系数分析法选择与发电机后轴承温度相关的特征变量数据,具体选取的状态参数见表1。
[0087] 表1相关性分析筛选的状态变量表
[0088]
[0089]
[0090] S3,采用滑动窗口对特征变量数据重新进行组织,设定滑动窗口长度w=30获取时间序列样本。将时间序列样本作为模型输入,关键状态变量作为模型输出,需要说明的是滑动窗口是以步长1滑动的,所以相临两个窗口数据是有重叠的;之后基于LSTM构建发电机正常行为预测模型,基于LSTM网络结构的预测模型构建如图5所示。其中,
时间窗内连续w个时刻的样本数据共同作为模型输入,以充分提取风机运行数据内的时序信息。为评估采用时序信息训练的LSTM模型的性能,表2给出LSTM采用时间窗长度1、30和ANN(人工神经网络模型)、SVR(支持向量回归)模型性能的对比,可以看到本发明所提出的方法提高了模型准确度。
[0091] 表2模型性能对比
[0092]
[0093] S4,基于预测模型残差进而采用马氏距离构建健康指标,正常行为模型下健康指标的分布采用核密度估计获得。图6给出了风机发电机的正常行为数据健康指标的分布图,包括直方图、正态分布、核密度估计分布的对比,可以看到核密度估计的分布更符合实际数据分布。进而基于概率密度函数计算其累积分布,在给定置信水平下计算相应的阈值。本发明中,两个置信水平分别取conf1=97.5%,conf2=80%。对应健康指标阈值分别为Uconf1=2.3815,Uconf2=1.9231。
[0094] 基于上述健康指标阈值,将发电机健康状态划分为健康、亚健康、异常这三个等级。
[0095] S5,在S4分级策略基础上,进一步设计了局部辅助指标LAI进行预警。如果滑动窗口内有大于等于9个连续点处于异常状态,或滑动窗口内有超过6个连续点递增且末端点处于异常状态,LAI=1,即引发报警。其他情况下LAI=0,即不引发报警。实际测试中,LAI的使用可以有效将由不确定性及异常等引起的误报警次数由15次减少到3次。
[0096] 图7和图8给出本发明的发电机状态监测及异常检测方法在具体案例中的监测结果。根据系统故障记录,在2016年9月9日19:14分系统发生发电机后轴承温度报警。图7展示的是健康指标曲线及健康等级变化图,其中Ⅰ区、Ⅱ区、Ⅲ区分别代表健康、亚健康、异常这三种健康状态。图8给出对应时间内相关特征变量的变化。由图7可以看到在故障发生前,健康指标HI逐渐由健康过渡到亚健康,然后进入到异常状态。这上述时间段内,风速在额定风速附件
波动,风机有功功率达到额定功率并保持满发状态。发电机后轴承温度逐渐上升直到超过预警温度并引发故障报警。健康指标HI可以准确反映并追踪发电机状态的变化,尤其是描述故障发生前的退化状态。HI在15:16分时提示发电机异常预警,实现了提前4个小时的故障预警,可以有效提醒工程人员提前做好维护措施。
[0097] 综上所述,本发明的风机关键部件状态监测方法达到以下有益效果:本发明充分考虑风机SCADA数据中的时序信息,构建更准确的发电机预测模型。基于健康指标分布设计了发电机健康状态的分级策略,有效地描述了发电机的健康状态,及时反映追踪发电机的健康状态变化,实现了早期预警的目的,进而基于健康状态分级进设计了基于滑动窗口的局部辅助指标报警策略,可有效减少误报警。
[0098] 实施例三
[0099] 为解决现有技术中存在的上述问题,本发明实施例还提供了一种风机关键部件状态监测装置。
[0100] 图9示出了本发明实施例三风机关键部件状态监测装置的结构示意图;参考图9所示,本发明实施例风机关键部件状态监测装置包括正常运行数据获取模块、特征变量数据获取模块、预测模型构建模块和健康状态监测模块。
[0101] 正常运行数据获取模块,用于获取风机关键部件的SCADA数据,并对SCADA数据进行筛选得到风机关键部件的正常运行数据;
[0102] 特征变量数据获取模块,用于基于预设分析方式从正常运行数据中筛选出与风机关键部件的关键状态变量相关的特征变量数据;
[0103] 预测模型构建模块,用于采用预设数据处理方式对特征变量数据进行处理得到时间序列样本,并基于时间序列样本和所述关键状态变量构建所述风机关键部件状态的预测模型;
[0104] 健康状态监测模块,用于基于预设模型构建所述风机关键部件的健康指标,并根据健康指标分布构建风机关键部件健康状态的分级策略,再基于所述风机关键部件健康状态的分级策略对所述风机关键部件的状态进行监测。
[0105] 应用本发明实施例提供的风机关键部件状态监测装置,将风机关键部件的正常运行SCADA数据作为监测模型构建基础数据,以增强所构建预设模型的精度。同时将与风机关键部件的关键状态变量相关的特征变量作为预设模型输入基础数据,通过滑动窗口对特征变量数据重新组织以获取能作为预测模型输入的时间序列样本,有效地减少因数据不确定性及异常值等引起的误报警;同时还以风机关键部件的关键状态变量作为预测模型的输出构建预测模型,使得构建的预测模型更加精准。在状态的分级策略设计中,采用马氏距离构建基于预测残差的发电机健康指标,基于正常行为下健康指标的分布设计发电机健康状态的分级策略,可有效表征发电机当前健康状态,反映其退化状态。
[0106] 实施例四
[0107] 为解决现有技术中存在的上述技术问题,本发明实施例还提供了一种存储介质,其存储有计算机程序,该计算机程序被处理器执行时可实现实施例一中风机关键部件状态监测方法中的所有步骤。
[0108] 风机关键部件状态监测方法的具体步骤以及应用本发明实施例提供的可读存储介质获取的有益效果均与实施例一相同,在此不在对其进行赘述。
[0109] 需要说明的是:存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
[0110] 实施例五
[0111] 为解决现有技术中存在的上述技术问题,本发明实施例还提供了一种终端。
[0112] 图5示出了本发明实施例五终端结构示意图,参照图5,本实施例终端包括相互连接的处理器及存储器;存储器用于存储计算机程序,处理器用于执行存储器存储的计算机程序,以使终端执行时可实现实施例一中风机关键部件状态监测方法中的所有步骤。
[0113] 风机关键部件状态监测方法的具体步骤以及应用本发明实施例提供的终端获取的有益效果均与实施例一相同,在此不在对其进行赘述。
[0114] 需要说明的是,存储器可能包含
随机存取存储器(Random Access Memory,简称RAM),也可能还包括
非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。同理处理器也可以是通用处理器,包括
中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是
数字信号处理器(Digital Signal Processing,简称DSP)、专用集成
电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程
门阵列(Field Programmable Gate Array,简称FPGA)或者其他
可编程逻辑器件、分立门或者晶体管逻辑器件、分立
硬件组件。
[0115] 虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的
修改与变化,但本发明的保护范围,仍须以所附的权利要求书所界定的范围为准。