基于设备故障预警的物资备货方法、装置、设备及介质与流程

本发明涉及设备维护领域，特别涉及一种基于设备故障预警的物资备货方法、装置、设备及介质。

背景技术：

1、在风电行业，资源丰富的地区多属于山区、深海等偏远地区，风电场现场的恶劣环境使风电机组的故障率远超于其他发电设备。由于风电备件物资具有供应商数量少、部分备件停产等情况，导致由于备件缺失，供应不及时而造成风电机组运行异常，影响整个项目的执行效率。因此，有必要对风电机组进行事前故障检测，及时发现风电机组运行异常数据并同步至物资交易电商平台进行物资提前备货预警，缩短备件供货周期。

2、风电设备故障预警与物资提前备货预警装置的设计对于风电行业的可持续发展和经济效益的提升具有重要意义。它不仅可以优化物资管理、降低运营成本、提高生产效率，提升决策支持，还可以促进整个行业的智能化和数字化转型。

3、目前，在风电机组故障诊断系统中，声音信号是重要的状态监测参数之一，可以反映机组的工作状态和潜在的故障。然而，由于风电机组的工作环境较为恶劣，传感器可能会受到各种因素的干扰，导致声音信号采集的准确性和稳定性受到影响。因此，有必要研究如何对声音信号进行噪声处理并进行异常信号预警。并且风电物资交易平台的需求多源于设备故障发生之后，且依赖人工填写物资需求，这一流程耗时较长，不仅造成了人力成本的显著增加，也导致了较长的备货周期，进而影响发电效率。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于设备故障预警的物资备货方法、装置、设备及介质，可以优化物资管理，实时跟踪风电物资的使用情况和库存水平，避免因物资短缺导致的生产停滞，进而确保风电机组的稳定运行。其具体方案如下：

2、第一方面，本技术公开了一种基于设备故障预警的物资备货方法，包括：

3、采集风电设备的实时声音信号数据，并根据历史声音信号数据以及所述实时声音信号数据确定所述风电设备的故障预警区间；

4、通过小波降噪算法对所述实时声音信号数据进行降噪处理，以得到降噪后声音信号数据，基于所述故障预警区间以及所述降噪后声音信号数据确定是否进行故障预警，若进行故障预警，则将采集到的故障信息发送至智慧风场管理系统；

5、通过所述智慧风场管理系统对所述故障信息进行聚类分析，以确定所述风电设备的设备异常分类数据；

6、基于所述设备异常分类数据以及备件库存信息生成物资需求订单，并将所述物资需求订单推送至预设物资交易平台，以进行物资备货。

7、可选的，所述采集风电设备的实时声音信号数据，并根据历史声音信号数据以及所述实时声音信号数据确定所述风电设备的故障预警区间，包括：

8、通过预设的声音信号传感器实时采集风电设备的声音信号，以得到实时声音信号数据；

9、获取历史声音信号数据，并通过基于贝塔分布的阈值确定方法对所述实时声音信号数据以及所述历史声音信号数据进行处理，以确定所述风电设备的故障预警区间。

10、可选的，所述基于贝塔分布的阈值确定方法的公式如下：

11、d1＝λ1×[max(x)-min(x)]+min(x)；

12、d2＝λ2×[max(x)-min(x)]+min(x)；

13、其中d1为所述故障预警区间的区间下限，d2为所述故障预警区间的区间上限，λ1为所述实时声音信号数据及所述历史声音信号数据的样本均值的0.5α分位数，λ2为所述实时声音信号数据及所述历史声音信号数据的样本均值的1-0.5α分位数，α为在数据采集中，由于尖峰噪声引起的误差，max(x)为所述实时声音信号数据及所述历史声音信号数据中的最大值，min(x)为所述实时声音信号数据及所述历史声音信号数据中的最小值。

14、可选的，所述通过小波降噪算法对所述实时声音信号数据进行降噪处理，以得到降噪后声音信号数据，包括：

15、对所述实时声音信号数据进行离散采样，以得到离散信号；

16、通过交叉验证法选择若干小波基以及若干分解尺度，并基于所述若干小波基以及所述若干分解尺度对所述离散信号进行小波多尺度分解，以得到与所述若干分解尺度对应的若干小波分解系数；

17、利用所述若干小波分解系数对所述离散信号进行小波逆变换重构，以得到降噪后声音信号数据。

18、可选的，所述基于所述故障预警区间以及所述降噪后声音信号数据确定是否进行故障预警，若进行故障预警，则将采集到的故障信息发送至智慧风场管理系统，包括：

19、将所述降噪后声音信号数据与所述故障预警区间进行对比，若所述降噪后声音信号数据超出所述故障预警区间，则进行故障预警；

20、采集所述风电设备的故障信息，并将所述故障信息发送至智慧风场管理系统。

21、可选的，所述通过所述智慧风场管理系统对所述故障信息进行聚类分析，以确定所述风电设备的设备异常分类数据，包括：

22、通过所述智慧风场管理系统对所述故障信息进行数据提取，以得到风电设备故障信息样本；

23、对所述风电设备故障信息样本进行缺失数据补偿、噪声数据过滤以及归一化处理，以得到处理后样本；

24、对所述处理后样本进行特征提取，并对提取到的特征向量进行聚类分析，以确定所述风电设备的设备异常分类数据。

25、可选的，所述基于所述设备异常分类数据以及备件库存信息生成物资需求订单，并将所述物资需求订单推送至预设物资交易平台，以进行物资备货，包括：

26、基于预设故障关联关系确定所述设备异常分类数据对应的故障部件，并根据备件库存信息生成所述故障部件对应的物资需求订单；

27、将所述物资需求订单发送至预设物资交易平台，以便所述预设物资交易平台接收到所述物资需求订单后，根据所述物资需求订单进行物资备货。

28、第二方面，本技术公开了一种基于设备故障预警的物资备货装置，包括：

29、区间确定模块，用于采集风电设备的实时声音信号数据，并根据历史声音信号数据以及所述实时声音信号数据确定所述风电设备的故障预警区间；

30、故障预警模块，用于通过小波降噪算法对所述实时声音信号数据进行降噪处理，以得到降噪后声音信号数据，基于所述故障预警区间以及所述降噪后声音信号数据确定是否进行故障预警，若进行故障预警，则将采集到的故障信息发送至智慧风场管理系统；

31、数据分析模块，用于通过所述智慧风场管理系统对所述故障信息进行聚类分析，以确定所述风电设备的设备异常分类数据；

32、物资备货模块，用于基于所述设备异常分类数据以及备件库存信息生成物资需求订单，并将所述物资需求订单推送至预设物资交易平台，以进行物资备货。

33、第三方面，本技术公开了一种电子设备，包括：

34、存储器，用于保存计算机程序；

35、处理器，用于执行所述计算机程序以实现如前述的基于设备故障预警的物资备货方法。

36、第四方面，本技术公开了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现如前述的基于设备故障预警的物资备货方法。

37、本技术中，首先采集风电设备的实时声音信号数据，并根据历史声音信号数据以及所述实时声音信号数据确定所述风电设备的故障预警区间；然后通过小波降噪算法对所述实时声音信号数据进行降噪处理，以得到降噪后声音信号数据，基于所述故障预警区间以及所述降噪后声音信号数据确定是否进行故障预警，若进行故障预警，则将采集到的故障信息发送至智慧风场管理系统；随后通过所述智慧风场管理系统对所述故障信息进行聚类分析，以确定所述风电设备的设备异常分类数据；最后基于所述设备异常分类数据以及备件库存信息生成物资需求订单，并将所述物资需求订单推送至预设物资交易平台，以进行物资备货。由此可见，通过本技术的方法可以根据采集的风电设备的实时声音信号数据以及历史声音信号数据确定风电设备的故障预警区间，然后对实时声音信号数据进行降噪处理，并通过故障预警区间以及得到的降噪后声音信号数据确定是否进行故障预警，并在确定进行故障预警之后采集故障信息，并将采集到的故障信息发送至智慧风场管理系统，以便对故障信息进行聚类分析，得到风电设备的设备异常分类数据，最后基于设备异常分类数据以及备件库存信息生成物资需求订单，并将得到的物资需求订单推送至预设物资交易平台，以进行物资备货。这样一来，可以优化物资管理，可以实时跟踪风电物资的使用情况和库存水平，帮助管理人员提前预测和规划备件需求，避免因物资短缺导致的生产停滞，进而确保风电机组的持续、稳定运行，从而提高风电场的整体发电效率和生产效益。