[0001] 本发明涉及边缘计算技术领域，具体涉及基于边缘计算的发电设备多节点运行故障自动化识别方法。

[0002] 基于数字孪生技术对发电设备进行故障诊断是一种利用数字孪生技术对发电设备的运行状态进行实时监测、分析和预测的方法。这种方法可以帮助及时识别设备故障，进行预测和维护，降低生产成本，提高生产效率。当前，基于数字孪生技术进行发电设备故障诊断的方法主要依赖于中心化的云计算平台，然而，随着发电设备规模的不断扩大和数据量的急剧增加，云计算平台需要将大量的原始数据传输到云端进行处理，这种传输过程不仅需要大量的网络带宽和存储资源，而且在处理大规模数据时，云计算平台的计算能力也受到限制。因而现有技术存在云计算平台处理和分析数据效率不高的技术问题。

[0021] 本申请通过提供了基于边缘计算的发电设备多节点运行故障自动化识别方法，用于针对解决现有技术中存在的处理和分析数据效率不高的技术问题。

[0022] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

[0023] 需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

[0024] 实施例一

[0025] 如图1所示，本发明提供了基于边缘计算的发电设备多节点运行故障自动化识别方法，通过边缘计算设备对发电设备的运行数据进行预处理，然后仅将处理结果上传至云端，避免大量原始数据的传输，用于提高数据处理效率，所述方法包括：

[0026] 确定多个发电设备，所述多个发电设备是指同一发电系统中易于发生多节点运行故障的不同设备或组件，这些设备在发电系统中协同工作，共同完成电力的产生和传输，例如发电机、变压器、断路器、继电器、控制系统等。在发电设备上安装各种传感器，例如温度传感器、压力传感器、振动传感器等，这些传感器用于实时监测设备的运行状态。通过这些传感器收集所述多个发电设备的运行数据，得到设备的运行数据信息，包括设备的温度、压力、振动、电流、电压等参数。

[0027] 传感器将监测到的设备运行数据信息传输到边缘计算设备中进行处理，所述边缘计算设备是一种部署在数据源(或发电设备)附近的设备，它具备强大的计算和数据处理能力，用于处理和分析大量数据。边缘计算设备接收到来自发电设备传感器的数据后，进行初步的数据清洗和预处理，去除异常值、噪声和无效数据，然后将清洗后的数据进行格式化，将原始数据转换为标准化的格式，用于方便数据传输和存储。进而，再将格式化的数据进行数据转换，包括特征提取、数据归一化等处理步骤，使原始数据转换为适合发电设备数字孪生体模型输入的格式。由于传感器产生的数据量很大，边缘计算设备还需要采用数据压缩技术将数据进行压缩，减小数据的体积，从而提高数据传输和处理的效率。经过边缘计算设备处理后，得到边缘计算数据的数据。

[0028] 边缘计算设备将处理得到的边缘计算数据上传至云端，在云端先对边缘计算数据进行解压，解压后将数据输入发电设备数字孪生体中，所述发电设备数字孪生体是部署在云端的一种虚拟模型，它基于物理发电设备的各种数据和参数，通过数字孪生技术进行建模和仿真，实现对物理发电设备的实时监控、故障预测和优化运行等功能。发电设备数字孪生体接收数据后，利用其强大的计算能力和模型库，对数据进行深入的分析和故障识别，通过对比历史数据、正常模式和异常模式，数字孪生体可以准确地识别出设备的故障类型、位置、严重程度等信息，并将故障识别结果以报告或警报的形式输出，提供给运维人员或系统自动处理。

[0029] 根据数字孪生体的故障识别结果，系统自动启动相应的处理程序，例如自动修复程序、报警通知、故障隔离、人工干预等，确保故障得到及时有效的处理，通过自动化处理程序，减少人工干预的时间和成本，提高故障处理的效率和质量。例如，在发电设备中，控制系统可以根据故障识别结果自动调整发电机的电压、频率或功率因数等参数，以恢复发电机的正常运行，或者，系统可以自动调整冷却系统的运行参数，如温度、压力等，以防止设备过热或损坏。本申请实施例首先通过边缘计算设备对发电设备的原始运行数据进行预处理，然后将处理结果上传至云端进行故障分析与识别，避免了大量原始数据的传输，保证了数据的准确性，达到了提高数据处理效率的技术效果。

[0030] 在本申请实施例提供的一种优选实施方式中，所述通过传感器收集多个发电设备的运行数据，获取设备运行数据信息，方法包括：

[0031] 所述发电设备包括发电机、变压器和液压系统，发电机是将其他形式的能源转换成电能的设备，是电力系统的核心组成部分，监测发电机的输出功率、效率、机械状态等信息，用于确保发电机的稳定运行；变压器是用于升高或降低电压的设备，是电力系统中不可或缺的一部分，监测变压器的负荷情况、绝缘状态、机械性能等信息，用于避免电力系统故障和电力中断；液压系统应用于发电机组的控制系统、汽轮机的液压调速系统等，监测液压系统的压力、流量、温度等信息，用于保证发电设备的正常运行。

[0032] 在发电机、变压器和液压系统上分别安装振动传感器和电气传感器，其中，所述振动传感器通过感知物体振动的幅度、频率、相位等参数，用于实时监测设备的振动状态，所述电气传感器通过测量电气设备的电流、电压、功率、功率因数、频率等参数，用于实时监测设备的电气状态。通过振动传感器、电气传感器分别收集发电设备的运行数据，得到设备振动数据信息和设备电气数据信息，这两组数据信息共同构成所述设备运行数据信息。通过分析振动数据，可以判断设备是否存在故障或异常，例如轴承磨损、松动等，通过分析电气数据，可以了解设备的运行状态和性能，例如发电机的输出功率、变压器的电压变化等。这一优选实施方式同时收集了发电设备的振动数据和电气数据，可以全面监测设备的运行状态，从而达到了提供全面、准确的设备运行数据信息的技术效果。

[0033] 在本申请实施例提供的另一种优选实施方式中，所述通过边缘计算设备对所述设备运行数据信息进行处理，获得边缘计算数据，方法包括：

[0034] 边缘计算设备接收来自传感器的设备运行数据信息(设备状态信息、设备性能参数、设备运行时间等)，接收到信息后，对设备运行原始数据进行清洗，去除无效、错误或重复的数据，进而进行字段标准化，将每个字段的值转换到相同的尺度或范围，然后进行数据格式化处理，使数据转换成加密算法需要的特定输入格式，对于包含敏感信息的数据，例如个人身份信息、密码等，采用去标识化、哈希处理等方法进行处理，确保这些数据不会被未授权的第三方访问。经过预处理后得到标准化数据，所述标准化数据具有一致性、准确性和可靠性。

[0035] 为了保护数据的隐私和安全，使用加密算法(AES、RSA等)对标准化数据进行加密，经过加密处理后，得到标准化加密数据，所述标准化加密数据具有更高的安全性，用于防止未经授权的访问和泄露。

[0036] 为了确保数据的完整性和准确性，计算标准化加密数据的校验码，所述校验码是一段数字或代码，通过对数据的特定算法计算得出，用于验证数据的完整性。最后将标准化加密数据和校验码共同作为边缘计算数据上传至云端，在确保数据传输安全性的同时，保证数据的准确性和完整性。这一优选实施方式通过加密算法对数据进行加密处理，保护了数据的隐私和安全，防止了未经授权的访问和泄露，并且通过计算校验码验证数据的完整性和准确性，确保了数据在传输和处理过程中没有发生错误或被篡改，从而达到了提高数据安全性和保障数据完整性的技术效果。

[0037] 在本申请实施例提供的另一种优选实施方式中，所述将所述边缘计算数据传输至云端的发电设备数字孪生体中进行故障识别，输出故障识别结果，方法包括：

[0038] 通过查阅设备的技术规格、设计图纸、制造参数、与设备制造商或供应商进行沟通等方式收集多个发电设备的物理结构、机械结构、电气结构等数据，得到设备结构数据，其中，所述物理结构包括设备的尺寸、重量、形状、设备的组成部分(如燃烧室、涡轮、发电机)等；所述机械结构包括设备的运动部件(如涡轮叶片的旋转速度、振动)、设备的连接方式(如齿轮箱、轴承)等；所述电气结构包括设备的电气线路图、电路板布局、电气参数(如电压、电流、功率)等。

[0039] 通过在本地数据库或云端存储中收集多个发电设备的历史运行数据，例如发电量、运行时间、故障次数、维修记录等，得到历史运行数据。

[0040] 通过传感器(温度传感器、湿度传感器、气体分析仪等)或监测系统收集多个发电设备的运行环境数据，包括发电设备周围的温度、湿度、压力、气体成分、粉尘浓度等环境参数，得到运行环境数据。

[0041] 将收集到的设备结构数据、历史运行数据、运行环境数据进行整合，包括数据的清洗、验证和标准化处理等，确保数据的准确性和一致性。根据发电设备的物理结构和运行原理，使用CAD软件或专门的建模工具建立设备的物理模型，该模型包括设备的各个部件、连接方式、运动关系等，根据实际设备的运行参数，定义仿真模型的运行参数，包括设备的工作压力、温度、转速等，进而根据设备的物理模型和运行参数，建立相应的数学模型，最后使用编程语言或仿真软件，将数学模型转化为仿真程序，得到发电设备数字孪生体，所述发电设备数字孪生体是基于数字技术和物理模型的综合体，能够模拟发电设备的实际运行状态，并能够预测其未来的性能和故障趋势。这一优选实施方式使用设备结构数据、历史运行数据和运行环境数据来构建发电设备数字孪生体，提供了全面准确的数据支持，数据涵盖了设备的各个方面，有助于更准确地模拟设备的实际运行状态，从而达到了提高模型预测准确性的技术效果。

[0042] 在本申请实施例提供的另一种优选实施方式中，所述基于所述故障识别结果启动自动化处理程序，方法包括：

[0043] 设置故障严重程度判定阈值，所述故障严重程度判定阈值是一个数值或等级，是根据经验、历史数据或专家建议来设定的，用来判断发电设备数字孪生体识别出的故障是否严重到需要人工介入处理。

[0044] 当发电设备数字孪生体识别出故障后，通过算法、规则或模型对识别出的故障进行评估，评估的依据包括故障的性质、影响范围、持续时间等，通过评估，确定其严重程度，进而根据评估结果，得到故障的严重程度级别，所述故障严重程度级别与所述故障严重程度判定阈值使用相同的标准或指标，即若故障严重程度判定阈值为数值表示，则故障严重程度级别也为数值表示；若故障严重程度判定阈值为等级表示，则故障严重程度级别也为等级表示。

[0045] 将评估出的故障严重程度级别与故障严重程度判定阈值进行比较，如果故障严重程度级别超过故障严重程度判定阈值，表明故障比较严重，系统不能自行处理，需要人工介入，此时系统会发出预警信号，通知相关人员注意并处理，所述预警信号包括声音警告、视觉提示、文本消息、移动应用通知等；如果故障严重程度级别没有超过故障严重程度判定阈值，表明故障相对较轻，可以由系统自动处理，不需要人工介入，此时系统会触发相应的调整策略，自动修复或减轻故障的影响，所述调整策略包括自动重启、切换到备用设备、调整运行参数、执行应急预案等。这一优选实施方式通过设置故障严重程度判定阈值，使系统可以根据不同的故障情况和需求进行选择和配置，提高了系统的灵活性的适应性，进而达到了提高系统的稳定性和效率的技术效果。

[0046] 在本申请实施例提供的另一种优选实施方式中，所述方法还包括：

[0047] 系统接收来自边缘计算设备的边缘计算数据，通过比较数据特征、时间戳、数据来源等，将这些数据和已有的经验数据进行比较，判断这些数据是否为新的经验数据，例如，比较新接收的边缘计算数据与已有经验数据的数据特征，如果新数据在某些关键特征上与已有数据存在显著不同，则认为它是新的经验数据。

[0048] 如果通过比较发现所述边缘计算数据为新经验数据，则使用这些数据来对发电设备数字孪生体模型进行增量学习，所述增量学习是指模型不重新处理或重新训练整个数据集，而只是在接收新数据时进行学习，具体而言，对于收集到的新的经验数据，进行特征提取，包括提取关键特征、处理缺失值、标准化数据等，然后使用提取的特征和已有的经验数据，对模型进行增量学习，通过增量学习，模型逐步适应新的数据，并使用新的经验数据更新模型的参数或权重，以更好地拟合新的数据分布。增量学习完成后，系统会将更新的模型应用到发电设备数字孪生体中，完成发电设备数字孪生体模型的更新，更新后的模型可以更好地反映发电设备的实际情况，提高预测和决策的准确性。这一优选实施方式通过增量学习，使模型不断吸收新的经验数据，持续学习和优化，保持模型的时效性和准确性，通过不断学习和更新模型，发电设备数字孪生体可以应对各种异常情况和故障，提供更准确、更及时的故障预测和决策支持，从而达到了提高系统的鲁棒性和稳定性的技术效果。

[0049] 实施例二

[0050] 基于与前述实施例中基于边缘计算的发电设备多节点运行故障自动化识别方法相同的发明构思，如图2所示，本申请提供了基于边缘计算的发电设备多节点运行故障自动化识别系统，所述系统包括：

[0051] 设备运行数据信息获取模块1，所述设备运行数据信息获取模块1用于通过传感器收集多个发电设备的运行数据，获取设备运行数据信息；

[0052] 边缘计算数据获取模块2，所述边缘计算数据获取模块2用于通过边缘计算设备对所述设备运行数据信息进行处理，获得边缘计算数据；

[0053] 故障识别模块3，所述故障识别模块3用于将所述边缘计算数据传输至云端的发电设备数字孪生体中进行故障识别，输出故障识别结果；

[0054] 自动化处理程序启动模块4，所述自动化处理程序启动模块4用于基于所述故障识别结果启动自动化处理程序。

[0055] 进一步的，所述设备运行数据信息获取模块1用于执行如下方法：

[0056] 通过振动传感器、电气传感器收集多个发电设备的运行数据，得到设备振动数据信息、设备电气数据信息，其中，所述多个发电设备包括发电机、变压器、液压系统；

[0057] 所述设备振动数据信息和所述设备电气数据信息共同构成所述设备运行数据信息。

[0058] 进一步的，所述边缘计算数据获取模块2用于执行如下方法：

[0059] 通过所述边缘计算设备对所述设备运行数据信息进行预处理，得到标准化数据；

[0060] 使用加密算法对所述标准化数据进行加密处理，得到标准化加密数据；

[0061] 计算所述标准化加密数据的校验码，并将所述标准化加密数据和所述校验码共同作为所述边缘计算数据。

[0062] 进一步的，所述故障识别模块3用于执行如下方法：

[0063] 收集所述多个发电设备的设备结构数据；

[0064] 收集所述多个发电设备的历史运行数据；

[0065] 收集所述多个发电设备的运行环境数据；

[0066] 基于所述设备结构数据、历史运行数据、运行环境数据构建所述发电设备数字孪生体。

[0067] 进一步的，所述自动化处理程序启动模块4用于执行如下方法：

[0068] 设置故障严重程度判定阈值；

[0069] 对所述故障识别结果进行严重程度评估，得到故障严重程度级别；

[0070] 若所述故障严重程度级别超过所述判定阈值，则发出预警信号进行预警处理，若所述故障严重程度级别未超过所述判定阈值，则触发调整策略进行自动处理。

[0071] 进一步的，所述故障识别模块3用于执行如下方法：

[0072] 判断所述边缘计算数据是否为新经验数据；

[0073] 若是，基于所述新经验数，对所述发电设备数字孪生体进行增量学习；

[0074] 基于所述增量学习，更新所述发电设备数字孪生体。

[0075] 需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在本申请的范围内。在一些情况下，在本申请中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

[0076] 以上所述仅为本申请的较佳实施例，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。

[0077] 本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。