【技术实现步骤摘要】
一种基于深度学习的风机轴承的故障检测方法和系统
[0001]本专利技术涉及新能源
,尤其涉及一种基于深度学习的风机轴承的故障检测方法和系统
。
技术介绍
[0002]近年来,中国新能源发展迅速,其中风电的发展尤为突出,风电装机容量快速增长,现已成为全球最大的风电市场
。
[0003]风机轴承是风力发电机组中重要的组成部分,其质量和性能直接影响风力发电机组的发电效率和运行安全性
。
由于长期运行和外界环境因素的影响,风机轴承容易出现磨损
、
腐蚀
、
裂纹等故障,导致风机轴承的性能下降
、
寿命缩短,严重时可能导致风机轴承的损坏和整机故障
。
因此,对风机轴承的故障进行及时
、
准确的检测和诊断,对于保障风力发电机组的安全运行和提高发电效率具有重要意义
。
[0004]目前,对风机轴承的故障检测主要采用振动信号分析
、
温度信号分析
、
声音信号分析等方法,通过分析信号的频谱特征
、
时域特征和幅值特征等,从而判断风机轴承的运行状态和故障情况
。
传统的声音信号分析方法主要采用傅里叶变换
、
小波变换
、
短时傅里叶变换等数学方法进行信号处理和特征提取,然后使用支持向量机
、
人工神经网络等分类器对特征进行分类识别
。
虽然这些方法在风机轴承的故障检测领 ...
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的风机轴承的故障检测方法,其特征在于,包括:采集风机轴承的实时监测信号,所述实时监测信号为时序数据;构建深度学习模型,对所述实时监测信号进行第一特征提取与第二特征提取,并进行所述深度学习模型训练;将待检测信号输入至所述深度学习模型,利用分类器对所述风机轴承进行故障识别,并输出故障检测结果
。2.
根据权利要求1所述的基于深度学习的风机轴承的故障检测方法和系统,其特征在于,所述风机轴承的实时监测信号包括风机轴承振动
、
轴承温度和旋转速度信息;所述故障识别的结果包括严重故障
、
一般故障和预警故障,所述故障检测结果包括根据故障等级输出故障诊断建议
。3.
根据权利要求2所述的基于深度学习的风机轴承的故障检测方法和系统,其特征在于,所述采集风机轴承的实时监测信号包括:获取原始样本数据,其中,所述原始样本数据包含实时监测信号;对所述原始样本数据进行标签化分类,生成第一数据集
、
第二数据集和第三数据集,其中,所述第一数据集的监测数据采集成功率不小于
90
%,所述第二数据集的监测数据采集成功率大于
50
%小于
90
%,所述第三数据集的监测数据采集成功率不大于
50
%;对标签化分类后的数据集进行筛查复选,得到优化样本数据以提高小样本数据特征提取能力
。4.
根据权利要求3所述的基于深度学习的风机轴承的故障检测方法和系统,其特征在于,所述对标签化分类后的数据集进行筛查复选,得到优化样本数据包括:采用局部线性回归法对所述第一数据集
、
第二数据集和第三数据集进行拟合分析,利用高斯函数放大局部信息;提取拟合优度优度符合条件的样本数据区间,得到所述优化样本数据
。5.
根据权利要求4所述的基于深度学习的风机轴承的故障检测方法和系统,其特征在于,所述构建深度学习模型,对所述实时监测信号进行第一特征提取与第二特征提取包括:利用所述优化样本数据,采用滑动时间窗口法构建用于...
【专利技术属性】
技术研发人员:张新萌,文传博,严春汪,柯灿阳,洪乐,杨洵,罗诚栋,
申请(专利权)人:上海电机学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。