风机故障诊断方法及系统技术方案

本发明专利技术公开了一种风机故障识别方法及系统，其中风机故障识别方法包括：分别采集风机的驱动部件的实测振动信号和实测温度信号；对实测振动信号提取特征值；将实测振动信号和实测温度信号输入至风机故障预测模型得到风机是否运行正常的故障识别结果。本发明专利技术通过采集实测振动信号和实测温度信号，并对实测振动信号提取特征值，将提取的特征值和实测温度信号作为故障预测模型的输入，以实现故障的预测，将现有技术中处理上万个维度的振动信号，缩减到几十个维度的振动信号的特征值的计算，大大降低了数据处理时长，提高了数据处理效率，并结合实测温度信号作为输入，保证了预测的准确度，从而快速而准确的得到风机是否运行正常的故障识别结果。

Fan fault diagnosis method and system

【技术实现步骤摘要】
风机故障诊断方法及系统
本专利技术涉及信号处理领域，尤其涉及一种风机故障诊断方法及系统。
技术介绍
目前风机作为风力发电的重要设备，其正常工作与否直接与人们的日常生活紧密相关，风机上很多大型旋转设备的故障的及时识别，对保证风机的正常运转起着至关重要的作用，风机一旦发生故障，如果不能及时进行维修，就会造成停机的影响，从而会影响发电量，不仅造成经济效益的损失，还会影响人们的正常生活，因此，对风机上的各个旋转设备的故障诊断非常重要。目前故障诊断的方法主要有两种，一种是基于信号处理的故障诊断方法，另一种是基于深度学习模型的故障诊断方法，其中大部分的故障诊断分析都是基于振动信号。随着机器学习的发展，采用智能算法对设备进行故障检测也得到了高速发展，但现有的智能算法模型将振动信号的多维度信息数据作为输入，振动信号的多维度信息数据的信息量非常大，比如高频信号的维度就能高达上万个维度，因而学习模型的计算过程相当复杂，其实振动信号的多维度信息数据有很多是繁冗无效的，导致计算效率低，成本大。
技术实现思路
本专利技术要解决的技术问题是为了克服现有技术中风机故障识别方法计算效率低，成本大的缺陷，提供一种风机故障识别方法。本专利技术是通过下述技术方案来解决上述技术问题：一种风机故障识别方法，所述风机故障识别方法包括：分别采集所述风机的驱动部件的实测振动信号和实测温度信号；对所述实测振动信号提取实测特征值；对所述实测温度信号进行预处理；将所述实测特征值和预处理后的所述实测温度信号输入至风机故障预测模型得到所述风机是否健康运行的故障识别结果。优选地，所述分别采集所述风机的驱动部件的实测振动信号和实测温度信号的步骤之前还包括：获取所述风机的驱动部件的样本振动信号和样本温度信号；对所述样本振动信号提取样本特征值；对所述样本温度信号进行预处理；对所述驱动部件的工作状态设置标签，所述工作状态与所述样本振动信号和所述样本温度信号相对应，所述标签用于表征所述驱动部件是否健康运行；将所述样本特征值和预处理后的所述样本温度信号作为输入，将所述标签作为输出，训练一深度学习模型得到所述风机故障预测模型。优选地，所述对所述实测振动信号提取实测特征值的步骤包括：提取所述实测振动信号的时域特征值；对所述实测振动信号进行滤波以获得预设频率范围的振动信号；计算所述预设频率范围的实测振动信号的有效值；其中，所述实测特征值包括所述时域特征值和所述有效值。优选地，所述预设频率范围为0-300Hz(赫兹)；和/或，所述时域特征值包括峭度、波峰因数、脉冲因数、裕度、有效值、峰值、峰峰值中的至少一个。优选地，对所述样本温度信号进行预处理的步骤包括：建立温度预测模型；利用所述温度预测模型预测所述驱动部件在健康状态下的预测温度信号；计算所述实测温度信号与所述样本温度信号之间的温度差值，所述温度差值为所述预处理后的所述实测温度信号。优选地，所述训练一深度学习模型得到风机故障预测模型的步骤包括：分别将所述特征值和预处理后的所述样本温度信号作标准化处理；将处理后的所述样本特征值和所述样本温度信号作为所述输入，训练所述深度学习模型。优选地，将所述实测振动信号和所述实测温度信号输入至所述风机故障预测模型得到风机是否运行正常的故障识别结果的步骤之后还包括：当所述故障识别结果为不健康时，保存对应的所述实测振动信号和所述实测温度信号；和/或，当所述故障识别结果为不健康时，生成报警信息。一种风机故障识别系统，所述风机故障识别系统包括处理模块和识别模块；所述处理模块用于分别采集所述风机的驱动部件的实测振动信号和实测温度信号；还用于对所述实测振动信号提取实测特征值以及对所述实测温度信号进行预处理；所述识别模块用于将所述实测特征值和预处理后的所述实测温度信号输入至风机故障预测模型得到所述风机是否健康运行的故障识别结果。优选地，所述风机故障识别系统还包括样本模块和训练模块；所述样本模块用于获取所述风机的驱动部件的样本振动信号和样本温度信号；还用于对所述样本振动信号提取样本特征值，以及对所述样本温度信号进行预处理；所述样本模块还用于对所述驱动部件的工作状态设置标签，所述工作状态与所述样本振动信号和所述样本温度信号相对应，所述标签用于表征所述驱动部件是否健康运行；所述训练模块用于将所述样本特征值和预处理后的所述样本温度信号作为输入，将所述标签作为输出，训练一深度学习模型得到所述风机故障预测模型。优选地，所述处理模块还用于提取所述实测振动信号的时域特征值；还用于对所述实测振动信号进行滤波以获得预设频率范围的振动信号，以及计算所述预设频率范围的实测振动信号的有效值；其中，所述实测特征值包括所述时域特征值和所述有效值。优选地，所述预设频率范围为0-300Hz；和/或，所述时域特征值包括峭度、波峰因数、脉冲因数、裕度、有效值、峰值、峰峰值中的至少一个。优选地，所述处理模块还用于建立温度预测模型；还用于利用所述温度预测模型预测所述驱动部件在健康状态下的预测温度信号；所述处理模块还用于计算所述实测温度信号与所述预测温度信号之间的温度差值，所述温度差值为所述预处理后的所述实测温度信号。优选地，所述训练模块还用于分别将所述特征值和预处理后的所述样本温度信号作标准化处理；还用于将处理后的所述样本特征值和所述样本温度信号作为所述输入，训练所述深度学习模型。优选地，风机故障识别系统还包括存储模块和/或报警模块；所述存储模块用于保存所述故障识别结果为不健康时对应的所述实测振动信号和所述实测温度信号；所述报警模块用于当所述故障识别结果为不健康时，生成报警信息。本专利技术的积极进步效果在于：本专利技术通过采集实测振动信号和实测温度信号，并对实测振动信号提取特征值，将提取的特征值和实测温度信号作为故障预测模型的输入，以实现故障的预测，将现有技术中处理上万个维度的振动信号，缩减到几十个维度的振动信号的特征值的计算，大大降低了数据处理时长，提高了数据处理效率，并结合实测温度信号作为输入，保证预测的准确度，从而快速而准确的得到风机是否运行正常的故障识别结果，降低了故障定位及维修成本。附图说明图1为本专利技术实施例1的风机故障识别方法的流程图。图2为本专利技术实施例1的风机故障识别方法步骤102的流程图。图3为本专利技术实施例1的风机故障识别方法步骤103的流程图。图4为本专利技术实施例2的风机故障识别方法步骤101之前的流程图。图5为本专利技术实施例2的风机故障识别方法的步骤002的流程图。图6为本专利技术实施例2的风机故障识别方法的步骤003的流程图。图7为本专利技术实施例2的风机故障识别方法的步骤005的流程图。图8为本专利技术实施例3的风机故障识别方本文档来自技高网...

【技术保护点】
1.一种风机故障识别方法，其特征在于，所述风机故障识别方法包括：/n分别采集所述风机的驱动部件的实测振动信号和实测温度信号；/n对所述实测振动信号提取实测特征值；/n对所述实测温度信号进行预处理；/n将所述实测特征值和预处理后的所述实测温度信号输入至风机故障预测模型得到所述风机是否健康运行的故障识别结果。/n

【技术特征摘要】
1.一种风机故障识别方法，其特征在于，所述风机故障识别方法包括：
分别采集所述风机的驱动部件的实测振动信号和实测温度信号；
对所述实测振动信号提取实测特征值；
对所述实测温度信号进行预处理；
将所述实测特征值和预处理后的所述实测温度信号输入至风机故障预测模型得到所述风机是否健康运行的故障识别结果。


2.如权利要求1所述的风机故障识别方法，其特征在于，所述分别采集所述风机的驱动部件的实测振动信号和实测温度信号的步骤之前还包括：
获取所述风机的驱动部件的样本振动信号和样本温度信号；
对所述样本振动信号提取样本特征值；
对所述样本温度信号进行预处理；
对所述驱动部件的工作状态设置标签，所述工作状态与所述样本振动信号和所述样本温度信号相对应，所述标签用于表征所述驱动部件是否健康运行；
将所述样本特征值和预处理后的所述样本温度信号作为输入，将所述标签作为输出，训练一深度学习模型得到所述风机故障预测模型。


3.如权利要求1所述的风机故障识别方法，其特征在于，所述对所述实测振动信号提取实测特征值的步骤包括：
提取所述实测振动信号的时域特征值；
对所述实测振动信号进行滤波以获得预设频率范围的振动信号；
计算所述预设频率范围的实测振动信号的有效值；
其中，所述实测特征值包括所述时域特征值和所述有效值。


4.如权利要求3所述的风机故障识别方法，其特征在于，所述预设频率范围为0-300Hz；
和/或，所述时域特征值包括峭度、波峰因数、脉冲因数、裕度、有效值、峰值、峰峰值中的至少一个。


5.如权利要求1所述的风机故障识别方法，其特征在于，对所述实测温度信号进行预处理的步骤包括：
建立温度预测模型；
利用所述温度预测模型预测所述驱动部件在健康状态下的预测温度信号；
计算所述实测温度信号与所述预测温度信号之间的温度差值，所述温度差值为所述预处理后的所述实测温度信号。


6.如权利要求2所述的风机故障识别方法，其特征在于，所述训练一深度学习模型得到风机故障预测模型的步骤包括：
分别将所述特征值和预处理后的所述样本温度信号作标准化处理；
将处理后的所述样本特征值和所述样本温度信号作为所述输入，训练所述深度学习模型。


7.如权利要求1所述的风机故障识别方法，其特征在于，将所述实测振动信号和所述实测温度信号输入至所述风机故障预测模型得到风机是否运行正常的故障识别结果的步骤之后还包括：
当所述故障识别结果为不健康时，保存对应的所述实测振动信号和所述实测温度信号；
和/或，当所述故障识别...

【专利技术属性】
技术研发人员：司伟，蒋勇，许移庆，黄猛，
申请(专利权)人：上海电气风电集团股份有限公司，
类型：发明
国别省市：上海;31