一种风机设备在线工况分割及故障诊断的方法技术

本发明专利技术提供了一种风机设备在线工况分割及故障诊断的方法，包括包括模型训练和在线诊断两部分，模型训练包括：获取正常的速度有效值数据集，选出最优通道的最优特征传入备选模型库，得到正常工况判断模型；归纳、收集对应通道的历史故障数据集和对应的标签，进行特征工程，将所得特征传入ARTMAP神经网络模型进行训练，得到故障判断模型；在线诊断包括：实时获取最优通道的具有完整工况的在线数据，并将每段工况数据依次代入正常工况判断模型和故障判断模型，最终输出工况类别和诊断结果。本发明专利技术能在线自动分割工况、识别工况类型并判断工况是否存在故障，具有降低对专家的依赖、大大解放人力且判断准确率高等诸多优点。放人力且判断准确率高等诸多优点。放人力且判断准确率高等诸多优点。

【技术实现步骤摘要】
一种风机设备在线工况分割及故障诊断的方法


[0001]本专利技术涉及设备的在线监测领域，特别是风机设备的工况分割及故障诊断。

技术介绍

[0002]在工业生产领域，风机作为排烟、除尘、换气的主要设备，扮演着极为重要的作用。风机故障会造成排烟、换气不畅，从而影响工业设备的生产环境，降低生产制造的效率，更有甚者会造成严重的安全隐患，给工厂带来大量不必要的损失。因此需要关注风机的工作状态，对风机状态进行实时监测，一方面根据其工作状态进行预防性维护，另一方面当出现意外故障时及时报警并判断故障类型，再根据故障类型及时更换零件，可以有效地避免该类问题的发生，在源头上减少故障带来的损失。
[0003]传统的风机工况识别的方法主要为操作人员线下手持测量仪器不定时对风机进行检测，再将检测数据录入电脑形成报表，该方法费时费力且收集的工况情况不连续，当出现问题时，往往不能及时发现，有可能会造成巨大的损失，不符合现代化工厂智能检测的标准。现有的在线监测方法也仅使用聚类算法，对振动数据判别的准确率不高，易造成误判的现象，同时，容易出现误报，也常常不能准确地判断故障来源。

技术实现思路

[0004]有鉴于此，本专利技术提供的一种风机设备在线工况分割及故障诊断的方法，至少能够部分的解决现有技术中存在的问题，为了达到上述目的，本专利技术采取的技术方案为：
[0005]一种风机设备在线工况分割及故障诊断的方法，其特征在于，包括模型训练和在线诊断两部分，所述模型训练部分包括如下步骤：
[0006]S11、获取正常数据集，利用多通道加速度传感器采集某时间段内风机多个关键点连续的振动信号并储存；
[0007]S12、对步骤S11中所有通道的加速度信号进行预处理，计算其速度有效值；
[0008]S13、计算步骤S12中每个通道的所有速度有效值的方差，选取方差最大的通道作为工况分析和判断的通道；
[0009]S14、对步骤S13中确定的通道，根据其速度有效值进行工况分割及工况标注，计算各工况正常数据的均值、方差以及一阶差分；
[0010]S15、对步骤S14中工况分割及工况标注后的数据进行特征工程，构造多个特征；
[0011]S16、对步骤S15中构造的特征进行筛选，选出最优特征；
[0012]S17、将步骤S16得到的最优特征传入备选模型库，得到准确度最高的模型作为正常工况判断模型；
[0013]S18、归纳、收集步骤S13中确定的通道的历史故障数据集和对应的标签，对该数据集进行特征工程，构造多个特征；
[0014]S19、将步骤S18中所得特征传入ARTMAP神经网络模型进行训练，得到故障判断模型；
[0015]所述在线诊断部分包括如下步骤：
[0016]S21、针对步骤S13中确定的通道，实时获取包含若干段完整工况的在线数据；
[0017]S22、对步骤S21中的每一段完整工况数据提取和最优特征对应的特征值，代入步骤S17的正常工况判断模型进行工况在线判断，确定工况类别，并根据步骤S14得到的均值和方差，利用3σ准则判断该工况数据是否为异常：
[0018]若数据正常，则输出工况类别和工况正常的结论；
[0019]若数据异常，则代入步骤S19的故障判断模型进行故障诊断，输出工况类别和诊断结果。
[0020]更进一步地，步骤S14进行工况分割及工况标注的具体方法是：对速度有效值数据按照时间顺序进行分割，得到多个时间序列，对于所述时间序列，采用滑动窗方式从每个窗口标注工况信息，将工况信息分为低频、中频、高频三种平稳工况和小波动、大波动、上升、下降四种非平稳工况。
[0021]更进一步地，步骤S15和步骤S18进行特征工程的具体步骤是：提取每段工况数据的均值、中位数、方差、极差以及一阶差分后的均值、方差、中位数、差分过零率中的任意两种或多种作为特征数据。
[0022]更进一步地，步骤S16选出最优特征的方法是主成分分析法，其具体步骤包括：
[0023]S161、对特征数据进行标准化；
[0024]S162、计算相关系数矩阵；
[0025]S163、计算特征值和特征向量，计算各主成分贡献率和累计贡献率，绘制累计贡献率图；
[0026]S164、根据设定阈值选择满足条件的所有主成分作为最优特征。
[0027]作为优选，步骤S164的设定阈值为95％。
[0028]更进一步地，步骤S17中正常工况判断模型的获取方法包括：
[0029]S171、将最优特征数据集按8:2的比例分为训练集和测试集；
[0030]S172、将训练集中每段数据的标签及对应的特征输入各个备选模型，以交叉熵作为损失函数，采用网格搜索法对各模型参数进行调优，计算10折交叉验证后，得到优化后的备选模型；
[0031]S173、将测试集数据输入优化后的新备选模型，得出每个新备选模型的测试集数据的伪阳性率FPR、真阳性率TPR、真阴性率TNR和伪阴性率FNR；
[0032]S174、根据伪阳性率FPR、真阳性率TPR绘制每个新备选模型的ROC曲线；
[0033]S175、计算每个新备选模型ROC曲线的AUC值，AUC值最大的模型为准确度最高的模型，即正常工况判断模型。
[0034]更进一步地，步骤S172的备选模型包括：线性回归判别、随机森林、朴素贝叶斯、Xgboost、逻辑回归、Lightgbm、支持向量机、人工神经网络、决策树、长短期记忆神经网络。
[0035]更进一步地，步骤S21中判断是否为完整工况的步骤包括：
[0036]S211、按步骤S12同样的方式获取连续20个在线数据的速度有效值，计算其一阶差分的平方；
[0037]S212、根据步骤S14正常数据一阶差分平方的历史阈值，判断步骤S211第1个数据点的平稳情况；
[0038]S213、若第1个数据数据点为平稳，直接转入下一步，否则继续向前取速度有效值并判断是否平稳，直到取得连续3个平稳点时停止，转入下一步；
[0039]S214、判断第20个数据点的平稳情况，若平稳直接转入下一步，否则继续向后取速度有效值并判断是否平稳，直到取得连续3个平稳点时停止，转入下一步；
[0040]S215、经过步骤S213和S214后，首先判断有没有增加数据，若没有则按历史阈值进一步判断全部20个数据是否都平稳，如果是则将全部数据保留，如果不是则将20个数据首尾处的平稳数据删除，再将剩余数据按历史阈值划分为若干段工况；若增加了新的N个数据，则将最终的20+N个数据首尾处的平稳数据都删除，再将剩余数据按历史阈值划分为若干段工况。
[0041]更进一步地，步骤S215后增加一个步骤：
[0042]S216、若其中某段工况的数据点的长度≦3，则将其和前后段工况合并，得到最终输入工况分割模型的若干段完整工况数据。
[0043]本专利技术相比现有技术具有以下明显的优点：
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风机设备在线工况分割及故障诊断的方法，其特征在于，包括模型训练和在线诊断两部分，所述模型训练部分包括如下步骤：S11、获取正常数据集，利用多通道加速度传感器采集某时间段内风机多个关键点连续的振动信号并储存；S12、对步骤S11中所有通道的加速度信号进行预处理，计算其速度有效值；S13、计算步骤S12中每个通道的所有速度有效值的方差，选取方差最大的通道作为工况分析和判断的通道；S14、对步骤S13中确定的通道，根据其速度有效值进行工况分割及工况标注，计算各工况正常数据的均值、方差以及一阶差分；S15、对步骤S14中工况分割及工况标注后的数据进行特征工程，构造多个特征；S16、对步骤S15中构造的特征进行筛选，选出最优特征；S17、将步骤S16得到的最优特征传入备选模型库，得到准确度最高的模型作为正常工况判断模型；S18、归纳、收集步骤S13中确定的通道的历史故障数据集和对应的标签，对该数据集进行特征工程，构造多个特征；S19、将步骤S18中所得特征传入ARTMAP神经网络模型进行训练，得到故障判断模型；所述在线诊断部分包括如下步骤：S21、针对步骤S13中确定的通道，实时获取包含若干段完整工况的在线数据；S22、对步骤S21中的每一段完整工况数据提取和最优特征对应的特征值，代入步骤S17的正常工况判断模型进行工况在线判断，确定工况类别，并根据步骤S14得到的均值和方差，利用3σ准则判断该工况数据是否为异常：若数据正常，则输出工况类别和工况正常的结论；若数据异常，则代入步骤S19的故障判断模型进行故障诊断，输出工况类别和诊断结果。2.如权利要求1所述的一种风机设备在线工况分割及故障诊断的方法，其特征在于，步骤S14进行工况分割及工况标注的具体方法是：对速度有效值数据按照时间顺序进行分割，得到多个时间序列，对于所述时间序列，采用滑动窗方式从每个窗口标注工况信息，将工况信息分为低频、中频、高频三种平稳工况和小波动、大波动、上升、下降四种非平稳工况。3.如权利要求1所述的一种风机设备在线工况分割及故障诊断的方法，其特征在于，步骤S15和步骤S18进行特征工程的具体步骤是：提取每段工况数据的均值、中位数、方差、极差以及一阶差分后的均值、方差、中位数、差分过零率中的任意两种或多种作为特征数据。4.如权利要求3所述的一种风机设备在线工况分割及故障诊断的方法，其特征在于，步骤S16选出最优特征的方法是主成分分析法，其具体步骤包括：S161、对特征数据进行标准化；S162、计算相关系数矩阵；S163、计算特征值和特征向量，计算各主成分贡献率和累计贡献率，绘制累计贡献率图；S164、根据设定阈...

【专利技术属性】
技术研发人员：徐徐，徐鹏飞，杨世飞，孙磊，邹小勇，刘宗斌，
申请(专利权)人：南京凯奥思数据技术有限公司，
类型：发明
国别省市：