一种基于熵特征的设备故障预测方法及系统技术方案

本发明专利技术涉及一种基于熵特征的设备故障预测方法及系统，所述方法包括：获取待测设备预设时刻的振动信号；对所述获取的振动信号进行特征提取获取所述预设时刻的振动信号对应的瑞利熵特征数据；将所述振动信号对应的瑞利熵特征数据输入预先训练好的设备故障概率预测模型中，获取所述待测设备预设时刻对应的故障概率；基于所述故障概率对所述待测设备进行故障预测。本发明专利技术提供的技术方案，通过对振动信号进行熵特征提取，利用提取的熵特征进行设备故障预测，提高了设备故障预测的准确度。提高了设备故障预测的准确度。提高了设备故障预测的准确度。

【技术实现步骤摘要】
一种基于熵特征的设备故障预测方法及系统


[0001]本专利技术涉及故障预测领域，具体涉及一种基于熵特征的设备故障预测方法及系统。

技术介绍

[0002]风能是一种具有巨大潜力的可再生能源，得到了世界各国的广泛关注。风力发电有助于解决经济社会发展与环境污染之间的矛盾，因此在调整能源结构方面起到重要的作用。风力发电系统一般主要包括风力发电机、齿轮箱、叶片、功率变换器等部件，其中风力发电机是风力发电系统的核心部件，实现机械能到电能的转换。风力发电机大多安装在海上、高原、山区等偏远、恶劣环境中，运行工况极端苛刻，造成风力发电机零部件的性能容易退化。目前，随着风力发电的装机容量不断增加，风力发电机轴承故障导致的损失也日益增加。确保风电机组稳定、安全、可靠的运行成为风力发电行业面临的首要问题。
[0003]现有的预测风机轴承等设备故障的方法是通过监测系统获取风力发电机轴承振动信号或电学信号，进行时域分析、频域分析提取信号的特征参数，利用拟合的手段进行寿命回归分析。但是，提取的特征参数并不一定与轴承的故障具有强相关性，风力发电机在不同转速下的泛化能力较差；故障回归模型也较为简单，无法发掘出轴承振动数据中的相关特征，也容易受到外界噪声信号的干扰，存在拟合的退化曲线与实际的退化曲线之间误差大的问题，最终会导致故障预测的准确度不高。

技术实现思路

[0004]本申请提供一种基于熵特征的设备故障预测方法及系统，以至少解决相关技术中对风机轴承的故障预测的准确度较低的技术问题。
[0005]本申请第一方面实施例提出一种基于熵特征的设备故障预测方法，所述方法包括：
[0006]获取待测设备预设时刻的振动信号；
[0007]对所述获取的振动信号进行特征提取获取所述预设时刻的振动信号对应的瑞利熵特征数据；
[0008]将所述振动信号对应的瑞利熵特征数据输入预先训练好的设备故障概率预测模型中，获取所述待测设备预设时刻对应的故障概率；
[0009]基于所述故障概率对所述待测设备进行故障预测。
[0010]本申请第二方面实施例提出一种基于熵特征的设备故障预测系统，所述系统包括：
[0011]第一获取模块，用于获取待测设备预设时刻的振动信号；
[0012]第二获取模块，用于对所述获取的振动信号进行特征提取获取所述预设时刻的振动信号对应的瑞利熵特征数据；
[0013]第三获取模块，用于将所述振动信号对应的瑞利熵特征数据输入预先训练好的设
备故障概率预测模型中，获取所述待测设备预设时刻对应的故障概率；
[0014]预测模块，用于基于所述故障概率对所述待测设备进行故障预测。
[0015]本申请第三方面实施例提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现如本申请第一方面的预测方法。
[0016]本申请第四方面实施例提出一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如本申请第一方面的预测方法。
[0017]本申请的实施例提供的技术方案至少带来以下有益效果：
[0018]本专利技术提供的一种基于熵特征的设备故障预测方法及系统，所述方法包括：获取待测设备预设时刻的振动信号；对所述获取的振动信号进行特征提取获取所述预设时刻的振动信号对应的瑞利熵特征数据；将所述振动信号对应的瑞利熵特征数据输入预先训练好的设备故障概率预测模型中，获取所述待测设备预设时刻对应的故障概率；基于所述故障概率对所述待测设备进行故障预测。本专利技术提供的技术方案，通过对振动信号进行熵特征提取，利用提取的熵特征进行设备故障预测，提高了设备故障预测的准确度。
[0019]本申请附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0020]本申请上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0021]图1是根据本申请一个实施例提供的一种基于熵特征的设备故障预测方法的流程图；
[0022]图2是根据本申请一个实施例提供的特征数据平滑前的图；
[0023]图3是根据本申请一个实施例提供的特征数据平滑后的回归曲线图；
[0024]图4是根据本申请一个实施例提供的一种基于熵特征的设备故障预测系统的结构图。
具体实施方式
[0025]下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0026]本申请提出的一种基于熵特征的设备故障预测方法及系统，所述方法包括：获取待测设备预设时刻的振动信号；对所述获取的振动信号进行特征提取获取所述预设时刻的振动信号对应的瑞利熵特征数据；将所述振动信号对应的瑞利熵特征数据输入预先训练好的设备故障概率预测模型中，获取所述待测设备预设时刻对应的故障概率；基于所述故障概率对所述待测设备进行故障预测。本专利技术提供的技术方案，通过对振动信号进行熵特征提取，利用提取的熵特征进行设备故障预测，提高了设备故障预测的准确度。
[0027]实施例1
[0028]图1为本公开实施例提供的一种基于熵特征的设备故障预测方法的流程图，如图1
所示，所述方法包括：
[0029]步骤1：获取待测设备预设时刻的振动信号；
[0030]需要说明的是，获取所述振动信号后需要判断获取的振动信号数据是否有缺失，异常值等现象出现，若有，则利用最小二乘，多项式回归等方法进行数值的插补和去除异常值，并通过提前设定的阈值，判断获取的数据是否有超出阈值，从而直接判断设备参数是否有故障，如判断有故障，直接报修，如判断没有故障，则对待测设备进行故障预测。
[0031]步骤2：对所述获取的振动信号进行特征提取获取所述预设时刻的振动信号对应的瑞利熵特征数据；
[0032]在本公开实施例中，所述对所述获取的振动信号进行特征提取获取所述预设时刻的振动信号对应的瑞利熵特征数据，包括：
[0033]获取所述振动信号数据的概率分布；
[0034]利用所述振动信号数据的概率分布确定所述振动信号对应的瑞利熵特征数据。
[0035]示例的，所述利用所述振动信号数据的概率分布确定所述振动信号对应的瑞利熵特征数据，包括：
[0036]按下式确定所述振动信号b对应的瑞利熵：
[0037][0038]式中，H
α
(P
b
)为振动信号b对应的瑞利熵，P
b
为振动信号b对应的概率分布，α为瑞利熵引入的来处理P的敏感性的参数，p
n
(x)为概率分布P
b
中第n个概率分布的概率方程，P
b
＝[p1,...,p
n<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于熵特征的设备故障预测方法，其特征在于，所述方法包括：获取待测设备预设时刻的振动信号；对所述获取的振动信号进行特征提取获取所述预设时刻的振动信号对应的瑞利熵特征数据；将所述振动信号对应的瑞利熵特征数据输入预先训练好的设备故障概率预测模型中，获取所述待测设备预设时刻对应的故障概率；基于所述故障概率对所述待测设备进行故障预测。2.如权利要求1所述的方法，其特征在于，所述对所述获取的振动信号进行特征提取获取所述预设时刻的振动信号对应的瑞利熵特征数据，包括：获取所述振动信号数据的概率分布；利用所述振动信号数据的概率分布确定所述振动信号对应的瑞利熵特征数据。3.如权利要去2所述的方法，其特征在于，所述利用所述振动信号数据的概率分布确定所述振动信号对应的瑞利熵特征数据，包括：按下式确定所述振动信号b对应的瑞利熵：式中，H
α
(P
b
)为振动信号b对应的瑞利熵，P
b
为振动信号b对应的概率分布，α为瑞利熵引入的来处理P的敏感性的参数，p
n
(x)为概率分布P
b
中第n个概率分布的概率方程，P
b
＝[p1,...,p
n
,...p
N
]，p
n
为振动信号b对应的概率分布中的第n个概率分布。4.如权利要求1所述的方法，其特征在于，所述设备故障概率预测模型的训练过程包括：获取历史时段内各时刻振动信号经特征提取后各时刻的振动信号对应的瑞利熵特征时序数据；利用移动平滑算法对所述各时刻的振动信号对应的瑞利熵特征时序数据进行平滑处理，得到平滑后的各时刻的振动信号对应的瑞利熵特征；基于平滑后的各时刻的振动信号对应的瑞利熵特征以及高斯过程回归算...

【专利技术属性】
技术研发人员：张燧，张晓辉，曾谁飞，王青天，李小翔，方宇，费宇涛，王加远，冯帆，陈沐新，
申请(专利权)人：华能浙江能源开发有限公司清洁能源分公司，
类型：发明
国别省市：