一种风力发电机轴承状态的智能评估与识别方法技术

本发明专利技术公开了一种风力发电机轴承状态的智能评估与识别方法，涉及设备状态识别与诊断技术领域，本发明专利技术包括S1：数据准备；S2：状态特征选取；S3：基于特征相似性的轴承状态评估；S4：基于人工智能技术的轴承状态划分：使用K

【技术实现步骤摘要】
一种风力发电机轴承状态的智能评估与识别方法


[0001]本专利技术涉及设备状态识别与诊断
，特别涉及一种风力发电机轴承状态的智能评估与识别方法。

技术介绍

[0002]风力发电机轴承投入运行之后经历磨合、稳定运行和失效等若干阶段。风力发电机组地处偏远，工作环境恶劣，设备处于高空操作十分不方便，设备运维人员技术水平不高，这些因素造成风力发电机轴承的维护的困难。目前常用的CMS(状态监测)手段，主要以振动信号作为风力发电机轴承运行状态参数，通过实时监测轴承的振动状态，为运维人员提供参考。CMS以及其他目前广泛使用的状态监测系统主要是将轴承振动数据进行采集，然后根据一些固定阈值进行是否正常的判断。有些CMS系统会加入轴承特征频率比对，用以识别轴承损坏的部位。不论是基于固定阈值的报警，海慧寺基于特征比对的识别，都是轴承发生损坏之后的事后管理，无法事前对轴承状态给出评估。另一方面，轴承特征比对的方法基于傅里叶分解的基本手段，对一线运维人员具有一定的技术要求，难以广泛的执行。
[0003]目前市场上,当前的诸多技术手段仅仅做到了状态的监测，对状态的评估和识别依然是以来人工进行的，现有CMS阈值和特征比对的方法无法自动的根据设备自身的状况给出智能的状态评价，也无法对设备所处的状态进行识别，因此，有必要提供一种风力发电机轴承状态的智能评估与识别方法。

技术实现思路

[0004]本专利技术的主要目的在于提供一种风力发电机轴承状态的智能评估与识别方法，可以有效解决
技术介绍
当前的诸多技术手段仅仅做到了状态的监测，对状态的评估和识别依然是以来人工进行的，现有CMS阈值和特征比对的方法无法自动的根据设备自身的状况给出智能的状态评价，也无法对设备所处的状态进行识别的问题。
[0005]为实现上述目的，本专利技术采取的技术方案为：一种风力发电机轴承状态的智能评估与识别方法，包括以下步骤：
[0006]S1：数据准备：对风力发电机轴承旋转监控振动参数；
[0007]S2：状态特征选取：对于振动的波形数据，在波形数据时间范围内，提取11个时域特征和12个频域特征；
[0008]S3：基于特征相似性的轴承状态评估：在设备正常运行的时候，选择设备正常状态，计算正常状态的轴承状态特征；
[0009]S4：基于人工智能技术的轴承状态划分：使用K
‑
means算法对轴承时间序列的振动状态特征进行分类；
[0010]S5：基于人工智能技术的轴承状态识别：使用轴承状态划分的模型对轴承运行状态进行划分，同时为每一个划分结果给出“磨合、正常、故障”等的标签，以轴承状态特征为识别目标，对轴承的每一个状态识别出状态标签。
[0011]优选地，所述步骤S1中对于振动参数根据采样定理以及目标轴承特征频率确定采样频率，从而在每次采样的时候得到负荷计算标准的振动波形数据。
[0012]优选地，所述风力发电机长时间连续运行的过程中，按照一定的时间间隔进行轴承振动波形参数的测量；测量时间间隔根据现场实际状况确定。(一般对于风力发电机组而言，可以采用每小时一次的测量，或者每天一次的测量)由此得到一个具有时间标签的波形数据组作为后续分析的数据基础。
[0013]优选地，所述步骤S2中的时域特征包括：平均值、标准差、方根幅值、方俊根治、峰值、歪度、峭度、裕度指标、波形指标、脉冲指标。
[0014]优选地，所述步骤S3中计算正常状态的轴承状态特征，记为B0；
[0015][0016]在t时刻测量轴承的振动数据，并计算此时轴承的状态特征B
t
[0017][0018]计算两个特征的相对相似性：
[0019][0020]其中，上述公式中k为轴承特征长度；为正常状态下轴承振动信号的第i个特征；为第t时刻轴承振动信号的第i个特征；为正常状态下轴承特征的均值；为第t时刻轴承特征的均值。
[0021]优选地，所述步骤S4中还包括以下步骤：
[0022]S41：使用sk
‑
learn中的数据标准化算法将轴承状态特征进行标准化处理。
[0023]S42：选择合适的聚类算法，并设置参数，此处为划分类别的数量，对于轴承分别为磨合、正常、故障三种状态，可以根据故障程度，划分故障早期、中期和晚期；
[0024]S43：在原始时间序列的数据中，选取训练数据集、测试数据集；
[0025]S44：使用训练数据集对模型进行训练；
[0026]S45：通过测试数据集观察模型效果，并予以修正。
[0027]优选地，所述步骤S5中还包括以下步骤：
[0028]S51：使用sk
‑
learn的数据标准化方法对时间序列的状态特征进行分类；
[0029]S52：将标准化处理后的振动特征与状态标签组合成分析参数集合；
[0030]S53：选择合适的分类算法，此处使用支持向量机(SVC)算法；
[0031]S54：分析参数集合中，选取训练数据集，测试数据集；
[0032]S55：使用训练数据集对模型进行训练；
[0033]S56：通过测试数据集观察模型结果，并进行调试。
[0034]与现有技术相比，本专利技术具有如下有益效果：
[0035]1.本专利技术中，实现了算法对风力发电机轴承状态的自动评估和识别。方法中考虑了设备差异性，并运用人工智能技术实现结果的直接识别，降低风场维护人员的技术要求。同时，这个方法可以在风力发电机组中24小时连续运行，实现高密度的设备状态评估，提高设备运维和评估的可靠性，能够实现每一台风机，每一个轴承的精准评估。
[0036]2.本专利技术中，在风力发电机长时间连续运行的过程中，按照一定的时间间隔进行轴承振动波形参数的测量。测量时间间隔根据现场实际状况确定。(一般对于风力发电机组而言，可以采用每小时一次的测量，或者每天一次的测量)由此得到一个具有时间标签的波形数据组作为后续分析的数据基础，便于后续分析更加快捷准确。
[0037]3.本专利技术中，通过计算轴承实时状态下特征与正常状态下特征的相似相对性代表轴承的状态变化程度，对于轴承而言就代表着轴承的劣化程度，能够实时表现出轴承的形态变化和劣化程度。
附图说明
[0038]图1为本专利技术一种风力发电机轴承状态的智能评估与识别方法的流程框图。
具体实施方式
[0039]为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。
[0040]在本专利技术的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风力发电机轴承状态的智能评估与识别方法，其特征在于：包括以下步骤：S1：数据准备：对风力发电机轴承旋转监控振动参数；S2：状态特征选取：对于振动的波形数据，在波形数据时间范围内，提取11个时域特征和12个频域特征；S3：基于特征相似性的轴承状态评估：在设备正常运行的时候，选择设备正常状态，计算正常状态的轴承状态特征；S4：基于人工智能技术的轴承状态划分：使用K
‑
means算法对轴承时间序列的振动状态特征进行分类；S5：基于人工智能技术的轴承状态识别：使用轴承状态划分的模型对轴承运行状态进行划分，同时为每一个划分结果给出“磨合、正常、故障”等的标签，以轴承状态特征为识别目标，对轴承的每一个状态识别出状态标签。2.根据权利要求1所述的一种风力发电机轴承状态的智能评估与识别方法，其特征在于：所述步骤S1中对于振动参数根据采样定理以及目标轴承特征频率确定采样频率，从而在每次采样的时候得到负荷计算标准的振动波形数据。3.根据权利要求2所述的一种风力发电机轴承状态的智能评估与识别方法，其特征在于：所述风力发电机长时间连续运行的过程中，按照一定的时间间隔进行轴承振动波形参数的测量；测量时间间隔根据现场实际状况确定。(一般对于风力发电机组而言，可以采用每小时一次的测量，或者每天一次的测量)由此得到一个具有时间标签的波形数据组作为后续分析的数据基础。4.根据权利要求3所述的一种风力发电机轴承状态的智能评估与识别方法，其特征在于：所述步骤S2中的时域特征包括：平均值、标准差、方根幅值、方俊根治、峰值、歪度、峭度、裕度指标、波形指标、脉冲指标。5.根据权利要求...

【专利技术属性】
技术研发人员：王勇，赵明，钟志成，
申请(专利权)人：瑞湖智科数据苏州有限公司，
类型：发明
国别省市：