[發明專利]風機故障診斷方法及系統

有效

• 申請號: 202010003040.7
• 申請日: 2020-01-02
• 公開（公告）號: CN111141517B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 司偉;蔣勇;許移慶;黃猛
• 申請（專利權）人: 上海電氣風電集團股份有限公司
• 主分類號: G01M13/04
• 分類號: G01M13/04;G01M13/028;G01H17/00;G01M13/00;F03D17/00;G01M13/045;G01M13/021;G06F18/213;G01K13/00
• 代理公司: 上海弼興律師事務所 31283
• 代理人: 薛琦;張冉

本發明公開了一種風機故障識別方法及系統，其中風機故障識別方法包括：分別采集風機的驅動部件的實測振動信號和實測溫度信號；對實測振動信號提取特征值；將實測振動信號和實測溫度信號輸入至風機故障預測模型得到風機是否運行正常的故障識別結果。本發明通過采集實測振動信號和實測溫度信號，并對實測振動信號提取特征值，將提取的特征值和實測溫度信號作為故障預測模型的輸入，以實現故障的預測，將現有技術中處理上萬個維度的振動信號，縮減到幾十個維度的振動信號的特征值的計算，大大降低了數據處理時長，提高了數據處理效率，并結合實測溫度信號作為輸入，保證了預測的準確度，從而快速而準確的得到風機是否運行正常的故障識別結果。

技術領域

本發明涉及信號處理領域，尤其涉及一種風機故障診斷方法及系統。

背景技術

目前風機作為風力發電的重要設備，其正常工作與否直接與人們的日常生活緊密相關，風機上很多大型旋轉設備的故障的及時識別，對保證風機的正常運轉起著至關重要的作用，風機一旦發生故障，如果不能及時進行維修，就會造成停機的影響，從而會影響發電量，不僅造成經濟效益的損失，還會影響人們的正常生活，因此，對風機上的各個旋轉設備的故障診斷非常重要。

目前故障診斷的方法主要有兩種，一種是基于信號處理的故障診斷方法，另一種是基于深度學習模型的故障診斷方法，其中大部分的故障診斷分析都是基于振動信號。隨著機器學習的發展，采用智能算法對設備進行故障檢測也得到了高速發展，但現有的智能算法模型將振動信號的多維度信息數據作為輸入，振動信號的多維度信息數據的信息量非常大，比如高頻信號的維度就能高達上萬個維度，因而學習模型的計算過程相當復雜，其實振動信號的多維度信息數據有很多是繁冗無效的，導致計算效率低，成本大。

發明內容

本發明要解決的技術問題是為了克服現有技術中風機故障識別方法計算效率低，成本大的缺陷，提供一種風機故障識別方法。

本發明是通過下述技術方案來解決上述技術問題：

一種風機故障識別方法，所述風機故障識別方法包括：

分別采集所述風機的驅動部件的實測振動信號和實測溫度信號；

對所述實測振動信號提取實測特征值；

對所述實測溫度信號進行預處理；

將所述實測特征值和預處理后的所述實測溫度信號輸入至風機故障預測模型得到所述風機是否健康運行的故障識別結果。

優選地，所述分別采集所述風機的驅動部件的實測振動信號和實測溫度信號的步驟之前還包括：

獲取所述風機的驅動部件的樣本振動信號和樣本溫度信號；

對所述樣本振動信號提取樣本特征值；

對所述樣本溫度信號進行預處理；

對所述驅動部件的工作狀態設置標簽，所述工作狀態與所述樣本振動信號和所述樣本溫度信號相對應，所述標簽用于表征所述驅動部件是否健康運行；

將所述樣本特征值和預處理后的所述樣本溫度信號作為輸入，將所述標簽作為輸出，訓練一深度學習模型得到所述風機故障預測模型。

優選地，所述對所述實測振動信號提取實測特征值的步驟包括：

提取所述實測振動信號的時域特征值；

對所述實測振動信號進行濾波以獲得預設頻率范圍的振動信號；

計算所述預設頻率范圍的實測振動信號的有效值；

其中，所述實測特征值包括所述時域特征值和所述有效值。

優選地，所述預設頻率范圍為0-300Hz(赫茲)；