[發明專利]風機軸承故障診斷方法、系統、計算機設備和存儲介質

在審

• 申請號: 202011352866.0
• 申請日: 2020-11-26
• 公開（公告）號: CN112270312A
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 蔣淑霞;張長偉;李宇瓊;隆波;劉文
• 申請（專利權）人: 中南林業科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G01M13/045
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 曾志鵬

1.一種風機軸承故障診斷方法，其特征在于，包括以下步驟：

采集風機軸承的振動數據，將所述振動數據進行分段處理，對分段后的所述振動數據進行標記；

對每段所述振動數據進行小波包分解，并根據時域頻域指標計算分解后的所述振動數據；

獲取所述振動數據的特征參數集，對所述特征參數集進行主成分分析，降低所述特征參數集的數據維度，得到綜合變量參數集；

對所述綜合變量參數集進行聚類分析，根據聚類分析的結果判斷風機軸承的故障類型。

2.根據權利要求1所述的風機軸承故障診斷方法，其特征在于，所述對每段所述振動數據進行小波包分解，并根據時域頻域指標計算分解后的所述振動數據，包括：

計算所述振動數據的均值和方根幅值，根據所述均值和所述方根幅值得到所述振動數據的方差值；

根據所述方差值計算所述振動數據的重心頻率，并利用所述重心頻率獲取所述振動數據的均方頻率和頻率方差；

利用所述均振動數據的方頻率和頻率方差去除所述振動數據的干擾信號。

3.根據權利要求1所述的風機軸承故障診斷方法，其特征在于，所述獲取所述振動數據的特征參數集，對所述特征參數集進行主成分分析，降低所述特征參數集的數據維度，得到綜合變量參數集，包括：

標準化所述振動數據，獲取所述振動數據的協方差矩陣；

計算所述協方差矩陣的特征向量和特征值，并對所述特征值進行排序；

對所述特征值按照排序規則進行成分劃分，累計劃分后的所述特征值的貢獻率；

提取貢獻率超過預設閾值的所述特征值，獲取所述綜合變量參數集。

4.根據權利要求1所述的風機軸承故障診斷方法，其特征在于，所述對所述綜合變量參數集進行聚類分析，根據聚類分析的結果判斷風機軸承的故障類型，包括：

對所述綜合變量參數集進行第一次聚類計算，通過樣本間距離計算，區分所述綜合變量參數集中的正常信號和故障信號；

提取所述故障信號進行第二次聚類計算，通過樣本類距離計算，區分所述故障信號中的故障部件、故障類型和故障程度；

將第二次聚類計算未能區分的故障信號進行提取，通過均方根參數作為指標進行第三次聚類計算；

根據所述第二次聚類計算和所述第三次聚類計算的結果得到風機軸承的故障診斷結果。

5.一種風機軸承故障診斷系統，其特征在于，包括：

數據獲取模塊，用于采集風機軸承的振動數據，將所述振動數據進行分段處理，對分段后的所述振動數據進行標記；

數據處理模塊，用于對每段所述振動數據進行小波包分解，并根據時域頻域指標計算分解后的所述振動數據；

特征提取模塊，用于獲取所述振動數據的特征參數集，對所述特征參數集進行主成分分析，降低所述特征參數集的數據維度，得到綜合變量參數集；

參數聚類模塊，用于對所述綜合變量參數集進行聚類分析，根據聚類分析的結果判斷風機軸承的故障類型。

6.根據權利要求5所述的風機軸承故障診斷系統，其特征在于，所述數據處理模塊包括指標分解單元，所述指標分解單元用于：

計算所述振動數據的均值和方根幅值，根據所述均值和所述方根幅值得到所述振動數據的方差值；

根據所述方差值計算所述振動數據的重心頻率，并利用所述重心頻率獲取所述振動數據的均方頻率和頻率方差；

利用所述均振動數據的方頻率和頻率方差去除所述振動數據的干擾信號。

7.根據權利要求5所述的風機軸承故障診斷系統，其特征在于，所述特征提取模塊包括成分分析單元，所述成分分析單元用于：

標準化所述振動數據，獲取所述振動數據的協方差矩陣；

計算所述協方差矩陣的特征向量和特征值，并對所述特征值進行排序；

對所述特征值按照排序規則進行成分劃分，累計劃分后的所述特征值的貢獻率；

提取貢獻率超過預設閾值的所述特征值，獲取所述綜合變量參數集。