[發(fā)明專利]檢測風機故障的方法及裝置、系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011429865.1
• 申請日: 2020-12-09
• 公開（公告）號: CN112524077A
• 公開（公告）日: 2021-03-19
• 發(fā)明（設(shè)計）人: 李海龍;王若谷;全生明;王東方;王國強;范克威;郭樹鋒;張宇;馬文珍;隆文喜;茍曉侃;許顯青;耿琴蘭
• 申請（專利權(quán)）人: 國家電網(wǎng)有限公司;國網(wǎng)青海省電力公司;國網(wǎng)青海省電力公司信息通信公司
• 主分類號: F04D27/00
• 分類號: F04D27/00
• 代理公司: 北京康信知識產(chǎn)權(quán)代理有限責任公司 11240
• 代理人: 董文倩

本申請公開了一種檢測風機故障的方法及裝置、系統(tǒng)。其中，該方法包括：感測得到風機的多個感測數(shù)據(jù)，其中，通過安裝在風機不同部件上的傳感器感測得到多個感測數(shù)據(jù)；基于卷積神經(jīng)網(wǎng)絡(luò)模型處理多個感測數(shù)據(jù)，預測得到風機的工作狀態(tài)。本申請解決了現(xiàn)有技術(shù)中風機安全的運行解決方案多以在故障發(fā)生后進行檢測并報警，或者采用人工診斷方式預測風機的故障,導致故障預測的準確性差的技術(shù)問題。

技術(shù)領(lǐng)域

本申請涉及風機故障預測領(lǐng)域，具體而言，涉及一種檢測風機故障的方法及裝置、系統(tǒng)。

背景技術(shù)

風機安全運行的早期故障診斷，即在風機中故障實際發(fā)生前對其預警，是風機運行維護技術(shù)上的難點，也是空白。一般的，風機復雜，檢測的模擬量的數(shù)量多，故障種類多。數(shù)據(jù)量巨大的特點使得傳統(tǒng)的根據(jù)物理原理建模和統(tǒng)計建模方法，無法有效的對故障進行提前預警。

現(xiàn)有的風機安全運行解決方案多以故障檢測為基礎(chǔ)。無論是數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(Supervisory Control And Data Acquisition，SCADA)，葉片健康監(jiān)測系統(tǒng)，油液金屬顆粒監(jiān)測等均只能在故障發(fā)生后報警。傳動鏈振動監(jiān)測系統(tǒng)所提供的月度報告中包含了一定程度的對故障的預測，有助于規(guī)避機械類故障的發(fā)生。然而，由于傳動鏈振動監(jiān)測系統(tǒng)不包含由計算機自動進行的智能診斷系統(tǒng)，對故障的預測需要由診斷工程師完成，傳動鏈振動監(jiān)測系統(tǒng)所提供的故障預測質(zhì)量與準確率極大的依賴于診斷工程師的水平。由于診斷工程師數(shù)量相對稀少且水平并不穩(wěn)定，傳動鏈振動監(jiān)測系統(tǒng)所提供的故障預測可靠性無法得到保證。

針對上述的問題，目前尚未提出有效的解決方案。

發(fā)明內(nèi)容

本申請實施例提供了一種檢測風機故障的方法及裝置、系統(tǒng)，以至少解決現(xiàn)有技術(shù)中風機安全的運行解決方案多以在故障發(fā)生后進行檢測并報警，或者采用人工診斷方式預測風機的故障,導致故障預測的準確性差的技術(shù)問題。

根據(jù)本申請實施例的一個方面，提供了一種檢測風機故障的方法，包括：感測得到風機的多個感測數(shù)據(jù)，其中，通過安裝在風機不同部件上的傳感器感測得到多個感測數(shù)據(jù)；基于卷積神經(jīng)網(wǎng)絡(luò)模型處理多個感測數(shù)據(jù)，預測得到風機的工作狀態(tài)。

可選地，基于卷積神經(jīng)網(wǎng)絡(luò)模型處理多個感測數(shù)據(jù)，預測得到風機的工作狀態(tài)，包括：獲取多個感測數(shù)據(jù)，其中，感測數(shù)據(jù)記錄了對應(yīng)部件在預定時間發(fā)生的事件信息；提取每個感測數(shù)據(jù)中包含的事件信息；判斷每個感測數(shù)據(jù)中包含的事件信息是否都與對應(yīng)的目標信息匹配，如果匹配，則確定風機的工作狀態(tài)為正常狀態(tài)；如果任意一個感測數(shù)據(jù)中包含的事件信息與對應(yīng)的目標信息不匹配，則確定工作狀態(tài)為故障狀態(tài)。

可選地，卷積神經(jīng)網(wǎng)絡(luò)模型至少包括：輸入層，卷積層，池化層以及全連接層，其中，通過輸入層獲取多個感測數(shù)據(jù)。

可選地，提取每個感測數(shù)據(jù)中包含的事件信息，包括：通過卷積層中的每個卷積核掃描對應(yīng)的感測數(shù)據(jù)，得到對應(yīng)的部件的特征圖層；通過池化層對對應(yīng)的部件的特征圖層進行去冗余處理；通過至少一個全連接層將去冗余處理后的多個特征圖層進行轉(zhuǎn)換，得到部件的事件信息。

可選地，在基于卷積神經(jīng)網(wǎng)絡(luò)模型處理多個感測數(shù)據(jù)，預測得到風機的工作情況之前，上述方法還包括：獲取訓練樣本集，其中，訓練樣本集包括多種類型的風機的歷史工作數(shù)據(jù)；標注訓練樣本集中每個歷史工作數(shù)據(jù)的風機故障信息，其中，風機故障信息包括：故障種類以及故障特征；將標注后的訓練樣本集輸入至初始化的卷積神經(jīng)網(wǎng)絡(luò)進行訓練，得到卷積神經(jīng)網(wǎng)絡(luò)模型。

可選地，在基于卷積神經(jīng)網(wǎng)絡(luò)模型處理多個感測數(shù)據(jù)，預測得到風機的工作狀態(tài)之后，上述方法還包括：統(tǒng)計預定時間內(nèi)預測得到的不同工作狀態(tài)的數(shù)量，其中，工作狀態(tài)至少包括：正常狀態(tài)和故障狀態(tài)；基于統(tǒng)計結(jié)果，獲取風機處于正常狀態(tài)的概率值和/或處于故障狀態(tài)的概率值。