风机故障诊断方法及系统与流程

本发明涉及信号处理领域，尤其涉及一种风机故障诊断方法及系统。

背景技术：

目前风机作为风力发电的重要设备，其正常工作与否直接与人们的日常生活紧密相关，风机上很多大型旋转设备的故障的及时识别，对保证风机的正常运转起着至关重要的作用，风机一旦发生故障，如果不能及时进行维修，就会造成停机的影响，从而会影响发电量，不仅造成经济效益的损失，还会影响人们的正常生活，因此，对风机上的各个旋转设备的故障诊断非常重要。

目前故障诊断的方法主要有两种，一种是基于信号处理的故障诊断方法，另一种是基于深度学习模型的故障诊断方法，其中大部分的故障诊断分析都是基于振动信号。随着机器学习的发展，采用智能算法对设备进行故障检测也得到了高速发展，但现有的智能算法模型将振动信号的多维度信息数据作为输入，振动信号的多维度信息数据的信息量非常大，比如高频信号的维度就能高达上万个维度，因而学习模型的计算过程相当复杂，其实振动信号的多维度信息数据有很多是繁冗无效的，导致计算效率低，成本大。

技术实现要素：

本发明要解决的技术问题是为了克服现有技术中风机故障识别方法计算效率低，成本大的缺陷，提供一种风机故障识别方法。

本发明是通过下述技术方案来解决上述技术问题：

一种风机故障识别方法，所述风机故障识别方法包括：

分别采集所述风机的驱动部件的实测振动信号和实测温度信号；

对所述实测振动信号提取实测特征值；

对所述实测温度信号进行预处理；

将所述实测特征值和预处理后的所述实测温度信号输入至风机故障预测模型得到所述风机是否健康运行的故障识别结果。

优选地，所述分别采集所述风机的驱动部件的实测振动信号和实测温度信号的步骤之前还包括：

获取所述风机的驱动部件的样本振动信号和样本温度信号；

对所述样本振动信号提取样本特征值；

对所述样本温度信号进行预处理；

对所述驱动部件的工作状态设置标签，所述工作状态与所述样本振动信号和所述样本温度信号相对应，所述标签用于表征所述驱动部件是否健康运行；

将所述样本特征值和预处理后的所述样本温度信号作为输入，将所述标签作为输出，训练一深度学习模型得到所述风机故障预测模型。

优选地，所述对所述实测振动信号提取实测特征值的步骤包括：

提取所述实测振动信号的时域特征值；

对所述实测振动信号进行滤波以获得预设频率范围的振动信号；

计算所述预设频率范围的实测振动信号的有效值；

其中，所述实测特征值包括所述时域特征值和所述有效值。

优选地，所述预设频率范围为0-300hz(赫兹)；

和/或，所述时域特征值包括峭度、波峰因数、脉冲因数、裕度、有效值、峰值、峰峰值中的至少一个。

优选地，对所述样本温度信号进行预处理的步骤包括：

建立温度预测模型；

利用所述温度预测模型预测所述驱动部件在健康状态下的预测温度信号；

计算所述实测温度信号与所述样本温度信号之间的温度差值，所述温度差值为所述预处理后的所述实测温度信号。

优选地，所述训练一深度学习模型得到风机故障预测模型的步骤包括：

分别将所述特征值和预处理后的所述样本温度信号作标准化处理；

将处理后的所述样本特征值和所述样本温度信号作为所述输入，训练所述深度学习模型。

优选地，将所述实测振动信号和所述实测温度信号输入至所述风机故障预测模型得到风机是否运行正常的故障识别结果的步骤之后还包括：

当所述故障识别结果为不健康时，保存对应的所述实测振动信号和所述实测温度信号；

和/或，当所述故障识别结果为不健康时，生成报警信息。

一种风机故障识别系统，所述风机故障识别系统包括处理模块和识别模块；

所述处理模块用于分别采集所述风机的驱动部件的实测振动信号和实测温度信号；还用于对所述实测振动信号提取实测特征值以及对所述实测温度信号进行预处理；

所述识别模块用于将所述实测特征值和预处理后的所述实测温度信号输入至风机故障预测模型得到所述风机是否健康运行的故障识别结果。

优选地，所述风机故障识别系统还包括样本模块和训练模块；

所述样本模块用于获取所述风机的驱动部件的样本振动信号和样本温度信号；还用于对所述样本振动信号提取样本特征值，以及对所述样本温度信号进行预处理；

所述样本模块还用于对所述驱动部件的工作状态设置标签，所述工作状态与所述样本振动信号和所述样本温度信号相对应，所述标签用于表征所述驱动部件是否健康运行；

所述训练模块用于将所述样本特征值和预处理后的所述样本温度信号作为输入，将所述标签作为输出，训练一深度学习模型得到所述风机故障预测模型。

优选地，所述处理模块还用于提取所述实测振动信号的时域特征值；还用于对所述实测振动信号进行滤波以获得预设频率范围的振动信号，以及计算所述预设频率范围的实测振动信号的有效值；

其中，所述实测特征值包括所述时域特征值和所述有效值。

优选地，所述预设频率范围为0-300hz；

和/或，所述时域特征值包括峭度、波峰因数、脉冲因数、裕度、有效值、峰值、峰峰值中的至少一个。

优选地，所述处理模块还用于建立温度预测模型；还用于利用所述温度预测模型预测所述驱动部件在健康状态下的预测温度信号；

所述处理模块还用于计算所述实测温度信号与所述预测温度信号之间的温度差值，所述温度差值为所述预处理后的所述实测温度信号。

优选地，所述训练模块还用于分别将所述特征值和预处理后的所述样本温度信号作标准化处理；还用于将处理后的所述样本特征值和所述样本温度信号作为所述输入，训练所述深度学习模型。

优选地，风机故障识别系统还包括存储模块和/或报警模块；

所述存储模块用于保存所述故障识别结果为不健康时对应的所述实测振动信号和所述实测温度信号；

所述报警模块用于当所述故障识别结果为不健康时，生成报警信息。

本发明的积极进步效果在于：

本发明通过采集实测振动信号和实测温度信号，并对实测振动信号提取特征值，将提取的特征值和实测温度信号作为故障预测模型的输入，以实现故障的预测，将现有技术中处理上万个维度的振动信号，缩减到几十个维度的振动信号的特征值的计算，大大降低了数据处理时长，提高了数据处理效率，并结合实测温度信号作为输入，保证预测的准确度，从而快速而准确的得到风机是否运行正常的故障识别结果，降低了故障定位及维修成本。

附图说明

图1为本发明实施例1的风机故障识别方法的流程图。

图2为本发明实施例1的风机故障识别方法步骤102的流程图。

图3为本发明实施例1的风机故障识别方法步骤103的流程图。

图4为本发明实施例2的风机故障识别方法步骤101之前的流程图。

图5为本发明实施例2的风机故障识别方法的步骤002的流程图。

图6为本发明实施例2的风机故障识别方法的步骤003的流程图。

图7为本发明实施例2的风机故障识别方法的步骤005的流程图。

图8为本发明实施例3的风机故障识别方法的流程图。

图9本发明实施例4的风机故障识别系统的模块示意图。

图10本发明实施例5的风机故障识别系统的模块示意图。

图11本发明实施例6的风机故障识别系统的模块示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

本实施例提供一种风机故障识别方法，如图1所示，风机故障识别方法包括：

步骤101、分别采集风机的驱动部件的实测振动信号和实测温度信号。

步骤102、对实测振动信号提取实测特征值。

更具体的，如图2所示，步骤102包括：

步骤1021、提取实测振动信号的时域特征值；

步骤1022、对实测振动信号进行滤波以获得预设频率范围的振动信号；

步骤1023、计算预设频率范围的实测振动信号的有效值；

其中，实测特征值包括时域特征值和有效值。

步骤103、对实测温度信号进行预处理。

更具体的，如图3所示，步骤103包括：

步骤1031、建立温度预测模型。

步骤1032、利用温度预测模型预测驱动部件在健康状态下的预测温度信号。

步骤1033、计算实测温度信号与样本温度信号之间的温度差值。

将温度差值作为预处理后的实测温度信号。

步骤104、将实测特征值和预处理后的实测温度信号输入至风机故障预测模型得到风机是否健康运行的故障识别结果。

风机上的驱动部件一般包括：主轴承，齿轮箱，发电机端，主轴等部件。以主轴为例，可分别设置振动传感器和温度传感器至主轴承上，分别实时采集主轴承的实测振动信号和实测温度信号，以监测以及预测风机的主轴承是否健康运行的工作状况。同样的，如果要监测主轴承，齿轮箱，发电机端等其他部件的工作状况，通过分别设置振动传感器和温度传感器至对应的部件上，实现对应部件的监测，实现对风机的各个部件工作状态的全面监测。

通过对风机各驱动部件的振动信号进行实时采集，得到各部件的运行的实测振动信号，结合实测温度信号，来识别各部件是否存在故障；当发现部件故障时，可结合风机当前的运行状态，及时进行预防性维护，避免造成经济效益的损失。

通过采集实测振动信号和实测温度信号，并对实测振动信号提取特征值，将提取的特征值和实测温度信号作为故障预测模型的输入，以实现故障的预测，将现有技术中处理上万个维度的原始振动信号，缩减到少量维度的特征值的计算，并结合温度信号这一维度的输入数据，大大降低了数据处理时长的同时，提高了数据处理效率，保证预测的准确度，从而快速而准确的得到风机是否运行正常的故障识别结果，降低了故障定位及维修成本。

实施例2

本实施例提供一种风机故障识别方法，本实施例与实施例1相比，其区别在于，如图4所示，在步骤101之前还包括：

步骤001、获取风机的驱动部件的样本振动信号和样本温度信号。

步骤002、对样本振动信号提取样本特征值。

如图5所示，步骤002具体还包括：

0021、提取样本振动信号的时域特征值；

0022、对样本振动信号进行滤波以获得预设频率范围的振动信号，预设频率范围为0-300hz。

0023、计算预设频率范围的样本振动信号的有效值。

其中，样本特征值包括时域特征值和有效值。

时域特征值包括峭度、波峰因数、脉冲因数、裕度、有效值、峰值、峰峰值中的至少一个。

本实施例选择这7种特征值，将7种特征值作为风机故障预测模型的输入，将原本上万个维度的数据之间的计算，缩减到少量维度的特征值的计算，大大降低了数据处理时长，大大减少了数据计算量。

通常驱动部件在运行状态下的频率范围为0-16000hz，此处提取频率范围为0-300hz的信息，尤其从0-200hz频率范围内的振动信号提取有效值，这个范围都是经过数年的实际经验、不断试验得出特有的值，能够从不同的角度直接或间接地反映出各个驱动部件的运行信息。而且处理0-200hz频率的数据的有效值，也就相当于增加了一个维度的数据计算量，其对数据输入的处理时长影响不大，却能保证输入的准确性。

步骤003、对样本温度信号进行预处理。

如图6所示，步骤003具体步骤包括：

步骤0031、建立温度预测模型。

可以采用线性模型或者非线性模型，也可以采用时间序列模型进行建模，但是根据风机的机理特征，推荐使用线性模型或者非线性模型。

步骤0032、利用温度预测模型预测驱动部件在健康状态下的预测温度信号。

利用驱动部件的有功功率、转速，齿轮箱油温、外部环境温度、机舱温度等作为温度预测模型的输入，预测驱动部件在健康状态下的预测温度信号。

对齿轮箱油温、外部环境温度、机舱温度分别进行标准化处理，对有功功率或者转速进行s＝(s–m)/(u)处理，其中：s为转速或者有功功率，m＝(max(s)+min(s))/2,u＝(max(s)-min(s))/2,处理完成之后的s值作为温度预测模型的输入。

步骤0033、计算样本温度信号与预测温度信号之间的温度差值，温度差值作为预处理后的样本温度信号。

通过温度传感器收集到所选的需要监控的驱动部件的温度信号，利用线性模型或非线性模型对正常运行情况下的温度信号进行建模，用来预测驱动部件健康状态下的预测温度信号，当驱动部件发生磨损等损伤时，摩擦增加，部件的实测温度信号会升高，取实测温度信号和预测温度信号的差值作为一个指标量用来作为故障预测的输入量，可进一步提高预测结果的准确性。

步骤004、对驱动部件的工作状态设置标签，工作状态与样本振动信号和样本温度信号相对应，标签用于表征驱动部件是否健康运行。

比如可将标签设置为1，表示健康工作状态，标签设置为0表示工作状态为故障状态。

步骤005、将样本特征值和预处理后的样本温度信号作为输入，将标签作为输出，训练一深度学习模型得到风机故障预测模型。

如图7所示，训练深度学习模型得到风机故障预测模型的具体步骤包括：

步骤0051、分别将特征值和预处理后的样本温度信号作标准化处理；

标准化处理过程为，分别将特征值和预处理后的样本温度信号的实际值减去平均值，得到的结果除以标准差，即得到标准化处理结果。

步骤0052、将处理后的样本特征值和样本温度信号作为输入，训练深度学习模型。

本实施例通过利用提取样本振动信号的特征值并结合样本温度信号，训练得到风机故障预测模型，通过采集实测振动信号和实测温度信号，并对实测振动信号提取特征值，将提取的特征值和实测温度信号作为故障预测模型的输入，以实现故障的预测，本实施例结合多年的尝试，从时域和部分频域中提取特征，结合温度信息，将原本上万个维度的数据之间的计算，缩减到少量维度的特征值的计算，大大降低了数据处理时长，提高了数据处理效率，并结合实测温度信号作为输入，保证预测的准确度，从而实现快速而准确的得到风机是否运行正常的故障识别结果，降低了故障定位及维修成本。

实施例3

本实施例与实施2相比，其区别在于，如图8所示，风机故障识别方法还包括：

步骤104、判断故障识别结果是否健康，当为不健康时，执行步骤1041和1042。

步骤1041、保存对应的实测振动信号和实测温度信号。

对所有监控过程的数据进行保存，并定期对存储时间较长的健康工作状态下的历史的实测振动信号和实测温度信号数据进行指数级删除，保留大部分时间较近的数据，以及全部的故障工作状态下对应的数据。还可将故障工作状态下对应的实测振动信号和实测温度信号上传到云空间，逐渐积累故障信息数据库，为后续故障预测模型在升级训练时的迭加优化做好积累。

步骤1042、生成报警信息。

减少了人工去检查风机故障的人力成本，通过报警信息提醒工作人员，以达到快速检修。

实施例4

本实施例提供一种风机故障识别系统，如图9所示，风机故障识别系统包括处理模块401和识别模块402。

处理模块401用于分别采集风机的驱动部件的实测振动信号和实测温度信号；还用于对实测振动信号提取实测特征值以及对实测温度信号进行预处理。

处理模块401还用于提取实测振动信号的时域特征值；并对实测振动信号进行滤波以获得预设频率范围的振动信号；

处理模块401还用于计算预设频率范围的实测振动信号的有效值；

其中，实测特征值包括时域特征值和有效值。

处理模块401还用于建立温度预测模型，以及利用温度预测模型预测驱动部件在健康状态下的预测温度信号。

处理模块401还用于计算实测温度信号与样本温度信号之间的温度差值。将温度差值作为预处理后的实测温度信号。

识别模块402用于将实测特征值和预处理后的实测温度信号输入至风机故障预测模型得到风机是否健康运行的故障识别结果。

风机上的驱动部件一般包括：主轴承，齿轮箱，发电机端，主轴等部件。以主轴为例，可分别设置振动传感器和温度传感器至主轴承上，分别实时采集主轴承的实测振动信号和实测温度信号，以监测以及预测风机的主轴承是否健康运行的工作状况。同样的，如果要监测主轴承，齿轮箱，发电机端等其他部件的工作状况，通过分别设置振动传感器和温度传感器至对应的部件上，实现对应部件的监测，实现对风机的各个部件工作状态的全面监测。

通过对风机各驱动部件的振动信号进行实时采集，得到各部件的运行的实测振动信号，结合实测温度信号，来识别各部件是否存在故障；当发现部件出现故障时，可结合风机当前的运行状态，及时进行预防性维护，避免造成经济效益的损失。

通过采集实测振动信号和实测温度信号，并对实测振动信号提取特征值，将提取的特征值和实测温度信号作为故障预测模型的输入，以实现故障的预测，将现有技术中处理上万个维度的振动信号，缩减到几十个维度的振动信号的特征值的计算，大大降低了数据处理时长，提高了数据处理效率，并结合实测温度信号作为输入，保证预测的准确度，从而快速而准确的得到风机是否运行正常的故障识别结果，降低了故障定位及维修成本。

实施例5

本实施例提供一种风机故障识别系统，本实施例与实施例4相比，其区别在于，如图10所示，风机故障识别系统还包括样本模块403和训练模块404。

样本模块403用于获取风机的驱动部件的样本振动信号和样本温度信号；还用于对样本振动信号提取样本特征值，以及对样本温度信号进行预处理。

样本模块403还用于提取样本振动信号的时域特征值；还用于对样本振动信号进行滤波以获得预设频率范围的振动信号，以及计算预设频率范围的样本振动信号的有效值；预设频率范围为0-300hz；

其中，样本特征值包括时域特征值和有效值。

时域特征值包括峭度、波峰因数、脉冲因数、裕度、有效值、峰值、峰峰值中的至少一个。此处提取的时域特征值和0-300hz，尤其是0-200hz范围内的振动信号提取的有效值都是经过数年的实际经验、不断试验得出特有的值，能够从不同的角度直接或间接地反映出各个驱动部件的运行信息。

样本模块403还用于建立温度预测模型；还用于利用温度预测模型预测驱动部件在健康状态下的预测温度信号；利用驱动部件的有功功率、转速，齿轮箱油温、外部环境温度、机舱温度等作为温度预测模型的输入，预测驱动部件在健康状态下的预测温度信号。

可以采用线性模型或者非线性模型，也可以采用时间序列模型进行建模，但是根据风机的机理特征，推荐使用线性模型或者非线性模型。

对温度值进行标准化处理，对有功功率和转速进行s＝(s–m)/(u)处理，其中：s为转速，m＝(max(s)+min(s))/2,u＝(max(s)-min(s))/2,处理完成之后的值作为温度预测模型的输入。

样本模块403还用于计算样本温度信号与预测温度信号之间的温度差值，温度差值为预处理后的样本温度信号。

通过温度传感器收集到所选的需要监控的驱动部件的温度信号，利用线性模型或非线性模型对正常运行情况下的温度信号进行建模，用来预测驱动部件健康状态下的预测温度信号，当驱动部件发生磨损等损伤时，摩擦增加，部件的实测温度信号会升高，取实测温度信号和预测温度信号的差值作为一个指标量用来作为故障预测的输入量。

样本模块403还用于对驱动部件的工作状态设置标签，工作状态与样本振动信号和样本温度信号相对应，标签用于表征驱动部件是否健康运行。

比如可将标签设置为1，表示健康工作状态，标签设置为0表示工作状态为故障状态。

训练模块404用于将样本特征值和预处理后的样本温度信号作为输入，将标签作为输出，训练一深度学习模型得到风机故障预测模型。

训练模块404还用于分别将特征值和预处理后的样本温度信号作标准化处理；还用于将处理后的样本特征值和样本温度信号作为输入，训练深度学习模型。

标准化处理过程为，分别将特征值和预处理后的样本温度信号的实际值减去平均值，得到的结果除以标准差，即得到标准化处理结果。

本实施例通过利用提取样本振动信号的特征值并结合样本温度信号，训练得到风机故障预测模型，通过采集实测振动信号和实测温度信号，并对实测振动信号提取特征值，将提取的特征值和实测温度信号作为故障预测模型的输入，以实现故障的预测，本实施例结合多年的尝试，从时域和部分频域中提取特征，结合温度信息，将原本上万个维度的数据之间的计算，缩减到少量维度的特征值的计算，大大降低了数据处理时长，提高了数据处理效率，并结合实测温度信号作为输入，保证预测的准确度，从而实现快速而准确的得到风机是否运行正常的故障识别结果，降低了故障定位及维修成本。

实施例6

本实施例提供一种风机故障识别系统，本实施例与实施例5相比，其区别在于，如图11所示，风机故障识别系统还包括存储模块405和报警模块406。

存储模块405用于当故障识别结果为不健康时，保存对应的实测振动信号和实测温度信号。

对所有监控过程的数据进行保存，并定期对存储时间较长的健康工作状态下的历史的实测振动信号和实测温度信号数据进行指数级删除，保留大部分时间较近的数据，以及全部的故障工作状态下对应的数据。还可将故障工作状态下对应的实测振动信号和实测温度信号上传到云空间，逐渐积累故障信息数据库，为后续故障预测模型在升级训练时的迭加优化做好积累。

报警模块406还用于当故障识别结果为不健康时，生成报警信息。

减少了人工去风机上检查故障的人力成本，通过报警信息提醒工作人员，以达到快速检修。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。