System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 多源风电机组轴承故障诊断方法技术_技高网

多源风电机组轴承故障诊断方法技术

技术编号:43065969 阅读:11 留言:0更新日期:2024-10-22 14:43
本发明专利技术提供了多源风电机组轴承故障诊断方法,涉及风电机组故障诊断技术领域,该方法通过获取多源异构数,处理后得到全面覆盖风电机组运行的轴承传感数据,特征提取融合形成综合特征向量,训练无监督特征学习模型,建立轴承故障诊断模型,将实时监测的轴承传感数据输入至轴承故障诊断模型,输出每个监测时刻风电机组轴承的运行状态和异常得分,进行异常检测、识别异常点和确定异常类型,使用时间序列分析历史数据和异常点作为输入,应用预设的故障预测模型生成故障预测结果,根据预警阈值生成故障预警信号。通过融合多种监测数据,提高对风电机组轴承故障的检测精度和及时性,实现对轴承健康状态的实时监控和评估。

【技术实现步骤摘要】

本专利技术涉及风电机组故障诊断,具体涉及多源风电机组轴承故障诊断方法


技术介绍

1、随着可再生能源的迅速发展,风电已经成为重要的能源来源。风电机组的可靠性直接影响到电力生产的效率及安全性。轴承作为风电机组的关键部件,其故障可能导致机组停机,造成经济损失。因此,及时、准确地诊断轴承故障至关重要。

2、而在风电机组中,轴承承担着传递载荷和支持旋转部件的关键角色。风电机组的主要构件如主轴和发电机的转子都依赖于轴承的正常运行。轴承的故障不仅可能导致设备的性能下降,还可能引发机组停机,造成生产损失和维修成本的增加。常见的轴承故障类型包括磨损、疲劳裂纹和润滑不足,所述故障如果未能及时检测,会导致严重的机械损坏,甚至引发安全事故。目前,风电机组轴承故障的诊断主要依赖于振动分析、温度监测、声学信号监测和油液分析。其中,振动分析是利用振动传感器监测轴承的振动信号,通过频谱分析、包络分析等技术识别故障特征。虽然振动分析是一种有效的故障检测手段,但其准确性受到信号噪声和外部干扰的影响。温度监测是通过温度传感器监测轴承的工作温度,温度异常通常预示着潜在的故障。然而,温度变化可能由多种因素引起,需要结合其他数据进行综合分析。声学信号监测是利用声学传感器收集轴承运行过程中的声学信号,通过声波特征分析判断故障。这种方法对环境噪声敏感,可能导致误判。油液分析是通过对润滑油的分析,检查金属颗粒和污染物的存在,评估轴承的健康状况。这种方法通常需要定期取样,不能提供实时监测。

3、目前,轴承故障诊断主要采用振动分析、温度监测、声学信号等单一方式,往往存在信息不全面、误诊率高等问题,难以全面、准确地判断轴承的状态,容易出现漏检或误检的情况。因此,鉴于单一的数据分析方法已无法满足现代风电机组的故障诊断需求,基于多源风电机组轴承故障诊断的轴承故障诊断方法显得尤为重要。


技术实现思路

1、有鉴于此,本专利技术提出了一种多源风电机组轴承故障诊断方法,旨在通过融合多种监测数据,提高对风电机组轴承故障的检测精度和及时性。该方法结合振动信号、温度数据、声学信号及润滑油分析结果,通过机器学习和数据挖掘技术,建立综合故障诊断模型,从而实现对轴承健康状态的实时监控和评估。

2、本专利技术采用以下技术方案实现:

3、第一方面,本专利技术提供了一种多源风电机组轴承故障诊断方法,该方法包括以下步骤:

4、获取用于轴承故障诊断数据融合的多源异构数据,对多源异构数据进行去噪、标准化和缺失值处理的预处理后,得到全面覆盖风电机组运行的轴承传感数据;

5、将得到的轴承传感数据进行特征提取,提取得到风电机组轴承的振动信号特征、温度数据特征、声学信号特征和润滑油分析特征,将提取的特征进行融合形成综合特征向量;

6、使用综合特征向量训练无监督特征学习模型,学习轴承正常和故障状态的特征模式,基于训练的无监督特征学习模型建立轴承故障诊断模型;

7、将实时监测的轴承传感数据输入至轴承故障诊断模型,输出每个监测时刻风电机组轴承的运行状态和异常得分;

8、基于输出的运行状态和异常得分进行异常检测、识别异常点和确定异常类型;

9、使用时间序列分析历史数据和异常点作为输入,应用预设的故障预测模型生成故障预测结果,根据预警阈值生成故障预警信号。

10、作为本专利技术的进一步方案,获取的多源异构数据包括来自加速度传感器的振动信号、温度传感器的温度数据、声学传感器的声学信号和润滑油分析仪器的润滑油分析数据。

11、作为本专利技术的进一步方案,进行预处理得到的轴承传感数据时,包括以下步骤:

12、对振动信号使用小波变换进行去噪;

13、对去噪后的数据执行z-score标准化,使数据均值为0,方差为1;

14、对标准化后的数据进行均值填充,填补和补全缺失值,得到轴承传感数据。

15、作为本专利技术的进一步方案,提取得到风电机组轴承的振动信号特征、温度数据特征、声学信号特征和润滑油分析特征,将提取的特征进行融合形成综合特征向量,包括以下步骤:

16、提取振动信号的时域特征、频域特征和时频域特征;

17、提取温度数据的均值和变化率;

18、提取声学信号的声压级及梅尔频率倒谱系数;

19、提取润滑油的粘度、酸值和水分含量特征;

20、对提取的特征向量进行加权融合,以形成综合特征向量。

21、作为本专利技术的进一步方案,使用综合特征向量训练无监督特征学习模型时,使用综合特征向量训练自编码器模型,通过最小化重构误差学习轴承正常和故障状态的特征模式;其中,自编码器模型的损失函数为重构误差损失函数,定义为:

22、;

23、式中,为原始特征向量,为重构特征向量;其中,对每个监测时刻的综合特征向量计算异常得分,定义为:

24、;

25、并与预设阈值进行比较以检测故障。

26、作为本专利技术的进一步方案,所述自编码器模型的网络结构包括:接收综合特征向量的输入层;将输入特征映射到低维表示的编码层;最小维度进行特征表示的瓶颈层;将瓶颈层的特征映射回原始特征空间的解码层;以及重构输入数据的输出层。

27、作为本专利技术的进一步方案,将实时监测的轴承传感数据输入至轴承故障诊断模型之前,还包括:

28、从轴承传感器获取包括振动信号、温度、声学信号和润滑油分析数据的实时监测数据;

29、对获取的实时监测数据进行数据格式转换为与训练数据相同的特征向量形式,使用高通滤波器去除低频噪声,将实时监测数据标准化并进行缺失值处理;

30、对实时监测数据进行特征提取,生成实时数据的特征向量;

31、将实时监测的特征向量输入到训练好的故障诊断模型中。

32、作为本专利技术的进一步方案,输出每个监测时刻风电机组轴承的运行状态和异常得分时,基于自编码器模型计算重构,将输入的特征向量通过编码器和解码器处理,输出重构后的特征向量;并计算出重构误差;得到的重构误差即为异常得分。

33、作为本专利技术的进一步方案,基于输出的运行状态和异常得分进行异常检测、识别异常点和确定异常类型时,包括以下步骤:

34、通过分析训练数据中的正常样本和故障样本的异常得分分布设定阈值;

35、将实时数据的异常得分与设定的阈值进行比较,当异常得分高于阈值,则检测为异常,计算实时异常得分;

36、当异常得分超出阈值时,记录该时间点的传感器数据为异常点;

37、对检测到的异常点进行趋势、振幅分析确定异常点,并识别是否存在周期性异常或突发性异常;

38、提取异常点的振动频率、温度变化幅度的特征,使用已标记的异常数据训练分类模型,将异常点特征输入训练好的分类模型,输出异常类型;

39、将分类模型的输出与已知的故障模式进行匹配,确认具体的异常类型。

40、本专利技术还本文档来自技高网...

【技术保护点】

1.一种多源风电机组轴承故障诊断方法,其特征在于,该方法包括以下步骤:

2.如权利要求1所述的多源风电机组轴承故障诊断方法,其特征在于,获取的多源异构数据包括来自加速度传感器的振动信号、温度传感器的温度数据、声学传感器的声学信号和润滑油分析仪器的润滑油分析数据。

3.如权利要求2所述的多源风电机组轴承故障诊断方法,其特征在于,进行预处理得到的轴承传感数据时,包括以下步骤:

4.如权利要求3所述的多源风电机组轴承故障诊断方法,其特征在于,提取得到风电机组轴承的振动信号特征、温度数据特征、声学信号特征和润滑油分析特征,将提取的特征进行融合形成综合特征向量,包括以下步骤:

5.如权利要求4所述的多源风电机组轴承故障诊断方法,其特征在于,使用综合特征向量训练无监督特征学习模型时,使用综合特征向量训练自编码器模型,通过最小化重构误差学习轴承正常和故障状态的特征模式;其中,自编码器模型的损失函数为重构误差损失函数,定义为:

6.如权利要求5所述的多源风电机组轴承故障诊断方法,其特征在于,将实时监测的轴承传感数据输入至轴承故障诊断模型之前,还包括:

7.如权利要求6所述的多源风电机组轴承故障诊断方法,其特征在于,输出每个监测时刻风电机组轴承的运行状态和异常得分时,基于自编码器模型计算重构,将输入的特征向量通过编码器和解码器处理,输出重构后的特征向量;并计算出重构误差;得到的重构误差即为异常得分。

8.如权利要求7所述的多源风电机组轴承故障诊断方法,其特征在于,基于输出的运行状态和异常得分进行异常检测、识别异常点和确定异常类型时,包括以下步骤:

9.一种计算机设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-8中任意一项所述的多源风电机组轴承故障诊断方法。

10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-8中任意一项所述的多源风电机组轴承故障诊断方法。

...

【技术特征摘要】

1.一种多源风电机组轴承故障诊断方法,其特征在于,该方法包括以下步骤:

2.如权利要求1所述的多源风电机组轴承故障诊断方法,其特征在于,获取的多源异构数据包括来自加速度传感器的振动信号、温度传感器的温度数据、声学传感器的声学信号和润滑油分析仪器的润滑油分析数据。

3.如权利要求2所述的多源风电机组轴承故障诊断方法,其特征在于,进行预处理得到的轴承传感数据时,包括以下步骤:

4.如权利要求3所述的多源风电机组轴承故障诊断方法,其特征在于,提取得到风电机组轴承的振动信号特征、温度数据特征、声学信号特征和润滑油分析特征,将提取的特征进行融合形成综合特征向量,包括以下步骤:

5.如权利要求4所述的多源风电机组轴承故障诊断方法,其特征在于,使用综合特征向量训练无监督特征学习模型时,使用综合特征向量训练自编码器模型,通过最小化重构误差学习轴承正常和故障状态的特征模式;其中,自编码器模型的损失函数为重构误差损失函数,定义为:

6.如权利要求5所述的多源风电机组轴承故障诊断方法,其特征在...

【专利技术属性】
技术研发人员:何佳唐诗尧宋海彬唐芳纯余维魏惠春冯俊鑫刘畅
申请(专利权)人:华润电力技术研究院有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1