CN110334562B - 轴承振动运行状态预测模型训练方法及预测方法、装置 - Google Patents
轴承振动运行状态预测模型训练方法及预测方法、装置 Download PDFInfo
- Publication number
- CN110334562B CN110334562B CN201810287080.1A CN201810287080A CN110334562B CN 110334562 B CN110334562 B CN 110334562B CN 201810287080 A CN201810287080 A CN 201810287080A CN 110334562 B CN110334562 B CN 110334562B
- Authority
- CN
- China
- Prior art keywords
- bearing
- training
- data
- vibration
- vibration data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种轴承振动运行状态预测模型训练方法及预测方法、装置,该预测模型训练方法包括:获取轴承的训练振动数据及对应的运行状态结果;根据训练振动数据生成频谱图;根据预设频带长度从频谱图提取波形最大值对应的训练振动数据,将提取出的训练振动数据作为输入数据;根据输入数据及对应的运行状态结果调整机器学习算法中的计算参数;根据调整后的计算参数确定轴承振动运行状态预测模型。通过实施本发明,对重点关注数据进行筛选,有效避免产生过拟合问题,所建立的轴承振动运行状态预测模型更符合发电机组的实际运行状况,可使得后续的预测结果更加准确。
Description
技术领域
本发明涉及电力系统技术领域,具体涉及一种轴承振动运行状态预测模型训练方法及预测方法、装置。
背景技术
风能是最重要的可再生资源之一。风力发电机稳定的性能对于最大程度利用风能具有重要的意义。滚动轴承是直驱式风力发电机的重要部件,很多因素可以导致轴承过早损坏。监测滚动轴承的运行状态并对其及时诊断、预警和维护,不仅能够减少经济损失,还能避免因为轴承损坏而导致的很多严重问题。目前直驱式风机主轴承振动异常问题是风电领域主要研究的课题。
发明内容
有鉴于此,本发明实施例提供了一种轴承振动运行状态预测模型训练方法及预测方法、装置,以解决现有技术中无法有效滤除噪声,筛选有效数据而容易出现过拟合的问题。
根据第一方面,本发明实施例提供了一种轴承振动运行状态预测模型训练方法,主要应用于对发电机组的轴承的运行状态进行预测的过程中,该方法主要包括:获取轴承上某个点的振动数据作为训练数据,并获取与该训练数据对应的运行状态结果;然后,根据该训练振动数据生成频谱图;按照预设频带长度从频谱图提取波形最大值对应的训练振动数据,并将提取出的训练振动数据作为输入数据;然后,将输入数据及对应的运行状态结果输入至机器学习算法的预测模型中,从而调整该机器学习算法的预测模型中的计算参数;将所有训练数据及运行状态结果输入至预测模型进行调整后,将其确定为轴承振动运行状态预测模型。
本发明实施例的轴承振动运行状态预测模型训练方法,对重点关注数据进行了筛选,并基于频谱图进行数据提取,有效避免产生过拟合问题,所建立的轴承振动运行状态预测模型更符合发电机组的实际运行状况,可使得后续的预测结果更加准确。
结合第一方面,在第一方面第一实施方式中,该训练振动数据是符合预设转速阈值的训练振动数据。
结合第一方面,在第一方面第二实施方式中,根据训练振动数据生成频谱图的过程,是将训练振动数据从时域转换为频域,根据训练振动数据生成频谱图。
结合第一方面,在第一方面第三实施方式中,根据预设频带长度从频谱图提取波形最大值对应的训练振动数据的过程,包括:按照预设频带长度将频谱图划分成多个频带分段,在所划分的每一部分频带分段中,提取该频带分段中波形最大值的点所对应的训练振动数据。
根据第二方面,本发明实施例提供了一种轴承振动运行状态预测方法,包括:获取待测轴承的振动数据;将待测轴承的振动数据输入至如第一方面或第一方面的任意一种实施方式所述的轴承振动运行状态预测模型中,从而得到轴承振动运行状态预测结果,对轴承的运行状态进行预测。由于该轴承振动运行状态预测模型的训练过程中,对重点关注数据进行了筛选,并有效避免产生过拟合问题,基于该轴承振动运行状态预测模型对轴承的运行状态进行预测,所测预测结果更加符合发电机组的实际运行状况。
根据第三方面,本发明实施例提供了一种轴承振动运行状态预测模型训练装置,主要应用于对发电机组的轴承的运行状态进行预测的过程中,该装置主要包括:数据获取模块,用于获取轴承上某个点的振动数据作为训练数据,并获取与该训练数据对应的运行状态结果;频谱图生成模块,用于根据该训练数据生成频谱图;数据提取模块,用于按照预设频带长度从频谱图提取波形最大值对应的训练振动数据,并将提取出的训练振动数据作为输入数据;计算参数调整模块,用于将输入数据及对应的运行状态结果输入至机器学习算法的预测模型中,从而调整该机器学习算法的预测模型中的计算参数;模型确定模块,用于将所有训练数据及运行状态结果输入至预测模型进行调整后,将其确定为轴承振动运行状态预测模型。
本发明实施例的轴承振动运行状态预测模型训练装置,对重点关注数据进行了筛选,并基于频谱图进行数据提取,有效避免产生过拟合问题,所建立的轴承振动运行状态预测模型更符合发电机组的实际运行状况,可使得后续的预测结果更加准确。
结合第三方面,在第三方面第一实施方式中,频谱图生成模块具体是用于将训练振动数据从时域转换为频域,根据训练振动数据生成频谱图。
结合第三方面,在第三方面第二实施方式中,数据提取模块包括:频谱图划分子模块,用于按照预设频带长度将频谱图划分成多个频带分段,数据提取子模块,用于在所划分的每一部分频带分段中,提取该频带分段中波形最大值的点所对应的训练振动数据,将提取出的训练振动数据作为输入数据。
根据第四方面,本发明实施例提供了一种轴承振动运行状态预测装置,包括:振动数据获取模块,用于获取待测轴承的振动数据;预测结果生成模块,用于将待测轴承的振动数据输入至如第三方面或第三方面的任意一种实施方式所述的轴承振动运行状态预测模型中,从而得到轴承振动运行状态预测结果,对轴承的运行状态进行预测。由于该轴承振动运行状态预测模型的训练过程中,对重点关注数据进行了筛选,并基于频谱图进行数据提取,有效避免产生过拟合问题,基于该轴承振动运行状态预测模型对轴承的运行状态进行预测,所测预测结果更加符合发电机组的实际运行状况。
根据第五方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中所述的轴承振动运行状态预测模型训练方法,或者,执行第二方面所述的轴承振动运行状态预测方法。
根据第六方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的轴承振动运行状态预测模型训练方法,或者,使计算机执行第二方面所述的轴承振动运行状态预测方法。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1A为本发明实施例的轴承振动运行状态预测模型训练方法的流程图;
图1B为本发明另一实施例的轴承振动运行状态预测模型训练方法的流程图;
图2为本发明实施例的生成的频谱图的示意图;
图3为本发明实施例的轴承振动运行状态预测方法的流程图;
图4A为本发明实施例的轴承振动运行状态预测模型训练装置的结构示意图;
图4B为本发明另一实施例的轴承振动运行状态预测模型训练装置的结构示意图;
图5为本发明实施例的轴承振动运行状态预测装置的结构示意图;
图6为本发明实施例的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种轴承振动运行状态预测模型训练方法,如图1A所示,该轴承振动运行状态预测模型训练方法主要包括:
步骤S11:获取轴承的训练振动数据及对应的运行状态结果。可选地,在本发明实施例中,该轴承可以例如是直驱式风机的主轴承(滚动轴承),但仅是用以举例说明,并非用以限制本发明。主轴承的载荷是重载,在载荷过重、热变形影响、突然的冲击载荷等因素的作用下,其损坏的主要形式是塑性变形和严重磨损。滚动轴承的振动数据中携带有丰富的运行状态信息。具体地,所选用的数据可以例如是主轴承方向加速度数据。在此步骤中,首先获取该轴承上的训练振动数据及与之对应的运行状态结果。
步骤S12:根据训练振动数据生成频谱图。当轴承的发生局部损伤故障时,损伤点与其他元件表面接触时将会产生冲击脉冲,从而激起轴承的高频固有振动,导致滚动轴承的振动频率频谱发生变化。因此,在本发明实施例中,对步骤S11中获取的训练振动数据,使用例如是快速傅里叶变换等算法将时域上的数据转到频域上,从而生成频谱图,如图2所示。
步骤S13:根据预设频带长度从频谱图提取波形最大值对应的训练振动数据,将提取出的训练振动数据作为输入数据。由于针对每个发电机组中的轴承均会采集多组训练数据,因此,训练数据的总量可能远远大于发电机组的总数,如果直接对快速傅里叶变换后的数据训练,将会产生过拟合问题。因此,在本发明实施例中,是从频谱图中进一步筛选数据。具体地,是按照预设频带长度将频谱图进行划分成多个频带分段,在所划分的每一部分频带分段中,提取该频带分段中波形最大值的点所对应的训练振动数据,将提取出的训练振动数据作为输入数据。
步骤S14:根据输入数据及对应的运行状态结果调整机器学习算法中的计算参数。通过上述步骤S13确定了作为训练机器学习算法的模型的输入数据后,将该输入数据及其对应的运行状态结果输入该模型,从而根据每一组输入数据及运行状态结果对机器学习算法的模型中的各个计算参数进行调整。可选地,在本发明的一些实施例中,该机器学习算法可以例如是选用SVM(Support Vector Machine,简称SVM)算法、LR(Logistic Regression,简称LR)算法或XGB(XGBoost)算法等相关机器学习算法,本发明并不以此为限。
需要注意的是,对于上述的不同的机器学习算法,标记正常机组和异常机组的标签可能有所不同,在应用SVM学习时,正常机组和异常机组CMS振动数据波形数据经过处理后所对应的标签分别为1和-1;在应用LR和XGB学习时,正常机组和异常机组CMS波形数据经过处理后所对应的标签分别为1和0。
步骤S15:根据调整后的计算参数确定轴承振动运行状态预测模型。通过上述步骤S14中,机器学习算法对多组的输入数据及运行状态结果的学习过程,从而训练出轴承振动运行状态预测模型。
通过上述各步骤,对重点关注数据进行筛选,基于频谱图进行数据提取,有效避免产生过拟合问题,所建立的轴承振动运行状态预测模型更符合发电机组的实际运行状况,可使得后续的预测结果更加准确。
可选地,在本发明的一些实施例中,如图1B所示,在上述步骤S11获取轴承的训练振动数据后,还可先通过执行一步骤S16:从预设转速阈值中筛选符合该预设转速阈值的训练振动数据,符合该预设转速阈值的训练振动数据称为过滤振动数据。根据轴承故障频率的计算公式可知,故障频率相关的变量与转速正相关,当转速一定时,故障频率波动较小。尤其是,当转速在特定的转速阈值(在本发明实施例中,该转速阈值是指一个范围区间,该特定的转速阈值可以是本领域技术人员根据不同的轴承或机组的需求而相应设置的)内时,正常机组和异常机组的频谱图在幅值上会有比较明显的升高。因此,在本发明实施例中,针对步骤S11获取的训练数据进行筛选,判断训练振动数据是否属于该预设转速阈值;如果训练振动数据属于该预设转速阈值,则筛选属于该预设转速阈值的训练振动数据作为过滤振动数据。然后再通过步骤S12,对过滤振动数据,将时域上的数据转到频域上,从而生成频谱图。然后,在步骤S13中,则是根据预设频带长度从频谱图提取波形最大值对应的过滤振动数据,将提取出的过滤振动数据作为输入数据。再执行后续的步骤S14及步骤S15。
本发明实施例还提供一种轴承振动运行状态预测方法,如图3所示,该轴承振动运行状态预测方法主要包括:
步骤S31:获取待测轴承的振动数据;可选地,在本发明实施例中,该轴承可以例如是直驱式风机的主轴承(滚动轴承),但仅是举例说明,并非用以限制本发明。主轴承的载荷是重载,在载荷过重、热变形影响、突然的冲击载荷等因素的作用下,其损坏的主要形式是塑性变形和严重磨损。滚动轴承的振动数据中携带有丰富的运行状态信息。具体地,所选用的数据可以例如是主轴承方向加速度数据。在此步骤中,首先获取待测轴承上的振动数据。
步骤S32:根据振动数据及上述实施例所述的轴承振动运行状态预测模型中,得到轴承振动运行状态预测结果。将获取的振动数据输入至上述实施例的轴承振动运行状态预测模型训练方法所训练生成的轴承振动运行状态预测模型中,从而得到轴承振动运行状态预测结果,预测其运行状态时正常或异常。
由于该轴承振动运行状态预测模型的训练过程中,对重点关注数据进行了筛选,并基于频谱图进行数据提取,有效避免产生过拟合问题,基于该轴承振动运行状态预测模型对轴承的运行状态进行预测,所测预测结果更加符合发电机组的实际运行状况。并且,在实际应用中,本发明实施例的轴承振动运行状态预测方法,能够根据轴承运行时的振动数据对其运行状态是否可能发生异常进行预测,可在轴承真正发生故障前一段时间即给出相应的预测结果,并可根据预测结果生成相应的提示信息(例如声音提示、闪灯提示、高亮信息提示等),从而对轴承运行状态可能出现异常的情况进行预警,防患于未然,使操作人员能够提前对可能发生的故障采取应对措施,从而保障机组的正常运行。
可选地,在本发明的一些实施例中,还可包含根据预测结果确定评价指标的步骤。具体地,可根据预测结果计算其正确率及召回率。
在具体实施时,可预先将待测轴承的振动数据对应存储为机组CMS波形文件,即振动数据与机组CMS波形文件一一对应。对于具体的CMS波形文件,在测试时,如果预测运行状态为正常,则不报出;如果预测运行状态为异常,则报出。具体地,对于SVM算法,当其经过处理后的输入数据对于输出为-1时,文件被报出;对于LR算法和XGB算法,当其经过处理后的输入数据对于输出为0时,文件被报出。
根据机组CMS波形文件的报出情况,可以确定机组是否被报出的判定条件,如公式(1)所示:
对于划分比例为0.5时,即表明当某一机组中的轴承的振动数据(机组CMS波形文件)中,超过一半以上的振动数据的预测结果为异常,则该机组被报出。通过此过程,可统计报出机组总数及报出异常机组总数。
然后结合预先统计的实际异常机组总数,可分别计算此次预测过程的正确率及召回率,如公式(2)、(3)所示:
以下结合一具体示例对上述的评价指标进行说明,使用SVM算法、LR算法和XGB算法以某风电场CMS振动数据来研究主轴承振动异常问题时,选取39台正常机组,17台异常机组进行测试。使用训练好的宣发进行预测的结果为:有正常机组39台,异常机组8台,SVM算法、LR算法和XGB算法分别报出机组数为:10、6、9,包含的异常机组数分别为:8、6、8,正确率分别为:8/10=80%、6/6=100%、8/9=88.9%,召回率分别为:8/8=100%、6/8=75%、8/8=100%,均达到了较好的效果。
基于该对比结果,可以根据不同的现实情况和要求合理的选择机器学习算法进行训练及后续的预测,到达预期效果。例如,针对案例集数量少且异常案例与正常案例比很小的情况,可选取SVM算法和LR算法来建立发电机主轴承振动异常预警模型
本发明实施例还提供一种轴承振动运行状态预测模型训练装置,如图4A所示,该轴承振动运行状态预测模型训练装置包括:数据获取模块41、频谱图生成模块42、数据提取模块43、计算参数调整模块44及模型确定模块45。
其中,数据获取模块41用于获取轴承的训练振动数据及对应的运行状态结果;详细内容可参见上述方法实施例的步骤S11所述。
频谱图生成模块42用于根据训练振动数据生成频谱图;详细内容可参见上述方法实施例的步骤S12。
数据提取模块43用于根据预设频带长度从频谱图提取波形最大值对应的训练振动数据,将提取出的训练振动数据作为输入数据;具体地,该数据提取模块包括:频谱图划分子模块,用于按照预设频带长度将频谱图进行划分;数据提取子模块,用于在所划分的每一部分频谱中,提取波形最大值的点所对应的训练振动数据,将提取出的训练振动数据作为输入数据。详细内容可参见上述方法实施例的步骤S13。
计算参数调整模块44用于根据输入数据及对应的运行状态结果调整机器学习算法中的计算参数;详细内容可参见上述方法实施例的步骤S14所述。
模型确定模块45用于根据调整后的计算参数确定轴承振动运行状态预测模型。详细内容可参见上述方法实施例的步骤S15所述。
可选地,在本发明的一些实施例中,该轴承振动运行状态预测模型训练装置还包括:数据筛选模块46,用于从预设转速阈值中筛选符合该预设转速阈值的训练振动数据,符合该预设转速阈值的训练振动数据称为过滤振动数据;具体地,该数据筛选模块46包括:判断子模块,用于判断训练振动数据是否属于预设转速阈值;过滤振动数据确定子模块,如果训练振动数据属于预设转速阈值,过滤振动数据确定子模块筛选属于预设转速阈值的训练振动数据作为过滤振动数据。详细内容可参见上述方法实施例的步骤S16。相应地,数据提取模块43则是根据预设频带长度从频谱图提取波形最大值对应的过滤振动数据,将提取出的过滤振动数据作为输入数据。
本发明实施例还提供一种轴承振动运行状态预测装置,如图5所示,该轴承振动运行状态预测装置包括:振动数据获取模块51及预测结果生成模块52。
其中,振动数据获取模块51用于获取待测轴承的振动数据;详细内容可参见上述方法实施例的步骤S31所述。
预测结果生成模块52用于根据该振动数据及上述实施例所述的轴承振动运行状态预测模型确定轴承振动运行状态预测结果;详细内容可参见上述方法实施例的步骤S32所述。
本发明实施例还提供了一种电子设备,如图6所示,该电子设备可以包括处理器61和存储器62,其中处理器61和存储器62可以通过总线或者其他方式连接,图6中以通过总线连接为例。
处理器61可以为中央处理器(Central Processing Unit,CPU)。处理器61还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器62作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的轴承振动运行状态预测模型训练方法或轴承振动运行状态预测方法对应的程序指令/模块(例如,图4A所示的数据获取模块41、频谱图生成模块42、数据提取模块43、计算参数调整模块44及模型确定模块45或图5所示的振动数据获取模块51及预测结果生成模块52)。处理器61通过运行存储在存储器62中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的轴承振动运行状态预测模型训练方法或轴承振动运行状态预测方法。
存储器62可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器61所创建的数据等。此外,存储器62可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器62可选包括相对于处理器61远程设置的存储器,这些远程存储器可以通过网络连接至处理器61。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器62中,当被所述处理器61执行时,执行如图1A-图3所示实施例中的轴承振动运行状态预测模型训练方法或轴承振动运行状态预测方法。
上述电子设备具体细节可以对应参阅图1A至图3所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (8)
1.一种轴承振动运行状态预测模型训练方法,其特征在于,包括:
获取轴承的训练振动数据及对应的运行状态结果,所述训练振动数据与风力发电机组CMS波形文件一一对应;
根据所述训练振动数据生成频谱图;
对重点关注数据进行筛选,基于频谱图进行数据提取,具体为:
根据预设频带长度从所述频谱图提取波形最大值对应的训练振动数据,将提取出的训练振动数据作为输入数据;
根据所述输入数据及对应的运行状态结果调整机器学习算法中的计算参数;
根据调整后的计算参数确定轴承振动运行状态预测模型;
所述轴承振动运行状态预测模型用于根据待测轴承的振动数据输出轴承振动运行状态预测结果,所述轴承振动运行状态预测结果为异常时所对应的指示信息用于指示与出现异常的振动数据对应的CMS波形文件;
其中,根据预设频带长度从所述频谱图提取波形最大值对应的训练振动数据,包括:按照预设频带长度将所述频谱图进行划分;在所划分的每一部分频谱中,提取波形最大值的点所对应的训练振动数据;所述训练振动数据是符合预设转速阈值的训练振动数据。
2.根据权利要求1所述的轴承振动运行状态预测模型训练方法,其特征在于,根据所述训练振动数据生成频谱图,包括:
将所述训练振动数据从时域转换为频域,构成所述频谱图。
3.一种轴承振动运行状态预测方法,其特征在于,包括:
获取待测轴承的振动数据,所述振动数据与机组CMS波形文件一一对应;
根据所述振动数据及如权利要求1或2所述的轴承振动运行状态预测模型确定轴承振动运行状态预测结果;
响应于所述预测结果为异常,输出指示信息,所述指示信息用于指示与出现异常的振动数据对应的CMS波形文件。
4.一种轴承振动运行状态预测模型训练装置,其特征在于,包括:
数据获取模块,用于获取轴承的训练振动数据及对应的运行状态结果,所述训练振动数据与风力发电机组CMS波形文件一一对应;
频谱图生成模块,用于根据所述训练振动数据生成频谱图;
数据提取模块,用于对重点关注数据进行筛选,基于频谱图进行数据提取,具体为:根据预设频带长度从所述频谱图提取波形最大值对应的训练振动数据,将提取出的训练振动数据作为输入数据;
计算参数调整模块,用于根据所述输入数据及对应的运行状态结果调整机器学习算法中的计算参数;
模型确定模块,用于根据调整后的计算参数确定轴承振动运行状态预测模型;所述轴承振动运行状态预测模型用于根据待测轴承的振动数据输出轴承振动运行状态预测结果,所述轴承振动运行状态预测结果为异常时所对应的指示信息用于指示与出现异常的振动数据对应的CMS波形文件;
其中,所述数据提取模块包括:频谱图划分子模块,用于按照预设频带长度将所述频谱图进行划分;数据提取子模块,用于在所划分的每一部分频谱中,提取波形最大值的点所对应的训练振动数据,将提取出的训练振动数据作为输入数据;所述训练振动数据是符合预设转速阈值的训练振动数据。
5.根据权利要求4所述的轴承振动运行状态预测模型训练装置,其特征在于,所述频谱图生成模块具体用于:
将所述训练振动数据从时域转换为频域,构成所述频谱图。
6.一种轴承振动运行状态预测装置,其特征在于,包括:
振动数据获取模块,用于获取待测轴承的振动数据,所述振动数据与机组CMS波形文件一一对应;
预测结果生成模块,用于根据所述振动数据输入至如权利要求1或2所述的轴承振动运行状态预测模型确定轴承振动运行状态预测结果;响应于所述预测结果为异常,输出指示信息,所述指示信息用于指示与出现异常的振动数据对应的CMS波形文件。
7.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1或2所述的轴承振动运行状态预测模型训练方法,或者,执行如权利要求3所述的轴承振动运行状态预测方法。
8.一种计算机可读存储介质,其特征在于,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如权利要求1或2所述的轴承振动运行状态预测模型训练方法,或者,使所述计算机执行如权利要求3所述的轴承振动运行状态预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810287080.1A CN110334562B (zh) | 2018-03-30 | 2018-03-30 | 轴承振动运行状态预测模型训练方法及预测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810287080.1A CN110334562B (zh) | 2018-03-30 | 2018-03-30 | 轴承振动运行状态预测模型训练方法及预测方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110334562A CN110334562A (zh) | 2019-10-15 |
CN110334562B true CN110334562B (zh) | 2022-10-28 |
Family
ID=68139943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810287080.1A Active CN110334562B (zh) | 2018-03-30 | 2018-03-30 | 轴承振动运行状态预测模型训练方法及预测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334562B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361811A (zh) * | 2021-06-30 | 2021-09-07 | 珠海埃克斯智能科技有限公司 | 运行状态预测方法、系统、设备及计算机可读存储介质 |
CN114117689B (zh) * | 2022-01-21 | 2022-04-29 | 锱云(上海)物联网科技有限公司 | 一种防生产共振的方法、系统、终端设备和存储介质 |
CN114486254A (zh) * | 2022-02-09 | 2022-05-13 | 青岛迈金智能科技股份有限公司 | 一种基于时/频双域分析的自行车轴承检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103852255A (zh) * | 2013-11-15 | 2014-06-11 | 北京能高自动化技术股份有限公司 | 基于神经网络风力发电机组典型传动故障智能诊断方法 |
CN104596766A (zh) * | 2014-12-24 | 2015-05-06 | 中国船舶工业系统工程研究院 | 一种轴承早期故障确定方法 |
CN104697626A (zh) * | 2013-12-10 | 2015-06-10 | 丹东东方测控技术股份有限公司 | 智能磨音频谱分析仪 |
CN106021948A (zh) * | 2016-05-30 | 2016-10-12 | 清华大学 | 一种面向肠鸣音信号监护系统的信号处理方法 |
CN106326929A (zh) * | 2016-08-24 | 2017-01-11 | 北京工商大学 | 轨道列车走行部滚动轴承故障的诊断方法 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN107832729A (zh) * | 2017-11-22 | 2018-03-23 | 桂林电子科技大学 | 一种轴承锈蚀智能诊断方法 |
-
2018
- 2018-03-30 CN CN201810287080.1A patent/CN110334562B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103852255A (zh) * | 2013-11-15 | 2014-06-11 | 北京能高自动化技术股份有限公司 | 基于神经网络风力发电机组典型传动故障智能诊断方法 |
CN104697626A (zh) * | 2013-12-10 | 2015-06-10 | 丹东东方测控技术股份有限公司 | 智能磨音频谱分析仪 |
CN104596766A (zh) * | 2014-12-24 | 2015-05-06 | 中国船舶工业系统工程研究院 | 一种轴承早期故障确定方法 |
CN106021948A (zh) * | 2016-05-30 | 2016-10-12 | 清华大学 | 一种面向肠鸣音信号监护系统的信号处理方法 |
CN106326929A (zh) * | 2016-08-24 | 2017-01-11 | 北京工商大学 | 轨道列车走行部滚动轴承故障的诊断方法 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN107832729A (zh) * | 2017-11-22 | 2018-03-23 | 桂林电子科技大学 | 一种轴承锈蚀智能诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110334562A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108087210B (zh) | 风力发电机组叶片异常识别方法及装置 | |
KR102509577B1 (ko) | 풍력 터빈 블레이드를 검사하는 방법 및 기기, 및 그 장치 및 저장 매체 | |
CN110334562B (zh) | 轴承振动运行状态预测模型训练方法及预测方法、装置 | |
CN106815771B (zh) | 一种风电场载荷的长期评估方法 | |
CN103912448B (zh) | 一种区域风电场机组功率特性监测方法 | |
CN104075795A (zh) | 用于监测风力发电机组的叶轮振动状态的方法和系统 | |
CN103019135A (zh) | 风机部件的寿命预测方法及系统 | |
CN105651376A (zh) | 机械设备离线检测系统振动信号频谱分析和报警方法 | |
Chen et al. | Integrated early fault diagnosis method based on direct fast iterative filtering decomposition and effective weighted sparseness kurtosis to rolling bearings | |
CN110705609B (zh) | 引风机运行状态诊断方法、装置及电子设备、存储介质 | |
CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
Li et al. | Mobile robot motor bearing fault detection and classification on discrete wavelet transform and LSTM network | |
CN113268835A (zh) | 基于扩展隔离林和云模型的抽水蓄能水电机组健康评估方法和装置 | |
Yao et al. | A framework via impulses-oriented Gini index and extreme value distribution for rolling bearing dynamic fault alarm and identification | |
KR101468627B1 (ko) | 풍력발전기 데이터 분류 시스템 | |
US11168669B2 (en) | Method, apparatus and system for wind converter management | |
CN114778116A (zh) | 一种风力发电机组变桨轴承故障预警方法及系统 | |
CN113218653B (zh) | 一种基于消除低频扰动的海上风电齿轮箱监测方法及装置 | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
Mana et al. | Wind turbine fault diagnosis through temperature analysis: an Artificial Neural Network approach | |
CN111400959B (zh) | 风力发电机组的叶片故障诊断方法及装置 | |
Zhang et al. | Probability warning for wind turbine gearbox incipient faults based on SCADA data | |
CN114139440A (zh) | 风机轴承的剩余使用寿命预测方法、系统及计算机设备 | |
CN114330569A (zh) | 一种检测风机组部件故障的方法、设备及存储介质 | |
CN112699598A (zh) | 齿轮箱油温异常智能诊断方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |