CN113236595B - 风机故障分析方法、装置、设备及可读存储介质 - Google Patents

风机故障分析方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN113236595B
CN113236595B CN202110787190.6A CN202110787190A CN113236595B CN 113236595 B CN113236595 B CN 113236595B CN 202110787190 A CN202110787190 A CN 202110787190A CN 113236595 B CN113236595 B CN 113236595B
Authority
CN
China
Prior art keywords
fault
data
fan
characteristic information
sample
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
Application number
CN202110787190.6A
Other languages
English (en)
Other versions
CN113236595A (zh
Inventor
郑之伟
向青松
马天雨
刘金平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Normal University
Original Assignee
Hunan Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Normal University filed Critical Hunan Normal University
Priority to CN202110787190.6A priority Critical patent/CN113236595B/zh
Publication of CN113236595A publication Critical patent/CN113236595A/zh
Application granted granted Critical
Publication of CN113236595B publication Critical patent/CN113236595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04DNON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/001Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/14Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种风机故障分析方法、装置、设备以及计算机可读存储介质,该方法包括连续采集待测风机的风机轴承的振动数据和温度数据,并获得振动数据的速度有效值和冲击量平均值;将速度有效值、冲击量平均值以及温度数据分别进行线性拟合,以提取第一特征信息;将速度有效值和冲击量平均值进行形态分布参数运算,以提取第二特征信息;将振动数据和温度数据进行傅里叶变换,获得对应的频谱值,以提取第三特征信息;根据预先确定的每种风机故障类型对应的三种特征信息的组合特征,确定当前待测风机的故障类型。本申请通过对风机的数据从的三个不同方面进行特征提取,以及时确定出风机故障,有利于风机及时维修并延长风机的维护。

Description

风机故障分析方法、装置、设备及可读存储介质
技术领域
本发明涉及风机技术领域,特别是涉及一种风机故障分析方法、装置、设备以及计算机可读存储介质。
背景技术
随着现代化工业的不断发展,风机设备已经成为众多工厂中必不可少的机械设备之一,风机设备也日趋复杂化和系统化,由风机设备故障所造成的财产损失也不容小觑。因此,及时发现风机的异常状态情况,并进行维修对保障设备的稳定运行,降低维修的成本,延长风机的使用寿命等具有重要的意义。
然而,很多时候风机只是在其内部出现了细微的故障,此时便存在安全隐患,工作人员凭借肉眼确难以判断和发现风机内在的故障问题。
发明内容
本发明的目的是提供一种风机故障分析方法、装置、设备以及计算机可读存储介质,能够提升风机故障发现的及时性和准确性,有利于风机故障的及时维修,并延长风机使用寿命。
为解决上述技术问题,本发明提供一种风机故障分析方法,包括:
连续采集待测风机的风机轴承的振动数据和温度数据,并获得所述振动数据的速度有效值和冲击量平均值;
将所述速度有效值、所述冲击量平均值以及所述温度数据分别进行线性拟合,并将获得的线性拟合参数和预先确定的标准拟合参数对比,获得第一特征信息;
将所述速度有效值和所述冲击量平均值进行形态分布参数运算,并将获得的形态分布参数和预先确定的标准形态分布参数进行对比,获得第二特征信息;
将所述振动数据和所述温度数据进行傅里叶变换,获得对应的频谱值;并根据预先创建的神经网络模型识别所述频谱值,获得第三特征信息;
根据所述第一特征信息、所述第二特征信息以及所述第三特征信息,利用预先确定的每种风机故障类型对应的三种特征信息的组合特征,确定当前所述待测风机的故障类型。
可选地预先确定所述标准拟合参数的过程,包括:
获取至少连续一天内带有故障标签的振动样本数据和温度样本数据;并获得所述振动样本数据对应的速度有效值样本和冲击量平均值样本;
根据各个所述振动样本数据和所述温度样本数据的采集时间点,将所述速度有效值样本、所述冲击量平均值样本和所述温度样本数据分别均按照不同分割时长分割获得多组对应的第一样本数据;
将同一分割时长的时间段采集的每组所述第一样本数据进行线性拟合,获得对应的每组样本线性拟合方程的斜率样本、最大值和最小值之间差值样本;
分别将每组所述斜率样本和所述差值样本分别和设定的多个不同大小的斜率阈值以及多个不同大小的差值阈值进行对比,分别获得多组第一对比结果,并判断所述第一对比结果和所述故障标签是否一致;
其中,所述第一对比结果和所述故障标签一致包括,所述故障标签为故障状态,所述第一对比结果为所述斜率样本大于所述斜率阈值且所述差值样本大于所述差值阈值;或者,所述故障标签为非故障状态,所述第一对比结果为所述斜率样本不大于所述斜率阈值或所述差值样本不大于所述差值阈值;
利用寻优算法获得第一正确率最高时对应的分割时长、斜率阈值和差值阈值作为所述标准拟合中参数的标准分割时长、标准斜率阈值和标准差值阈值;
其中,所述第一正确率为在同一分割时长对应的同一组所述第一样本数据中对同一所述斜率阈值同一所述差值阈值的所述第一对比结果和所述故障标签一致的第一样本数据所占比例。
可选地,获得所述第一特征信息的过程包括:
根据所述速度有效值、所述冲击量平均值以及所述温度数据对应的采集时间点分别按照所述标准分割时长分割为多组分割数据;
对每组所述分割数据进行线性拟合,获得对应的线性拟合方程的斜率参数、最大值和最小值之间的差值参数;
判断所述斜率参数和所述差值参数是否分别大于所述标准斜率阈值和所述标准差值阈值,若是,则所述第一特征信息为存在第一故障特征。
可选地,预先确定标准形态分布参数的过程,包括:
将至少连续一天内采集获得的带有故障标签的速度有效值样本和冲击量平均值样本,根据采集时间点均分别按照不同的故障窗口宽度划分为若干个故障窗口内采集的多组第二样本数据;
确定在每个故障窗口宽度下的每组所述第二样本数据分别对于设定的不同大小的比值阈值和不同大小的窗口数比例阈值对应的第二对比结果;其中,同一个故障窗口宽度下针对同一个所述比值阈值和同一个窗口数比例阈值的所述第二对比结果为各个所述故障窗口中所述第二样本数据的95分位数和各个所述故障窗口的95分位数平均值大于所述比值阈值的故障窗口数量所占的窗口数比例和所述窗口数比例阈值的对比结果;
确定每个所述故障窗口对应所述故障标签和对应的各个所述第二对比结果是否一致;其中,当所述故障标签为故障状态且所述第二对比结果为所述窗口数比例大于所述窗口数比例阈值,或者所述故障标签为非故障状态,且所述第二对比结果为所述窗口数比例不大于所述窗口数比例阈值,则所述故障标签和所述第二对比结果一致;
利用寻优算法确定第二正确率最高时对应的故障窗口宽度、比值阈值以及窗口数比例阈值作为标准形态分布参数中的标准故障窗口宽度、标准比值阈值以及标准窗口数比例阈值;其中,所述第二正确率为对于同一比值阈值、同一窗口数比例阈值且同一故障窗口宽度下各个所述故障窗口内的所述第二样本数据的故障标签和所述第二对比结果一致的概率。
可选地,获得所述第二特征信息的过程包括:
根据所述速度有效值和所述冲击量平均值对应的采集时间点,按照所述标准故障窗口宽度对所述速度有效值和所述冲击量平均值分别分割为多个故障窗口对应的窗口数据;
确定每个所述窗口数据对应的比值参数;
判断各个所述窗口数据中对应的比值参数大于所述标准比值阈值的窗口数比例是否大于所述标准窗口数比例阈值,若是,则确定所述第二特征信息为存在第二故障特征。
可选地,预先创建神经网络模型的过程包括:
对连续采集的带有故障标签的振动样本数据和温度样本数据进行频谱值运算,获得频谱值样本;
基于所述故障标签,利用DNN神经网络对所述频谱值样本进行神经网络学习,获得频谱值和表征频谱值是否存在频谱故障的所述第三特征信息之间的对应关系的神经网络模型。
可选地,预先确定每种风机故障类型对应的三种特征信息的组合特征,包括:
对连续采集的带有故障标签的振动样本数据和温度样本数据分别运算获得样本第一特征信息、样本第二特征信息以及样本第三特征信息;
根据所述故障标签和所述样本第一特征信息、所述样本第二特征信息以及所述样本第三特征信息,利用寻优算法确定每种风机故障类型对应的准确率最高的三种特征信息的组合特征。
一种风机故障分析装置,包括:
数据采集模块,用于连续采集待测风机的风机轴承的振动数据和温度数据,并获得所述振动数据的速度有效值和冲击量平均值;
第一运算模块,用于将所述速度有效值、所述冲击量平均值以及所述温度数据分别进行线性拟合,并将获得的线性拟合参数和预先确定的标准拟合参数对比,获得第一特征信息;
第二运算模块,用于将所述速度有效值和所述冲击量平均值进行形态分布参数运算,并将获得的形态分布参数和预先确定的标准形态分布参数进行对比,获得第二特征信息;
第三运算模块,用于将所述振动数据和所述温度数据进行傅里叶变换,获得对应的频谱值;并根据预先创建的神经网络模型识别所述频谱值,获得第三特征信息;
故障判断模块,用于根据所述第一特征信息、所述第二特征信息以及所述第三特征信息,利用预先确定的每种风机故障类型对应的三种特征信息的组合特征,确定当前所述待测风机的故障类型。
一种风机故障分析设备,包括:
用于采集待测风机的振动数据的振动传感器;
用于采集所述待测风机的温度数据的温度传感器;
分别和所述振动传感器以及所述温度传感器相连接,并根据所述振动数据和所述温度数据,执行实现如上任一项所述的风机故障分析方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述风机故障分析方法的步骤。
本发明所提供的一种风机故障分析方法,包括连续采集待测风机的风机轴承的振动数据和温度数据,并获得振动数据的速度有效值和冲击量平均值;将速度有效值、冲击量平均值以及温度数据分别进行线性拟合,并将获得的线性拟合参数和预先确定的标准拟合参数对比,获得第一特征信息;将速度有效值和冲击量平均值进行形态分布参数运算,并将获得的形态分布参数和预先确定的标准形态分布参数进行对比,获得第二特征信息;将振动数据和温度数据进行傅里叶变换,获得对应的频谱值;并根据预先创建的神经网络模型识别频谱值,获得第三特征信息;根据预先确定的每种风机故障类型对应的三种特征信息的组合特征,确定当前待测风机的故障类型。
本申请中对风机的轴承上的振动数据和温度数据进行连续采集,并分别从振动数据对应的速度有效值和冲击量平均值以及温度数据的线性拟合变化趋势、速度有效值和冲击量平均值的整体形态特性、振动数据和温度数据的频谱值等三个不同方面进行分析,并与预先设定好的各个参数进行对比分析,获得风机的特性信息,最终根据风机在三个不同方面特性信息的组合特征确定风机当前所属的故障类型。本申请中通过对风机的振动和温度三个不同方面的特征信息进行提取,保证了对风机特征信息提取的全面性,进而保证了后续对风机故障判断的准确性,实现了在风机故障不明显时即可通过数据分析确定风机故障,保证了风机故障维修的及时性,有利于延长风机的使用寿命。
本申请还提供了一种风机故障分析装置、设备以及计算机可读存储介质,具有上述有益效果。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的风机故障分析方法的流程示意图;
图2为本申请实施例提供的风机故障分析方法的整体流程框架示意图;
图3为本发明实施例提供的风机故障分析装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅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,本领域普通技术人员在没有做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。
如图1所示,图1为本申请实施例提供的风机故障分析方法的流程示意图,该风机故障分析方法可以包括:
S11:连续采集待测风机的风机轴承的振动数据和温度数据,并获得振动数据的速度有效值和冲击量平均值。
需要说明的是,在进行振动数据采集时,可以是将三个振动传感器分别安置于风机自由侧轴承的处采集垂直、水平和轴向三个方向的原始振动信号;以及三个振动传感器安装于风机负荷侧轴承处采集垂直、水平和轴向三个方向振动信号。由此可见,本实施例中采集的振动数据在同一采集时间点,应当包含有两个采集位置点,每个采集位置点3个采集方向采集的一共至少6组振动信号。
在进行温度数据采集时,可以将两个温度传感器分别安装于风机自由侧轴承、风机负荷侧轴承里的轴瓦处两个采集位置点分别采集两组温度信号。
在采集了振动数据后,即可基于该振动数据分别进行速度有效值和冲击量平均值的运算。显然因为本实施例中包含6组振动信号,相应地,在进行速度有效值和冲击量平均值的运算时,应当每组振动信号单独进行速度有效值和冲击量平均值的运算,最终获得6组速度有效值和冲击量平均值。
S12:将速度有效值、冲击量平均值以及温度数据分别进行线性拟合,并将获得的线性拟合参数和预先确定的标准拟合参数对比,获得第一特征信息。
需要说明的是,本实施例中的标准拟合参数是可以包括线性拟合方程对应的标准斜率参数、最大值和最小值之间标准差值参数,该标准拟合参数可以基于大数据分析获得,也可以基于样本数据分析获得或者是通过其他方式确定获得,对此本申请中不做具体限制。
如上所述,本实施例中的速度有效值、冲击量平均值分别包括6组数据,而温度数据也包含2个位置点的两组数据,因此,在进行线性拟合时,速度有效值和冲击量平均值应当分别对应的可拟合获得6组线性拟合方程,每组线性拟合方程应当都对应一组包括斜率参数和差值参数的线性拟合参数;相应地,对于预先确定的标准拟合参数,也应当包括速度有效值对应的6组标准拟合参数和冲击量平均值对应的6组标准拟合参数。
同理,对于温度数据而言,包含两组温度数据,进行线性拟合时,同样可以获得两组线性拟合方程对应的线性拟合参数,并分别可以和两组温度数据对应的标准拟合参数进行对比。
在将获得的线性拟合参数和其对应的标准拟合参数对比时,若是某一组线性拟合参数的斜率参数小于标准斜率参数,且最大值和最小值之间的差值参数大于标准差值参数,则可以确认该组线性拟合参数对应的振动数据的第一特征信息为存在第一故障特征,否则不存在第一故障特征。以此类推,可以确定速度有效值的6组第一特征信息、冲击量平均值的6组第一特征信息以及温度数据的两组第一特征信息的结果。
此外,对于将速度有效值和冲击量平均值以及温度数据进行线性拟合的方式可以采用最小二乘法拟合,也可以采用其他常用的线性拟合方式,对此,本申请中不做具体限制。
S13:将速度有效值和冲击量平均值进行形态分布参数运算,并将获得的形态分布参数和预先确定的标准形态分布参数进行对比,获得第二特征信息。
需要说明的是,对于速度有效值和冲击量平均值的形态分布参数,主要体现数据大体的分布趋势特性。例如可以是速度有效值或冲击量平均值的大小的整体分布状态,该标准形态分布参数也可以基于大数据分析获得。
且如前所述,速度有效值和冲击量平均值应当分别包含6组形态分布参数,速度有效值和冲击量平均值分别对应的标准形态参数也均包含有6组。当确定第二特征信息时,若速度有效值或冲击量平均值对应的其中一组形态分布参数大于对应的标准形态参数时,则该组形态分布参数对应的振动数据也就存在第二故障特征,否则则不存在第二故障特征。例如,在风机自由侧轴承的处采集垂直方向的振动数据,其速度有效值对应的形态分布参数大于对应的标准形态参数,在该在风机自由侧轴承的处采集垂直方向的振动数据存在第二故障特征。可以理解的是,6组振动数据之间以及每组振动数据的速度有效值和冲击量平均值之间的第二故障特征是否存在的判断是相互独立互不影响的。
以此类推,即可获得速度有效值和冲击量平均值分别对应的6组形态分布参数的第二特征信息。
S14:将振动数据和温度数据进行傅里叶变换,获得对应的频谱值;并根据预先创建的神经网络模型识别频谱值,获得第三特征信息。
该预先创建的神经网络模型可以为识别频谱值是否为风机故障时的数据对应的频谱值。该神经网络模型可以基于神经网络训练获得。
和上述论述近似,振动数据应当包含6组频谱值、温度数据包含两组频谱值,该神经网络模型也应当包含6组振动数据对应的模型和2组温度数据对应的模型,最终的第三特性信息包含由6组振动数据分别是否存在第三故障特征的信息和2组温度数据是否存在第三故障特征的信息。
S15:根据第一特征信息、第二特征信息以及第三特征信息,利用预先确定的每种风机故障类型对应的三种特征信息的组合特征,确定当前待测风机的故障类型。
对于上述第一特征信息、第二特征信息以及第三特征信息均包含由多组故障特征结果。由此,即可获得一组关于振动数据和温度数据存在各种故障特征的组合。
例如,温度数据的两组第一特征信息均存在第一故障特征。且温度数据的两组第三特征信息也均为第三故障特征,而速度有效值和冲击量平均值的第一特征信息、第二特征信息、第三特征信息均为不存在故障特征。那么即可基于上述特征组合确定风机对应于哪种类型的故障。
参考图2以及表1,图2为本申请实施例提供的风机故障分析方法的整体流程框架示意图。表1为图2中涉及参数的说明。
表1:
Figure 677273DEST_PATH_IMAGE001
本申请中通过连续采集待测风机的风机轴承的振动数据和温度数据,并对振动数据进行运算获得速度有效值和冲击量平均值,这相当于在一定程度上对风机轴承的振动数据进行一次特征提取,获得能够表征风机轴承振动特性的速度有效值和冲击量平均值。在此基础上对速度有效值和冲击量平均值从三个不同的角度进而二次特征提取,分别获得速度有效值和冲击量平均值的三个方面的特性信息;并在此基础上分别对温度数据进行第一特征信息和第三特征信息的提取,使得振动数据和温度数据的特征分析提取更为全面,那么以此特征提取的结果作为判断风机是否存在故障,即可准确有效的在风机故障外在表现不明显时,即可准确分析出风机故障,有利于提升风机故障发现和维修的及时性,有利于提升风机使用寿命。
基于上述论述,在本申请的一种可选地实施例中,对于上述确定第一特征信息时对应的标准拟合参数的确定过程可以包括:
S21:获取至少连续一天内带有故障标签的振动样本数据和温度样本数据;并获得振动样本数据对应的速度有效值样本和冲击量平均值样本。
该故障标签包括故障状态和非故障状态。当然,也可以进一步细化故障状态的具体故障类型,例如针对振动数据的风机不平衡故障、针对风机温度的散热故障等等。
为了保证确定标准拟合参数的准确性,一般采集振动样本数据和温度样本数据的持续时长可以是多天甚至几十天连续采集的数据,显然,该振动样本数据和温度样本数据应当包含对故障风机采集的数据和对正常风机采集的数据,并由此确定数据的故障标签。
S22:根据各个振动样本数据和温度样本数据的采集时间点,将速度有效值样本、冲击量平均值样本和温度样本数据均分别按照不同分割时长分割获得多组对应的第一样本数据。
S23:将同一分割时长的时间段采集的每组第一样本数据进行线性拟合,获得对应的每组样本线性拟合方程的斜率样本、最大值和最小值之间差值样本。
S24:分别将每组斜率样本和差值样本分别和设定的多个不同大小的斜率阈值以及不同大小的差值阈值进行对比,分别获得多组第一对比结果,并判断第一对比结果和故障标签是否一致。
其中,第一对比结果和故障标签一致包括,故障标签为故障状态,第一对比结果为斜率样本大于斜率阈值且差值样本大于差值阈值;或者,故障标签为非故障状态,第一对比结果为斜率样本不大于斜率阈值或差值样本不大于差值阈值;
S25:利用寻优算法获得第一正确率最高时对应的分割时长、斜率阈值和差值阈值作为标准拟合参数中的标准分割时长、标准斜率阈值和标准差值阈值。
其中,第一正确率为在同一分割时长对应的同一组第一样本数据中对同一斜率阈值同一差值阈值的第一对比结果和故障标签一致的第一样本数据所占比例。
需要说明的是,对于振动样本数据和温度样本数据随着时间的变化都是波动变化的,要对持续较长的一段时间内波动变化的数据拟合一个线性拟合方程,显然要不拟合度会相对较低或者拟合获得的线性拟合方程过于复杂,不利于后续特征分析。
因此,本实施例中在进行线性拟合之前,先按照数据采集的时间点,将速度有效值样本、冲击量平均值样本和温度样本数据均分割为一段时间段内的数据。并对每个时间段内对应的数据分别进行线性拟合。
但是时间段的时长设定若是过长,则线性拟合的难度大,而时间段的时长设定过短,则导致线性拟合方程数量过多,数据分析过于繁琐。
为此,在本申请中可以设定多个分割时长,先将所有的速度有效值样本、冲击量平均值样本和温度样本数据均按照相同的分割时长分割获得多个相同时长的时间段内的第一样本数据。可以理解的是,该第一样本数据同样包括6组速度有效值样本分别分割成若干个时间段对应的样本数据、6组冲击量平均值样本分别分割成若干个时间段对应的样本数据以及两组温度样本数据分别分割成若干个时间段对应的样本数据。后续为了方便说明,不再对第一样本数据的具体内容进行详细说明,后续所指的第一样本数据可以表示6组速度有效值样本、6组冲击量平均值样本以及两组温度样本数据中任意一组样本分割后获得的样本数据。
在获得某一分割时长对应的第一样本数据后,即可对每个分割时间段内的第一样本数据分别进行线性拟合,获得对应的线性拟合方程。显然,每个线性拟合方程对应的斜率、最大值和最小值之间的差值,即为该线性拟合方程对应的线性拟合参数中的斜率样本和差值样本。
再将每个分割时间段内对应的线性拟合方程对应的斜率样本和设定的斜率阈值进行对比,且差值样本与差值阈值进行对比,当斜率样本和差值样本都大于对应的斜率阈值和差值阈值时,则认为该线性拟合方程对应时间段的第一样本数据为故障状态的样本数据,再将该第一样本数据的标签和确定该线性拟合方程对应的第一样本数据是否为故障状态的结果进行对比,若二者一致,则基于该组斜率阈值和差值阈值对第一样本数据是否故障的判断结果正确,反之, 则基于该组斜率阈值和差值阈值对第一样本数据是否故障的判断结果错误;而若是当线性拟合方程的斜率样本和差值样本都不大于或者其中不大于对应的斜率阈值和差值阈值时,若故障标签为故障状态,则基于该组斜率阈值和差值阈值对第一样本数据是否故障的判断结果错误,若故障标签为非故障状态,则基于该组斜率阈值和差值阈值对第一样本数据是否故障的判断结果正确。
以此类推,可以确定每个分割时间段对应的每个第一样本数据的针对设定的斜率阈值和差值阈值的判断结果正确与否。
可以理解的是斜率阈值和差值阈值的设定是否合理也会直接影响判断结果。为此,可以设定多组不同大小的斜率阈值和不同大小的差值阈值,并获得每个分割时间段内每个第一样本数据针对每组斜率阈值和差值阈值的判断结果正确与否,并最终获得该分割时长对应的各组第一样本数据在每组斜率阈值和差值阈值的判断结果正确的概率。
完成第一个分割时长对应的第一样本数据基于各组不同大小的斜率阈值和不同大小的差值阈值的判断结果正确的概率后,即可改变分割时长,重复上述过程,获得第二个分割时长对应的第一样本数据针对各组斜率阈值和差值阈值的判断结果正确的概率;以此类推,获得多个不同分割时长对应的第一样本数据分别针对各组斜率阈值和差值阈值的判断结果正确的概率。
要在多个分割时长、多组斜率阈值和差值阈值中选出最为优选的一组参数,可以采用寻优算法,确定出一组对应的判断结果正确的概率最高的分割时长、斜率阈值以及差值阈值作为标准分割时长、标准斜率阈值以及标准差值阈值,该标准分割时长、标准斜率阈值以及标准差值阈值也即可以作为标准拟合参数。
对于寻优算法,可以采用蝙蝠算法,也可以采用其他类似的寻优算法,对此本申请中不做详细赘述。
基于上述论述,在获得该标准线性拟合参数后,在确定待测风机的第一特征信息时,可以相应地包括:
根据速度有效值、冲击量平均值以及温度数据对应的采集时间点分别按照标准分割时长分割为多组分割数据;
对每组分割数据进行线性拟合,获得对应的线性拟合方程的斜率参数、最大值和最小值之间的差值参数;
判断斜率参数和差值参数是否分别大于标准斜率阈值和标准差值阈值,若是,则第一特征信息为存在第一故障特征。
在上述确定标准拟合参数的过程在一定程度上相当于确定分割数据时间段对应时长的标准,以及分别判定速度有效值、冲击量平均值以及温度数据是否存在第一故障特征的标准。由此在实际对待测风机的第一特征信息进行提取时,即可直接对待测风机的速度有效值、冲击量平均值以及温度数据按照标准分割时长分别分割为若干个时间段内采集的分割数据,并以此进行线性拟合确定对应的斜率参数和差值参数。
当然,在实际应用中,也并不排除直接按照标准分割时长进行数据采集,也即是说每间隔该分割时长的时间,基于该段时间内采集的振动数据和温度数据提取一次风机的第一特征信息。
基于上述论述,在本申请的另一可选地实施例中,预先确定标准形态分布参数的过程可以包括:
S31:将至少连续一天内采集获得的带有故障标签的速度有效值样本和冲击量平均值样本,根据采集时间点均分别按照不同的故障窗口宽度划分为若干个故障窗口内采集的多组第二样本数据。
S32:确定在每个故障窗口宽度下的每组第二样本数据分别对于设定的不同大小的比值阈值和不同大小的窗口数比例阈值对应的第二对比结果。
其中,同一个故障窗口宽度下针对同一个比值阈值和同一个窗口数比例阈值的第二对比结果为各个故障窗口中的第二样本数据的95分位数和各个故障窗口的95分位数平均值大于比值阈值的故障窗口数量所占的窗口数比例和窗口数比例阈值的对比结果。
S33:确定每个故障窗口对应故障标签和对应的各个第二对比结果是否一致。
其中,当故障标签为故障状态且第二对比结果为窗口数比例大于窗口数比例阈值,或者故障标签为非故障状态,且第二对比结果为窗口数比例不大于窗口数比例阈值,则故障标签和第二对比结果一致。
S34:利用寻优算法确定第二正确率最高时对应的故障窗口宽度、比值阈值以及窗口数比例阈值作为标准形态分布参数中的标准故障窗口宽度、标准比值阈值以及标准窗口数比例阈值。
其中,第二正确率为对于同一比值阈值、同一窗口数比例阈值且同一故障窗口宽度下各个故障窗口内的第二样本数据的故障标签和第二对比结果一致的概率。
和上述确定标准拟合参数的实施例中对速度有效值、冲击量平均值等数据按照时间分割为若干个时间段内采集的数据类似,本实施例中的故障窗口宽度也即是代表一段时间段的时长,按照该故障窗口宽度等效于按照故障窗口宽度分割的时间段,即可将数据划分为若干个故常窗口内采集的数据。
和上述进行线性拟合提取第一特征信息类似,对于故障窗口宽度也需要设定一个合适大小。因此在实际应用中,可以先设定第一个故障窗口宽度,并按照该故障窗口宽度将速度有效值样本数据、冲击量平均值样本数据分割成若干个具有相同宽度大小的故障窗口内采集的第二样本数据,可以理解的是,该第二样本数据同样包括6组速度有效值样本数据、6组冲击量平均值样本数据分别按照故障窗口宽度分割成的数据,对此不再赘述。并由此确定每个故障窗口内同一组每个第二样本数据的95分位数,以及各个故障窗口对应的同一组所有第二样本数据的95分位数平均值。
以该95分位数平均值为基准,确定每个故障窗口每个第二样本数据的95分位数和对应的95分位数平均值的比值,可以理解的是,当某个故障窗口对应的95分位数和95分位数平均值的比值过大时,显然该故障窗口内的第一样本数据的大小显然都普遍偏大,该故障窗口内的第一样本数据就很大的可能是在风机故障状态采集的数据。由此该比值的大小即可在一定程度上反映风机的故障状态。
为此,为了确定该95分位数和95分位数平均值之间的比值参数是否偏大,需要设定一个比值阈值作为判断标准。显然在各个故障窗口中比值参数大于比值阈值的故障窗口数量所占比例,才能够在一定程度上体现该第二样本数据整体的数据分布状态。为此,本实施例中在此基础上还设定一个窗口数比例阈值,该窗口数比例阈值即为同一故障窗口宽度下,各个故障窗口的第二样本数据对应的比值参数大于同一比值参数阈值的故障窗口的数量比例的阈值。
显然,在设定比值阈值和窗口数比例阈值时,也难以保证设定这两个阈值的准确性。在实际进行运算时,可以设定多个比值阈值和多个窗口数比例阈值,并分别获得同一故障窗口宽度下,各个故障窗口针对每一比值阈值和每一窗口数阈值下窗口数比例和窗口数比例阈值对比的第二对比结果。
并将该第二对比结果和各个故障窗口的故障标签进行对比,显然,当第二对比结果中窗口数比例大于窗口数比例阈值,则对应的故障窗口的第二样本数据为故障状态下获得的数据,而此时故障标签若是恰好也为故障状态,则说明第二对比结果和故障标签一致;而当第二对比结果中窗口数比例不大于窗口数比例阈值,则对应的故障窗口的第二样本数据为非故障状态下获得的数据,而此时故障标签若是恰好也为非故障状态,则说明第二对比结果和故障标签一致。
在完成第一个故障窗口宽度下针对不同的比值阈值和不同的窗口数比例阈值对应的第二对比结果和故障标签是否一致的判断后;可以设定第二个故障窗口宽度;重复上述过程,获得第二个故障窗口宽度下针对不同的比值阈值和不同的窗口数比例阈值对应的第二对比结果和故障标签是否一致的判断,以此类推,可以获得多个不同的故障窗口宽度下的判断结果。
在此基础上,在通过寻优算法确定第二正确率最高时,对应的标准故障窗口宽度、标准比值阈值以及标准窗口数比例阈值作为标准形态分布参数。
需要说明的是,该寻优算法同样可以采用蝙蝠算法,或者其他寻优算法,对此,本申请中并不具体限制。
此外,如前所述,对于速度有效值和冲击量平均值应当分别包括6组数据,相应的,速度有效值样本和冲击量平均值样本也应该分别包括6组样本数据,在确定标准形态分布参数时,速度有效值和冲击量平均值的每组数据对应的标准形态分布参数的确定过程应当是相互独立的运算过程,上述S31至S34可以是对任意一组样本数据进行处理运算获得对应的标准形态分布参数的过程,对此本申请中不再详细赘述。
在确定出各组速度有效值和冲击量平均值对应的标准形态分布参数之后,即可利用该形态分布参数对待测风机的第二特征信息进行提取,在本申请的一种可选地实施例中,获得第二特征信息的过程包括:
根据速度有效值和所述冲击量平均值对应的采集时间点,按照标准故障窗口宽度对速度有效值和冲击量平均值分别分割为多个故障窗口对应的窗口数据;
确定每个窗口数据对应的比值参数;
判断各个窗口数据中对应的比值参数大于标准比值阈值的窗口数比例是否大于标准窗口数比例阈值,若是,则确定第二特征信息为存在第二故障特征。
基于上述任意实施例,在本申请的另一可选地实施例中,预先创建神经网络模型的过程可以包括:
对连续采集的带有故障标签的振动样本数据和温度样本数据进行频谱值运算,获得频谱值样本;
利用DNN神经网络对频谱值样本进行神经网络学习,获得表征频谱值和第三特征信息对应关系的神经网络模型。
在实际应用中,也并不排除采用其他神经网络训练获得能够识别判断频谱值是否为故障状态下测得的数据的频谱值,由此提取振动数据和温度数据的第三特征信息。
基于上述任意实施例,在本申请的一种可选的实施例中,预先确定每种风机故障类型对应的三种特征信息的组合特征,可以包括:
对连续采集的带有故障标签的振动样本数据和温度样本数据分别运算获得样本第一特征信息、样本第二特征信息以及样本第三特征信息;
根据故障标签和样本第一特征信息、样本第二特征信息以及样本第三特征信息,利用寻优算法确定每种风机故障类型对应的准确率最高的三种特征信息的组合特征。
需要说明的是,本实施例中的故障标签处理包含非故障状态和故障状态之外,还可以包括故障状态对应的故障类型。
如前所述,基于上述实施例中提取第一特征信息、第二特征信息以及第三特征信息的方式,分别对振动样本数据和温度样本数据进行运算,获得对应的样本第一特征信息、样本第二特征信息以及样本第三特征信息。
在基于故障标签中包含的故障类型,确定每个故障类型对应的各个振动样本数据和温度样本数据中三个特征信息的组合形式,并基于寻优算法,确定出最能表征该故障类型对应的三个特征信息的组合特征,参照下表2,表2中示出了在不同特征组合下,对应的不用类型的风机故障。
表2:
Figure 553962DEST_PATH_IMAGE002
可选地,对于确定每中类型风机故障对应的最优组合特征时,可以基于针对同一风机故障类型所存在的多种组合特征分别进行判断准确率运算,若是针对所有的样本数据进行对应风机故障类型判断准确率最高,则认为该组合特征为最优选。确定各个不同的风机故障类型对应的最优组合特征后,即可将各个风机故障类型对应的组合特征创建映射模型或映射列表,或者其他能够表征风机故障类型和组合特征之间映射关系的数据,在实际对待测风机进行风机故障判断时,即可将该待测风机故障对应的第一特征信息、第二特征信息、第三特征信息基于该映射关系进行对照查找,确定风机故障类型。
此外本实施例中的寻优算法可以采用蝙蝠算法,对此本实施例中不做具体限制。
下面对本发明实施例提供的风机故障分析装置进行介绍,下文描述的风机故障分析装置与上文描述的风机故障分析方法可相互对应参照。
图3为本发明实施例提供的风机故障分析装置的结构框图,参照图3的风机故障分析装置可以包括:
数据采集模块100,用于连续采集待测风机的风机轴承的振动数据和温度数据,并获得所述振动数据的速度有效值和冲击量平均值;
第一运算模块200,用于将所述速度有效值、所述冲击量平均值以及所述温度数据分别进行线性拟合,并将获得的线性拟合参数和预先确定的标准拟合参数对比,获得第一特征信息;
第二运算模块300,用于将所述速度有效值和所述冲击量平均值进行形态分布参数运算,并将获得的形态分布参数和预先确定的标准形态分布参数进行对比,获得第二特征信息;
第三运算模块400,用于将所述振动数据和所述温度数据进行傅里叶变换,获得对应的频谱值;并根据预先创建的神经网络模型识别所述频谱值,获得第三特征信息;
故障判断模块500,用于根据第一特征信息、第二特征信息以及第三特征信息,利用预先确定的每种风机故障类型对应的三种特征信息的组合特征,确定当前待测风机的故障类型。
本实施例的风机故障分析装置用于实现前述的风机故障分析方法,因此风机故障分析装置中的具体实施方式可见前文中的风机故障分析方法的实施例部分,例如,数据采集模块100,第一运算模块200,第二运算模块300,第三运算模块400,故障判断模块500分别用于实现上述风机故障分析方法中步骤S11,S12,S13,S14和S15,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本申请还包括一种风机故障分析设备的实施例,该设备可以包括:
用于采集待测风机的振动数据的振动传感器;
用于采集所述待测风机的温度数据的温度传感器;
分别和所述振动传感器以及所述温度传感器相连接,并根据所述振动数据和所述温度数据,执行实现如上任一项所述的风机故障分析方法的步骤。
可选地,该振动传感器的数量可以包括6个,其中三个设置在风机轴承的自由侧分别用于检测垂直、水平和轴向三个方向上的振动数据,另外三个设置于风机轴承的负载侧分别用于检测垂直、水平和轴向三个方向上的振动数据。
对于温度传感器可以包括两个,一个设置在风机轴承的自由侧一个设置在风机轴承的负载侧。
本申请还公开了一种计算机可读存储介质的实施例,该计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述风机故障分析方法的步骤。
该计算机可读存储设备可以包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、 “包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (9)

1.一种风机故障分析方法,其特征在于,包括:
连续采集待测风机的风机轴承的振动数据和温度数据,并获得所述振动数据的速度有效值和冲击量平均值;
将所述速度有效值、所述冲击量平均值以及所述温度数据分别进行线性拟合,并将获得的线性拟合参数和预先确定的标准拟合参数对比,获得第一特征信息;
将所述速度有效值和所述冲击量平均值进行形态分布参数运算,并将获得的形态分布参数和预先确定的标准形态分布参数进行对比,获得第二特征信息;
将所述振动数据和所述温度数据进行傅里叶变换,获得对应的频谱值;并根据预先创建的神经网络模型识别所述频谱值,获得第三特征信息;
根据所述第一特征信息、所述第二特征信息以及所述第三特征信息,利用预先确定的每种风机故障类型对应的三种特征信息的组合特征,确定当前所述待测风机的故障类型。
2.如权利要求1所述的风机故障分析方法,其特征在于,预先确定所述标准拟合参数的过程,包括:
获取至少连续一天内带有故障标签的振动样本数据和温度样本数据;并获得所述振动样本数据对应的速度有效值样本和冲击量平均值样本;
根据各个所述振动样本数据和所述温度样本数据的采集时间点,将所述速度有效值样本、所述冲击量平均值样本和所述温度样本数据均分别按照不同分割时长分割获得多组对应的第一样本数据;
将同一分割时长的时间段采集的每组所述第一样本数据进行线性拟合,获得对应的每组样本线性拟合方程的斜率样本、最大值和最小值之间差值样本;
分别将每组所述斜率样本和所述差值样本分别和设定的多个不同大小的斜率阈值以及多个不同大小的差值阈值进行对比,分别获得多组第一对比结果,并判断所述第一对比结果和所述故障标签是否一致;
其中,所述第一对比结果和所述故障标签一致包括,所述故障标签为故障状态,所述第一对比结果为所述斜率样本大于所述斜率阈值且所述差值样本大于所述差值阈值;或者,所述故障标签为非故障状态,所述第一对比结果为所述斜率样本不大于所述斜率阈值或所述差值样本不大于所述差值阈值;
利用寻优算法获得第一正确率最高时对应的分割时长、斜率阈值和差值阈值作为所述标准拟合参数中的标准分割时长、标准斜率阈值和标准差值阈值;
其中,所述第一正确率为在同一分割时长对应的同一组所述第一样本数据中对同一所述斜率阈值同一所述差值阈值的所述第一对比结果和所述故障标签一致的第一样本数据所占比例。
3.如权利要求2所述的风机故障分析方法,其特征在于,获得所述第一特征信息的过程包括:
根据所述速度有效值、所述冲击量平均值以及所述温度数据对应的采集时间点分别按照所述标准分割时长分割为多组分割数据;
对每组所述分割数据进行线性拟合,获得对应的线性拟合方程的斜率参数、最大值和最小值之间的差值参数;
判断所述斜率参数和所述差值参数是否分别大于所述标准斜率阈值和所述标准差值阈值,若是,则所述第一特征信息为存在第一故障特征。
4.如权利要求1所述的风机故障分析方法,其特征在于,预先确定标准形态分布参数的过程,包括:
将至少连续一天内采集获得的带有故障标签的速度有效值样本和冲击量平均值样本,根据采集时间点均分别按照不同的故障窗口宽度划分为若干个故障窗口内采集的多组第二样本数据;
确定在每个故障窗口宽度下的每组所述第二样本数据分别对于设定的不同大小的比值阈值和不同大小的窗口数比例阈值对应的第二对比结果;其中,同一个故障窗口宽度下针对同一个所述比值阈值和同一个窗口数比例阈值的所述第二对比结果为各个所述故障窗口中所述第二样本数据的95分位数和各个所述故障窗口的95分位数平均值大于所述比值阈值的故障窗口数量所占的窗口数比例和所述窗口数比例阈值的对比结果;
确定每个所述故障窗口对应所述故障标签和对应的各个所述第二对比结果是否一致;其中,当所述故障标签为故障状态且所述第二对比结果为所述窗口数比例大于所述窗口数比例阈值,或者所述故障标签为非故障状态,且所述第二对比结果为所述窗口数比例不大于所述窗口数比例阈值,则所述故障标签和所述第二对比结果一致;
利用寻优算法确定第二正确率最高时对应的故障窗口宽度、比值阈值以及窗口数比例阈值作为所述标准形态分布参数中的标准故障窗口宽度、标准比值阈值以及标准窗口数比例阈值;其中,所述第二正确率为对于同一比值阈值、同一窗口数比例阈值且同一故障窗口宽度下各个所述故障窗口内的所述第二样本数据的故障标签和所述第二对比结果一致的概率。
5.如权利要求4所述的风机故障分析方法,其特征在于,获得所述第二特征信息的过程包括:
根据所述速度有效值和所述冲击量平均值对应的采集时间点,按照所述标准故障窗口宽度对所述速度有效值和所述冲击量平均值分别分割为多个故障窗口对应的窗口数据;
确定每个所述窗口数据对应的比值参数;
判断各个所述窗口数据中对应的比值参数大于所述标准比值阈值的窗口数比例是否大于所述标准窗口数比例阈值,若是,则确定所述第二特征信息为存在第二故障特征。
6.如权利要求1所述的风机故障分析方法,其特征在于,预先创建神经网络模型的过程包括:
对连续采集的带有故障标签的振动样本数据和温度样本数据进行频谱值运算,获得频谱值样本;
基于所述故障标签,利用DNN神经网络对所述频谱值样本进行神经网络学习,获得频谱值和表征频谱值是否存在频谱故障的所述第三特征信息之间的对应关系的神经网络模型。
7.如权利要求1所述的风机故障分析方法,其特征在于,预先确定每种风机故障类型对应的三种特征信息的组合特征,包括:
对连续采集的带有故障标签的振动样本数据和温度样本数据分别运算获得样本第一特征信息、样本第二特征信息以及样本第三特征信息;
根据所述故障标签和所述样本第一特征信息、所述样本第二特征信息以及所述样本第三特征信息,利用寻优算法确定每种风机故障类型对应的准确率最高的三种特征信息的组合特征。
8.一种风机故障分析装置,其特征在于,包括:
数据采集模块,用于连续采集待测风机的风机轴承的振动数据和温度数据,并获得所述振动数据的速度有效值和冲击量平均值;
第一运算模块,用于将所述速度有效值、所述冲击量平均值以及所述温度数据分别进行线性拟合,并将获得的线性拟合参数和预先确定的标准拟合参数对比,获得第一特征信息;
第二运算模块,用于将所述速度有效值和所述冲击量平均值进行形态分布参数运算,并将获得的形态分布参数和预先确定的标准形态分布参数进行对比,获得第二特征信息;
第三运算模块,用于将所述振动数据和所述温度数据进行傅里叶变换,获得对应的频谱值;并根据预先创建的神经网络模型识别所述频谱值,获得第三特征信息;
故障判断模块,用于根据所述第一特征信息、所述第二特征信息以及所述第三特征信息,利用预先确定的每种风机故障类型对应的三种特征信息的组合特征,确定当前所述待测风机的故障类型。
9.一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中存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述风机故障分析方法的步骤。
CN202110787190.6A 2021-07-13 2021-07-13 风机故障分析方法、装置、设备及可读存储介质 Active CN113236595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110787190.6A CN113236595B (zh) 2021-07-13 2021-07-13 风机故障分析方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110787190.6A CN113236595B (zh) 2021-07-13 2021-07-13 风机故障分析方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113236595A CN113236595A (zh) 2021-08-10
CN113236595B true CN113236595B (zh) 2021-09-28

Family

ID=77135417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110787190.6A Active CN113236595B (zh) 2021-07-13 2021-07-13 风机故障分析方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113236595B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592116B (zh) * 2021-09-28 2022-03-01 阿里云计算有限公司 设备状态分析方法、装置、设备和存储介质
US20230196088A1 (en) * 2021-12-17 2023-06-22 Eric Warner Fan behavior anomaly detection using neural network

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003148384A (ja) * 2001-11-08 2003-05-21 Mitsubishi Heavy Ind Ltd ターボ分子ポンプの異常検出装置
CN102606504A (zh) * 2012-03-29 2012-07-25 北京中科科仪股份有限公司 一种温度和转速检测机构
CN102979755A (zh) * 2012-11-19 2013-03-20 桂林电子科技大学 基于嵌入式数据采集系统的矿用风机机械故障诊断装置
CN106055734A (zh) * 2016-05-13 2016-10-26 浙江理工大学 一种风电齿轮箱故障诊断方法
JP2016219717A (ja) * 2015-05-26 2016-12-22 パナソニックIpマネジメント株式会社 ガスレーザ発振装置
CN107421741A (zh) * 2017-08-25 2017-12-01 南京信息工程大学 一种基于卷积神经网络的滚动轴承故障诊断方法
CN109612728A (zh) * 2018-12-20 2019-04-12 上海理工大学 基于振谱图和深度卷积神经网络的轴承故障诊断方法
CN109858104A (zh) * 2019-01-10 2019-06-07 山东大学 一种滚动轴承健康评估与故障诊断方法及监测系统
CN110487549A (zh) * 2019-09-10 2019-11-22 哈工大机器人(山东)智能装备研究院 轴承故障识别方法、装置、计算机设备及存储介质
CN111275007A (zh) * 2020-02-24 2020-06-12 山东大学 基于多尺度信息融合的轴承故障诊断方法及系统
CN112525534A (zh) * 2020-11-10 2021-03-19 北京物声科技有限公司 一种基于声发射技术的轴承和齿轮损伤定量化评估方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003148384A (ja) * 2001-11-08 2003-05-21 Mitsubishi Heavy Ind Ltd ターボ分子ポンプの異常検出装置
CN102606504A (zh) * 2012-03-29 2012-07-25 北京中科科仪股份有限公司 一种温度和转速检测机构
CN102979755A (zh) * 2012-11-19 2013-03-20 桂林电子科技大学 基于嵌入式数据采集系统的矿用风机机械故障诊断装置
JP2016219717A (ja) * 2015-05-26 2016-12-22 パナソニックIpマネジメント株式会社 ガスレーザ発振装置
CN106055734A (zh) * 2016-05-13 2016-10-26 浙江理工大学 一种风电齿轮箱故障诊断方法
CN107421741A (zh) * 2017-08-25 2017-12-01 南京信息工程大学 一种基于卷积神经网络的滚动轴承故障诊断方法
CN109612728A (zh) * 2018-12-20 2019-04-12 上海理工大学 基于振谱图和深度卷积神经网络的轴承故障诊断方法
CN109858104A (zh) * 2019-01-10 2019-06-07 山东大学 一种滚动轴承健康评估与故障诊断方法及监测系统
CN110487549A (zh) * 2019-09-10 2019-11-22 哈工大机器人(山东)智能装备研究院 轴承故障识别方法、装置、计算机设备及存储介质
CN111275007A (zh) * 2020-02-24 2020-06-12 山东大学 基于多尺度信息融合的轴承故障诊断方法及系统
CN112525534A (zh) * 2020-11-10 2021-03-19 北京物声科技有限公司 一种基于声发射技术的轴承和齿轮损伤定量化评估方法

Also Published As

Publication number Publication date
CN113236595A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN113236595B (zh) 风机故障分析方法、装置、设备及可读存储介质
Wang et al. Feature trend extraction and adaptive density peaks search for intelligent fault diagnosis of machines
CN112598343B (zh) 一种对数据中心的风险巡检方法、装置、设备及存储介质
CN111475680A (zh) 检测异常高密子图的方法、装置、设备及存储介质
CN115100600B (zh) 一种电池包的产线智能检测方法及系统
CN101738998B (zh) 一种基于局部判别分析的工业过程监测系统及方法
CN112417763A (zh) 输电线路的缺陷诊断方法、装置、设备及存储介质
CN106597160B (zh) 一种电子设备故障检测方法和装置
CN112598539B (zh) 一种风力发电机组风功率曲线优化计算及异常值检测方法
CN116450399A (zh) 微服务系统故障诊断及根因定位方法
CN109297534B (zh) 用于评价室内环境质量的环境参数权重确定方法及系统
CN115936428A (zh) 增量配电网防外破定值优化系统
CN116087647A (zh) 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法
CN116739829A (zh) 一种基于大数据的电力数据分析方法、系统及介质
CN111784865A (zh) 加氢站巡检数据处理方法及加氢站巡检装置
CN110749443B (zh) 一种基于高阶原点矩的滚动轴承故障诊断方法及系统
CN117031201A (zh) 一种配电网多场景拓扑异常识别方法及系统
CN111738259A (zh) 一种杆塔状态检测方法及装置
CN114660504B (zh) 绝缘监测回路的检测方法、装置、电子设备及存储介质
CN110569893A (zh) 一种配电设备缺陷分析管理方法及系统
CN115840920A (zh) 光伏组串单日可分异常分类方法、装置、设备及存储介质
JP2017099132A (ja) 回転機の短絡診断装置および回転機の短絡診断方法
CN115295016A (zh) 一种设备运行状态监控方法、装置、设备及存储介质
CN113285847A (zh) 一种智能换流站监测系统的通信网络异常检测方法及系统
CN113407520A (zh) 一种基于机器学习的电力网络安全数据清洗系统及方法

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