CN113933056B - 风力发电机组的轴承故障诊断方法和装置 - Google Patents
风力发电机组的轴承故障诊断方法和装置 Download PDFInfo
- Publication number
- CN113933056B CN113933056B CN202111307930.8A CN202111307930A CN113933056B CN 113933056 B CN113933056 B CN 113933056B CN 202111307930 A CN202111307930 A CN 202111307930A CN 113933056 B CN113933056 B CN 113933056B
- Authority
- CN
- China
- Prior art keywords
- value
- characteristic
- characteristic value
- bearing
- values
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 230000001133 acceleration Effects 0.000 claims abstract description 77
- 238000001228 spectrum Methods 0.000 claims abstract description 56
- 230000010354 integration Effects 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000006073 displacement reaction Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请提供一种风力发电机组的轴承故障诊断方法和装置,所述方法包括:获取风力发电机组的轴承在不同待诊断时间段的数据集,各数据集均包括在多个采样点分别采集的轴承的振动加速度;将振动加速度由时域转换至频域,获得对应的频谱数据;根据各数据集的振动加速度和对应的频谱数据,确定各数据集的第一特征值和第二特征值;对第一特征值和第二特征值分别进行标准化处理,获得与第一特征值相对应的第三特征值和与第二特征值相对应的第四特征值;对各数据集的第三特征值的绝对值和第四特征值的绝对值进行加权处理,获得各数据集的特征整合值;根据不同待诊断时间段的数据集的特征整合值,对轴承进行故障诊断。
Description
技术领域
本申请涉及故障诊断领域,尤其涉及一种风力发电机组的轴承故障诊断方法和装置。
背景技术
在大型旋转机械的轴承(特别是滚动轴承)故障诊断中,基于特征值的诊断理论性强、简单而方便部署、趋势明显且平滑、报警提前量大。当前多特征分析常见方法有PCA降维方法和多元控制图方法,多元控制图方法主要是MCUSUM、Hotelling T2、MEWMA。然而,面对多特征中只有少数特征具有趋势的情况,PCA降维方法无法得到具有趋势的结果;MCUSUM存在过拟合的问题,结果持续上升;Hotelling T2、MEWMA趋势陡峭,跳动大。
发明内容
本申请提供一种风力发电机组的轴承故障诊断方法和装置。
具体地,本申请是通过如下技术方案实现的:
本申请实施例的第一方面提供一种风力发电机组的轴承故障诊断方法,所述方法包括:
获取风力发电机组的轴承在不同待诊断时间段的数据集,各数据集均包括在多个采样点分别采集的所述轴承的振动加速度;
将所述振动加速度由时域转换至频域,获得对应的频谱数据;
根据各数据集的振动加速度和对应的频谱数据,确定各数据集的第一特征值和第二特征值,所述第一特征值用于表征所述数据集的振动加速度的特征分布,所述第二特征值用于表征所述数据集的频谱数据的特征分布;
对所述第一特征值和所述第二特征值分别进行标准化处理,获得与所述第一特征值相对应的第三特征值和与所述第二特征值相对应的第四特征值;
对各数据集的所述第三特征值的绝对值和所述第四特征值的绝对值进行加权处理,获得各数据集的特征整合值;
根据不同待诊断时间段的所述数据集的特征整合值,对所述轴承进行故障诊断。
本申请实施例的第二方面提供一种风力发电机组的轴承故障诊断装置,包括一个或多个处理器,用于实现第一方面中任一项所述的轴承故障诊断方法。
本申请实施例的第三方面提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现第一方面中任一项所述的轴承故障诊断方法。
根据本申请实施例提供的技术方案,先根据轴承的振动加速度,确定轴承在时域的特征分布的第一特征值和轴承在频域的特征分布的第二特征值,再对第一特征值和第二特征值进行标准化处理,标准化的结果能够反映轴承在当前状态下的各特征值的偏离程度,然后对标准化处理后的第一特征值的绝对值和第二特征值的绝对值进行加权整合,获得一个特征整合值,这样,只要第一特征值和第二特征值中存在变化趋势的特征,无论升降,也无论有趋势的变化的特征分布的数量,不同待诊断时间段的特征整合值便有相应的变化趋势,较好地解决了多特征值整合的问题,对于多特征中仅有个别特征反映出轴承故障的情况,本方法能及时发现轴承故障趋势,并做出报警处理;对轴承故障的及时发现能避免不必要的机械事故,同时特征整合值这个能及时提醒用户更换轴承,避免因突然停机造成过长时间停产。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请一示例性实施例示出的一种风力发电机组的轴承故障诊断方法的流程示意图;
图2是本申请一示例性实施例示出的一种多特征值的曲线示意图,其中,横轴表示时间,纵轴表示相应特征值的大小;
图3是对图2所示的不同时间段内的多特征值获得的特征整合值的趋势示意图;
图4是图3所示的特征整合值的趋势进行故障诊断的示意图;
图5是图4所示的故障诊断的诊断结果示意图;
图6是采用MFTI获得的特征整合值的趋势图与采用PCA、MCUSUM、Hotelling T2、MEWMA获得的特征整合值的趋势图的对比图;
图7是本申请一示例性实施例示出的一种风力发电机组的轴承故障诊断装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合附图,对本申请的风力发电机组的轴承故障诊断方法和装置进行详细说明。在不冲突的情况下,下述的实施例及实施方式中的特征可以相互组合。
本申请实施例的轴承可以为风力发电机组的发电机的轴承,该轴承可以为滚动轴承,也可以为其他类型的轴承。
图1是本申请一示例性实施例示出的一种风力发电机组的轴承故障诊断方法的流程示意图;本申请实施例的轴承故障诊断方法可应用于风力发电机组。参见图1,本申请实施例的轴承故障诊断方法可包括步骤S11~S16。
其中,在S11中、获取风力发电机组的轴承在不同待诊断时间段的数据集,一个待诊断时间段对应一个数据集,各数据集均包括在多个采样点分别采集的轴承的振动加速度。
本申请实施例中的不同待诊断时间段可根据采集数据的要求确定,如,每隔0.5小时采集一次数据,每次采集数据的时间为4秒,这4秒包括多个采样点,各时间段的时长即为4秒。
其中,振动加速度可通过轴承上安装的加速度传感器直接检测获得,例如,轴承安装至少1个加速度传感器,在固定的时间间隔采集一个时间段的振动加速度;当然,振动加速度也可通过检测与轴承连接的其他结构的振动数据间接确定。
振动加速度可以为轴承的径向加振动速度,也可为轴承的轴向振动加速度或者径向振动加速度与轴向振动加速度的合加速度。
应当理解地是,各数据集还可包括在各采样点采集的轴承是其他运动数据,如轴承的转速。
在S12中、将振动加速度由时域转换至频域,获得对应的频谱数据。
本实施例中,各数据集还均包括在各采样点采集的轴承的转速。S12的实现过程可包括如下步骤:
(1)、根据转速,确定轴承的角位移;
可以利用风力发电机组的运行时间曲线和时域的转速曲线进行除法运算,得到轴承的角位移。
在一些实施例中,角位移是通过轴承转动的圈数表征;而在另外一些实施例中,角位移可以通过轴承转动的总角度大小表征。
(2)、根据角位移,通过阶次跟踪算法将振动加速度由时域转换至角度域,获得轴承的阶次谱,阶次谱的第一坐标轴用于表征角位移,阶次谱的第二坐标轴用于表征振动加速度;
示例性地,阶次谱的横轴用于表征轴承转动的圈数,纵轴用于表征振动加速度。
在实现该步骤(2)时,可先根据角位移和振动加速度,确定轴承的初级阶次谱,角位移包括多个单位角位移;接着,对初级阶次谱进行插值处理,使得每一单位角位移对应的振动加速度的数量均达到多个单位角位移对应的振动加速度的数量中的最大数量,获得步骤(2)中的轴承的阶次谱。本实施例中,可根据角位移对振动加速度进行划分,得到初级阶次谱,具体地,轴承转动一圈对应的一个采样段,在该采样段内的采样获得的振动加速度与相应的圈数对应。单位角位移可以为轴承转动一圈对应的圈数或角度,应当理解地是,单位角位移的大小可以根据需要设定。
现有轴承是变转速,轴承转动每一圈采用的时间不同,每转一圈对应的采样点数不一致,通过插值,使得轴承转动每一圈对应的采样点数一致,这样轴承的转速就恒定,即采用阶次跟踪方法将变转速下的振动加速度转变为以最低转速为固定转速的固定转速下的振动加速度,从而将振动加速度从时域转换到角度域。进行插值后,多个单位角位移对应的振动加速度的数量的大小一致,且数量足够,能够提升故障诊断的精确性。
可以采用多样式插值算法对初级阶次谱进行插值处理,使得每一单位角位移对应的振动加速度的数量均达到多个单位角位移对应的振动加速度的数量中的最大数量,获得步骤(2)中的轴承的阶次谱。应当理解地是,也可以采用其他插值算法对初级阶次谱进行插值处理,使得每一单位角位移对应的振动加速度的数量均达到多个单位角位移对应的振动加速度的数量中的最大数量,获得步骤(2)中的轴承的阶次谱。示例性地,先统计每一单位角位移对应的振动加速度的数量大小,再确定所有单位角位移对应的振动加速度的数量中的最大数量,接着采用多样式插值算法对其他单位角位移内的振动加速度进行插值,使得其他单位角位移对应的振动加速度的数量均达到最大数量。
(3)、对阶次谱进行傅里叶变换(FFT),得到对应的频谱数据。
在某些实施例中,在执行步骤(2)之后,执行步骤(3)之前,对阶次谱进行低通滤波处理,如此,能够过滤掉振动加速度中的高频噪声信号并提高计算效率。在实现步骤(3)时,具体地,对低通滤波后的阶次谱进行傅里叶变换,得到对应的频谱数据。
如此,将振动加速度由时域转换成频域。
在S13中、根据各数据集的振动加速度和对应的频谱数据,确定各数据集的第一特征值和第二特征值,第一特征值用于表征数据集的振动加速度的特征分布,第二特征值用于表征数据集的频谱数据的特征分布。
需要说明的是,本申请实施例中,对近似停机状态不进行故障诊断,设定一个转速阈值speedcritical,只保留转速高于转速阈值speedcritical时采样的振动加速度的第一特征值以及振动加速度对应的频谱数据的第二特征值。
其中,第一特征值可包括各数据集的振动加速度的峰值和/或均方根值,第二特征值可包括各数据集的振动加速度对应的频谱数据的幅值平均值和/或频率峭度。需要说明的是,各数据集的峰值是指该数据集的所有振动加速度的绝对值的最大值,各数据集的均方根值是指该数据集的所有振动加速度确定的均方根值,各数据集的振动加速度对应的频谱数据的幅值平均值是指各数据集对应的所有频谱数据的幅度大小的平均值,各数据集的振动加速度对应的频谱数据的频率峭度是指各数据集对应的所有频谱数据的幅度大小确定的频率峭度。
示例性地,在某些实施例中,第一特征值包括各数据集的振动加速度的峰值和均方根值,第二特征值可包括各数据集的振动加速度对应的频谱数据的幅值平均值和频率峭度。其中,峰值的计算公式如下:
xp=max(|xn|) (1);
公式(1)中,xp为峰值,xn为相应数据集的第n个振动加速度。
均方根值的计算公式如下:
公式(2)中,xrms为均方根值,N是指数据集的采样点的总数,xn为相应数据集的第n个振动加速度。幅值平均值的计算公式如下:
公式(3)中,为幅值平均值,K是谱线数,Ak为第k个谱线对应的幅度大小。频率峭度的计算公式如下:
公式(4)中,KF为频率峭度,fk为第k条谱线的频率,FC为重心频率值,K是谱线数,Ak为第k个谱线对应的幅度大小。S13中根据各数据集的振动加速度和对应的频谱数据,确定各数据集的第一特征值和第二特征值的实现过程可包括如下步骤:
(1)、根据各数据集的振动加速度和对应的频谱数据,确定各数据集的多种类型的第一特征值和多种类型的第二特征值;
例如,可以确定出各数据集的振动加速度的峰值、均方根值和其他类型的第一特征值,如平均值,并确定出各数据集的振动加速度对应的频谱数据的幅值平均值、频率峭度和其他类型的第二特征值。
应当理解地是,本申请实施例中,第一特征值为时域特征值,第二特征值为频域特征值。
(2)、对各数据集的多种类型的第一特征值和多种类型的第二特征值分别进行筛选。
具体地,对各数据集的多种类型的第一特征值进行筛选的过程可包括:对各数据集的多种类型的第一特征值进行相关性分析;当存在至少两种类型的第一特征值的相关度的绝对值大于或等于第一阈值时,保留相关度的绝对值大于或等于第一阈值的至少两种类型的第一特征值中一种类型的第一特征值。例如,第一特征值包括峰值和均方根值,当峰值和均方根值的相关度的绝对值大于或等于第一阈值时,可以选择峰值和均方根值的一个作为S13中确定出的第一特征值。而对于当前种类的第一特征值,若其他类型的第一特征值与当前种类的第一特征值的相关度绝对值均小于第一阈值,则保留当前种类的第一特征值以作为S13中确定出的第一特征值。其中,第一阈值的大小可以根据需要设定,如第一阈值可以为0.85,也可为其他大于或等于0.8并小于1的数值。
对各数据集的多种类型的第二特征值进行筛选的过程可包括:对各数据集的多种类型的第二特征值进行相关性分析;当存在至少两种类型的第二特征值的相关度的绝对值大于或等于第二阈值时,保留相关度的绝对值大于或等于第二阈值的至少两种类型的第二特征值中一种类型的第二特征值。例如,第二特征值包括幅值平均值和频率峭度,当幅值平均值和频率峭度的相关度的绝对值大于或等于第一阈值时,可以选择幅值平均值和频率峭度的一个作为S13中确定出的第二特征值。而对于当前种类的第二特征值,若其他类型的第二特征值与当前种类的第二特征值的相关度绝对值均小于第二阈值,则保留当前种类的第二特征值以作为S13中确定出的第二特征值。其中,第二阈值的大小可以根据需要设定,如第二阈值可以为0.85,也可为其他大于或等于0.8并小于1的数值。
应当理解地是,每个数据集最终可包括至少一种类型的第一特征值和至少一种类型的第二特征值。
在S14中、对第一特征值和第二特征值分别进行标准化处理,获得与第一特征值相对应的第三特征值和与第二特征值相对应的第四特征值。
标准化处理是为了将第一特征值和第二特征值统一到同一数据区间。
具体地,在实现S14时,根据预先训练获得的多个第一标准特征值,对第一特征值进行标准化处理,获得与第一特征值相对应的第三特征值,并根据预先训练获得的多个第二标准特征值,对第二特征值进行标准化处理,获得与第二特征值相对应的第四特征值。其中,第一标准特征值用于表征轴承在健康状态下的预设时间段内的多个振动加速度的特征分布,第一标准特征值与第一特征值为同一类型的特征分布。第二标准特征值用于表征轴承在健康状态下的预设时间段内的多个频谱数据的特征分布,第二标准特征值与第二特征值为同一类型的特征分布。这样,标准化的结果能够反映轴承在当前状态下的各特征值偏离健康状态的程度。
根据预先训练获得的多个第一标准特征值,对第一特征值进行标准化处理,获得与第一特征值相对应的第三特征值包括:根据预先训练获得的多个第一标准特征值,训练获得多个第一标准特征值的第一均值和第一标准差;根据第一均值和第一标准差,对第一特征值进行标准化处理,获得第三特征值。
根据预先训练获得的多个第二标准特征值,对第二特征值进行标准化处理,获得与第二特征值相对应的第四特征值包括:根据预先训练获得的多个第二标准特征值,训练获得多个第二标准特征值的第二均值和第二标准差;根据第二均值和第二标准差,对第二特征值进行标准化处理,获得第四特征值。
假设第i个数据集包括2个不同种类的第一特征值和2个不同种类的第二特征值,可通过下述公式表示:
公式(5)中,为第i个数据集的第j种类的特征分布的特征值(第一特征值或第二特征值)。
对每个特征值(第一特征值或第二特征值)进行标准化处理的公式如下:
公式(5)中,为标准化处理获得的第三特征值或第四特征值,当j为第一特征值对应的特征分布时,uj、sj分别为第j种类的特征分布对应的第一均值、第一标准差;当j为第二特征值对应的特征分布时,uj、sj分别为第j种类的特征分布对应的第二均值、第二标准差。
在某些实施例中,根据预先训练获得的多个当前标准特征值,训练获得多个当前标准特征值的均值和标准差可包括如下步骤:
(1)、消除多个当前标准特征值中的异常值,当前标准特征值包括第一标准特征值或第二标准特征值;
可以采用四分位法消除多个当前标准特征值中的异常值,或者采用诸如3σ法则等经验法则来消除多个当前标准特征值中的异常值。
示例性地,采用四分位法消除多个当前标准特征值中的异常值,具体地,确定多个当前标准特征值的下四分位数和上分四位数;接着,根据下四分位数和上分四位数,分别确定上限值和下限值;将多个当前标准特征值中大于上限值的当前特征值的大小设置为上限值;并将多个当前标准特征值中小于下限值的当前特征值的大小设置为下限值。由此既剔除了离群值,又保证数据量没有减少。
其中,上限值valup、下限值valdown的计算公式如下:
公式(7)中,Q1为下四分位数,Q3为上四分位数。
(2)、确定消除异常值后的所有当前标准特征值的均值和标准差。
如此,得到的第一均值和第一标准差、第二均值和第二标准差的准确度高。
在S15中、对各数据集的第三特征值的绝对值和第四特征值的绝对值进行加权处理,获得各数据集的特征整合值。
具体地,根据各数据集的第三特征值的绝对值和第四特征值的绝对值,确定各数据集的第三特征值对应的权重和第四特征值对应的权重;根据各数据集的第三特征值的绝对值、第四特征值的绝对值、第三特征值对应的权重以及第四特征值对应的权重进行加权处理,获得各数据集的特征整合值。仍然以第i个数据集包括2个不同种类的第一特征值和2个不同种类的第二特征值为例,第i个数据集的第j种类的第一特征值或第二特征值的权重的计算公式如下:
公式(8)中,当j为第一特征值对应的特征分布时,为第j种类的第三特征值;当j为第二特征值对应的特征分布时,/>为第j种类的第四特征值。
第i个数据集的特征整合值TIi的计算公式如下:
在S16中、根据不同待诊断时间段的数据集的特征整合值,对轴承进行故障诊断。
上述特征整合值的计算可称作为MFTI(Multi-feature trend integrationMFTI,多特征趋势整合)计算。
可根据不同待诊断时间段的数据集的特征整合值以及预先训练获得的轴承在健康状态下确定的报警阈值,对轴承进行故障诊断。其中,报警阈值为根据预先训练获得的轴承在健康状态下的多个特征整合值确定。具体地,轴承在健康状态下进行MFTI计算,获得轴承在健康状态下的不同待诊断时间段的数据集的特征整合值,再根据轴承在健康状态下的多个特征整合值确定第三均值和第三标准差;然后根据第三均值和第三标准差确定报警阈值。即,本实施例中的报警阈值为根据预先训练获得的轴承在健康状态下的多个特征整合值所确定的第三均值和第三标准差而确定。
在某些实施例中,报警阈值包括指示轴承处于故障状态的第一报警阈值和指示轴承处于预警状态的第二报警阈值,第一报警阈值大于第二报警阈值,其中,当待诊断时间段的特征整合值大于或等于第一报警阈值时,轴承处于故障状态,此时轴承故障,需要更换或维修;当待诊断时间段的特征整合值大于或等于第二报警阈值,并小于第一报警阈值时,轴承处于预警状态,提醒用户关注轴承的运行以及时更换轴承。应当理解地是,报警阈值还可根据需要设置为其他。
此外,当待诊断时间段的特征整合值大于0,并小于第一报警阈值时,轴承健康运行。以某风力发电机组的轴承的265条径向振动加速度为例进行说明,计算第一特征值和第二特征值。转速阈值设定为500RPM(单位:转/分钟),对于每一种类的特征值,仅查看转速高于500RPM的234条数据的特征值,如图2所示。
对于每一种类的特征值,可将234条数据中前40条数据作为轴承在健康状态下的该种类的特征值数据,可将这40条数据作为训练数据的特征值,训练生成对应的均值(第一均值或第二均值)和标准差(第一标准差或第二标准差)。然后,基于生成的均值和标准差整合所有234条数据的特征值,整合结果如图3所示。
相应地,基于TI(特征整合值)序列的前40个值计算第一报警阈值和第二报警阈值,各报警阈值的阈值线如图4所示,报警结果如图5所示。由图5可以得到轴承的正常运行时间、预警时间及故障时间。
对比MFTI与PCA、MCUSUM、Hotelling T2、MEWMA,如图6所示,从中看出PCA无法处理多特征中只有很少特征有趋势的情况,MCUSUM存在过拟合的问题;Hotelling T2、MEWMA上升趋势陡峭,MFTI的多特征整合值的趋势相对较佳。
本申请实施例的轴承故障诊断方法可应用于滚动轴承,也可应用于其他类型的轴承的故障诊断。
本申请实施例的轴承故障诊断方法,先根据轴承的振动加速度,确定轴承在时域的特征分布的第一特征值和轴承在频域的特征分布的第二特征值,再对第一特征值和第二特征值进行标准化处理,标准化的结果能够反映轴承在当前状态下的各特征值偏离健康状态的程度,然后对标准化处理后的第一特征值的绝对值和第二特征值的绝对值进行加权整合,获得一个特征整合值,这样,只要第一特征值和第二特征值中存在变化趋势的特征,无论升降,也无论有趋势的变化的特征分布的数量,不同待诊断时间段的特征整合值便有相应的变化趋势,较好地解决了多特征值整合的问题,对于多特征中仅有个别特征反映出轴承故障的情况,本方法能及时发现轴承故障趋势,并做出报警处理;对轴承故障的及时发现能避免不必要的机械事故,同时特征整合值这个能及时提醒用户更换轴承,避免因突然停机造成过长时间停产。
与前述轴承故障诊断方法的实施例相对应,本申请还提供了轴承故障诊断装置的实施例。
参见图7,本申请实施例提供的一种风力发电机组的轴承故障诊断装置,包括一个或多个处理器,用于实现上述实施例中的轴承故障诊断方法。
本申请轴承故障诊断装置的实施例可以应用在风力发电机组上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在风力发电机组的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图7所示,为本申请轴承故障诊断装置所在风力发电机组的一种硬件结构图,除了图7所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的风力发电机组通常根据该风力发电机组的实际功能,还可以包括其他硬件,对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本申请实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的轴承故障诊断方法。
所述计算机可读存储介质可以是前述任一实施例所述的风力发电机组的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是风力发电机的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括风力发电机组的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述风力发电机组所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (15)
1.一种风力发电机组的轴承故障诊断方法,其特征在于,所述方法包括:
获取风力发电机组的轴承在不同待诊断时间段的数据集,一个所述待诊断时间段对应一个所述数据集,各数据集均包括在多个采样点分别采集的所述轴承的振动加速度;
将所述振动加速度由时域转换至频域,获得对应的频谱数据;
根据各数据集的振动加速度和对应的频谱数据,确定各数据集的第一特征值和第二特征值,所述第一特征值用于表征所述数据集的振动加速度的特征分布,所述第二特征值用于表征所述数据集的频谱数据的特征分布;
对所述第一特征值和所述第二特征值分别进行标准化处理,获得与所述第一特征值相对应的第三特征值和与所述第二特征值相对应的第四特征值;
对各数据集的所述第三特征值的绝对值和所述第四特征值的绝对值进行加权处理,获得各数据集的特征整合值;
根据不同待诊断时间段的所述数据集的特征整合值,对所述轴承进行故障诊断;
各数据集还均包括在各采样点采集的所述轴承的转速;所述轴承为变转速;所述将所述振动加速度由时域转换至频域,获得对应的频谱数据,包括:
根据所述转速,确定所述轴承的角位移;
根据所述角位移,通过阶次跟踪算法将所述振动加速度由时域转换至角度域,获得所述轴承的阶次谱,其中,根据所述角位移和所述振动加速度,确定所述轴承的初级阶次谱,所述角位移包括多个单位角位移;
对所述初级阶次谱进行插值处理,使得每一单位角位移对应的振动加速度的数量均达到多个所述单位角位移对应的振动加速度的数量中的最大数量,获得所述轴承的阶次谱;
所述阶次谱的第一坐标轴用于表征所述角位移,所述阶次谱的第二坐标轴用于表征所述振动加速度;
对所述阶次谱进行傅里叶变换,得到对应的频谱数据。
2.根据权利要求1所述的风力发电机组的轴承故障诊断方法,其特征在于,所述对所述第一特征值和所述第二特征值分别进行标准化处理,获得与所述第一特征值相对应的第三特征值和与所述第二特征值相对应的第四特征值,包括:
根据预先训练获得的多个第一标准特征值,对所述第一特征值进行标准化处理,获得与所述第一特征值相对应的第三特征值,并根据预先训练获得的多个第二标准特征值,对所述第二特征值进行标准化处理,获得与所述第二特征值相对应的第四特征值;
其中,所述第一标准特征值用于表征所述轴承在健康状态下的预设时间段内的多个振动加速度的特征分布,所述第一标准特征值与所述第一特征值为同一类型的特征分布,所述第二标准特征值用于表征所述轴承在健康状态下的预设时间段内的多个频谱数据的特征分布,所述第二标准特征值与所述第二特征值为同一类型的特征分布。
3.根据权利要求2所述的风力发电机组的轴承故障诊断方法,其特征在于,所述根据预先训练获得的多个第一标准特征值,对所述第一特征值进行标准化处理,获得与所述第一特征值相对应的第三特征值,并根据预先训练获得的多个第二标准特征值,对所述第二特征值进行标准化处理,获得与所述第二特征值相对应的第四特征值,包括:
根据预先训练获得的多个第一标准特征值,训练获得多个所述第一标准特征值的第一均值和第一标准差;
根据所述第一均值和所述第一标准差,对所述第一特征值进行标准化处理,获得第三特征值;及
根据预先训练获得的多个第二标准特征值,训练获得多个所述第二标准特征值的第二均值和第二标准差;
根据所述第二均值和所述第二标准差,对所述第二特征值进行标准化处理,获得第四特征值。
4.根据权利要求3所述的风力发电机组的轴承故障诊断方法,其特征在于,根据预先训练获得的多个当前标准特征值,训练获得多个所述当前标准特征值的均值和标准差,包括:
消除多个所述当前标准特征值中的异常值,所述当前标准特征值包括第一标准特征值或第二标准特征值;
确定消除异常值后的所有当前标准特征值的均值和标准差。
5.根据权利要求4所述的风力发电机组的轴承故障诊断方法,其特征在于,所述消除多个所述当前标准特征值中的异常值,包括:
采用四分位法消除多个所述当前标准特征值中的异常值。
6.根据权利要求5所述的风力发电机组的轴承故障诊断方法,其特征在于,所述采用四分位法消除多个所述当前标准特征值中的异常值,包括:
确定多个所述当前标准特征值的下四分位数和上分四位数;
根据所述下四分位数和所述上分四位数,分别确定上限值和下限值;
将多个所述当前标准特征值中大于所述上限值的当前特征值的大小设置为所述上限值;
将多个所述当前标准特征值中小于所述下限值的当前特征值的大小设置为所述下限值。
7.根据权利要求1所述的风力发电机组的轴承故障诊断方法,其特征在于,所述对各数据集的所述第三特征值的绝对值和所述第四特征值的绝对值进行加权处理,获得各数据集的特征整合值,包括:
根据各数据集的所述第三特征值的绝对值和所述第四特征值的绝对值,确定各数据集的所述第三特征值对应的权重和所述第四特征值对应的权重;
根据各数据集的所述第三特征值的绝对值、所述第四特征值的绝对值、第三特征值对应的权重以及所述第四特征值对应的权重进行加权处理,获得各数据集的特征整合值。
8.根据权利要求1所述的风力发电机组的轴承故障诊断方法,其特征在于,所述第一特征值包括峰值和/或均方根值,所述第二特征值包括幅值平均值和/或频率峭度。
9.根据权利要求1所述的风力发电机组的轴承故障诊断方法,其特征在于,所述根据各数据集的振动加速度和对应的频谱数据,确定各数据集的第一特征值和第二特征值,包括:
根据各数据集的振动加速度和对应的频谱数据,确定各数据集的多种类型的第一特征值和多种类型的第二特征值;
对各数据集的多种类型的第一特征值和多种类型的第二特征值分别进行筛选。
10.根据权利要求9所述的风力发电机组的轴承故障诊断方法,其特征在于,对各数据集的多种类型的第一特征值和多种类型的第二特征值分别进行筛选,包括:
对各数据集的多种类型的第一特征值进行相关性分析;
当存在至少两种类型的第一特征值的相关度的绝对值大于或等于第一阈值时,保留相关度的绝对值大于或等于第一阈值的至少两种类型的第一特征值中一种类型的第一特征值;
对各数据集的多种类型的第二特征值进行相关性分析;
当存在至少两种类型的第二特征值的相关度的绝对值大于或等于第二阈值时,保留相关度的绝对值大于或等于第二阈值的至少两种类型的第二特征值中一种类型的第二特征值。
11.根据权利要求1所述的风力发电机组的轴承故障诊断方法,其特征在于,所述根据所述角位移,通过阶次跟踪算法将所述振动加速度由时域转换至角度域,获得所述轴承的阶次谱之后,对所述阶次谱进行傅里叶变换,得到对应的频谱数据之前,还包括:
对所述阶次谱进行低通滤波处理;
所述对所述阶次谱进行傅里叶变换,得到对应的频谱数据,包括:
对所述低通滤波后的阶次谱进行傅里叶变换,得到对应的频谱数据。
12.根据权利要求1所述的风力发电机组的轴承故障诊断方法,其特征在于,所述根据不同待诊断时间段的所述数据集的特征整合值,对所述轴承进行故障诊断,包括:
根据不同待诊断时间段的所述数据集的特征整合值以及预先训练获得的所述轴承在健康状态下确定的报警阈值,对所述轴承进行故障诊断;
其中,所述报警阈值为根据预先训练获得的所述轴承在健康状态下的多个特征整合值确定。
13.根据权利要求12所述的风力发电机组的轴承故障诊断方法,其特征在于,所述报警阈值为根据预先训练获得的所述轴承在健康状态下的多个特征整合值所确定的第三均值和第三标准差而确定;
和/或,所述报警阈值包括指示所述轴承处于故障状态的第一报警阈值和指示所述轴承处于预警状态的第二报警阈值,所述第一报警阈值大于所述第二报警阈值,其中,当所述待诊断时间段的特征整合值大于或等于所述第一报警阈值时,所述轴承处于所述故障状态。
14.一种风力发电机组的轴承故障诊断装置,其特征在于,包括一个或多个处理器,用于实现权利要求1-13中任一项所述的轴承故障诊断方法。
15.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时,实现权利要求1-13中任一项所述的轴承故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111307930.8A CN113933056B (zh) | 2021-11-05 | 2021-11-05 | 风力发电机组的轴承故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111307930.8A CN113933056B (zh) | 2021-11-05 | 2021-11-05 | 风力发电机组的轴承故障诊断方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113933056A CN113933056A (zh) | 2022-01-14 |
CN113933056B true CN113933056B (zh) | 2024-02-23 |
Family
ID=79286011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111307930.8A Active CN113933056B (zh) | 2021-11-05 | 2021-11-05 | 风力发电机组的轴承故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113933056B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116089866B (zh) * | 2023-02-09 | 2023-09-01 | 安徽布拉特智能科技有限公司 | 基于振动信号的设备故障分析方法、系统、终端及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954450A (zh) * | 2014-05-19 | 2014-07-30 | 重庆交通大学 | 基于主成分分析的轴承寿命退化性能评估指标构建方法 |
CN103983452A (zh) * | 2014-04-18 | 2014-08-13 | 中国人民解放军国防科学技术大学 | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 |
CN108318249A (zh) * | 2018-01-24 | 2018-07-24 | 广东石油化工学院 | 一种旋转机械轴承的故障诊断方法 |
CN108898050A (zh) * | 2018-05-17 | 2018-11-27 | 广东工业大学 | 一种柔性材料加工设备辊轴性能指标计算方法 |
CN110274764A (zh) * | 2019-06-06 | 2019-09-24 | 西安交通大学 | 一种基于振动加速度信号的机车电机轴承自动诊断方法 |
CN110674892A (zh) * | 2019-10-24 | 2020-01-10 | 北京航空航天大学 | 一种基于加权多特征融合和svm分类的故障特征筛选方法 |
CN112304613A (zh) * | 2020-10-30 | 2021-02-02 | 浙江运达风电股份有限公司 | 一种基于特征融合的风电机组发电机轴承预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101764540B1 (ko) * | 2016-06-21 | 2017-08-02 | 두산중공업 주식회사 | 풍력발전기 진동 상태감시 및 진단 시스템 |
-
2021
- 2021-11-05 CN CN202111307930.8A patent/CN113933056B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983452A (zh) * | 2014-04-18 | 2014-08-13 | 中国人民解放军国防科学技术大学 | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 |
CN103954450A (zh) * | 2014-05-19 | 2014-07-30 | 重庆交通大学 | 基于主成分分析的轴承寿命退化性能评估指标构建方法 |
CN108318249A (zh) * | 2018-01-24 | 2018-07-24 | 广东石油化工学院 | 一种旋转机械轴承的故障诊断方法 |
CN108898050A (zh) * | 2018-05-17 | 2018-11-27 | 广东工业大学 | 一种柔性材料加工设备辊轴性能指标计算方法 |
CN110274764A (zh) * | 2019-06-06 | 2019-09-24 | 西安交通大学 | 一种基于振动加速度信号的机车电机轴承自动诊断方法 |
CN110674892A (zh) * | 2019-10-24 | 2020-01-10 | 北京航空航天大学 | 一种基于加权多特征融合和svm分类的故障特征筛选方法 |
CN112304613A (zh) * | 2020-10-30 | 2021-02-02 | 浙江运达风电股份有限公司 | 一种基于特征融合的风电机组发电机轴承预警方法 |
Non-Patent Citations (1)
Title |
---|
"发动机变速阶段振动信号阶比跟踪研究";孔庆鹏;《中国博士学位论文全文数据库 工程科技II辑》(第05期);C035-8 * |
Also Published As
Publication number | Publication date |
---|---|
CN113933056A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108780025B (zh) | 状态监视系统和风力发电装置 | |
KR101903283B1 (ko) | 발전 설비의 자동 진단 시스템 및 자동 진단 방법 | |
US10520397B2 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
JP6820771B2 (ja) | 状態監視システムおよび風力発電装置 | |
JP5369246B1 (ja) | 異常予兆診断装置及び異常予兆診断方法 | |
WO2023035869A1 (zh) | 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 | |
US9618037B2 (en) | Apparatus and method for identifying health indicators for rolling element bearings | |
WO2013180727A1 (en) | A method and a system for testing operational integrity of a drilling rig | |
WO2017159784A1 (ja) | 状態監視システムおよび風力発電装置 | |
CN112766342A (zh) | 一种电气设备的异常检测方法 | |
CN113933056B (zh) | 风力发电机组的轴承故障诊断方法和装置 | |
EP3788328B1 (en) | System and process for pattern matching bearing vibration diagnostics | |
CN110226140B (zh) | 状态监视方法及状态监视装置 | |
CN108289984A (zh) | 用于使用泵操作数据的不良事件预测的方法和系统 | |
US11740122B2 (en) | Autonomous discrimination of operation vibration signals | |
JP2018120407A (ja) | 状態監視方法および状態監視装置 | |
Zhang et al. | A novel intelligent method for bearing fault diagnosis based on Hermitian scale-energy spectrum | |
KR102226971B1 (ko) | 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치 | |
WO2020115456A1 (en) | Method and system for monitoring a remote system | |
CN111006758A (zh) | 一种风力发电机组稳态振动在线趋势预测方法及趋势预测系统 | |
JP2020123229A (ja) | 異常予兆検出システム、異常予兆検出方法 | |
CN116593145B (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
Uddin et al. | Distance and Density Similarity Based Enhanced k‐NN Classifier for Improving Fault Diagnosis Performance of Bearings | |
CN110749443A (zh) | 一种基于高阶原点矩的滚动轴承故障诊断方法及系统 | |
CN113985276B (zh) | 风力发电机组的故障诊断方法和装置 |
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 |