CN114689321A - 风力发电机组的轴承故障诊断方法、装置、电子设备 - Google Patents
风力发电机组的轴承故障诊断方法、装置、电子设备 Download PDFInfo
- Publication number
- CN114689321A CN114689321A CN202011638436.5A CN202011638436A CN114689321A CN 114689321 A CN114689321 A CN 114689321A CN 202011638436 A CN202011638436 A CN 202011638436A CN 114689321 A CN114689321 A CN 114689321A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- signal sequence
- bearing
- bearing 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 65
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 211
- 230000010287 polarization Effects 0.000 claims description 63
- 238000005070 sampling Methods 0.000 claims description 63
- 230000005856 abnormality Effects 0.000 claims description 42
- 230000002159 abnormal effect Effects 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 abstract description 32
- 239000000306 component Substances 0.000 description 33
- 238000001514 detection method Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 230000036541 health Effects 0.000 description 10
- 208000004117 Congenital Myasthenic Syndromes Diseases 0.000 description 9
- 239000008358 core component Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004836 empirical method Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种风力发电机组的轴承故障诊断方法、装置、电子设备,能够识别出存在数据质量问题的轴承振动监测信号,从而消除由于使用存在数据质量问题的轴承振动监测信号导致的故障误报的情况。其中,风力发电机组的轴承故障诊断方法包括:获取振动信号采集装置采集到的轴承振动信号序列;根据轴承振动信号序列在时域上的分布情况,识别轴承振动信号序列是否存在数据质量异常;在轴承振动信号序列不存在数据质量异常的情况下,根据轴承振动信号序列对风力发电机组的轴承进行故障诊断。
Description
技术领域
本申请属于风力发电行业,尤其涉及一种风力发电机组的轴承故障诊断方法、装置、电子设备。
背景技术
通过在风力发电机组的轴承部件上加装振动传感器,可以对机组部件进行实时监测,根据对振动传感器检测到的数据进行分析,可以确定风力发电机组核心部件的健康状态以及风力发电机组的整体健康状况。
然而,发明人发现,在实际应用中,由于振动传感器的损坏、传感器连线的松动、网络传输异常、供电引起电磁干扰等原因,振动传感器检测到的数据往往会产生数据异常,振动数据异常会直接影响到分析结果,可能会导致故障误判,例如误报故障或者漏报故障。
发明内容
本申请实施例提供一种风力发电机组的轴承故障诊断方法、装置、电子设备,能够识别出存在数据质量问题的轴承振动监测信号,从而消除由于使用存在数据质量问题的轴承振动监测信号导致的故障误报的情况。
一方面,本申请实施例提供一种风力发电机组的轴承故障诊断方法,该方法包括:获取振动信号采集装置采集到的轴承振动信号序列;根据轴承振动信号序列在时域上的分布情况,识别轴承振动信号序列是否存在数据质量异常;在轴承振动信号序列不存在数据质量异常的情况下,根据轴承振动信号序列对风力发电机组的轴承进行故障诊断。
可选的,在数据质量异常包括数据偏振现象的情况下,根据轴承振动信号序列在时域上的分布情况,识别轴承振动信号序列是否存在数据质量异常,包括:将轴承振动信号序列的信号强度范围分割为n个区间,其中,n为大于1的整数;在轴承振动信号序列的多个采样点中,统计信号强度属于每个区间的采样点个数;在n个区间的采样点个数服从正态分布的情况下,确定正态分布的期望值所在的区间,得到第一区间,并根据第一区间的信号强度范围在轴承振动信号序列的信号强度范围中所处的位置,判断轴承振动信号序列是否存在数据偏振现象。
可选的,根据第一区间的信号强度范围在轴承振动信号序列的信号强度范围中所处的位置,判断轴承振动信号序列是否存在数据偏振现象,包括:统计n个区间中处于第一区间下侧的区间个数,得到第一数值;统计n个区间中处于第一区间上侧的区间个数,得到第二数值;根据第一数值和第二数值,判断轴承振动信号序列是否存在数据偏振现象。
可选的,根据第一数值和第二数值,判断轴承振动信号序列是否存在数据偏振现象,包括:在第一数值大于第二数值的第一倍数的情况下,确定轴承振动信号序列为存在数据偏振现象的上侧聚集信号;在第二数值大于第一数值的第二倍数的情况下,确定轴承振动信号序列为存在数据偏振现象的下侧聚集信号。
可选的,在将轴承振动信号序列的信号强度范围分割为n个区间之前,根据轴承振动信号序列在时域上的分布情况,识别轴承振动信号序列是否存在数据质量异常,还包括:获取轴承振动信号序列的直流分量;在直流分量为零的情况下,确定轴承振动信号序列不存在数据偏振现象;在直流分量不为零的情况下,将轴承振动信号序列的信号强度范围分割为n个区间。
可选的,在数据质量异常包括最值分布异常的情况下,根据轴承振动信号序列在时域上的分布情况,识别轴承振动信号序列是否存在数据质量异常,包括:按照轴承振动信号序列的时间轴对轴承振动信号序列进行划分,得到m个信号集合,其中,m为大于1的整数;分别确定每个信号集合中信号强度的最值;根据m个信号集合确定出的所有最值的分布情况,确定轴承振动信号序列是否存在最值分布异常。
可选的,根据m个信号集合确定出的所有最值的分布情况,确定轴承振动信号序列是否存在最值分布异常,包括:统计所有最值的众数;统计轴承振动信号序列中信号强度等于最值的众数的采样点数量;计算采样点数量在轴承振动信号序列的采样点总数中所占的比例;在比例超过比例阈值的情况下,确定轴承振动信号序列存在最值分布异常。
另一方面,本申请实施例提供了一种风力发电机组的轴承故障诊断装置,该装置包括:获取模块,用于获取振动信号采集装置采集到的轴承振动信号序列;识别模块,用于根据轴承振动信号序列在时域上的分布情况,识别轴承振动信号序列是否存在数据质量异常;诊断模块,用于在轴承振动信号序列不存在数据质量异常的情况下,根据轴承振动信号序列对风力发电机组的轴承进行故障诊断。
可选的,识别模块包括:分割单元,用于在数据质量异常包括数据偏振现象的情况下,将轴承振动信号序列的信号强度范围分割为n个区间,其中,n为大于1的整数;第一统计单元,用于在轴承振动信号序列的多个采样点中,统计信号强度属于每个区间的采样点个数;执行单元,用于在n个区间的采样点个数服从正态分布的情况下,确定正态分布的期望值所在的区间,得到第一区间,并根据第一区间的信号强度范围在轴承振动信号序列的信号强度范围中所处的位置,判断轴承振动信号序列是否存在数据偏振现象。
可选的,执行单元包括:第二统计单元,用于统计n个区间中处于第一区间下侧的区间个数,得到第一数值;第三统计单元,用于统计n个区间中处于第一区间上侧的区间个数,得到第二数值;判断单元,用于根据第一数值和第二数值,判断轴承振动信号序列是否存在数据偏振现象。
可选的,判断单元包括:第一确定单元,用于在第一数值大于第二数值的第一倍数的情况下,确定轴承振动信号序列为存在数据偏振现象的上侧聚集信号;第二确定单元,用于在第二数值大于第一数值的第二倍数的情况下,确定轴承振动信号序列为存在数据偏振现象的下侧聚集信号。
可选的,识别模块还包括:获取单元,用于在将轴承振动信号序列的信号强度范围分割为n个区间之前,获取轴承振动信号序列的直流分量;第三确定单元,用于在直流分量为零的情况下,确定轴承振动信号序列不存在数据偏振现象;所述分割单元用于在直流分量不为零的情况下,将轴承振动信号序列的信号强度范围分割为n个区间。
可选的,识别模块包括:划分单元,用于在数据质量异常包括最值分布异常的情况下,按照轴承振动信号序列的时间轴对轴承振动信号序列进行划分,得到m个信号集合,其中,m为大于1的整数;第四确定单元,用于分别确定每个信号集合中信号强度的最值;第五确定单元,用于根据m个信号集合确定出的所有最值的分布情况,确定轴承振动信号序列是否存在最值分布异常。
可选的,第五确定单元包括:第四统计单元,用于统计所有最值的众数;第五统计单元,用于统计轴承振动信号序列中信号强度等于最值的众数的采样点数量;计算单元,用于计算采样点数量在轴承振动信号序列的采样点总数中所占的比例;第六确定单元,用于在比例超过比例阈值的情况下,确定轴承振动信号序列存在最值分布异常。
再一方面,本申请实施例提供了一种电子设备,该电子设备包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现如本申请实施例所述的风力发电机组的轴承故障诊断方法。
再一方面,本申请实施例提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如本申请实施例所述的风力发电机组的轴承故障诊断方法。
本申请实施例的风力发电机组的轴承故障诊断方法、装置、电子设备,通过轴承振动信号序列在时域上的分布情况,识别轴承振动信号序列是否存在数据质量异常,并在轴承振动信号序列不存在数据质量异常的情况下,根据轴承振动信号序列对风力发电机组的轴承进行故障诊断,能够识别出存在数据质量问题的轴承振动监测信号,在轴承振动监测信号存在异常的情况下,放弃使用存在异常的轴承振动监测信号进行故障诊断,从而消除由于使用存在数据质量问题的轴承振动监测信号导致的故障误报的情况。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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是轴承振动信号序列在正常状态下的一种可选的示意图;
图2是轴承振动信号序列存在一种可选的数据质量异常时的示意图;
图3是轴承振动信号序列存在另一种可选的数据质量异常时的示意图;
图4是轴承振动信号序列存在另一种可选的数据质量异常时的示意图;
图5是本申请一个实施例提供的风力发电机组的轴承故障诊断方法的流程示意图;
图6是本申请另一个实施例提供的风力发电机组的轴承故障诊断方法的流程示意图;
图7是本申请另一个实施例提供的风力发电机组的轴承故障诊断方法的流程示意图;
图8是本申请另一个实施例提供的风力发电机组的轴承故障诊断方法的流程示意图;
图9是本申请另一个实施例提供的风力发电机组的轴承故障诊断装置的结构示意图;
图10是本申请又一个实施例提供的电子设备的结构示意图;
图11是本申请一个实施例提供的风力发电机组的轴承故障诊断装置的应用场景示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
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、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、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……”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。
下面首先对本申请实施例所提供的风力发电机组的轴承故障诊断方法的一种可选的应用场景进行介绍。
本申请实施例提供的风力发电机组的轴承故障诊断方法,可以应用于对风力发电机组的轴承进行监测的应用环境中,具体而言,风力发电机组的部件包括轴承,轴承的振动情况可以反映出风力发电机组的核心部件运行情况,以及风力发电机组运行的整体健康状况等,因此,可以对轴承的振动进行实时监测,以获取轴承的振动监测信号。可以在风力发电机组安装振动信号采集装置,其中,振动信号采集装置可以包括用于感应振动强度的振动传感器,振动传感器可以安装在轴承上。
振动信号采集装置还可以包括与振动传感器相连接的信号处理模块等,与振动传感器相连接的信号处理模块可以通过有线的线缆通信或无线通信的方式与振动传感器通信连接。信号处理模块可以用于接收振动传感器感应振动强度得到的信号,将模拟信号转换为数字信号,每个采样点的信号用于表示对应采样时刻采集到的振动强度的大小。
可选的,与振动传感器相连接的信号处理模块等可以安装于风力发电机组的轮毂、机舱等部位,本申请实施例对此不作具体限制。振动传感器按照一定的采样频率进行采样,得到轴承在振动过程中的信号。在信号正常,不存在数据质量异常的情况下,轴承振动信号序列的一种可选的示意图如图1所示。其中,纵轴为信号的信号量,具体可以是振动传感器采集到的数字量,用于表示振动强度;横轴为时间轴,每个采样点的采样时刻为对应采样点在横轴上的投影位置的时刻。
由于振动传感器的损坏、传感器连线的松动、网络传输异常、供电引起电磁干扰等原因,监测到的轴承振动信号序列可能会存在数据(信号量)质量异常,例如,产生数据偏振(或称单侧聚集)现象,数据偏振的种类包括上侧聚集和下侧聚集,或者产生平峰现象。其中,单侧聚集的信号是指,对于一段呈现正弦波形或余弦波形的信号序列,第一侧(例如上侧或下侧)的波形是正常的,而另一侧的信号量则集中的聚集在一起,没有呈现与第一侧相似的波形;形如这样的一段信号称为单侧聚集信号。采样点的信号量在下侧聚集在一起的一段信号称为下侧聚集信号,一种可选的示意图如图2所示;采样点的信号量在上侧聚集在一起的一段信号称为上侧聚集信号,一种可选的示意图如图3所示。平峰信号是指,在对一段信号序列针对横轴进行分段后,至少存在着一个这样的采样时间分段:在该时间分段内,存在很多采样点的信号量等于该时间分段内信号最大值或最小值,甚至部分采样点是连续的不变化,连续的与信号的最大值或最小值相等,那么,这样的一段信号序列可以称为平峰信号,一种可选的示意图如图4所示。平峰信号存在最值分布异常的问题。
振动信号采集装置采集到的轴承振动信号可以发送至监测系统,由监测系统根据轴承振动信号对风力发电机组的各个核心部件的健康状况和风力发电机组的整体健康状况进行分析,具体的故障诊断/健康状况的分析方式在此不再赘述。监测系统可以是运行在具有运算能力的电子设备中的软件程序,根据接收到的振动信号进行故障诊断。上述电子设备可以是本申请实施例提供的一种电子设备,该电子设备可以包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时,实现如本申请实施例所述的风力发电机组的轴承故障诊断方法。上述电子设备可以设置在风力发电机组的机舱、塔筒等部件的内部,或者,也可以设置在风力发电机组所在风场的监控室内等,本申请实施例对此不作具体限定。
可选的,监测系统可以是风力发电行业常用的状态监测系统(ContentManagement System,简称CMS)。CMS主要通过在风力发电机组的叶片或轴承等部件上加装振动传感器来对机组部件进行实时监测,通过对振动数据分析识别机组各核心部件健康状态以及机组的整体健康状况,并根据部件的健康状态合理安排运维计划。实际中,CMS获取的轴承振动信号采集数据往往由于振动传感器的损坏、传感器连线的松动、网络传输异常、供电引起电磁干扰等原因导致振动数据异常。振动数据异常直接会影响到振动分析结果,使得CMS误报故障或漏报故障,给运维人员带来了不良体验和困扰。由此可见,对CMS数据质量异常进行实时检测,并及时给出数据质量异常提示,可避免现场运维人员因数据质量问题对CMS诊断结果产生误判,对CMS实际应用意义重大。
为了消除轴承振动信号的数据质量异常对轴承故障诊断产生的干扰,本申请实施例提供了一种风力发电机组的轴承故障诊断方法。可选的,本申请实施例提供的方法可以集成于上述的CMS系统。
图5示出了本申请一个实施例提供的风力发电机组的轴承故障诊断方法的流程示意图。如图5所示,该方法包括如下步骤:
步骤101,获取振动信号采集装置采集到的轴承振动信号序列。
振动信号采集装置可以包括振动传感器,用于以一定的信号采样频率对轴承在监测方向上的振动进行采集,采集到的信号量用于表示监测到的振动强度。
轴承振动信号序列包括在一段时间内按照预设采样频率采集到的多个信号的序列,也可以称为多个采样点,每个采样点的时间间隔为一个采样周期,每个采样点的信号强度为对应采样时刻的振动强度。
步骤102,根据轴承振动信号序列在时域上的分布情况,识别轴承振动信号序列是否存在数据质量异常。
存在数据质量异常的信号可以是上述的上侧聚集信号、下侧聚集信号或平峰信号。其中,上侧聚集信号和下侧聚集信号存在着数据偏振现象,采样点的信号量在上侧或下侧偏向于聚集的状态。平峰信号存在着最值分布异常,信号量等于最大值或最小值的个数较多(高于预设的个数)。
根据上述的数据质量异常的定义,可以对轴承振动信号序列在时域上的分布情况进行分析,进而识别出轴承振动信号序列是否存在数据质量异常。
步骤103,在轴承振动信号序列不存在数据质量异常的情况下,根据轴承振动信号序列对风力发电机组的轴承进行故障诊断。
在根据步骤102判断出轴承振动信号序列不存在数据质量异常的情况下,可以根据轴承振动信号序列对风力发电机组的轴承进行故障诊断。
一种可选的示例为,可以由CMS系统根据轴承振动信号序列分析风力发电机组主要核心部件(包括轴承)的运行健康情况等。
在轴承振动信号序列存在任意一种数据质量异常的情况下,则放弃采集的这部分轴承振动信号序列,否则,如果根据存在数据质量异常的轴承振动信号序列进行故障诊断,可能会导致故障误报或漏报的错误诊断情况。
此外,在轴承振动信号序列存在数据质量异常的情况下,可以发出提示报警,以提示运维人员对采集振动信号的通路进行检测,包括对振动信号采集装置的内部进行检测,如振动传感器是否能正常工作,振动传感器与振动信号采集装置的信号处理模块的通信是否正常,还可以包括对振动信号采集装置与监测系统之间的通信是否正常进行检测等。在维修正常之后,再次采集轴承振动信号序列,执行本申请实施例提供的方法,如果得到不存在数据质量异常的轴承振动信号序列,则可以进一步对风力发电机组的轴承进行故障诊断。
对于步骤102,由于现有其它领域对数据质量异常进行检测的方法,诸如对数据进行平稳性、周期性检验,识别数据是否异常等,不能直接的适用于复杂的振动数据异常的检测。这是由于振动数据本身不是平稳数据,并且当设备出现不同故障时数据的周期性也会不同。因此,当前缺少对振动数据异常的有效的检测方法。为了解决数据偏振现象、最值分布异常等数据异常质量问题,需要设计一种更适合监测振动信号的应用场景的算法。
在一种可能的实施方式中,上述数据质量异常包括数据偏振现象,例如图2所示的数据在下侧聚集的数据偏振现象和图3所示的数据在上侧聚集的数据偏振现象,在这种情况下,可以通过对信号强度集中分布的区间在总的信号强度范围内所处的位置,来确定是否存在数据偏振的现象。
一种可选的实施方式为,上述步骤102根据轴承振动信号序列在时域上的分布情况,识别轴承振动信号序列是否存在数据质量异常,具体包括执行如下步骤:
步骤201,将轴承振动信号序列的信号强度范围分割为n个区间,其中,n为大于1的整数。
轴承振动信号序列的信号强度范围是轴承振动信号序列的信号强度最大值max和信号强度最小值min之间的范围[min,max]。在分割为n个区间时,可以按照预设区间个数来分割,也即,n是预先指定的数值。或者,也可以按照预设步长step来进行分割,相应的,n为根据信号强度范围和步长确定的数值:n=(max-min)/step。
步骤202,在轴承振动信号序列的多个采样点中,统计信号强度属于每个区间的采样点个数,得到n个数值,每个数值用于表示信号强度落在对应区间内的采样点个数。
例如,对于如图2所示的轴承振动信号序列,确定信号序列在纵轴上的信号强度范围为[a,b],针对信号强度范围[a,b]划分出n个区间,每个区间在纵轴上的长度为(b-a)/n。可选的,上述为区间个数n为预设个数的划分区间方法,另一种划分区间的做法为预设步长,具体的,可以预设一个分区间的步长step,然后将[a,b]按照步长step分为多个区间,那么,n=(b-a)/step。接着,在划分出区间之后,分别统计信号强度落在每个区间内的采样点的个数,得到n个采样点个数,每个采样点个数用于表示信号强度属于对应区间内的采样点的个数。
步骤203,在n个区间的采样点个数服从正态分布的情况下,在n个区间中,确定正态分布的期望值μ所在的区间,得到第一区间,并根据第一区间的信号强度范围在轴承振动信号序列的信号强度范围中所处的位置,判断轴承振动信号序列是否存在数据偏振现象。
如果轴承振动信号序列是正常的,如图1所示,那么,轴承振动信号序列的信号强度应该比较均匀的分布在每个区间内,n个采样点个数是不服从正态分布的;而如果信号存在单侧聚集(数据偏振)现象,如图2或图3所示,则n个区间的采样点个数是服从正态分布的。
正态分布(Normal distribution),也称高斯分布。正态分布的定义为,若随机变量X服从一个数学期望为μ、方差为σ2的概率分布,且其概率密度函数为
则这个随机变量就称为正态随机变量,它所服从的分布称为正态分布,记为X~N(μ,σ2)。期望值μ决定了其位置,其标准差σ决定了分布的幅度。当μ=0,σ=1时的正态分布是标准正态分布。
判断n个区间的采样点个数(可以视为一个包含n个元素的数值序列Q)是否服从正态分布,可以借助于一些数学分析软件,例如matlab等,或者,也可以通过软件程序实现对一个序列是否服从正态分布的判断。
进而,在确定Q不服从正态分布的情况下,可以确定轴承振动信号序列不存在数据偏振现象;如果确定Q服从正态分布,则可以进一步执行如下步骤:首先,在n个区间中,确定正态分布的μ值所在的第一区间,其次,根据第一区间的信号强度范围在轴承振动信号序列的信号强度范围中所处的位置,判断轴承振动信号序列是否存在数据偏振现象。
具体而言,可以统计n个区间中处于第一区间下侧的区间个数,得到第一数值P1,以及n个区间中处于第一区间上侧的区间个数,得到第二数值,进而,根据P1和P2判断轴承振动信号序列是否存在数据偏振现象。
其中,一种可选的数据偏振现象的判断条件为,在第一数值大于第二数值的第一倍数的情况下,确定轴承振动信号序列为存在数据偏振现象的上侧聚集信号,在第二数值大于第一数值的第二倍数的情况下,确定轴承振动信号序列为存在数据偏振现象的下侧聚集信号。
可选的,在执行步骤201将轴承振动信号序列的信号强度范围分割为n个区间之前,步骤102根据轴承振动信号序列在时域上的分布情况,识别轴承振动信号序列是否存在数据质量异常还可以包括如下步骤:
步骤204,获取轴承振动信号序列的直流分量;
步骤205,在直流分量为零的情况下,确定轴承振动信号序列不存在数据偏振现象;
步骤206,在直流分量不为零的情况下,将轴承振动信号序列的信号强度范围分割为n个区间。
在信号处理中,直流分量的值从统计学意义上来说可以视为平均值,也即数学期望。那么,根据直流分量可以判断出是否存在数据偏振现象。如果直流分量为0,则表示不存在数据偏振现象,如果直流分量不为0,则有可能存在数据偏振现象,可以进一步的执行步骤201~步骤203,以判断是否存在数据偏振现象。
可选的,除了数据偏振现象,数据质量异常还可以包括最值分布异常,例如图4所示平峰信号。在数据质量异常包括最值分布异常的情况下,步骤102根据轴承振动信号序列在时域上的分布情况,识别轴承振动信号序列是否存在数据质量异常,可以包括如下步骤:
步骤301,按照轴承振动信号序列的时间轴对轴承振动信号序列进行划分,得到m个信号集合,其中,m为大于1的整数;
步骤302,分别确定每个信号集合中信号强度的最值,包括最大值和最小值;
步骤303,根据m个信号集合确定出的所有最值的分布情况,确定轴承振动信号序列是否存在最值分布异常。
对于步骤303根据m个信号集合确定出的所有最值的分布情况,确定轴承振动信号序列是否存在最值分布异常,一种可选的实施方式为执行如下步骤:
步骤401,统计所有最值的众数。
最值可以包括信号强度的最大值和/或信号强度的最小值。众数是指一组数据中出现次数最多的数值,有时众数在一组数中有好几个。众数可代表数据的一般水平,不受极端数据的影响。
步骤402,统计轴承振动信号序列中信号强度等于最值的众数的采样点数量。
步骤403,计算采样点数量在轴承振动信号序列的采样点总数中所占的比例。
步骤404,在比例超过比例阈值的情况下,确定轴承振动信号序列存在最值分布异常。
在对轴承振动信号序列基于时间轴分为m个信号集合之后,可以统计每个信号集合内信号强度的最大值/或最小值,得到多个最大值/或多个最小值。通过统计多个最大值/或多个最小值中的众数,可以确定最常出现的最值。
接着,在轴承振动信号序列中,统计与最常出现的最值众数相同的采样点,从而可以根据这些采样点的数量来确定最值分布是否异常。如果信号强度与其中某一个信号强度最值的众数相同的采样点个数与采样点总数的比例超过预设的比例阈值,则确定最值分布异常。
本申请实施例的风力发电机组的轴承故障诊断方法,通过轴承振动信号序列在时域上的分布情况,识别轴承振动信号序列是否存在数据质量异常,并在轴承振动信号序列不存在数据质量异常的情况下,根据轴承振动信号序列对风力发电机组的轴承进行故障诊断,能够识别出存在数据质量问题的轴承振动监测信号,在轴承振动监测信号存在异常的情况下,放弃使用存在异常的轴承振动监测信号进行故障诊断,从而消除由于使用存在数据质量问题的轴承振动监测信号导致的故障误报的情况。
下面结合图6对本申请实施例提供的风力发电机组的轴承故障诊断方法的一种可选的具体实施方式进行详细描述如下:
在本示例中,振动信号采集装置可以包括振动传感器、信号处理模块和解调仪,振动传感器安装在轴承上,采集到的振动信号数据通过信号处理模块进行模拟信号到数字信号的A/D转换,得到轴承振动信号序列。
如图6所示,首先,监测系统获取振动信号采集装置采集的轴承振动信号序列。
为避免因采集到的信号数据质量问题导致监测系统产生故障误判,在得到轴承振动信号序列之后,以及根据轴承振动信号序列进行故障检测之前,对轴承振动信号序列进行数据质量的检测,判断是否存在数据质量异常。
如图6所示,进行数据异常检测可以通过偏振检测模块和异常检测模块分别判断,偏振检测模块用于轴承振动信号序列是否存在数据偏振现象,异常检测模块用于判断轴承振动信号序列是否存在最值分布异常。
进而,如图6所示,根据偏振检测模块和异常检测模块的判断结果,判断轴承振动信号序列是否存在正常。其中,如果轴承振动信号序列不存在上述的数据偏振现象和最值分布异常,则信号数据是正常的,可以进一步对轴承振动信号序列转换为工程量,并根据工程量进行故障检测,其中,在对轴承振动信号序列检测是否信号数据异常之前,不对轴承振动信号序列执行去噪等信号预处理方法,以免导致有数据质量异常的轴承振动信号序列被预处理为正常的信号序列,导致判断结果不准确。如果轴承振动信号序列存在上述的数据偏振现象或最值分布异常,则轴承振动信号序列存在数据质量异常,需要放弃采集的轴承振动信号,不再根据采集到的轴承振动信号序列进行故障检测,并可以提示采集到的轴承振动信号存在异常,以便工作人员及时发现进行检修。
针对上述的偏振检测模块,也即轴承振动信号序列是否存在上述的数据偏振现象的判断过程,一种可选的流程图如图7所示,包括如下步骤:
步骤一:计算信号x(t)的直流分量,并判断是否为零值。
在信号处理中,连续周期信号x(t)的第n次谐波分量F(n)如式2所示,其中,T为周期。
而连续信号x(t)在时间T’内的平均值μ的定义为:
一般在信号处理中,定义直流分量是傅里叶分解的第0次谐波分量,即n=0时F(n)的值,因此,在一个周期内,上面两个式子是完全相等的。所谓的直流分量,在统计学中说的就是平均值(或称数学期望)。
判断直流分量μ是否为0,如果μ=0,则为正常信号,不再进行下一步判断。反之,则进行下一步操作。
步骤二:对信号x(t)的信号强度范围进行分段,得到随机变量X。
随机变量X的获取主要包含以下几个过程:
首先,计算信号x(t)的最大值max、最小值min、方差为σ2如公式4所示,其中,N表示总体信号个数:
其次,将信号x(t)在区间[min,max]内按照预设步长进行分仓(分段),预设步长step典型值可以取10,n个仓段记为wi,i=0,1,2……,n;
最后,统计每个仓段wi内的信号个数,所有仓段内信号个数的集合称为随机变量X。
步骤三:判断信号x(t)是否存在数据偏振现象。
首先,判断随机变量X是否服从数学期望为μ、方差为σ2的概率分布。若符合,且其密度函数如公式1所示,则信号x(t)存在异常。
其次,在判断出信号x(t)存在异常之后,进一步的根据以下步骤判断信号异常的类别是上侧聚集还是下侧聚集:
步骤1,识别平均值μ所在仓段w_mode;
步骤2,统计w_mode仓段下侧和上侧的仓段数w_left、w_right;
步骤3,判断w_right>w_left*co;如果是,则该段信号为下侧聚集信号,反之则信号x(t)是正常信号,其中,系数co的典型值可取2;
步骤4,判断w_left>w_right*co;如果是,则该段信号为上侧聚集信号,反之信号x(t)是正常信号。
上述偏振检测模块执行的步骤为一种可选的示例,可选的,还可以在统计每个分段内的采样个数之后,通过其它判断算法检测信号是否异常,例如,可以计算所有分段内的采样点个数的最大值与最小值的比值是否大于预设的阈值,如果是则存在数据偏振,如果否则不存在数据偏振,等等。本申请实施例对此不作具体限制。
偏振检测模块通过对信号强度进行分段,可以将判断过程简化,并具有一定的容错性,提高了判断的准确性。
针对上述的异常检测模块,也即轴承振动信号序列是否存在上述的最值分布异常的判断过程,一种可选的流程图如图8所示,包括如下步骤:
步骤一:按照时间轴对信号x(t)进行分段,取每个信号集合内的最大值,得到集合X。
其中,记信号的采样频率为fs,将信号x(t)按照时间长度n*(1/fs)分段,n的典型值可取为20。取每个分段内的最大值,见公式5。
maxi=max(x(t)) (公式5)
所有的maxi组成集合X,这里i=1,2,3……。
步骤二:求集合X的众数。
其中,众数可以包括统计的众数,也可以包括根据皮尔逊经验法计算集合X的众数M(具体见公式6)。
M=mean(X)-3*(mean(X)-md) (公式6)
其中,md表示集合X的中数。mean(X)表示集合X的均值。用皮尔逊经验法计算所得众数近似于理论众数,常称为皮尔逊近似众数。统计得到的众数可以有多个,这里可分别记为Mj,j=1,2,3……
步骤三:统计信号x(t)等于众数的个数,并判断是否存在最值分布异常。
根据对信号x(t)的各类统计结果,对信号x(t)进行判断,具体操作步骤包括:
步骤1,统计信号x(t)中等于其众数Mj,j=1,2,3……的元素个数Nj,j=1,2,3……;
步骤2,计算信号强度等于众数的采样点个数Nj与信号x(t)的采样点总数N的比值,maxq=max(Nj/N)同阈值a的大小,其中,a典型取值可为0.1。
步骤3,如果maxq>a,则信号x(t)是平峰信号,反之是正常信号。
对于异常检测模块,还可以在每个信号集合内统计等于最大值或最小值的采样个数,计算等于最大值或最小值的采样点个数超过阈值的信号集合数量,判断是否存在最值分布异常,如果上述的信号集合数量较多,超过预设的数值,则存在异常,反之则不存在异常。以上仅用于示例性的说明,并不构成对本申请实施例的限定。异常检测模块通过将信号从时间轴上划分为多个信号集合,通过最大值和最小值的众数的统计,简化了判断平峰信号的过程。
在上述如图6~图8所示的示例中,可以在确定信号序列不存在数据质量异常之后,将数字信号转化成工程量,并进行故障检测,可有效避免因数据质量问题产生故障检测模型的误判。
本申请实施例提供的风力发电机组的轴承故障诊断方法可以由振动信号采集装置或监测系统的处理器执行,具有时效性,且无需增加硬件设备或扩展计算资源。
本申请实施例还提供了一种风力发电机组的轴承故障诊断装置,可以用于执行本申请实施例提供的风力发电机组的轴承故障诊断方法。其中,在本申请实施例提供的风力发电机组的轴承故障诊断装置中未详述的部分,可以参考本申请实施例提供的风力发电机组的轴承故障诊断中的相关描述,在此不再赘述。
如图9所示,本申请实施例提供的风力发电机组的轴承故障诊断装置包括获取模块11,识别模块12和诊断模块13。
其中,获取模块11用于获取振动信号采集装置采集到的轴承振动信号序列;识别模块12用于根据轴承振动信号序列在时域上的分布情况,识别轴承振动信号序列是否存在数据质量异常;诊断模块13用于在轴承振动信号序列不存在数据质量异常的情况下,根据轴承振动信号序列对风力发电机组的轴承进行故障诊断。
图11是本申请一个实施例提供的风力发电机组的轴承故障诊断装置的应用场景示意图,如图11所示,本申请实施例提供的风力发电机组的轴承故障诊断装置731可以集成于风机总控制器73内,风机总控制器73可以设置于风力发电机组71的机舱712和/或塔筒713内,本申请实施例对风机总控制器73的具体安装位置不作限定。风力发电机组的轴承故障诊断装置731的获取模块11可以获取振动信号采集装置72采集到的振动信号。
其中,振动信号采集装置72可以包括振动传感器721和信号处理模块722,振动传感器721可以设置于风力发电机组71的轴承711上,用于采集轴承711的振动信号。信号处理模块722可以对振动传感器721感应到的模拟振动信号进行处理,生成数字的轴承振动信号序列。
可选的,风力发电机组的轴承故障诊断装置731可以与设置于风场中控室的服务器74通信,风场中每个风力发电机组可以安装有对应的风机总控制器,中控室服务器74可以与风场中所有风机总控制器进行通信。在本申请实施例中,中控室服务器74可以根据风机总控制器73中集成的风力发电机组的轴承故障诊断装置731的轴承故障诊断结果。
风力发电机组的轴承故障诊断装置731可以将识别模块12的判断结果发送至中控室服务器74,以在中控室服务器74的前端界面上显示报警提示,提示工作人员振动信号采集装置72采集到的振动信号存在数据质量异常,提醒工作人员即时对振动信号采集装置72的工作状态进行检修。
风力发电机组的轴承故障诊断装置731还可以将诊断模块13的轴承故障诊断结果发送至中控室服务器74,以在中控室服务器74的前端界面上显示报警提示,提示工作人员根据轴承振动信号序列判断出轴承存在故障,提醒工作人员即时对轴承进行检修。
可选的,识别模块12包括:分割单元,用于在数据质量异常包括数据偏振现象的情况下,将轴承振动信号序列的信号强度范围分割为n个区间,其中,n为大于1的整数;第一统计单元,用于在轴承振动信号序列的多个采样点中,统计信号强度属于每个区间的采样点个数;执行单元,用于在n个区间的采样点个数服从正态分布的情况下,确定正态分布的期望值所在的区间,得到第一区间,并根据第一区间的信号强度范围在轴承振动信号序列的信号强度范围中所处的位置,判断轴承振动信号序列是否存在数据偏振现象。
可选的,执行单元包括:第二统计单元,用于统计n个区间中处于第一区间下侧的区间个数,得到第一数值;第三统计单元,用于统计n个区间中处于第一区间上侧的区间个数,得到第二数值;判断单元,用于根据第一数值和第二数值,判断轴承振动信号序列是否存在数据偏振现象。
可选的,判断单元包括:第一确定单元,用于在第一数值大于第二数值的第一倍数的情况下,确定轴承振动信号序列为存在数据偏振现象的上侧聚集信号;第二确定单元,用于在第二数值大于第一数值的第二倍数的情况下,确定轴承振动信号序列为存在数据偏振现象的下侧聚集信号。
可选的,识别模块12还包括:获取单元,用于在将轴承振动信号序列的信号强度范围分割为n个区间之前,获取轴承振动信号序列的直流分量;第三确定单元,用于在直流分量为零的情况下,确定轴承振动信号序列不存在数据偏振现象;所述分割单元用于在直流分量不为零的情况下,将轴承振动信号序列的信号强度范围分割为n个区间。
可选的,识别模块12包括:划分单元,用于在数据质量异常包括最值分布异常的情况下,按照轴承振动信号序列的时间轴对轴承振动信号序列进行划分,得到m个信号集合,其中,m为大于1的整数;第四确定单元,用于分别确定每个信号集合中信号强度的最值;第五确定单元,用于根据m个信号集合确定出的所有最值的分布情况,确定轴承振动信号序列是否存在最值分布异常。
可选的,第五确定单元包括:第四统计单元,用于统计所有最值的众数;第五统计单元,用于统计轴承振动信号序列中信号强度等于最值的众数的采样点数量;计算单元,用于计算采样点数量在轴承振动信号序列的采样点总数中所占的比例;第六确定单元,用于在比例超过比例阈值的情况下,确定轴承振动信号序列存在最值分布异常。
本申请实施例的风力发电机组的轴承故障诊断装置,通过轴承振动信号序列在时域上的分布情况,识别轴承振动信号序列是否存在数据质量异常,并在轴承振动信号序列不存在数据质量异常的情况下,根据轴承振动信号序列对风力发电机组的轴承进行故障诊断,能够识别出存在数据质量问题的轴承振动监测信号,在轴承振动监测信号存在异常的情况下,放弃使用存在异常的轴承振动监测信号进行故障诊断,从而消除由于使用存在数据质量问题的轴承振动监测信号导致的故障误报的情况。
图10示出了本申请实施例提供的电子设备的硬件结构示意图。
电子设备可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地,上述处理器501可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器502可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器502可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器502可在综合网关容灾设备的内部或外部。在特定实施例中,存储器502是非易失性固态存储器。
存储器可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本申请的一方面的方法所描述的操作。
处理器501通过读取并执行存储器502中存储的计算机程序指令,以实现上述实施例中的任意一种风力发电机组的轴承故障诊断方法。
在一个示例中,电子设备还可包括通信接口503和总线510。其中,如图3所示,处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
通信接口503,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线510包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线510可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号序列在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种风力发电机组的轴承故障诊断方法,其特征在于,包括:
获取振动信号采集装置采集到的轴承振动信号序列;
根据所述轴承振动信号序列在时域上的分布情况,识别所述轴承振动信号序列是否存在数据质量异常;
在所述轴承振动信号序列不存在所述数据质量异常的情况下,根据所述轴承振动信号序列对所述风力发电机组的轴承进行故障诊断。
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,在所述数据质量异常包括数据偏振现象的情况下,所述根据所述轴承振动信号序列在时域上的分布情况,识别所述轴承振动信号序列是否存在数据质量异常,包括:
将所述轴承振动信号序列的信号强度范围分割为n个区间,其中,n为大于1的整数;
在所述轴承振动信号序列的多个采样点中,统计信号强度属于每个区间的采样点个数;
在所述n个区间的采样点个数服从正态分布的情况下,在所述n个区间中,确定所述正态分布的期望值所在的区间,得到第一区间,并根据所述第一区间的信号强度范围在所述轴承振动信号序列的信号强度范围中所处的位置,判断所述轴承振动信号序列是否存在所述数据偏振现象。
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,所述根据所述第一区间的信号强度范围在所述轴承振动信号序列的信号强度范围中所处的位置,判断所述轴承振动信号序列是否存在所述数据偏振现象,包括:
统计所述n个区间中处于所述第一区间下侧的区间个数,得到第一数值;
统计所述n个区间中处于所述第一区间上侧的区间个数,得到第二数值;
根据所述第一数值和所述第二数值,判断所述轴承振动信号序列是否存在所述数据偏振现象。
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,所述根据所述第一数值和所述第二数值,判断所述轴承振动信号序列是否存在所述数据偏振现象,包括:
在所述第一数值大于所述第二数值的第一倍数的情况下,确定所述轴承振动信号序列为存在所述数据偏振现象的上侧聚集信号;
在所述第二数值大于所述第一数值的第二倍数的情况下,确定所述轴承振动信号序列为存在所述数据偏振现象的下侧聚集信号。
5.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,在将所述轴承振动信号序列的信号强度范围分割为n个区间之前,所述根据所述轴承振动信号序列在时域上的分布情况,识别所述轴承振动信号序列是否存在数据质量异常,还包括:
获取所述轴承振动信号序列的直流分量;
在所述直流分量为零的情况下,确定所述轴承振动信号序列不存在所述数据偏振现象;
在所述直流分量不为零的情况下,将所述轴承振动信号序列的信号强度范围分割为所述n个区间。
6.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,在所述数据质量异常包括最值分布异常的情况下,所述根据所述轴承振动信号序列在时域上的分布情况,识别所述轴承振动信号序列是否存在数据质量异常,包括:
按照所述轴承振动信号序列的时间轴对所述轴承振动信号序列进行划分,得到m个信号集合,其中,m为大于1的整数;
分别确定每个信号集合中信号强度的最值;
根据所述m个信号集合确定出的所有最值的分布情况,确定所述轴承振动信号序列是否存在所述最值分布异常。
7.根据权利要求6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m个信号集合确定出的所有最值的分布情况,确定所述轴承振动信号序列是否存在所述最值分布异常,包括:
统计所有最值的众数;
统计所述轴承振动信号序列中信号强度等于所述最值的众数的采样点数量;
计算所述采样点数量在所述轴承振动信号序列的采样点总数中所占的比例;
在所述比例超过比例阈值的情况下,确定所述轴承振动信号序列存在所述最值分布异常。
8.一种风力发电机组的轴承故障诊断装置,其特征在于,所述装置包括:
获取模块,用于获取振动信号采集装置采集到的轴承振动信号序列;
识别模块,用于根据所述轴承振动信号序列在时域上的分布情况,识别所述轴承振动信号序列是否存在数据质量异常;
诊断模块,用于在所述轴承振动信号序列不存在所述数据质量异常的情况下,根据所述轴承振动信号序列对所述风力发电机组的轴承进行故障诊断。
9.一种电子设备,其特征在于,所述电子设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的风力发电机组的轴承故障诊断方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的风力发电机组的轴承故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011638436.5A CN114689321A (zh) | 2020-12-31 | 2020-12-31 | 风力发电机组的轴承故障诊断方法、装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011638436.5A CN114689321A (zh) | 2020-12-31 | 2020-12-31 | 风力发电机组的轴承故障诊断方法、装置、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114689321A true CN114689321A (zh) | 2022-07-01 |
Family
ID=82135476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011638436.5A Pending CN114689321A (zh) | 2020-12-31 | 2020-12-31 | 风力发电机组的轴承故障诊断方法、装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114689321A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116827055A (zh) * | 2022-09-09 | 2023-09-29 | 东莞市智美生活电子科技有限公司 | 一种电机结构 |
-
2020
- 2020-12-31 CN CN202011638436.5A patent/CN114689321A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116827055A (zh) * | 2022-09-09 | 2023-09-29 | 东莞市智美生活电子科技有限公司 | 一种电机结构 |
CN116827055B (zh) * | 2022-09-09 | 2024-01-30 | 东莞市智美生活电子科技有限公司 | 一种电机结构 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109186813B (zh) | 一种温度传感器自检装置及方法 | |
CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
CN112905371B (zh) | 基于异构多源数据异常检测的软件变更检查方法和装置 | |
CN112000654B (zh) | 一种高速铁路大风监测数据质量控制方法和装置 | |
CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
WO2022147684A1 (zh) | 用于识别机械装置或机械部件中的异常的方法及装置 | |
CN110398384A (zh) | 旋转机械的机器健康监测 | |
CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及系统 | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
CN108844612A (zh) | 一种基于数理统计概率模型的变压器内部故障识别方法 | |
CN103821750B (zh) | 一种基于电流的通风机失速和喘振监测及诊断方法 | |
CN114689321A (zh) | 风力发电机组的轴承故障诊断方法、装置、电子设备 | |
CN114895163A (zh) | 一种基于电缆绝缘性能的电缆巡检定位装置及方法 | |
CN117233541B (zh) | 一种配电网电力线路运行状态测量方法及测量系统 | |
CN116593829B (zh) | 基于数据分析的输电线路隐患在线监测系统 | |
CN112945531A (zh) | 风机叶片的裂纹检测方法、装置、设备及计算机存储介质 | |
CN112326246A (zh) | 基于周期数据及核密度估计的轴承安全状态在线监测方法 | |
CN114576102A (zh) | 风电机组轴承状态的预测方法、装置、设备及存储介质 | |
CN111881978A (zh) | 海洋定点浮标设备故障诊断方法、装置及电子设备 | |
CN113986659A (zh) | 故障分析方法、装置、设备及计算机存储介质 | |
CN115468648A (zh) | 安装状态检测方法、装置及计算机可读存储介质 | |
CN115905907A (zh) | 风机主轴承的异常监测方法、装置、电子设备及存储介质 | |
CN114687955A (zh) | 风力发电机组的叶片故障诊断方法、装置、电子设备 | |
JP7157293B2 (ja) | 故障検知・予知装置及び故障検知・予知用プログラム | |
CN111980900B (zh) | 一种基于多源数据融合分析的水泵故障诊断方法 |
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 |