CN114764867A - 基于图像主特征提取的风机故障诊断系统、方法及应用 - Google Patents

基于图像主特征提取的风机故障诊断系统、方法及应用 Download PDF

Info

Publication number
CN114764867A
CN114764867A CN202110057847.3A CN202110057847A CN114764867A CN 114764867 A CN114764867 A CN 114764867A CN 202110057847 A CN202110057847 A CN 202110057847A CN 114764867 A CN114764867 A CN 114764867A
Authority
CN
China
Prior art keywords
data
fan
measuring point
fault diagnosis
image
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
Application number
CN202110057847.3A
Other languages
English (en)
Inventor
沈龙
张轶
谢丹妮
战柏胜
谢生杰
田炳亮
李雪丹
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.)
Shenzhen Guangyao Zhiwei Technology Co ltd
Original Assignee
Shenzhen Guangyao Zhiwei Technology Co ltd
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 Shenzhen Guangyao Zhiwei Technology Co ltd filed Critical Shenzhen Guangyao Zhiwei Technology Co ltd
Priority to CN202110057847.3A priority Critical patent/CN114764867A/zh
Publication of CN114764867A publication Critical patent/CN114764867A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了一种基于图像主特征提取的风机故障诊断系统、方法及应用，包括：S1：整理并收集风机发生故障时和正常运行时的历史相关测点数据；S2：对S1中进行分割、清洗和平衡化处理，获取训练数据和测试数据；S3：对S2中训练数据和测试数据进行主特征提取；S4：对S3中训练数据提取的主特征通过梯度下降树算法进行分类模型训练；S5：通过S3中测试数据提取的主特征验证S4中的训练模型；S6：通过精确率、召回率和平均数对S5中的验证结果进行参数调整和优化，获取最优模型；S7：将历史相关测点数据、最优模型的输出结果和诊断结果进行可视化展示；S8：出现特定故障时，根据实时相关测点数据对应S7中的结果，给出故障诊断结果。

Description

基于图像主特征提取的风机故障诊断系统、方法及应用
【技术领域】
本发明涉及风机故障诊断技术领域，尤其涉及一种基于图像主特征提取的风机故障诊断系统、方法及应用。
【背景技术】
风机故障诊断一直是风电运维工作的重点。风机发生故障后，检修人员必须根据风机故障结果推测最先发生问题的部件，做出相应的维修方案。但维修完成并不意味着问题解决，找出风机故障的根本原因才是维护风机的最好方法。通常只有经验丰富的维修工才能比较准确的推测出导致风机发生故障的直接原因，但是经验丰富的风机维修工毕竟是少数，再者导致风机发生故障的直接原因可能不是一种，可能是几种因素的集合，人力难以达到，这对风机的维护和故障的预防提出了更高的要求。在一般情况下，风机部件发生故障需要将停机维修，这就不可避免的造成相应的经济损失。
孙莉等于2020年在《基于稀疏贝叶斯极限学习机的光伏电站设备故障诊断研究》一文中提出了提出一种基于稀疏贝叶斯极限学习机(SBELM)的精准的光伏逆变器故障诊断方法。通过首先分析逆变器故障数据主特征,将该问题转化为一个多分类问题；然后,采用合成少数类过采样技术(SMOTE)方法人工生成数据,解决数据不均衡问题,根据环境和逆变器实时监控据提取主特征向量,并通过SBELM训练模型,可给出输出的概率分布,自动修剪冗余的隐藏节点,在不影响性能的前提下实现用部分节点进行多故障分类。杨增华于2018年在《基于振动的风力发电机故障诊断》一文中提出了基于振动判断风力发电机大部分故障,通过分析振动图谱,信号等,解析为维护设备相关的有价值信息。
此二文献分别提到了基于稀疏贝叶斯极限学习机分类算法对光伏电站设备故障诊断方法，和应用振动图谱信号分析方法判断风力发电机故障。
但以往研究并没有实现风力发电机故障的诊断方法，或者只是采用了较简单的浅层统计和分析方法，风机故障的诊断方法不足以满足现有生产力和生产要求。
因此，有必要研究一种基于图像主特征提取的风机故障诊断系统、方法及应用来应对现有技术的不足，以解决或减轻上述一个或多个问题。
【发明内容】
有鉴于此，本发明提供了一种基于图像主特征提取的风机故障诊断系统、方法及应用，利用机器学习相关算法进行风机故障的分析和诊断，将导致风机故障的直接因素做到定性，在后期的维护过程中可以根据这些因素做出正确的决策，避免决策者盲目等待风机发生故障的时候才进行修复。
一方面，本发明提供一种基于图像主特征提取的风机故障诊断方法，所述风机故障诊断方法包括以下步骤：
S1：整理并收集风机历史相关测点数据；
S2：对S1中历史相关测点数据进行分割、清洗和平衡化处理，获取训练数据和测试数据；
S3：对S2中训练数据和测试数据进行主特征提取；
S4：对S3中训练数据提取的主特征通过梯度下降树算法进行分类模型训练；
S5：通过S3中测试数据提取的主特征验证S4中的分类模型，对比测试数据中的结果进行验证；
S6：通过精确率、召回率和平均数对S5中的验证结果进行参数调整和优化，获取最优模型；
S7：将历史相关测点数据、最优模型和验证结果进行可视化展示；
S8：出现特定故障时，根据实时相关测点数据对应历史相关测点数据和最优模型，给出故障诊断结果。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S1中历史相关测点数据包括发生故障时的数据和正常运行时的数据，风机故障原因包括：风机启动过程振动、停机过程振动、偏航过程振动、大风引起振动和振幅超限，数据源中的数据点包括风机启动命令、停机命令、偏航命令、风速、振幅超限和机舱振幅。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S2中清洗和平衡化处理具体为：将历史相关测点数据去除脏数据，同时数据平衡化处理，使故障数据和正常运行数据量对等。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S2中分割结果为：风机发生故障时和正常运行时的数据中，训练数据分别占比为60％-80％，测试数据分别占比为20％-40％。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S3中主特征提取具体为：将数据转化为矩阵，再编码成图像，最后通过PCA算法进行主特征提取。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S4中梯度下降树算法具体为：通过GBDT对转化后的数字画像进行分类，通过多轮迭代,每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练，通过降低偏差提高最终分类器的精度。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S6具体为：采用精确率Precision、召回率Recall和平均数F1来评价分类模型，其具体的表达式如下：
Figure BDA0002901262730000041
Figure BDA0002901262730000042
Figure BDA0002901262730000043
其中，TP为True Postive TP，真阳性，用于表示若一个图像是正常并且被预测为正常图像；FN为False Negative FN，伪阴性，用于表示若一个图像是正常图像，但是被预测成为故障图像；FP为False Postive FP，伪阳性，用于表示若一个图像是故障图像，但是被预测成为正常图像，精确率和召回率表示对两类流量识别的效果，F1是精确率和召回率的调和平均。
如上所述的方面和任一可能的实现方式，进一步提供一种基于图像主特征提取的风机故障诊断系统，所述风机故障诊断系统包括：
数据获取模块，用于整理并收集风机发生故障时和正常运行时的历史相关测点数据；
数据预处理模块，用于历史相关测点数据进行分割、清洗和平衡化处理；
主特征提取模块，用于对处理后的数据进行主特征提取；
模型训练模块，根据提取的主特征进行分类模型训练；
模型验证模块，用于验证训练模块输出的训练模型；
参数调整和优化模块，通过精确率、召回率和平均数模型验证模块的验证结果进行参数调整和优化，获取最优模型；
可视化展示模块，用于将历史相关测点数据、最优模型的输出结果和诊断结果进行可视化展示；
故障判断模块，出现特定故障时，将实时相关测点数据输入可视化展示模块进行比对，给出故障诊断结果。
如上所述的方面和任一可能的实现方式，进一步提供一种基于图像主特征提取的风机故障诊断方法的应用，所述应用通过所述风机故障诊断方法，给出历史风机故障诊断结果，并提供历史相应处理方法，当出现特定故障时，根据实时相关测点数据，给出实时风机故障诊断结果，根据历史相应处理方法进行实时风机故障处理。
如上所述的方面和任一可能的实现方式，进一步提供一种可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行任一项所述的风机故障诊断方法的步骤。
与现有技术相比，本发明可以获得包括以下技术效果：
1)：本发明所述方法与其他方法相比，准确率高且召回率高，整体性能最优；
2)：本发明能够做到定位故障原因点，分析风机运行状态，提前做应对措施，针对性的进行运维检修，实现风机精准状态检修；
3)：本发明可以有效的在风机故障之前查看风机劣化趋势，提前对其进行调控，减少风机发生故障的次数，降低风机的运维成本，稳定运行状态，保证生产经济效益。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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它的附图。
图1是本发明一个实施例提供的风机故障诊断系统的硬件架构图；
图2是本发明一个实施例提供的风机故障诊断方法的流程图；
图3是本发明一个实施例提供的PCA原理图；
图4是本发明一个实施例提供的LBP原理图；
图5是本发明一个实施例提供的经过LBP算法提取主特征的图像；
图6是本发明一个实施例提供的GBDT的训练过程图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例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。
本发明提供一种基于图像主特征提取的风机故障诊断系统、方法及应用，利用机器学习相关算法进行风机故障的分析和诊断，将导致风机故障的直接因素做到定性。定性是指通过机器学习算法进行分析寻找导致风机故障的主要因素，主要因素可能是风机发生故障时的环境温度、湿度或是风机、转速等。在后期的维护过程中可以根据这些因素做出正确的决策，避免决策者盲目等待风机发生故障的时候才进行修复。
通过收集某风机发生故障时候相关测点数据和风机运行数据，将这些数据经过合理的清洗和处理，进行主特征的提取后，送入模型训练，让模型准确识别出哪些因素可能导致风的故障，从而提高模型识别的准确率。
本发明通过应用软硬件结合的办法，集数据采集、数据存储、数据分析与挖掘、数据展示于一体。
硬件架构：如图1所示，从大数据HIVE数据库中取底层所采集风机故障相关历史运行数据。
通过api调用将数据存储至计算服务器，计算服务器将数据进行分析计算，生成相应计算结果，并保存在数据库中。
Web服务器的作用主要是进行业务展示，将计算结果通过可视化设计，进行相应的业务展示，集成在集中监视控制平台中。
软件设计：所述风机故障诊断系统核心架构为从大数据HIVE数据库中取底层传感器采集相关数据历史数据，通过调用api将数据存至计算服务器，计算服务器将数据进行分析计算，生成相应计算结果，并保存在数据库中。将计算结果根据业务需求在web服务器集中监视控制系统中进行可视化展示。
一、数据调用
大数据HIVE数据库从实时数据库中取相关数据源，并将数据源传至计算服务器。根据风机故障运行规律专家知识，引起风机故障原因一般为：风机启动过程振动、停机过程振动、偏航过程振动、大风引起振动、振幅超限，基于此取风机启动命令、停机命令、偏航命令、风速、振幅超限、机舱振幅数据点作为输入数据源。
二、模型计算
模型计算依据以下流程图进行，如图2所示。
数据预处理：将从HIVE数据库中所取数据源做数据处理，去除脏数据，做数据平衡化处理，使故障数据和正常运行数据量对等。
数据拆分：将数据集按8：2拆分为训练集和测试集，应用训练集进行模型训练，测试集进行模型调优。
主特征处理：将数据转化成数字画像的形式进行利用PCA算法进行主特征的提取。
模型评估：模型训练完之后，需要评价该模型的好坏，本发明的问题属于二分类的问题，主要关注的是对加密恶意流量的识别上，所以本实验采用精确率(Precision)、召回率(Recall)和平均数(F1)来衡量。
模型训练：本发明采用GBDT(Gradient Boosting Decision Tree)对转化后的图片进行分类，它是一种迭代的决策树算法，该算法是由多颗决策树组成的，因此所有树共同决定其最终的结果，其在分类上有着很不错的效果。该算法很适用于本发明分类问题的解决。它能处理非线性的数据，也可以处理各种类型的数据，包括连续值和离散值，还使用了一些健壮的损失函数，对异常值的鲁棒性非常强。
模型优化：根据训练结果的精确率、召回率和F1值对模型进行参数调整和优化。
三、Web展示
在集中监视平台中，将模型输出结果进行可视化展示，将诊断结果进行可视化，了解其故障原因。对于故障原因，给出处理办法，当出现特定故障原因时，推荐相应解决方案，做到实时故障原因实现流程化处理，程式化风机故障处理流程。
本发明风机故障诊断方法具体步骤如下：
步骤1：数据获取
本发明的数据获取，均通过实际的风机测点提取。通过收集宁夏牛首山某风机故障数据和正常运行数据，这些数据包含的因素有203种之多，例如有环境的温度、湿度、风机的转速以及环境当中风的密度等。数据集中故障期间的数据集大小为40G,风机正常运转期间的数据收集量为45G，如表1所示。
表1数据提取量表
Figure BDA0002901262730000091
风机正常运行状态和故障状态各提取80％用作模型的训练集，其余的20％用来验证模型的性能。
步骤2：数据处理
由于每个测点海量数据存在参差不齐的问题，需要将每个标签的数据量整理到相同的范围之内。对于缺值、少值的问题，本发明采用平均值替代的方法进行数据的补充，对于某些元素的数据值范围过大的情况，选择采用min-max标准化函数对数据进行归一化的处理。该函数输出值都在[0,1]之间。其具体的函数表达式如(1)所示：
x＝(x-min)/(max-min) (1)
其中max表示样本数据的最大值，min表示样本数据的最小值。我们的目的是通过对数据的每一个维度的值进行重新调节(这些维度可能是相互独立的)，这对后续工作十分重要，因为很多默认参数(如PCA-白化中的epsilon)都假定数据已被缩放到合理区间。
步骤3：利用主成分分析(PCA)的方法进行数据的降维
由于采集的数据存在标签繁多的问题，其标签种类达到203种，而且这些标签相互之间不相关，数据太多会造成维度灾难，即标签的种类太过繁杂。如果标签个数增加，随之需要估计的参数个数也在增加，在训练集保持不变的情况下待估参数的方差也会随之增加，导致参数估计质量下降。究其原因，无法看到这些数据的本质，如果把这些数据在相应的空间中表示出来，就能换一个观察角度找出主成分。
如图3所示，求样本xi的n'维成分其实就是求样本集的协方差矩阵XXT的前n'个主特征值对应主特征向量矩阵W，然后对于每个样本xi,做如下变换z(i)＝WTx(i)，即达到降维的PCA目的。
有时候不指定降维后的n'的值，而是换种方式，指定一个降维到的主成分比重阈值t。这个阈值t在(0,1]之间。假如我们的n'个主特征值λ1≥λ2≥...≥λm,则n'可以通过下式(2)得到:
Figure BDA0002901262730000111
每台风机每秒采集的数据种类是很多的，本发明选取2个标签(温度、转速)为例降维进行说明，利用此原理，最终将203维度的标签降至为52维度的标签。求样本的协方差矩阵，由于矩阵是二维的，则协方差矩阵为：
Figure BDA0002901262730000112
求出对应的主特征向量和主特征值.则W对所有的数据集进行投影z(i)＝WTx(i)，得到PCA降维后的一维数据集，通过这种方法就可以做到将复杂的维度简单化，起到降维的作用。
步骤4：主特征提取
在风机正常运行或是故障状态情况下，数据的刷新都是秒级的，每秒钟都会产生拥有众多标签的数据链，通过PCA的方法已经将一些数据的标签进行了合并，本发明采取将数据链转化成矩阵，再编码成图像的方式进行主特征的提取。将每秒钟产生的一条数据链编码成每秒钟产生像素为32×32的图像。
将数据链转化成图像之后，利用LBP方法进行图片主特征的提取，其具体的原理如下所述
LBP算法的中心思想是以像素点为中心，与相邻像素点一起计算。对于邻接像素点的选择方法，它不是唯一的，原始LBP操作符在一个3*3窗口中定义8个相邻像素点的灰度值，并以窗口的中心像素为极限值。后续的LBP算法还将8个相邻像素的位置更改为环附近的8个点(或环附近的多个点)，以便在顺时针或逆时针方向进行比较。
本发明选择环的邻接方法:窗口中心的像素被认为是中心，像素的像素值被认为是极限。然后将周围8个像素的灰度值与极限进行比较。如果周围像素的值大于中心像素的值，则将像素的位置标记为1；否则，像素被标记为0。通过这种方式，窗口中的8个点可以生成一个8位无符号数字，从而获得窗口的LBP值，该值反映窗口的纹理信息。如图4所示：图中，中心像素点的像素值作为阈值，其值为3；周围邻域8个像素值中，有个比阈值小的像素点置0，5个比阈值大的像素点置1。
LBP纹理主特征向量，一般以图像分块LBP直方图表示。具体步骤如下：
每张数据链转化的图像划分4块为16×16的图像子块，计算每个子块中每个像素的LBP值；对每个子块进行直方图统计，得到16×16图像子块的直方图；对所有图像子块的直方图进行归一化处理；连接所有子块的归一化直方图，便得到了整幅图像的纹理主特征。得到了整幅图像的LBP纹理主特征后，便可以利用机器学习算法进行分类了。
步骤5：模型训练
本发明采用GBDT(Gradient Boosting Decision Tree)对转化后的图片进行分类，它是一种迭代的决策树算法，该算法是由多颗决策树组成的，因此所有树共同决定其最终的结果，其在分类上有着很不错的效果。该算法很适用于本发明分类问题的解决。它能处理非线性的数据，也可以处理各种类型的数据，包括连续值和离散值，还有其使用了一些健壮的损失函数，对异常值的鲁棒性非常强。
GBDT通过多轮迭代,每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练。对弱分类器的要求一般是足够简单，并且是低方差和高偏差的。因为训练的过程是通过降低偏差来不断提高最终分类器的精度其具体的训练过程。如图5所示：
步骤6：评价结果
模型训练完之后，需要评价该模型的好坏，本发明的问题属于二分类的问题，主要关注的是对加密恶意流量的识别上，所以本实验采用精确率(Precision)、召回率(Recall)和平均数(F1)来衡量，其具体的表达式如下：
Figure BDA0002901262730000131
Figure BDA0002901262730000132
Figure BDA0002901262730000133
在上式中，若一个图像是正常并且被预测为正常图像，即为真阳性(True PostiveTP)；若一个图像是正常图像，但是被预测成为故障图像，即为伪阴性(False NegativeFN)；若一个图像是故障图像，但是被预测成为正常图像，即为伪阳性(False Postive FP)。精确率和召回率表示对两类流量识别的效果，F1是精确率和召回率的调和平均。
表2性能评价表
Figure BDA0002901262730000134
Figure BDA0002901262730000141
从评价结果的数据层面上看：综合表2数据可知，在使用图片样本的情况下，本发明方法与其他方法相比，准确率高且召回率高，整体性能最优。SVM方法所得的模型虽然比较简单，但是无法在大量图片中识别出哪些是故障时刻产生的，哪些是正常时候产生的。朴素贝叶斯方法用于大量数据训练模型时，由于产生了数据维度爆炸，因此模型对恶意流量检测识别性能过拟合，将大量正确样本都识别为故障样本，使整体准确率下降，区分故障能力最弱。总体来看转化成图片后的整体性能优于未使用图像的性能。
从生产意义上看：应用专利方法能够做到定位故障原因点，分析风机运行状态，提前做应对措施，针对性的进行运维检修，实现风机精准状态检修。
从经济意义上看：结合业务认知以及评价得分可以有效的在风机故障之前查看风机劣化趋势，提前对其进行调控，减少风机发生故障的次数，降低风机的运维成本，稳定运行状态，保证生产经济效益。
以上对本申请实施例所提供的一种基于图像主特征提取的风机故障诊断系统、方法及应用，进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语，故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。
还需要说明的是，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商品或者系统不仅包括那些要素，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商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。
应当理解，本发明中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本发明所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本发明所述申请构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求书的保护范围内。

Claims (10)

1.一种基于图像主特征提取的风机故障诊断方法，其特征在于，所述风机故障诊断方法包括以下步骤：
S1：整理并收集风机历史相关测点数据；
S2：对S1中历史相关测点数据进行分割、清洗和平衡化处理，获取训练数据和测试数据；
S3：对S2中训练数据和测试数据进行主特征提取；
S4：对S3中训练数据提取的主特征通过梯度下降树算法进行分类模型训练；
S5：通过S3中测试数据提取的主特征验证S4中的分类模型，对比测试数据中的结果进行验证；
S6：通过精确率、召回率和平均数对S5中的验证结果进行参数调整和优化，获取最优模型；
S7：将历史相关测点数据、最优模型和验证结果进行可视化展示；
S8：出现特定故障时，根据实时相关测点数据对应历史相关测点数据和最优模型，给出故障诊断结果。
2.根据权利要求1所述的风机故障诊断方法，其特征在于，所述S1具体为：所述历史相关测点数据包括发生故障时的数据和正常运行时的数据，风机故障原因包括：风机启动过程振动、停机过程振动、偏航过程振动、大风引起振动和振幅超限，数据源中的数据点包括风机启动命令、停机命令、偏航命令、风速、振幅超限和机舱振幅。
3.根据权利要求2所述的风机故障诊断方法，其特征在于，所述S2中清洗和平衡化处理具体为：将历史相关测点数据去除脏数据，同时数据平衡化处理，使故障数据和正常运行数据量对等。
4.根据权利要求1所述的风机故障诊断方法，其特征在于，所述S2中分割结果为：风机发生故障时和正常运行时的数据中，训练数据分别占比为60％-80％，测试数据分别占比为20％-40％。
5.根据权利要求1所述的风机故障诊断方法，其特征在于，所述S3中主特征提取具体为：将数据转化为矩阵，再编码成图像，最后通过PCA算法进行主特征提取。
6.根据权利要求5所述的风机故障诊断方法，其特征在于，所述S4中梯度下降树算法具体为：通过GBDT对转化后的数字画像进行分类，通过多轮迭代,每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练，通过降低偏差提高最终分类器的精度。
7.根据权利要求1所述的风机故障诊断方法，其特征在于，所述S6具体为：采用精确率Precision、召回率Recall和平均数F1来评价分类模型，其具体的表达式如下：
Figure FDA0002901262720000021
Figure FDA0002901262720000022
Figure FDA0002901262720000023
其中，TP为True Postive TP，真阳性，用于表示若一个图像是正常并且被预测为正常图像；FN为False Negative FN，伪阴性，用于表示若一个图像是正常图像，但是被预测成为故障图像；FP为False Postive FP，伪阳性，用于表示若一个图像是故障图像，但是被预测成为正常图像，精确率和召回率表示对两类流量识别的效果，F1是精确率和召回率的调和平均。
8.一种基于图像主特征提取的风机故障诊断系统，包括上述权利要求1-7之一所述的方法，其特征在于，所述风机故障诊断系统包括：
数据获取模块，用于整理并收集风机发生故障时和正常运行时的历史相关测点数据；
数据预处理模块，用于历史相关测点数据进行分割、清洗和平衡化处理；
主特征提取模块，用于对处理后的数据进行主特征提取；
模型训练模块，根据提取的主特征进行分类模型训练；
模型验证模块，用于验证训练模块输出的训练模型；
参数调整和优化模块，通过精确率、召回率和平均数模型验证模块的验证结果进行参数调整和优化，获取最优模型；
可视化展示模块，用于将历史相关测点数据、最优模型的输出结果和诊断结果进行可视化展示；
故障判断模块，出现特定故障时，将实时相关测点数据输入可视化展示模块进行比对，给出故障诊断结果。
9.一种基于图像主特征提取的风机故障诊断方法的应用，其特征在于，所述应用通过如权利要求1-7之一所述风机故障诊断方法，给出历史风机故障诊断结果，并提供历史相应处理方法，当出现特定故障时，根据实时相关测点数据，给出实时风机故障诊断结果，根据历史相应处理方法进行实时风机故障处理。
10.一种可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-7中任一项所述的风机故障诊断方法的步骤。
CN202110057847.3A 2021-01-15 2021-01-15 基于图像主特征提取的风机故障诊断系统、方法及应用 Pending CN114764867A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110057847.3A CN114764867A (zh) 2021-01-15 2021-01-15 基于图像主特征提取的风机故障诊断系统、方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110057847.3A CN114764867A (zh) 2021-01-15 2021-01-15 基于图像主特征提取的风机故障诊断系统、方法及应用

Publications (1)

Publication Number Publication Date
CN114764867A true CN114764867A (zh) 2022-07-19

Family

ID=82365420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110057847.3A Pending CN114764867A (zh) 2021-01-15 2021-01-15 基于图像主特征提取的风机故障诊断系统、方法及应用

Country Status (1)

Country Link
CN (1) CN114764867A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078232A (zh) * 2023-10-17 2023-11-17 山东沪金精工科技股份有限公司 一种基于大数据的加工设备故障预防系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078232A (zh) * 2023-10-17 2023-11-17 山东沪金精工科技股份有限公司 一种基于大数据的加工设备故障预防系统及方法
CN117078232B (zh) * 2023-10-17 2024-01-09 山东沪金精工科技股份有限公司 一种基于大数据的加工设备故障预防系统及方法

Similar Documents

Publication Publication Date Title
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN109359697A (zh) 一种电力设备巡检中使用的图形图像识别方法及巡查系统
CN110890102A (zh) 一种基于rnn声纹识别的发动机缺陷检测算法
CN112660745B (zh) 托辊故障智能诊断方法、系统及可读存储介质
CN116382217A (zh) 一种生产线智能运维监管系统
CN113158722A (zh) 基于多尺度深度神经网络的旋转机械故障诊断方法
CN112836720A (zh) 建筑运维设备异常诊断方法、系统及计算机可读存储介质
CN117576632B (zh) 基于多模态ai大模型的电网监控火灾预警系统及方法
CN117112336B (zh) 智能通信设备异常检测方法、设备、存储介质及装置
CN111339927A (zh) 一种电力营业厅人员工作状态智能识别系统
CN114764867A (zh) 基于图像主特征提取的风机故障诊断系统、方法及应用
CN114463143A (zh) 一种海上双馈风力发电机scada故障数据增强方法
CN111428772B (zh) 基于k-近邻自适应投票的光伏系统深度异常检测方法
CN111623905B (zh) 风电机组轴承温度预警方法及装置
CN111695582A (zh) 一种颤振纹理的检测方法及其装置
CN113674225A (zh) 一种基于卷积神经网络的电力设备故障检测方法
CN117556211A (zh) 输电线路缺陷及隐患识别算法模型搭建方法
CN117762913A (zh) 一种海上风电异常功率数据自动识别方法及系统
KR102028845B1 (ko) 원전설비의 예측 진단 방법 및 시스템
Mohamed et al. Thermal Images Captured and Classifier-based Fault Detection System for Electric Motors Through ML Based Model
CN116309493A (zh) 一种用于纺织产品疵点检测的方法及系统
CN116188445A (zh) 一种产品表面缺陷的检测定位方法、装置及终端设备
CN115797804A (zh) 一种基于不平衡时序航空飞行数据的异常检测方法
KR102342495B1 (ko) 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치
CN111062338B (zh) 一种证照人像一致性比对方法及其系统

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