CN114810513A - 基于5g通信的风力发电机轴承振动故障智能监测系统 - Google Patents

基于5g通信的风力发电机轴承振动故障智能监测系统 Download PDF

Info

Publication number
CN114810513A
CN114810513A CN202210720354.8A CN202210720354A CN114810513A CN 114810513 A CN114810513 A CN 114810513A CN 202210720354 A CN202210720354 A CN 202210720354A CN 114810513 A CN114810513 A CN 114810513A
Authority
CN
China
Prior art keywords
sequence
bearing
vibration amplitude
temperature
audio
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.)
Granted
Application number
CN202210720354.8A
Other languages
English (en)
Other versions
CN114810513B (zh
Inventor
江爱国
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.)
Jiangsu Aopai Electric Technology Co ltd
Original Assignee
Jiangsu Aopai Electric 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 Jiangsu Aopai Electric Technology Co ltd filed Critical Jiangsu Aopai Electric Technology Co ltd
Priority to CN202210720354.8A priority Critical patent/CN114810513B/zh
Publication of CN114810513A publication Critical patent/CN114810513A/zh
Application granted granted Critical
Publication of CN114810513B publication Critical patent/CN114810513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及电子数字数据处理技术领域，具体涉及一种基于5G通信的风力发电机轴承振动故障智能监测系统，该系统可以用于生产领域的人工智能优化，包括：数据采集模块，利用传感技术对数据进行记录和获取，并通过5G通信技术上传到互联网生产服务平台，获得轴承的振动幅度序列、温度序列和音频变化序列；轴承监测模块，利用特定数据处理方法，对获得的发电机轴承的工业数据进行数据处理，判断轴承是否需要检修；检修预测模块，获得未来某时刻轴承的检修判断标准，判断未来某时刻是否需要对轴承进行检修。本发明获得的状态指数包含了多种信息，提高了轴承的监测结果；同时能够判断接近未来某一时刻时是否需要对轴承进行检修，能够避免轴承发生故障。

Description

基于5G通信的风力发电机轴承振动故障智能监测系统
技术领域
本发明涉及电子数字数据处理技术领域，具体涉及一种基于5G通信的风力发电机轴承振动故障智能监测系统。
背景技术
随着各种新能源的出现，风力发电在现在社会中越来越普及，使用风力发电能够在很大程度上节省煤炭资源，保护环境。但由于风力发电机组在在野外要承受不定的风速和风向的恶劣环境，很容易发生故障，尤其是风力发电机的轴承，这造成了风力发电机的故障率一直居高不下。一旦发电机的轴承发生故障时，进行修理时会耽误发电，造成经济损失。
现有技术中对风力发电机的实际发电的参数对当前发电机的故障进行检测，但在进行检测的过程中并没有考虑到发生故障的实际部位的情况，而且也没有考虑到周围环境对风力发电机的影响；且检测的时候不能将未来的情况考虑到，不能够在故障发生之前对风力发电机进行检修，防止故障的产生。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于5G通信的风力发电机轴承振动故障智能监测系统，所采用的技术方案具体如下：
本发明一个实施例提供了一种基于5G通信的风力发电机轴承振动故障智能监测系统。系统包括：数据采集模块，用于以预设采样频率获得轴承的振动幅度序列、轴承处的温度序列和轴承处的工作时造成的声音组成的音频变化序列；
轴承监测模块，用于根据轴承的振动幅度序列、温度序列和音频变化序列的方差获得轴承的稳定性指数；设置稳定性指数阈值，将大于阈值的所有轴承对应的振动幅度序列、温度序列和音频变化序列中的元素分别进行加权求和获得第一序列、第二序列和第三序列；根据轴承对应的振动幅度序列、温度序列和音频变化序列分别与第一、第二和第三序列的相似度获得轴承的状态指数；设定状态阈值，对状态指数小于状态阈值的轴承进行检修；
检修预测模块，用于根据将除进行检修的轴承的剩余轴承的振动幅度序列、温度序列和音频变化序列获得真实的振动幅度序列、温度序列和音频变化序列，并分别输入预测网络，输出预测的振动幅度序列、温度序列和音频变化序列；任选一时刻，获得该时刻下对应的振动幅度序列与预测振动幅度序列对应元素的差值、温度序列与预测温度序列对应元素的差值、音频变化序列与预测音频变化序列对应元素的差值，并获得差值的和，记为检修判断标准。
优选地，根据轴承的振动幅度序列、温度序列和音频变化序列的方差获得轴承的稳定性指数包括：轴承的振动幅度序列、温度序列和音频变化序列的方差的乘积与轴承的稳定性指数成负相关关系。
优选地，将大于阈值的所有轴承对应的振动幅度序列、温度序列和音频变化序列中的元素分别进行加权求和获得第一序列、第二序列和第三序列包括：获得小于阈值的所有轴承的稳定性指数，将稳定性指数归一化；归一化后的稳定性指数为对应轴承的振动幅度序列、温度序列和音频变化序列中的元素的权值；第一、第二和第三序列中的元素分别由大于阈值的所有轴承对应的振动幅度序列、温度序列和音频变化序列中的同一位置元素加权求和获得。
优选地，根据轴承对应的振动幅度序列、温度序列和音频变化序列分别与第一、第二和第三序列的相似度获得轴承的状态指数包括：利用DTW算法获得振动幅度序列与第一序列的相似度，温度序列与第二序列的相似度以及音频变化序列与第三序列的相似度，将获得的相似度和相乘获得轴承的状态指数。
优选地，根据将除进行检修的轴承的剩余轴承的振动幅度序列、温度序列和音频变化序列获得真实的振动幅度序列、温度序列和音频变化序列包括：根据两个轴承的振动幅度序列、温度序列和音频变化序列之间变化趋势的相关性获得轴承的匹配系数，根据匹配系数将变化趋势相同的轴承进行匹配，获得轴承对；将轴承对中两个轴承的振动幅度序列一同作为预测网络的输入，该输入记为轴承的真实的振动幅度序列，同理获得真实的温度序列和音频变化序列。
优选地，匹配系数为：
Figure 452219DEST_PATH_IMAGE001
*
Figure 636076DEST_PATH_IMAGE002
*
Figure 740298DEST_PATH_IMAGE003
*
Figure 427631DEST_PATH_IMAGE004
其中，
Figure 959107DEST_PATH_IMAGE005
表示轴承A与轴承B之间的匹配系数；
Figure 567943DEST_PATH_IMAGE006
表示轴承A的振动幅度序列，
Figure 538173DEST_PATH_IMAGE007
表示轴承B的振动幅度序列；
Figure 283275DEST_PATH_IMAGE008
表示轴承A的温度序列，
Figure 47969DEST_PATH_IMAGE009
表示轴承B的温度序列；
Figure 878521DEST_PATH_IMAGE010
表示轴承A的音频变化序列，
Figure 386863DEST_PATH_IMAGE011
表示轴承B的音频变化序列；
Figure 986472DEST_PATH_IMAGE012
表示轴承A的稳定性指数，
Figure 922067DEST_PATH_IMAGE013
表示轴承B的稳定性指数。
优选地，预测网络具体为：预测网络为RNN神经网络，训练数据为获得的真实的振动幅度序列、温度序列和音频变化序列；标签为输入的序列时序后的第一个元素，且损失函数为均方差损失函数。
优选地，在获得检修判断标准之后还包括：设定检修阈值，当一个时刻对应的检修判断标准大于检修阈值时，在该时刻之前对轴承进行检修，所述时刻为预测的序列中元素对应的时刻。
本发明实施例至少具有如下有益效果：本发明实施例通过在对风力发电机在工作时利用传感技术对轴承的工业数据的记录和获取，工业数据包括振动幅度序列、温度序列和音频变化序列，将这些工业数据通过5G通信技术上传至互联网生产服务平台；通过对上传至互联网生产服务平台的数据的处理，获得轴承的稳定性指数，根据稳定性指数判断当前的轴承是否需要检修，不仅能够体现环境对发电机轴承的影响，还可以反映轴承自身是否故障，使对风力发电机轴承的监测结果更加准确，同时对剩余的当前不需要进行检修轴承的工业数据进行数据处理，预测未来某一时刻的检修判断标准，判断接近未来某一时刻时是否需要对轴承进行检修，能够避免轴承发生故障，同时保证风力发电机能够一直正常工作，避免经济损失；本实施例基于互联网生产服务平台，并基于5G通信技术对获得工业数据进行传输，使得工业数据传输的速率更快。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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它附图。
图1为一种基于5G通信的风力发电机轴承振动故障智能监测系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于5G通信的风力发电机轴承振动故障智能监测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于5G通信的风力发电机轴承振动故障智能监测系统具体方案。
实施例
本发明的主要应用场景为：采集风力发电机在工作时的工业大数据，基于5G通信将工业大数据通过互联网网生产服务平台或者工业人工智能网络系统将工业大数据进行汇聚，通过计算机终端对数据进行处理获得最终结果对风力发电机的轴承故障进行判断。
请参阅图1，其示出了本发明一个实施例提供的一种基于5G通信的风力发电机轴承振动故障智能监测系统框图，该系统包括以下模块：
数据采集模块，用于以预设采样频率获得轴承的振动幅度序列、轴承处的温度序列和轴承处的工作时造成的声音组成的音频变化序列。
发电机是风力发电机组的核心组件，由于长期运行在未知的恶劣环境中，故障率很高。其中轴承及轴承周围的部件发生的几率更高，造成的后果更严重。
首先，在发电机正常运转中，轴承处不可避免的有细微的振动，只有不超过一定范围即视为正常情况，若超过一定范围则认为出现了异常，振动出现异常可能意味着某些与轴承连接的机械结构出现了损坏，例如周围的叶片转动没有围绕轴心，产生了偏离的离心力。也有可能是各种螺栓固定出现了松动。因此需要进行振动幅度的监测。
设定采样评率，预设采样频率为1s记录一次，并且能够长时间的记录；使用振幅检测仪检测轴承处的振动情况。放置位置不影响轴承的正常工作。采集轴承处的振动幅度序列
Figure 239915DEST_PATH_IMAGE014
，n表示不同的风力发电机，t表示序列中不同时刻。正常情况下，没有发生异常振动。当下的振动幅度序列和前面的振动序列数据是非常接近的。若出现异常振动，两个之间的振动幅度序列的数据差距比较大。
然后，采集轴承处的温度情况，正常工作情况下，轴承处的温度是在一定范围内的，若轴承处发生异常振动，造成轴承运转中产生偏离造成间隙过小，轴承处产生剧烈摩擦。就会造成温度升高。同时温度情况也能反应外界的风速情况，当风速越高，内部的发电机转速也越高。轴承处的温度也越高。因此一些风速高的地区相对来说温度更高。
在轴承处放置一个红外温度传感器，放置位置不影响风力发电机的正常工作。采集轴承处的温度值，采集频率与预设频率相同，获得温度序列，n表示不同的风力发电机，t表示序列不同时刻。
最后，在风力发电机的发电过程中，如果发电机的轴承没有故障，在风力发电机的轴承处会有声音的产生，但这些声音是一种较为规律的声音，产生的音频是在一个范围内波动；一旦轴承发生故障，轴承处的声音是比较杂乱的，轴承处不同时刻的音频会发生变化。
在风力发电机的轴承处放置一个音频分析仪，放置位置不影响轴承处得到正常工作；以预设采样频率采集轴承处的音频，获得音频变化序列
Figure 286369DEST_PATH_IMAGE015
。
在获取振动振幅序列、温度序列和音频变化序列的过程中，利用中值滤波进行处理。
轴承监测模块，用于根据轴承的振动幅度序列、温度序列和音频变化序列的方差获得轴承的稳定性指数；设置稳定性指数阈值，将小于阈值的所有轴承对应的振动幅度序列、温度序列和音频变化序列中的元素分别进行加权求和获得第一序列、第二序列和第三序列；根据轴承对应的振动幅度序列、温度序列和音频变化序列分别与第一、第二和第三序列的相似度获得轴承的状态指数；设定状态阈值，对状态指数小于状态阈值的轴承进行检修。
首先，对风力发电机工作时，轴承的稳定性进行评价，对轴承的稳定性造成影响的因素主要有两个，一个是环境因素，由于每台风力发电机的工作地方的环境情况不同；而发电机各种振动异常产生可能是是由阵风或者歪风造成了整个发电机组出现一段时间共振；出现共振时各种数据都会出现波动；但不会造成太大的影响。另一个因素就是轴承发生故障，一旦轴承发生故障时，轴承振动时会发生异常振动，这样采集到的数据就会是多变的，非常的不规律。
选择一周7天的采集到的振动幅度序列、温度序列和音频变化序列，根据这三个序列的方差对风力发电机工作时，轴承的稳定性指数：
Figure 6063DEST_PATH_IMAGE016
其中，
Figure 112559DEST_PATH_IMAGE017
表示第n个风力发电机的轴承的稳定性指数；
Figure 183284DEST_PATH_IMAGE018
)表示振动幅度序列的方差；
Figure 971111DEST_PATH_IMAGE019
)表示音频变化序列的方差；
Figure 607629DEST_PATH_IMAGE020
)表示温度序列的方差。当外界风场环境多变时，发电机就会出现些异常的振动情况。会有部分采集的数据偏离正常值；这样就会造成序列的方差变大，稳定性指数变小；同时当风力发电机的轴承出现故障时，这是采集到的数据也会发生偏离，造成获得的序列的方差变大，稳定性指数值变小；本实施例中稳定性指数大说明轴承工作的稳定性越高，稳定性指数越小说明轴承工作的稳定性越低。
对于环境因素对于轴承对应的稳定性指数的影响，具体说明为：
Figure 822709DEST_PATH_IMAGE017
值越大，意味着此风力发电机所在位置的外界环境因素对发电机内部的影响越多，由于其恶劣的环境，后续对此类发电机也需要多频次重点的检修。求出所有的发电机稳定性指数Q，将所有数值进行归一化；使Q的值域为[0，1]，当数据越接近0时，意味着发电机的外界环境对此发电机的影响越大，风力发电机发生故障的概率也会更高。反之当Q越接近1时，意味着此发电机内部运行状态数据较稳定，未受外界环境更多的影响，发生故障的概率会较低，同时也表面当前的轴承是处于正常的工作状态的。
设定稳定性指数阈值M，优选地，本实施例中M的取值为0.9，选取稳定性指数大于0.9的轴承，并将这一部分轴承对应的稳定性指数进行归一化，将归一化后的稳定性指数作为与之对应的轴承的振动幅度序列、温度序列和音频变化序列的权重，并对这三种序列分别进行加权求和获得第一序列
Figure 911888DEST_PATH_IMAGE021
、第二序列
Figure 503407DEST_PATH_IMAGE022
和第三序列
Figure 994431DEST_PATH_IMAGE023
；其中第一、第二和第三序列中的元素分别由大于稳定性指数阈值的所有轴承对应的振动幅度序列、温度序列和音频变化序列中的同一位置元素加权求和获得，例如第一序列中的第一个元素为大于稳定性指数阈值的所有轴承对应的振动幅度序列中的第一个元素进行加权求和获得的。
最后，根据各轴承对应的振动幅度序列、温度序列和音频变化序列分别与第一、第二和第三序列的相似程度对轴承的状态进行评价：
Figure 380413DEST_PATH_IMAGE024
*
Figure 222467DEST_PATH_IMAGE025
*
Figure 352097DEST_PATH_IMAGE026
其中，S表示轴承的状态指数；
Figure 697627DEST_PATH_IMAGE027
表示利用DTW算法获得轴承对应的振动幅度序列与第一序列
Figure 785669DEST_PATH_IMAGE021
的距离；
Figure 787123DEST_PATH_IMAGE028
表示利用DTW算法获得轴承对应的温度序列
Figure 782761DEST_PATH_IMAGE029
与第二序列
Figure 920481DEST_PATH_IMAGE022
的距离；
Figure 976162DEST_PATH_IMAGE030
表示利用DTW算法获得轴承对应的音频变化序列
Figure 464912DEST_PATH_IMAGE015
与第三序列
Figure 998662DEST_PATH_IMAGE023
的距离。
设置状态阈值N，优选地，本实施中状态阈值N的取值为0.85，当风力发电机的轴承对应的状态指数小于状态阈值时，需要对这部分小于状态阈值的轴承进行检修。
检修预测模块，用于根据将除进行检修的轴承的剩余轴承的振动幅度序列、温度序列和音频变化序列获得真实的振动幅度序列、温度序列和音频变化序列，并分别输入预测网络，输出预测的振动幅度序列、温度序列和音频变化序列；任选一时刻，获得该时刻下对应的振动幅度序列与预测振动幅度序列对应元素的差值、温度序列与预测温度序列对应元素的差值、音频变化序列与预测音频变化序列对应元素的差值，并获得差值的和，记为检修判断标准。
首先，将轴承监测模块中判断当前要进行检修的风力发电机的轴承去除，获得剩下的轴承，获得该部分轴承对应的振动幅度序列、温度序列和音频变化序列，根据这些数据分析轴承之间的数据的关联特性，并利用这些关联特性通过K-M算法进行匹配。
获得剩余轴承之间的匹配系数W：
Figure 522047DEST_PATH_IMAGE001
*
Figure 686312DEST_PATH_IMAGE002
*
Figure 459096DEST_PATH_IMAGE003
*
Figure 734220DEST_PATH_IMAGE004
其中，
Figure 174428DEST_PATH_IMAGE031
表示风力发电机的轴承A与风力发电机的轴承B的匹配系数；
Figure 244015DEST_PATH_IMAGE032
表示风力发电机的轴承A与风力发电机的轴承B的振动幅度序列之间的皮尔逊相关性系数，当两个序列成正相关性关系时，皮尔逊相关性系数接近于1，当变化趋势成负相关性关系时，皮尔逊相关性系数接近于-1；
Figure 769675DEST_PATH_IMAGE033
表示两个轴承稳定性指数的差值的绝对值。
当轴承A与轴承B的匹配系数
Figure 582910DEST_PATH_IMAGE031
结果越接近于1时，意味着两个风力发电机的工作状况越相似，外部的工作环境也越相似；将匹配系数作为K-M算法中所需的样本之间的边权值，利用二分图进行匹配，获得最优的匹配对，记为轴承对，其中轴承对中的两个轴承的工作状况十分相似。
然后，如果获得的一个轴承对为轴承A和轴承B组成的，以轴承A和轴承B为例，利用预测网络根据轴承A和轴承B的振动幅度序列、温度序列和音频变化序列，预测得到预测的振动幅度序列、温度序列和音频变化序列；其中，预测网络具体为RNN神经网络，将轴承对中A轴承和B轴承对应的振动幅度序列共同输入预测网络，将该输入记为真实的振动幅度序列，其中对于A轴承和B轴承对应的温度序列和音频变化序列也是一样，获得真实的温度序列和音频变化序列。
RNN神经网络的损失函数为均方误差损失函数，标签值为输入的真实的序列时序后的第一个值，即真实的序列的下一个值为标签，其中真实的序列包括真实的振动幅度序列、温度序列和音频变化序列。将真实的振动幅度序列、温度序列和音频变化序列分别输入预测网络，输出预测振动幅度序列、预测温度序列和预测音频变化序列；获得预测的序列与采集到的轴承序列同一时刻对应元素的差值，以轴承A和轴承B为例，通过神经网络预测得到预测振动幅度序列，预测温度序列和预测音频变化序列，同时获得轴承A采集到的振动幅度序列、温度序列和音频变化序，获得未来某一时刻检修判断标准：
Figure 80887DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
表示轴承A采集到的振动幅度序列、温度序列和音频变化序列中第t时刻对应的元素值分别与轴承A和B预测得到的预测振动幅度序列，预测温度序列和预测音频变化序列中第t时刻对应的元素差值和，该差值和为轴承A未来某一时刻对应的检修判断标准；
Figure 118113DEST_PATH_IMAGE036
表示轴承A采集的振动幅度序列中第t时刻对应的元素，
Figure 131069DEST_PATH_IMAGE037
表示预测振动幅度序列中第t时刻对应的元素；
Figure 747995DEST_PATH_IMAGE038
表示轴承A采集的温度序列中第t时刻对应的元素，
Figure 897216DEST_PATH_IMAGE039
表示预测温度序列中第t时刻对应的元素；
Figure 574185DEST_PATH_IMAGE040
轴承A采集的音频变化序列中第t时刻对应的元素，
Figure 808858DEST_PATH_IMAGE041
表示预测音频变化序列中第t时刻对应的元素。
获得所有未来时刻对应的检修判断标准D，并将这些检修判断标准归一化，设置检修阈值Y，优选地，本实施例中Y取值为0.3，当轴承A未来第t时刻的对应的检修判断标准
Figure 963896DEST_PATH_IMAGE042
大于检修阈值Y时，在风力发电机工作过程中，在接近第t时刻之前要对轴承A进行检修。
至此，在风力发电机工作过程中，需要加强对稳定性指数Q接近于1的风力发电机的轴承加大关注度，同时将状态指数小于状态阈值的风力发电机的轴承进行检修，对于当前不需要检修的风力发电机的轴承，在计算出未来时刻对应的检修判断标准，根据检修判断标准判断在接近未来某一时刻之前需不需要对风力发电机的轴承进行检修。同时此系统采集的各种数据都需要5G传输技术进行传输，因此需要在风力发电机周围建立小型5G基站，通过5G传输将数据传输到计算机控制的系统终端，利用计算机对这些数据进行复杂的数学运算得到最后的分析结果。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于5G通信的风力发电机轴承振动故障智能监测系统，其特征在于，该系统包括：数据采集模块，用于以预设采样频率获得轴承的振动幅度序列、轴承处的温度序列和轴承处的工作时造成的声音组成的音频变化序列；
轴承监测模块，用于根据轴承的振动幅度序列、温度序列和音频变化序列的方差获得轴承的稳定性指数；设置稳定性指数阈值，将大于阈值的所有轴承对应的振动幅度序列、温度序列和音频变化序列中的元素分别进行加权求和获得第一序列、第二序列和第三序列；根据轴承对应的振动幅度序列、温度序列和音频变化序列分别与第一、第二和第三序列的相似度获得轴承的状态指数；设定状态阈值，对状态指数小于状态阈值的轴承进行检修；
检修预测模块，用于根据将除进行检修的轴承的剩余轴承的振动幅度序列、温度序列和音频变化序列获得真实的振动幅度序列、温度序列和音频变化序列，并分别输入预测网络，输出预测的振动幅度序列、温度序列和音频变化序列；任选一时刻，获得该时刻下对应的振动幅度序列与预测振动幅度序列对应元素的差值、温度序列与预测温度序列对应元素的差值、音频变化序列与预测音频变化序列对应元素的差值，并获得差值的和，记为检修判断标准。
2.根据权利要求1所述的一种基于5G通信的风力发电机轴承振动故障智能监测系统，其特征在于，所述根据轴承的振动幅度序列、温度序列和音频变化序列的方差获得轴承的稳定性指数包括：轴承的振动幅度序列、温度序列和音频变化序列的方差的乘积与轴承的稳定性指数成负相关关系。
3.根据权利要求1所述的一种基于5G通信的风力发电机轴承振动故障智能监测系统，其特征在于，所述将大于阈值的所有轴承对应的振动幅度序列、温度序列和音频变化序列中的元素分别进行加权求和获得第一序列、第二序列和第三序列包括：获得小于阈值的所有轴承的稳定性指数，将稳定性指数归一化；归一化后的稳定性指数为对应轴承的振动幅度序列、温度序列和音频变化序列中的元素的权值；第一、第二和第三序列中的元素分别由大于阈值的所有轴承对应的振动幅度序列、温度序列和音频变化序列中的同一位置元素加权求和获得。
4.根据权利要求1所述的一种基于5G通信的风力发电机轴承振动故障智能监测系统，其特征在于，所述根据轴承对应的振动幅度序列、温度序列和音频变化序列分别与第一、第二和第三序列的相似度获得轴承的状态指数包括：利用DTW算法获得振动幅度序列与第一序列的相似度，温度序列与第二序列的相似度以及音频变化序列与第三序列的相似度，将获得的相似度和相乘获得轴承的状态指数。
5.根据权利要求1所述的一种基于5G通信的风力发电机轴承振动故障智能监测系统，其特征在于，所述根据将除进行检修的轴承的剩余轴承的振动幅度序列、温度序列和音频变化序列获得真实的振动幅度序列、温度序列和音频变化序列包括：根据两个轴承的振动幅度序列、温度序列和音频变化序列之间变化趋势的相关性获得轴承的匹配系数，根据匹配系数将变化趋势相同的轴承进行匹配，获得轴承对；将轴承对中两个轴承的振动幅度序列一同作为预测网络的输入，该输入记为轴承的真实的振动幅度序列，同理获得真实的温度序列和音频变化序列。
6.根据权利要求5所述的一种基于5G通信的风力发电机轴承振动故障智能监测系统，其特征在于，所述匹配系数为：
Figure DEST_PATH_IMAGE002
*
Figure DEST_PATH_IMAGE004
*
Figure DEST_PATH_IMAGE006
*
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE010
表示轴承A与轴承B之间的匹配系数；
Figure DEST_PATH_IMAGE012
表示轴承A的振动幅度序列，
Figure DEST_PATH_IMAGE014
表示轴承B的振动幅度序列；
Figure DEST_PATH_IMAGE016
表示轴承A的温度序列，
Figure DEST_PATH_IMAGE018
表示轴承B的温度序列；
Figure DEST_PATH_IMAGE020
表示轴承A的音频变化序列，
Figure DEST_PATH_IMAGE022
表示轴承B的音频变化序列；
Figure DEST_PATH_IMAGE024
表示轴承A的稳定性指数，
Figure DEST_PATH_IMAGE026
表示轴承B的稳定性指数。
7.根据权利要求1所述的一种基于5G通信的风力发电机轴承振动故障智能监测系统，其特征在于，所述预测网络具体为：预测网络为RNN神经网络，训练数据为获得的真实的振动幅度序列、温度序列和音频变化序列；标签为输入的序列时序后的第一个元素，且损失函数为均方差损失函数。
8.根据权利要求1所述的一种基于5G通信的风力发电机轴承振动故障智能监测系统，其特征在于，在获得检修判断标准之后还包括：设定检修阈值，当一个时刻对应的检修判断标准大于检修阈值时，在该时刻之前对轴承进行检修，所述时刻为预测的序列中元素对应的时刻。
CN202210720354.8A 2022-06-24 2022-06-24 基于5g通信的风力发电机轴承振动故障智能监测系统 Active CN114810513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210720354.8A CN114810513B (zh) 2022-06-24 2022-06-24 基于5g通信的风力发电机轴承振动故障智能监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210720354.8A CN114810513B (zh) 2022-06-24 2022-06-24 基于5g通信的风力发电机轴承振动故障智能监测系统

Publications (2)

Publication Number Publication Date
CN114810513A true CN114810513A (zh) 2022-07-29
CN114810513B CN114810513B (zh) 2022-09-09

Family

ID=82520611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210720354.8A Active CN114810513B (zh) 2022-06-24 2022-06-24 基于5g通信的风力发电机轴承振动故障智能监测系统

Country Status (1)

Country Link
CN (1) CN114810513B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118583475A (zh) * 2024-07-31 2024-09-03 沈阳科网通信息技术有限公司 一种筛分设备运行状态监测数据处理方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002090266A (ja) * 2000-09-20 2002-03-27 Mitsui Eng & Shipbuild Co Ltd 余寿命予測装置
CN104236911A (zh) * 2014-09-28 2014-12-24 江苏润仪仪表有限公司 一种列车转向架轴承服役过程监测与故障诊断系统及方法
CN110361193A (zh) * 2019-04-04 2019-10-22 浙江运达风电股份有限公司 用于风力发电机组变桨轴承故障识别的方法
CN111947927A (zh) * 2020-07-16 2020-11-17 南京航空航天大学 一种基于色度理论的滚动轴承故障检测方法
CN112597607A (zh) * 2020-12-21 2021-04-02 北京华能新锐控制技术有限公司 风力发电机高速轴承的预测性维修方法及系统
WO2021232655A1 (zh) * 2020-05-20 2021-11-25 国网河北省电力有限公司电力科学研究院 一种基于振动特征的高压并联电抗器机械状态评估方法
CN113806893A (zh) * 2021-11-16 2021-12-17 常州和利时信息系统工程有限公司 基于工业互联网的风机状态监测与故障诊断方法及系统
CN114004306A (zh) * 2021-11-10 2022-02-01 嘉应学院 一种基于物联网多维度数据的设备故障评估系统及其方法
CN114638280A (zh) * 2022-01-30 2022-06-17 江苏东佳电气有限公司 基于本地设备网络的防爆电机轴承温度异常监测系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002090266A (ja) * 2000-09-20 2002-03-27 Mitsui Eng & Shipbuild Co Ltd 余寿命予測装置
CN104236911A (zh) * 2014-09-28 2014-12-24 江苏润仪仪表有限公司 一种列车转向架轴承服役过程监测与故障诊断系统及方法
CN110361193A (zh) * 2019-04-04 2019-10-22 浙江运达风电股份有限公司 用于风力发电机组变桨轴承故障识别的方法
WO2021232655A1 (zh) * 2020-05-20 2021-11-25 国网河北省电力有限公司电力科学研究院 一种基于振动特征的高压并联电抗器机械状态评估方法
CN111947927A (zh) * 2020-07-16 2020-11-17 南京航空航天大学 一种基于色度理论的滚动轴承故障检测方法
CN112597607A (zh) * 2020-12-21 2021-04-02 北京华能新锐控制技术有限公司 风力发电机高速轴承的预测性维修方法及系统
CN114004306A (zh) * 2021-11-10 2022-02-01 嘉应学院 一种基于物联网多维度数据的设备故障评估系统及其方法
CN113806893A (zh) * 2021-11-16 2021-12-17 常州和利时信息系统工程有限公司 基于工业互联网的风机状态监测与故障诊断方法及系统
CN114638280A (zh) * 2022-01-30 2022-06-17 江苏东佳电气有限公司 基于本地设备网络的防爆电机轴承温度异常监测系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118583475A (zh) * 2024-07-31 2024-09-03 沈阳科网通信息技术有限公司 一种筛分设备运行状态监测数据处理方法及装置

Also Published As

Publication number Publication date
CN114810513B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN112906969B (zh) 发动机故障预测方法、装置、电子设备及存储介质
Yang et al. Fault detection of wind turbine generator bearing using attention-based neural networks and voting-based strategy
CN103234753A (zh) 基于高斯过程建模的风电机组轴系状态监测方法
Butler et al. A feasibility study into prognostics for the main bearing of a wind turbine
CN103711645A (zh) 基于建模参数特征分析的风力发电机组状态评估方法
CN114810513B (zh) 基于5g通信的风力发电机轴承振动故障智能监测系统
CN115270491A (zh) 基于多元信息融合的海上风电运维平台设计方法
CN112115999A (zh) 一种时空多尺度神经网络的风电机组故障诊断方法
CN114215705A (zh) 风电机组故障预警方法和系统
CN110794683A (zh) 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法
CN111931851A (zh) 一种基于一维残差神经网络的风机叶片结冰故障诊断方法
Lis et al. An anomaly detection method for rotating machinery monitoring based on the most representative data
Helsen et al. Fleet-wide condition monitoring combining vibration signal processing and machine learning rolled out in a cloud-computing environment
Elijorde et al. A wind turbine fault detection approach based on cluster analysis and frequent pattern mining
CN116717436A (zh) 一种变桨系统故障预警方法及系统
CN116816617A (zh) 一种风电机组运行状态监测方法
CN113915078B (zh) 光纤光栅式风电机组叶片工况智能识别方法及系统
KR101468627B1 (ko) 풍력발전기 데이터 분류 시스템
Dinh et al. Implementation of Digital Twin-Assisted Condition Monitoring and Fault Diagnosis for Wind Turbines
McKinnon et al. Investigation of anomaly detection technique for wind turbine pitch systems
CN114021743A (zh) 一种风电机组的故障预警建模方法及系统
Daems et al. Farm-wide dynamic event classification as load input for wind turbine drivetrain lifetime prognosis
CN110905735A (zh) 一种基于声音周期性的叶片故障诊断方法
Hajimohammadali et al. Autoencoder-based Fault Diagnosis for Hydropower Plants
Paul et al. Residual Signature Analysis for Wind Turbine Failure Prognosis

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