CN114810513B - 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

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：

*

*

*

其中，

表示轴承A与轴承B之间的匹配系数；

表示轴承A的振动幅度序列，

表示轴承B的振动幅度序列；

表示轴承A的温度序列，

表示轴承B的温度序列；

表示轴承A的音频变化序列，

表示轴承B的音频变化序列；

表示轴承A的稳定性指数，

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。

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

，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

。

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：

其中，

表示第n个风力发电机的轴承的稳定性指数；

)表示振动幅度序列的方差；

)表示音频变化序列的方差；

)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：

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

、第二序列

和第三序列

；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：

*

*

其中，S表示轴承的状态指数；

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

的距离；

表示利用DTW算法获得轴承对应的温度序列

与第二序列

的距离；

表示利用DTW算法获得轴承对应的音频变化序列

与第三序列

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：

*

*

*

其中，

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；

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；

表示两个轴承稳定性指数的差值的绝对值；

表示风力发电机的轴承A与风力发电机的轴承B的温度序列之间的皮尔逊相关性系数；

表示风力发电机的轴承A与风力发电机的轴承B的音频变化序列之间的皮尔逊相关性系数。

当轴承A与轴承B的匹配系数

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：

其中，

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；

表示轴承A采集的振动幅度序列中第t时刻对应的元素，

表示预测振动幅度序列中第t时刻对应的元素；

表示轴承A采集的温度序列中第t时刻对应的元素，

表示预测温度序列中第t时刻对应的元素；

轴承A采集的音频变化序列中第t时刻对应的元素，

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

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 (4)

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；在风力发电机周围建立小型5G基站，通过5G通信将数据采集模块采集的数据传输到计算机控制的系统终端；

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；所述轴承的稳定性指数为：

其中，

表示第n个风力发电机的轴承的稳定性指数；

)表示振动幅度序列的方差；

)表示音频变化序列的方差；

)表示温度序列的方差；

所述轴承的状态指数为：

*

*

其中，S表示轴承的状态指数；

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

的距离；

表示利用DTW算法获得轴承对应的温度序列

与第二序列

的距离；

表示利用DTW算法获得轴承对应的音频变化序列

与第三序列

的距离；

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；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。

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。

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；所述匹配系数为：

*

*

*

其中，

表示轴承A与轴承B之间的匹配系数；

表示轴承A的振动幅度序列，

表示轴承B的振动幅度序列；

表示轴承A的温度序列，

表示轴承B的温度序列；

表示轴承A的音频变化序列，

表示轴承B的音频变化序列；

表示轴承A的稳定性指数，

表示轴承B的稳定性指数；

表示两个轴承稳定性指数的差值的绝对值；

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；

表示风力发电机的轴承A与风力发电机的轴承B的温度序列之间的皮尔逊相关性系数；

表示风力发电机的轴承A与风力发电机的轴承B的音频变化序列之间的皮尔逊相关性系数。

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，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。

Images