CN117471308A - 基于大数据多特征技术挖掘的风机故障诊断方法 - Google Patents
基于大数据多特征技术挖掘的风机故障诊断方法 Download PDFInfo
- Publication number
- CN117471308A CN117471308A CN202210873116.0A CN202210873116A CN117471308A CN 117471308 A CN117471308 A CN 117471308A CN 202210873116 A CN202210873116 A CN 202210873116A CN 117471308 A CN117471308 A CN 117471308A
- Authority
- CN
- China
- Prior art keywords
- data
- fan
- value
- alarm
- threshold
- 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 26
- 238000005065 mining Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005516 engineering process Methods 0.000 title claims abstract description 13
- 230000015556 catabolic process Effects 0.000 claims abstract description 37
- 238000006731 degradation reaction Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 239000002245 particle Substances 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000000739 chaotic effect Effects 0.000 claims description 8
- 235000014435 Mentha Nutrition 0.000 claims description 6
- 241001072983 Mentha Species 0.000 claims description 6
- 235000014569 mints Nutrition 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 241001081972 Arctium medians Species 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000009412 basement excavation Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于大数据多特征技术挖掘的风机故障诊断方法，本方法采集风机自由侧和负荷侧的水平、垂直和轴向振动数据，以及轴承轴瓦温度数据；对振动数据进行带通滤波处理，计算基频和/或信号并经傅里叶变换转换成频域信号，保留1～10次谐波分量以及前5次频谱冲高值，对振动数据进行统计值计算，温度数据计算其一小时内的95分位数，分别对风机作出频谱报警、劣化报警以及阈值报警，并建立报警综合优化模型，使用粒子群优化算法寻优挖掘模型参数，得到一组使得报警综合优化模型对历史数据的误报+漏报数最少的模型参数组合。本方法采集风机多个测点的数据，避免数据单一导致的诊断误差，提高风机故障诊断的准确性。
Description
技术领域
本发明涉及设备诊断技术领域，尤其涉及一种基于大数据多特征技术挖掘的风机故障诊断方法。
背景技术
在冶金企业中风机占有极重要的位置，风机的正常运行保证了炼钢炼铁的有序进行，而如果一旦风机出现故障并且没有得到及时维修，那么可能会造成生产线的非计划停修，带来巨大的经济损失。
在传统的风机维修工作中，大多是依靠工作现场的技术人员观测风机运行状况，检查风机运行时发出的声音是否有巨大异常等来判断风机是否故障。这不仅极大程度的取决于现场技术人员的主观判断来决定风机是否需要维修，且对于风机运行时所发生的细微变化是无法发现的。因此，实施设备的智能化监控，使用人工智能判断风机运行状况并将运行状况实时反馈，这不仅大大提高了判断风机是否故障的效率，也是企业发展的必经阶段。
但需要明确的是，即使步入人工智能阶段，能否建立准确的故障识别模型，也是当下最需要考虑的。风机的故障有许多种类型，如风机叶片的不对中、不平衡、齿轮内圈故障、外圈故障、润滑油不足等。现有的故障识别模型在识别精度和速度上存在不足，不能及时准确的对风机故障进行识别，也是目前需要考虑的问题。
发明内容
本发明所要解决的技术问题是提供一种基于大数据多特征技术挖掘的风机故障诊断方法，本方法克服传统风机故障诊断的缺陷，采集风机多个测点的数据，避免数据单一导致的诊断误差，以频谱、劣化、阈值对采集到的数据进行挖掘整理建模，提高风机故障诊断的准确性。
为解决上述技术问题，本发明基于大数据多特征技术挖掘的风机故障诊断方法包括如下步骤：
步骤一、在风机自由侧和负荷侧轴承座分别设置振动传感器和温度传感器，采集风机自由侧和负荷侧的水平、垂直和轴向振动数据，以及风机自由侧、负荷侧的轴承轴瓦温度数据；
步骤二、对振动数据进行带通滤波处理，滤除数据中价值不高的信号，保留具有价值的信号，计算振动数据的基频和/或信号，将经带通滤波处理的时域信号采用傅里叶变换转换成频域信号，保留傅里叶变换后的1～10次谐波分量以及前5次频谱冲高值；
步骤三、对振动数据进行统计值计算，统计值包括速度有效值和冲击平均值，速度有效值计算为截取一小时内的原始振动数据后，先计算平方和的平均值，再对其开根号后得到，冲击平均值的计算为截取一小时内的原始振动数据并取平均值得到；
步骤四、对于测得的温度数据，计算其一小时内的95分位数，剔除毛刺尖峰数据，使温度数据更接近数据的真实极值；
步骤五、记录风机历史运行时期发生的各个故障信息，各个故障信息与振动数据基频和/或倍频信号关联，将各个故障信息以及相应的振动数据基频和/或倍频信号作为项集录入系统，统计故障前的数据作为阈值，并将实时采集的振动数据基频和/或倍频信号与之比较，超过阈值则触发风机频谱报警；
步骤六、对采集的振动数据和温度数据通过时序上的滑窗计算得到的统计值，设备运行的时间和设备的劣化程度呈正向的相关性，所求统计值与劣化具有相关性，对统计值进行去除离群点，然后对统计值进行综合分析，得出综合分析指标，使用该指标表征设备的劣化程度，将该劣化程度作为衡量风机是否发生故障的重要因素，给出风机的劣化报警；
步骤七、对于风机短期运行内采集的振动数据和温度数据的统计值，如果出现相较于平常而出现波动较大的数据，则判断风机会出现故障，作出阈值报警，阈值报警规则如下：
a.计算风机短期运行内波动最小数据的均值A；
b.滑动计算风机运行一段时间的一小时95分位数的均值B；
c.分别计算均值B与均值A的差值C＝A-B和比值D＝A/B；
设定差值阈值为E，比值阈值为F，统计在风机短期内差值C超阈值E的占比比例以及比值D超阈值F的占比比例，如果差值C超阈值E占比超过m以及比值D超阈值F占比n，则判断风机发生阈值报警；
步骤八、根据风机的频谱报警、劣化报警和阈值报警规则建立报警综合优化模型，通过风机异常报警与现场故障标签对比，使用粒子群优化算法寻优挖掘模型参数，模型参数包括频谱报警各模型阈值、劣化报警斜率及时间窗口、阈值报警各时间窗口、差值比值阈值以及超阈值占比比列，得到一组使得报警综合优化模型对历史数据的误报+漏报数最少的模型参数组合。
进一步，所述步骤六中在进行统计值的劣化分析之前，需要对统计值进行去除离群点，消除离群点带来的消极影响，去除离群点包括：
A、中位数滤波去除离群点
a.取n个点为一组，分别计算每组的中位数m；
b.将每组统计值中大于中位数m的a1倍以及小于中位数m的a2倍剔除，没有被剔除的数作为新统计值；
具体公式如下：
m＝median(n)
x_new＝x[m*a2:m*a1]
其中，x为原统计值，x_new为去除离群点后的新统计值；
B、密度聚类算法去除离群点
a.数据输入，设定D为数据集，r为半径，minPts为给定点在r邻域半径内称为核心对象的最小领域点数；
b.判断输入核心点，以核心点为原点，r为半径，去寻找同类数据，当在r半径内的数据大于minpts时，将r半径内的所有数据保留；
c.在新寻找的半径数据里再确定一个点，并以此点为原点，r为半径，minpts为最小领域点数，重复操作b；
d.直到在半径为r的圆内最小领域点数不满足设定的minpts值时，算法终止；
e.将所有满足最小领域点数的数据合并起来，即为去除离群点后的统计值；
C、线性拟合去除离群点
使用最小二乘对数据进行线性拟合，线性拟合公式如下：
yi＝ax+b
其中，yi为所拟合的直线，a为斜率，b为截距；
为了使拟合出的直线符合数据整体走向，需要准确求出a和b，当即的值最小时，所求出的a和b最精确，当线性拟合后的斜率超过设定阈值，则发出相关劣化报警。
进一步，所述步骤七中，设定风机短期运行为2天，风机运行一段时间为10小时。
进一步，所述步骤八中，粒子群优化算法包括如下步骤：
a.初始化参数，确定种群规模n，进化次数、学习因子；
b.计算每个粒子的适应度，更新个体极值以及全局极值；
c.产生d个混沌变量，使其中，m为初始化后混沌变量，u为控制参数，i为种群序号，z为混沌变量，j为混动变量序号；
d.将混沌变量引进优化变量，得到优化变量的范围：
其中，x为变量，i为种群序号，j为变量的序号，z为混沌变量，min为某一变量的最小值，max为某一变量的最大值；
e.更新粒子的位置以及移动速度，再次计算适应度值；
f.依据得到的适应度值，进行选择、交叉、变异操作，生成新的粒子群，
g.判断是否满足条件，若满足，结束算法，若不满足，返回操作b。
由于本发明基于大数据多特征技术挖掘的风机故障诊断方法采用了上述技术方案，即本方法采集风机自由侧和负荷侧的水平、垂直和轴向振动数据，以及轴承轴瓦温度数据；对振动数据进行带通滤波处理，计算基频和/或信号并经傅里叶变换转换成频域信号，保留1～10次谐波分量以及前5次频谱冲高值，对振动数据进行统计值计算，温度数据计算其一小时内的95分位数，分别对风机作出频谱报警、劣化报警以及阈值报警，并建立报警综合优化模型，使用粒子群优化算法寻优挖掘模型参数，得到一组使得报警综合优化模型对历史数据的误报+漏报数最少的模型参数组合。本方法克服传统风机故障诊断的缺陷，采集风机多个测点的数据，避免数据单一导致的诊断误差，以频谱、劣化、阈值对采集到的数据进行挖掘整理建模，提高风机故障诊断的准确性。
附图说明
下面结合附图和实施方式对本发明作进一步的详细说明：
图1为本发明基于大数据多特征技术挖掘的风机故障诊断方法的流程框图。
具体实施方式
实施例如图1所示，本发明基于大数据多特征技术挖掘的风机故障诊断方法包括如下步骤：
步骤一、在风机自由侧和负荷侧轴承座分别设置振动传感器和温度传感器，采集风机自由侧和负荷侧的水平、垂直和轴向振动数据，以及风机自由侧、负荷侧的轴承轴瓦温度数据；
步骤二、对振动数据进行带通滤波处理，滤除数据中价值不高的信号，保留具有价值的信号，计算振动数据的基频和/或信号，将经带通滤波处理的时域信号采用傅里叶变换转换成频域信号，保留傅里叶变换后的1～10次谐波分量以及前5次频谱冲高值；
步骤三、对振动数据进行统计值计算，统计值包括速度有效值和冲击平均值，速度有效值计算为截取一小时内的原始振动数据后，先计算平方和的平均值，再对其开根号后得到，冲击平均值的计算为截取一小时内的原始振动数据并取平均值得到；
步骤四、对于测得的温度数据，计算其一小时内的95分位数，剔除毛刺尖峰数据，使温度数据更接近数据的真实极值；其中，95分位数是所给数集中超过其95％的数；
步骤五、记录风机历史运行时期发生的各个故障信息，各个故障信息与振动数据基频和/或倍频信号关联，将各个故障信息以及相应的振动数据基频和/或倍频信号作为项集录入系统，统计故障前的数据作为阈值，并将实时采集的振动数据基频和/或倍频信号与之比较，超过阈值则触发风机频谱报警；
步骤六、对采集的振动数据和温度数据通过时序上的滑窗计算得到的统计值，设备运行的时间和设备的劣化程度呈正向的相关性，所求统计值与劣化具有相关性，对统计值进行去除离群点，然后对统计值进行综合分析，得出综合分析指标，使用该指标表征设备的劣化程度，将该劣化程度作为衡量风机是否发生故障的重要因素，给出风机的劣化报警；
步骤七、对于风机短期运行内采集的振动数据和温度数据的统计值，如果出现相较于平常而出现波动较大的数据，则判断风机会出现故障，作出阈值报警，阈值报警规则如下：
a.计算风机短期运行内波动最小数据的均值A；
b.滑动计算风机运行一段时间的一小时95分位数的均值B；
c.分别计算均值B与均值A的差值C＝A-B和比值D＝A/B；
设定差值阈值为E，比值阈值为F，统计在风机短期内差值C超阈值E的占比比例以及比值D超阈值F的占比比例，如果差值C超阈值E占比超过m以及比值D超阈值F占比n，则判断风机发生阈值报警；
步骤八、根据风机的频谱报警、劣化报警和阈值报警规则建立报警综合优化模型，通过风机异常报警与现场故障标签对比，使用粒子群优化算法寻优挖掘模型参数，模型参数包括频谱报警各模型阈值、劣化报警斜率及时间窗口、阈值报警各时间窗口、差值比值阈值以及超阈值占比比列，得到一组使得报警综合优化模型对历史数据的误报+漏报数最少的模型参数组合。
优选的，由于现场因素如噪音、外界问题等导致所计算的统计值出现离群点，异常工况会导致统计值出现断层等现象，如果不处理这些问题，在系统进行劣化分析时，往往导致统计值所拟合出的线斜率过大或过小，从而影响后续风机故障判断的准确性，因此在进行统计值的劣化分析之前，需要对统计值进行去除离群点，因此所述步骤六中在进行统计值的劣化分析之前，需要对统计值进行去除离群点，消除离群点带来的消极影响，去除离群点包括：
A、中位数滤波去除离群点
a.取n个点为一组，分别计算每组的中位数m；
b.将每组统计值中大于中位数m的a1倍以及小于中位数m的a2倍剔除，没有被剔除的数作为新统计值；
具体公式如下：
m＝median(n)
x_new＝x[m*a2:m*a1]
其中x为原统计值，x_new为去除离群点后的新统计值；
B、密度聚类算法去除离群点
a.数据输入，设定D为数据集，r为半径，minPts为给定点在r邻域半径内称为核心对象的最小领域点数；
b.判断输入核心点，以核心点为原点，r为半径，去寻找同类数据，当在r半径内的数据大于minpts时，将r半径内的所有数据保留；
c.在新寻找的半径数据里再确定一个点，并以此点为原点，r为半径，minpts为最小领域点数，重复操作b；
d.直到在半径为r的圆内最小领域点数不满足设定的minpts值时，算法终止；
e.将所有满足最小领域点数的数据合并起来，即为去除离群点后的统计值；
C、线性拟合去除离群点
使用最小二乘对数据进行线性拟合，线性拟合公式如下：
yi＝ax+b
其中，yi为所拟合的直线，a为斜率，b为截距；
为了使拟合出的直线符合数据整体走向，需要准确求出a和b，当即的值最小时，所求出的a和b最精确，当线性拟合后的斜率超过设定阈值，则发出相关劣化报警。
优选的，所述步骤七中，设定风机短期运行为2天，风机运行一段时间为10小时。
优选的，由于普通的粒子群算法容易陷入局部最优，收敛速度较慢，搜索能力有限，因此改进粒子群算法，使之可以更好的适配故障诊断相关问题，所述步骤八中，粒子群优化算法包括如下步骤：
a.初始化参数，确定种群规模n，进化次数、学习因子；
b.计算每个粒子的适应度，更新个体极值以及全局极值；
c.产生d个混沌变量，使其中，m为初始化后混沌变量，u为控制参数，i为种群序号，z为混沌变量，j为混沌变量序号；
d.将混沌变量引进优化变量，得到优化变量的范围：
其中，x为变量，i为种群序号，j为变量的序号，z为混沌变量，min为某一变量的最小值，max为某一变量的最大值；
e.更新粒子的位置以及移动速度，再次计算适应度值；
f.依据得到的适应度值，进行选择、交叉、变异操作，生成新的粒子群，
g.判断是否满足条件，若满足，结束算法，若不满足，返回操作b。
本方法首先在风机的自由侧和负荷侧处安装振动传感器以及温度传感器，将数据输出，经过数据预处理后存储在计算机上。
计算机分别预置频谱报警挖掘模型、劣化报警挖掘模型以及阈值报警挖掘模型，将振动数据进行滤波并计算其基频和/或倍频数据，然后计算其1～10次谐波分量以及前5次频谱冲高值作为频谱报警挖掘模型的数据输入，挖掘风机在发出不同类型的频谱报警时各项数据的变化情况并以此作为频谱报警的条件。
然后将振动数据以及温度数据进行统计值计算，将长时间内的统计值数据输入劣化报警挖掘模型，通过统计值劣化分析获取风机长时间运行的数据趋势变化，观察其变化的斜率大小以进行劣化报警。
将短期内的统计值数据输入阈值报警挖掘模型，挖掘阈值并设定学习规则，一旦统计值在短时间内超过设定规则，则进行阈值报警。
采用改进的粒子群优化算法进行报警综合优化，通过调整各个挖掘模型的参数，得到一组使得模型对历史数据的漏报率+误报率最低。
最后将故障预警类型发送至大数据风机预警平台，提醒维修人员做好相关准备以对风机进行检修。
本方法可以提前预警风机的故障类型和预估风机经多少天需要维修，帮助维修人员掌握风机的运行状态以及提前准备维修作业，减少风机非计划性停机维修，提高生产线的稳定性，减少经济损失。
Claims (4)
1.一种基于大数据多特征技术挖掘的风机故障诊断方法，其特征在于本方法包括如下步骤：
步骤一、在风机自由侧和负荷侧轴承座分别设置振动传感器和温度传感器，采集风机自由侧和负荷侧的水平、垂直和轴向振动数据，以及风机自由侧、负荷侧的轴承轴瓦温度数据；
步骤二、对振动数据进行带通滤波处理，滤除数据中价值不高的信号，保留具有价值的信号，计算振动数据的基频和/或信号，将经带通滤波处理的时域信号采用傅里叶变换转换成频域信号，保留傅里叶变换后的1～10次谐波分量以及前5次频谱冲高值；
步骤三、对振动数据进行统计值计算，统计值包括速度有效值和冲击平均值，速度有效值计算为截取一小时内的原始振动数据后，先计算平方和的平均值，再对其开根号后得到，冲击平均值的计算为截取一小时内的原始振动数据并取平均值得到；
步骤四、对于测得的温度数据，计算其一小时内的95分位数，剔除毛刺尖峰数据，使温度数据更接近数据的真实极值；
步骤五、记录风机历史运行时期发生的各个故障信息，各个故障信息与振动数据基频和/或倍频信号关联，将各个故障信息以及相应的振动数据基频和/或倍频信号作为项集录入系统，统计故障前的数据作为阈值，并将实时采集的振动数据基频和/或倍频信号与之比较，超过阈值则触发风机频谱报警；
步骤六、对采集的振动数据和温度数据通过时序上的滑窗计算得到的统计值，设备运行的时间和设备的劣化程度呈正向的相关性，所求统计值与劣化具有相关性，对统计值进行去除离群点，然后对统计值进行综合分析，得出综合分析指标，使用该指标表征设备的劣化程度，将该劣化程度作为衡量风机是否发生故障的重要因素，给出风机的劣化报警；
步骤七、对于风机短期运行内采集的振动数据和温度数据的统计值，如果出现相较于平常而出现波动较大的数据，则判断风机会出现故障，作出阈值报警，阈值报警规则如下：
a.计算风机短期运行内波动最小数据的均值A；
b.滑动计算风机运行一段时间的一小时95分位数的均值B；
c.分别计算均值B与均值A的差值C＝A-B和比值D＝A/B；
设定差值阈值为E，比值阈值为F，统计在风机短期内差值C超阈值E的占比比例以及比值D超阈值F的占比比例，如果差值C超阈值E占比超过m以及比值D超阈值F占比n，则判断风机发生阈值报警；
步骤八、根据风机的频谱报警、劣化报警和阈值报警规则建立报警综合优化模型，通过风机异常报警与现场故障标签对比，使用粒子群优化算法寻优挖掘模型参数，模型参数包括频谱报警各模型阈值、劣化报警斜率及时间窗口、阈值报警各时间窗口、差值比值阈值以及超阈值占比比列，得到一组使得报警综合优化模型对历史数据的误报+漏报数最少的模型参数组合。
2.根据权利要求1所述的基于大数据多特征技术挖掘的风机故障诊断方法，其特征在于：所述步骤六中在进行统计值的劣化分析之前，需要对统计值进行去除离群点，消除离群点带来的消极影响，去除离群点包括：
A、中位数滤波去除离群点
a.取n个点为一组，分别计算每组的中位数m；
b.将每组统计值中大于中位数m的a1倍以及小于中位数m的a2倍剔除，没有被剔除的数作为新统计值；
具体公式如下：
m＝median(n)
x_new＝x[m*a2:m*a1]
其中，x为原统计值，x_new为去除离群点后的新统计值；
B、密度聚类算法去除离群点
a.数据输入，设定D为数据集，r为半径，minPts为给定点在r邻域半径内称为核心对象的最小领域点数；
b.判断输入核心点，以核心点为原点，r为半径，去寻找同类数据，当在r半径内的数据大于minpts时，将r半径内的所有数据保留；
c.在新寻找的半径数据里再确定一个点，并以此点为原点，r为半径，minpts为最小领域点数，重复操作b；
d.直到在半径为r的圆内最小领域点数不满足设定的minpts值时，算法终止；
e.将所有满足最小领域点数的数据合并起来，即为去除离群点后的统计值；
C、线性拟合去除离群点
使用最小二乘对数据进行线性拟合，线性拟合公式如下：
yi＝ax+b
其中，yi为所拟合的直线，a为斜率，b为截距；
为了使拟合出的直线符合数据整体走向，需要准确求出a和b，当即的值最小时，所求出的a和b最精确，当线性拟合后的斜率超过设定阈值，则发出相关劣化报警。
3.根据权利要求1所述的基于大数据多特征技术挖掘的风机故障诊断方法，其特征在于：所述步骤七中，设定风机短期运行为2天，风机运行一段时间为10小时。
4.根据权利要求1所述的基于大数据多特征技术挖掘的风机故障诊断方法，其特征在于：所述步骤八中，粒子群优化算法包括如下步骤：
a.初始化参数，确定种群规模n，进化次数、学习因子；
b.计算每个粒子的适应度，更新个体极值以及全局极值；
c.产生d个混沌变量，使
其中，m为初始化后混沌变量，u为控制参数，i为种群序号，z为混沌变量，j为混沌变量序号；
d.将混沌变量引进优化变量，得到优化变量的范围：
其中，x为变量，i为种群序号，j为变量的序号，z为混沌变量，min为某一变量的最小值，max为某一变量的最大值；
e.更新粒子的位置以及移动速度，再次计算适应度值；
f.依据得到的适应度值，进行选择、交叉、变异操作，生成新的粒子群，
g.判断是否满足条件，若满足，结束算法，若不满足，返回操作b。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210873116.0A CN117471308A (zh) | 2022-07-22 | 2022-07-22 | 基于大数据多特征技术挖掘的风机故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210873116.0A CN117471308A (zh) | 2022-07-22 | 2022-07-22 | 基于大数据多特征技术挖掘的风机故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117471308A true CN117471308A (zh) | 2024-01-30 |
Family
ID=89631716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210873116.0A Pending CN117471308A (zh) | 2022-07-22 | 2022-07-22 | 基于大数据多特征技术挖掘的风机故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117471308A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118093569A (zh) * | 2024-04-29 | 2024-05-28 | 山东泰开互感器有限公司 | 一种油浸式电力设备监测方法、系统、终端及存储介质 |
-
2022
- 2022-07-22 CN CN202210873116.0A patent/CN117471308A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118093569A (zh) * | 2024-04-29 | 2024-05-28 | 山东泰开互感器有限公司 | 一种油浸式电力设备监测方法、系统、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN112462736B (zh) | 一种基于数据分析的风电机组故障诊断方法 | |
| CN112487910A (zh) | 核电汽轮机系统故障预警方法及系统 | |
| CN109405889B (zh) | 用于掘进机工作臂减速器故障预测的系统与方法 | |
| CN110469496B (zh) | 一种水泵智能预警方法及系统 | |
| CN112633781B (zh) | 一种基于车联网大数据的车辆能耗评价方法 | |
| CN110388315A (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
| CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
| CN117471308A (zh) | 基于大数据多特征技术挖掘的风机故障诊断方法 | |
| CN116660672A (zh) | 基于大数据的电网设备故障诊断方法及系统 | |
| CN115685045A (zh) | 一种电压互感器在线评估方法 | |
| CN112580858A (zh) | 设备参数预测分析方法及系统 | |
| CN117961643A (zh) | 一种基于多轴电流信号的数控机床在线故障监测方法 | |
| CN111814848A (zh) | 一种风电机组温度故障的自适应预警策略设计方法 | |
| CN114969645A (zh) | 一种基于统计分布模型的航空发动机状态监测评估方法 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
| CN112016193B (zh) | 一种盾构机系统的润滑失效在线预测方法及系统 | |
| CN117670086A (zh) | 一种基于大数据及机器学习的压缩机故障预测方法及系统 | |
| CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
| CN110083804B (zh) | 基于条件分布回归的风电场scada数据缺失的智能修复方法 | |
| CN111931969A (zh) | 一种基于时序分析的合并单元设备状态预测方法 | |
| CN114547796B (zh) | 一种基于优化bn网络的球磨机特征融合故障诊断方法 | |
| CN116628869A (zh) | 一种基于传递熵理论的数控机床故障传播机理分析方法 | |
| CN111993158B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 |
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 |