CN117722319A - 故障识别方法、装置、设备以及存储介质 - Google Patents
故障识别方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN117722319A CN117722319A CN202311705421.XA CN202311705421A CN117722319A CN 117722319 A CN117722319 A CN 117722319A CN 202311705421 A CN202311705421 A CN 202311705421A CN 117722319 A CN117722319 A CN 117722319A
- Authority
- CN
- China
- Prior art keywords
- sound
- spectrum
- real
- preset
- sound spectrum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001228 spectrum Methods 0.000 claims abstract description 229
- 230000002159 abnormal effect Effects 0.000 claims abstract description 121
- 230000015654 memory Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 10
- 239000003638 chemical reducing agent Substances 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Classifications
-
- 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
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Wind Motors (AREA)
Abstract
本申请公开了一种故障识别方法、装置、设备以及存储介质,属于故障识别技术领域,该方法包括:获取风电机组部件的实时声音数据;判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致;若不存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致,则将所述风电机组部件整体识别为异常状态。本申请只需要通过声音频谱即可确定风电机组部件整体是否存在故障,不需要专业人员进行分析和诊断,从而可以及时发现风电机组部件整体的异常情况,进而避免风电机出现更大的故障。
Description
技术领域
本申请涉及故障识别技术领域,尤其涉及一种故障识别方法、装置、设备以及存储介质。
背景技术
为保障风电机的正常运行,目前主要利用CMS(Condition Monitoring System,状态监测系统)系统对风电机组部件进行振动监测,即通过监测风电机组部件的振动情况,识别出风电机组部件存在的故障。
但是,利用CMS系统对风电机组部件进行振动监测,通常需要在专业人员的指导下进行分析和诊断,从而导致无法及时发现风电机组部件存在的故障。
发明内容
本申请的主要目的在于提供一种故障识别方法、装置、设备以及存储介质,旨在解决无法及时发现风电机组部件存在的故障的技术问题。
为实现上述目的,本申请提供一种故障识别方法,包括:
获取风电机组部件的实时声音数据;
判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致;
若不存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致,则将所述风电机组部件整体识别为异常状态。
可选地,所述判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致之前,所述方法还包括:
获取风电机组部件的多个正常运行声音数据;
对各所述正常运行声音数据进行傅里叶变换处理,得到正常声音频谱;
将任意两个预设正常声音频谱进行组合,得到所述预设正常声音频谱组合;
基于所有所述预设正常声音频谱以及所有所述正常声音频谱,得到所述预设正常声音频谱集合。
可选地,所述若不存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致,则将所述风电机组部件整体识别为异常状态,包括:
若不存在至少一个预设正常声音频谱与所述实时声音频谱一致,且与预设异常声音频谱集合中存在至少一个预设异常声音频谱一致,则将所述风电机组部件整体识别为异常状态。
可选地,所述若不存在至少一个预设正常声音频谱与所述实时声音频谱一致,且与预设异常声音频谱集合中存在至少一个预设异常声音频谱一致,则将所述风电机组部件整体识别为异常状态之前,所述方法还包括:
获取风电机组部件的多个异常运行声音数据;
对各所述异常运行声音数据进行傅里叶变换处理,得到异常声音频谱;
将任意两个异常声音频谱进行组合,得到第一预设异常声音频谱组合;
将任意一个异常声音频谱与任意一个正常声音频谱进行组合,得到第二预设异常声音频谱组合;
基于所有所述异常声音频谱、所有所述第一预设异常声音频谱组合以及所有所述第二预设异常声音频谱组合,得到所述预设异常声音频谱集合。
可选地,所述判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致之后,所述方法还包括:
若不存在至少一个预设正常声音频谱与所述实时声音频谱一致,且与预设异常声音频谱集合中不存在至少一个预设异常声音频谱一致,则将所述风电机组部件整体识别为异常状态。
可选地,所述获取风电机组部件的多个异常运行声音数据,包括:
获取螺栓断裂后敲击的第一声音数据以及罩体破损后的第二声音数据;
将所述第一声音数据以及所述第二声音数据作为所述异常运行声音数据。
可选地,所述风力机部件包括变桨电机、变桨轴承、变桨减速机、风力电机叶片、变桨控制柜、主轴、齿轮箱、发电机、机舱柜、变压器以及变流器中的至少一者。
第二方面,本申请提供一种故障识别装置,所述故障识别装置包括:
获取模块,用于获取风电机组部件的实时声音数据;
判断模块,用于判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致;
识别模块,用于若不存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致,则将所述风电机组部件整体识别为异常状态。
第三方面,本申请还提供一种故障识别设备,包括:处理器,存储器以及存储在所述存储器中的故障识别程序,所述故障识别程序被所述处理器运行时实现如上任一项所述故障识别方法的步骤。
第四方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有故障识别程序,所述故障识别程序被处理器执行时实现如上任一项所述的故障识别方法。
本申请实施例提出的一种故障识别方法,相较于利用CMS(Condition MonitoringSystem,状态监测系统)系统对风电机组部件进行振动监测,通过监测风电机组部件的振动情况,识别出风电机组部件存在的故障,本申请通过判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与实时声音数据的实时声音频谱一致,判断风电机组部件整体是否存在故障,也即是,本申请只需要通过声音频谱即可确定风电机组部件整体是否存在故障,不需要专业人员进行分析和诊断,从而可以及时发现风电机组部件整体的异常情况,进而避免风电机出现更大的故障。
附图说明
图1为本申请故障识别设备的结构示意图;
图2为本申请故障识别方法第一实施例的流程示意图;
图3为本申请故障识别装置第一实施例的功能模块示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
由于现有技术为保障风电机的正常运行,目前主要利用CMS(ConditionMonitoring System,状态监测系统)系统对风电机组部件进行振动监测,即通过监测风电机组部件的振动情况,识别出风电机组部件存在的故障。
但是,利用CMS系统对风电机组部件进行振动监测,通常需要在专业人员的指导下进行分析和诊断,从而导致无法及时发现风电机组部件存在的故障。
本申请提供一种解决方案,相较于利用CMS(Condition Monitoring System,状态监测系统)系统对风电机组部件进行振动监测,通过监测风电机组部件的振动情况,识别出风电机组部件存在的故障,本申请通过判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与实时声音数据的实时声音频谱一致,判断风电机组部件整体是否存在故障,也即是,本申请只需要通过声音频谱即可确定风电机组部件整体是否存在故障,不需要专业人员进行分析和诊断,从而可以及时发现风电机组部件整体的异常情况,进而避免风电机出现更大的故障。
参照图1,图1为本申请实施例方案涉及的硬件运行环境的故障识别设备的结构示意图。
如图1所示,该故障识别设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对故障识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及故障识别程序。
在图1所示的故障识别设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本申请故障识别设备中的处理器1001、存储器1005可以设置在故障识别设备中,故障识别设备通过处理器1001调用存储器1005中存储的故障识别程序,并执行本申请实施例提供的故障识别方法。
基于上述故障识别设备的硬件结构但不限于上述硬件结构,本申请提供一种故障识别方法第一实施例。参照图2,图2示出了本申请故障识别方法第一实施例的流程示意图。
需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例中,所述故障识别方法包括:
步骤S10、获取风电机组部件的实时声音数据。
需要说明的是,故障识别方法的执行主体为故障识别设备,故障识别设备上存储有故障识别程序,故障识别设备执行故障识别程序时,实现本实施例的故障识别方法。
在本实施例中,风力机部件包括变桨电机、变桨轴承、变桨减速机、风力电机叶片、变桨控制柜、主轴、齿轮箱、发电机、机舱柜、变压器以及变流器中的至少一者。实时声音数据可以是风电机组部件在当前运行状态下运行时所产生的机械噪音、启动噪音、电磁噪音等,实时声音数据可以反映出风电机组部件在运行过程中的状态和性能。
需要说明的是,变桨电机、变桨轴承、变桨减速机、风力电机叶片以及变桨控制柜设置在轮毂内,主要负责支撑和传输叶片动力,将风能转化为机械能。主轴、齿轮箱、发电机、机舱柜、变压器以及变流器设置在机舱内,用于保护、控制和维护风电机的运行。
具体的,可以在分别在轮毂以及机舱内设置声音采集器,声音采集器可以通过无线技术与故障识别设别进行通信连接,声音采集器可以周期性的采集变桨电机、变桨轴承、变桨减速机、风力电机叶片、变桨控制柜、主轴、齿轮箱、发电机、机舱柜、变压器以及变流器中的至少一者运行的实时声音数据,并在采集到上述部件运行的实时声音数据后,通过无线通信技术将实时声音数据发送至故障识别设备。
步骤S20、判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致。
需要说明的是,为使得预设正常声音频谱集合中的预设正常声音频谱与风电机组部件正常运行的声音频谱一致,以减小后续的比对误差,进一步的,作为一种可选的实施方式,在步骤S20之前,所述方法还包括:
步骤S11、获取风电机组部件的多个正常运行声音数据。
步骤S12、对各所述正常运行声音数据进行傅里叶变换处理,得到正常声音频谱。
步骤S13、将任意两个预设正常声音频谱进行组合,得到所述预设正常声音频谱组合。
步骤S14、基于所有所述预设正常声音频谱以及所有所述正常声音频谱,得到所述预设正常声音频谱集合。
具体的,在风电机组部件正常运行时,声音采集器采集风电机组部件的运行声音数据,并通过无线通信技术将运行声音数据发送至故障识别设备,且可以理解的是,声音采集器所采集到的运行声音数据包括多个部件的运行声音数据,因此故障设备在接收到声音采集器发送的运行声音数据后,可以利用盲源分离(Blind Source Separation,BSS)方法对运行声音数据进行分离,以得到不同风电机组部件的正常运行声音数据,即多个正常运行声音数据。
进一步的,得到多个正常运行声音数据后,对各正常运行声音数据进行傅里叶变换处理,得到各正常运行声音数据对应的正常声音频谱。在得到多个正常声音频谱后,可以将所有的正常声音频谱均作为预设正常声音频谱,同时,为了提高故障识别设备的抗干扰性,以便于准确识别出实时声音数据的实时声音频谱是否与预设正常运行声音频谱中的至少一个预设正常声音频谱一致,可以将任意两个预设正常声音频谱进行组合,得到预设正常声音频谱组合,最后基于所有预设正常声音频谱以及所有正常声音频谱,得到预设正常声音频谱集合。
在本实施例中,通过获取风电机组部件的多个正常运行声音数据,将多个正常运行声音数据对应的正常声音频谱作为预设正常声音频谱,可以预设正常声音频谱与风电机组部件正常运行的声音频谱一致,以减小后续的比对误差,且将任意两个预设正常声音频谱进行组合,得到预设正常声音频谱组合,提高故障识别设备的抗干扰性,以便于准确识别出实时声音数据的实时声音频谱是否与预设正常运行声音频谱中的至少一个预设正常声音频谱一致。
步骤S30、若不存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致,则将所述风电机组部件整体识别为异常状态。
在本实施例中,当预设正常声音频谱集合中不存在至少一个预设正常声音频谱与实时声音数据的实时声音频谱一致时,此时还需要进一步比对在预设异常声音频谱集合中是否存在至少一个预设异常声音频谱与实时声音数据的实时声音频谱一致。因此,进一步的,作为一种可选的实时方式,步骤S30具体包括:
步骤S301、若不存在至少一个预设正常声音频谱与所述实时声音频谱一致,且与预设异常声音频谱集合中存在至少一个预设异常声音频谱一致,则将所述风电机组部件整体识别为异常状态。
可以理解的是,为保证预设异常声音频谱与风电机组部件在异常运行时的声音频谱一致,以便于后续可以准确识别出风电机组部件是否存在故障,进一步的,作为一种可选的实施方式,在步骤S301之前,还包括:
步骤S296、获取风电机组部件的多个异常运行声音数据。
可以理解的是,为使得预设异常声音频谱集合中的预设异常声音频谱与实际的异常声音频谱一致,以减小后续的比对误差,进一步的,作为一种可选的实施方式,步骤S296具体包括:
步骤A10、获取螺栓断裂后敲击的第一声音数据以及罩体破损后的第二声音数据。
步骤A20、将所述第一声音数据以及所述第二声音数据作为所述异常运行声音数据。
具体的,可以模拟螺栓断裂后的敲击的第一声音数据以及罩体破损后的第二声音数据,并通过声音采集器采集第一声音数据以及第二声音数据。声音采集器在采集到第一声音数据以及第二声音数据后,可以通过无线通信技术将第一声音数据以及第二声音数据发送至故障识别设备。故障识别设备在接收到第一声音数据以及第二声音数据后,可以将第一声音数据以及第二声音数据作为异常运行声音数据。
或者,作为另一种可选的实施方式,可以将风电机组部件的历史异常运行声音数据作为异常运行声音数据,且风电机组部件的历史异常运行声音数据可以保存在故障识别设备的本地或者云端,当执行步骤S31时,可以直接从本地或者云端直接调用异常运行声音数据。
步骤S297、对各所述异常运行声音数据进行傅里叶变换处理,得到异常声音频谱。
步骤S298、将任意两个异常声音频谱进行组合,得到第一预设异常声音频谱组合。
步骤S299、将任意一个异常声音频谱与任意一个正常声音频谱进行组合,得到第二预设异常声音频谱组合。
步骤S300、基于所有所述异常声音频谱、所有所述第一预设异常声音频谱组合以及所有所述第二预设异常声音频谱组合,得到所述预设异常声音频谱集合。
具体的,在得到多个异常运行声音数据后,可以对各异常运行声音数据进行傅里叶变换处理,得到异常声音频谱。在得到多个异常声音频谱后,为了提高故障识别设备的抗干扰性,以便于准确识别出实时声音数据的实时声音频谱是否与预设异常声音频谱中的至少一个预设异常声音频谱一致,可以将任意两个异常声音频谱进行组合,得到第一预设异常声音频谱组合,将任意一个异常声音频谱与任意一个正常声音频谱进行组合,得到第二预设异常声音频谱组合。最后,基于所有异常声音频谱、所有第一预设异常声音频谱组合以及所有第二预设异常声音频谱组合,得到预设异常声音频谱集合。
需要说明的是,风电机在实际运行过程中,发生故障的组件在此次故障之前,可能从未发生过故障,从而在预设正常声音频谱集合中不存在至少一个预设正常声音频谱与所述实时声音频谱一致,且与预设异常声音频谱集合中不存在至少一个预设异常声音频谱一致,进而将上述故障情形当做风电机正常运行。因此,为了避免将异常运行当做正常运行,进一步的,作为一种可选的实施方式,在步骤S20之后,所述方法还包括:
步骤S21、若不存在至少一个预设正常声音频谱与所述实时声音频谱一致,且与预设异常声音频谱集合中不存在至少一个预设异常声音频谱一致,则将所述风电机组部件整体识别为异常状态。
具体的,当预设正常声音频谱集合以及预设异常声音频谱集合中,均不存在至少一个预设正常声音频谱以及至少一个预设异常声音频谱与实时声音频谱一致时,此时则将风电机组部件整体识别为异常状态,并输出警示信息。
进一步的,在输出警示信息后,可以输出实时声音频谱,由运维人员对实时声音频谱进行判断,即判断实时声音频谱是异常声音频谱还是正常声音频谱。当实时声音频谱是异常声音频谱时,此时则将实时声音频谱作为预设异常声音频谱,并执行步骤S298-步骤S300。
在本实施例中,当预设正常声音频谱以及预设异常声音频谱中,不存在至少一个预设正常声音频谱与所述实时声音频谱一致,且与预设异常声音频谱集合中不存在至少一个预设异常声音频谱一致时,将风电机组部件整体识别为异常状态,可以避免将异常状态识别为正常状态。且通过运维人员对实时声音频谱进行判断,当实时声音频谱为异常声音频谱时,将实时声音频谱作为预设异常声音频谱,可以更新预设异常声音频谱集合,从而可以快速识别出各种异常状态,减少后续运维人员的判断操作。
在本实施例中,获取风电机组部件的实时声音数据;判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致;若不存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致,则将所述风电机组部件整体识别为异常状态。相较于利用CMS(Condition Monitoring System,状态监测系统)系统对风电机组部件进行振动监测,通过监测风电机组部件的振动情况,识别出风电机组部件存在的故障,本申请通过判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与实时声音数据的实时声音频谱一致,判断风电机组部件整体是否存在故障,也即是,本申请只需要通过声音频谱即可确定风电机组部件整体是否存在故障,不需要专业人员进行分析和诊断,从而可以及时发现风电机组部件整体的异常情况,进而避免风电机出现更大的故障。
基于同一申请构思,提出本申请故障识别装置,参照图3,图3为本申请故障识别装置的功能模块示意图。
本故障识别装置包括:
获取模块10,用于获取风电机组部件的实时声音数据;
判断模块20,用于判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致;
识别模块30,用于若不存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致,则将所述风电机组部件整体识别为异常状态。
需要说明的是,故障识别装置还可设置更多模块,本实施例中的关于故障识别装置的各实施例方式以其达到的技术效果可以参照前述实施例中故障识别方法的各种实施方式,这里不再赘述。
此外,本申请实施例还提出一种计算机存储介质,存储介质上存储有故障识别程序,故障识别程序被处理器执行时实现如上文的故障识别方法的步骤。因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。确定为示例,程序指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种故障识别方法,其特征在于,所述方法包括:
获取风电机组部件的实时声音数据;
判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致;
若不存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致,则将所述风电机组部件整体识别为异常状态。
2.根据权利要求1所述的故障识别方法,其特征在于,所述判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致之前,所述方法还包括:
获取风电机组部件的多个正常运行声音数据;
对各所述正常运行声音数据进行傅里叶变换处理,得到正常声音频谱;
将任意两个预设正常声音频谱进行组合,得到所述预设正常声音频谱组合;
基于所有所述预设正常声音频谱以及所有所述正常声音频谱,得到所述预设正常声音频谱集合。
3.根据权利要求1所述的故障识别方法,其特征在于,所述若不存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致,则将所述风电机组部件整体识别为异常状态,包括:
若不存在至少一个预设正常声音频谱与所述实时声音频谱一致,且与预设异常声音频谱集合中存在至少一个预设异常声音频谱一致,则将所述风电机组部件整体识别为异常状态。
4.根据权利要求3所述的故障识别方法,其特征在于,所述若不存在至少一个预设正常声音频谱与所述实时声音频谱一致,且与预设异常声音频谱集合中存在至少一个预设异常声音频谱一致,则将所述风电机组部件整体识别为异常状态之前,所述方法还包括:
获取风电机组部件的多个异常运行声音数据;
对各所述异常运行声音数据进行傅里叶变换处理,得到异常声音频谱;
将任意两个异常声音频谱进行组合,得到第一预设异常声音频谱组合;
将任意一个异常声音频谱与任意一个正常声音频谱进行组合,得到第二预设异常声音频谱组合;
基于所有所述异常声音频谱、所有所述第一预设异常声音频谱组合以及所有所述第二预设异常声音频谱组合,得到所述预设异常声音频谱集合。
5.根据权利要求3所述的故障识别方法,其特征在于,所述判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致之后,所述方法还包括:
若不存在至少一个预设正常声音频谱与所述实时声音频谱一致,且与预设异常声音频谱集合中不存在至少一个预设异常声音频谱一致,则将所述风电机组部件整体识别为异常状态。
6.根据权利要求4所述的故障识别方法,其特征在于,所述获取风电机组部件的多个异常运行声音数据,包括:
获取螺栓断裂后敲击的第一声音数据以及罩体破损后的第二声音数据;
将所述第一声音数据以及所述第二声音数据作为所述异常运行声音数据。
7.根据权利要求1所述的故障识别方法,其特征在于,所述风力机部件包括变桨电机、变桨轴承、变桨减速机、风力电机叶片、变桨控制柜、主轴、齿轮箱、发电机、机舱柜、变压器以及变流器中的至少一者。
8.一种故障识别装置,其特征在于,所述故障识别装置包括:
获取模块,用于获取风电机组部件的实时声音数据;
判断模块,用于判断预设正常声音频谱集合中是否存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致;
识别模块,用于若不存在至少一个预设正常声音频谱与所述实时声音数据的实时声音频谱一致,则将所述风电机组部件整体识别为异常状态。
9.一种故障识别设备,其特征在于,包括:处理器,存储器以及存储在所述存储器中的故障识别程序,所述故障识别程序被所述处理器运行时实现如权利要求1至7中任一项所述故障识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有故障识别程序,所述故障识别程序被处理器执行时实现如权利要求1至7任一项所述的故障识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311705421.XA CN117722319A (zh) | 2023-12-12 | 2023-12-12 | 故障识别方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311705421.XA CN117722319A (zh) | 2023-12-12 | 2023-12-12 | 故障识别方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117722319A true CN117722319A (zh) | 2024-03-19 |
Family
ID=90204565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311705421.XA Pending CN117722319A (zh) | 2023-12-12 | 2023-12-12 | 故障识别方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117722319A (zh) |
-
2023
- 2023-12-12 CN CN202311705421.XA patent/CN117722319A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saidi et al. | Wind turbine high-speed shaft bearings health prognosis through a spectral Kurtosis-derived indices and SVR | |
Hameed et al. | Practical aspects of a condition monitoring system for a wind turbine with emphasis on its design, system architecture, testing and installation | |
CN110469462B (zh) | 一种基于多模板的风电机组智能状态监测系统 | |
CN102434387A (zh) | 风机检测诊断系统 | |
CN108252873B (zh) | 一种风力发电机组在线数据监测及其性能评估的系统 | |
US20070140847A1 (en) | Monitoring and data processing equipment for wind turbines and predictive maintenance system for wind power stations | |
CN110689141B (zh) | 风力发电机组的故障诊断方法及设备 | |
EP1531376A1 (en) | Monitoring and data processing equipment for wind turbines and predictive maintenance system for wind power stations | |
CN202676203U (zh) | 大型泵站状态监测与诊断及能效管理装置 | |
CN102200186A (zh) | 风力发电机组齿轮箱远程在线状态监测与故障诊断系统 | |
CN110987166A (zh) | 旋转机械健康状态的预测方法、装置、设备及存储介质 | |
CN202330019U (zh) | 一种风电机组的状态监测系统 | |
CN111273174A (zh) | 电机群组故障预警方法及装置 | |
US9243615B2 (en) | Systems and procedures for wind turbine self-diagnosis | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
CN110543658A (zh) | 基于大数据的电厂设备诊断方法 | |
CN115728057A (zh) | 一种风力发电机组齿轮箱振动监测与故障诊断方法 | |
CN117289085A (zh) | 一种多线路故障分析诊断方法及系统 | |
EP4212722A1 (en) | Abnormality determination method for wind power generation device. abnormality determination system for wind power generation device, and abnormality determination program for wind power generation device | |
CN102954834B (zh) | 风力发电机振动监测系统的误差处理方法及装置 | |
CN117722319A (zh) | 故障识别方法、装置、设备以及存储介质 | |
KR20150008516A (ko) | 신호 계측 및 진단 시스템과 그 방법 | |
CN111400959B (zh) | 风力发电机组的叶片故障诊断方法及装置 | |
CN112378605B (zh) | 一种基于emd分解自学习的风电机组叶片故障识别方法 | |
Liu et al. | Data-driven fault identification of ageing wind turbine |
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 |