风机轴承故障诊断方法、系统、计算机设备和存储介质与流程

[0001]
本申请涉及风力设备技术领域，特别是涉及一种风机轴承故障诊断方法、系统、计算机设备和存储介质。


背景技术：

[0002]
目前的风机故障诊断系统是利用历史风机数据，例如对于风机的温度和振动数据建立风机数据系统，然后将预测信号按构建的标准划分为多个子信号，将子信号与风机数据系统进行相关性分析，预测风机是否发生故障以及故障发生的时间。
[0003]
在风机故障自动诊断过程中，目前的现有技术是：首先将传感器获取的振动信号进行分段处理；然后将分段处理后的信号与机器信号数据系统的数据进行相似度匹配；最后将该振动信号划分到相似度最高的那一类故障。但是由于上述的故障诊断要求数据量庞大，当存储的数据量小的时候系统的功能受限，导致风机状态的判断准确率不高。此外，在风机故障人工诊断过程中，由于目前国内普遍是通过人工巡检的方式排查故障，导致了故障诊断的效率低，不容易及时发现并处理，人工成本高。


技术实现要素：

[0004]
基于此，有必要针对上述技术问题，提供一种风机轴承故障诊断方法、系统、计算机设备和存储介质。
[0005]
第一方面，本发明实施例提供了一种风机轴承故障诊断方法，包括以下步骤：
[0006]
采集风机轴承的振动数据，将所述振动数据进行分段处理，对分段后的所述振动数据进行标记；
[0007]
对每段所述振动数据进行小波包分解，并根据时域频域指标计算分解后的所述振动数据；
[0008]
获取所述振动数据的特征参数集，对所述特征参数集进行主成分分析，降低所述特征参数集的数据维度，得到综合变量参数集；
[0009]
对所述综合变量参数集进行聚类分析，根据聚类分析的结果判断风机轴承的故障类型。
[0010]
进一步的，所述对每段所述振动数据进行小波包分解，并根据时域频域指标计算分解后的所述振动数据，包括：
[0011]
计算所述振动数据的均值和方根幅值，根据所述均值和所述方根幅值得到所述振动数据的方差值；
[0012]
根据所述方差值计算所述振动数据的重心频率，并利用所述重心频率获取所述振动数据的均方频率和频率方差；
[0013]
利用所述均振动数据的方频率和频率方差去除所述振动数据的干扰信号。
[0014]
进一步的，所述获取所述振动数据的特征参数集，对所述特征参数集进行主成分分析，降低所述特征参数集的数据维度，得到综合变量参数集，包括：
[0015]
标准化所述振动数据，获取所述振动数据的协方差矩阵；
[0016]
计算所述协方差矩阵的特征向量和特征值，并对所述特征值进行排序；
[0017]
对所述特征值按照排序规则进行成分划分，累计划分后的所述特征值的贡献率；
[0018]
提取贡献率超过预设阈值的所述特征值，获取所述综合变量参数集。
[0019]
进一步的，所述对所述综合变量参数集进行聚类分析，根据聚类分析的结果判断风机轴承的故障类型，包括：
[0020]
对所述综合变量参数集进行第一次聚类计算，通过样本间距离计算，区分所述综合变量参数集中的正常信号和故障信号；
[0021]
提取所述故障信号进行第二次聚类计算，通过样本类距离计算，区分所述故障信号中的故障部件、故障类型和故障程度；
[0022]
将第二次聚类计算未能区分的故障信号进行提取，通过均方根参数作为指标进行第三次聚类计算；
[0023]
根据所述第二次聚类计算和所述第三次聚类计算的结果得到风机轴承的故障诊断结果。
[0024]
另一方面，本发明实施例还提供了一种风机轴承故障诊断系统，包括：
[0025]
数据获取模块，用于采集风机轴承的振动数据，将所述振动数据进行分段处理，对分段后的所述振动数据进行标记；
[0026]
数据处理模块，用于对每段所述振动数据进行小波包分解，并根据时域频域指标计算分解后的所述振动数据；
[0027]
特征提取模块，用于获取所述振动数据的特征参数集，对所述特征参数集进行主成分分析，降低所述特征参数集的数据维度，得到综合变量参数集；
[0028]
参数聚类模块，用于对所述综合变量参数集进行聚类分析，根据聚类分析的结果判断风机轴承的故障类型。
[0029]
进一步的，所述数据处理模块包括指标分解单元，所述指标分解单元用于：
[0030]
计算所述振动数据的均值和方根幅值，根据所述均值和所述方根幅值得到所述振动数据的方差值；
[0031]
根据所述方差值计算所述振动数据的重心频率，并利用所述重心频率获取所述振动数据的均方频率和频率方差；
[0032]
利用所述均振动数据的方频率和频率方差去除所述振动数据的干扰信号。
[0033]
进一步的，所述特征提取模块包括成分分析单元，所述成分分析单元用于：
[0034]
标准化所述振动数据，获取所述振动数据的协方差矩阵；
[0035]
计算所述协方差矩阵的特征向量和特征值，并对所述特征值进行排序；
[0036]
对所述特征值按照排序规则进行成分划分，累计划分后的所述特征值的贡献率；
[0037]
提取贡献率超过预设阈值的所述特征值，获取所述综合变量参数集。
[0038]
进一步的，所述参数聚类模块包括聚类计算单元，所述聚类计算单元用于：
[0039]
对所述综合变量参数集进行第一次聚类计算，通过样本间距离计算，区分所述综合变量参数集中的正常信号和故障信号；
[0040]
提取所述故障信号进行第二次聚类计算，通过样本类距离计算，区分所述故障信号中的故障部件、故障类型和故障程度；
[0041]
将第二次聚类计算未能区分的故障信号进行提取，通过均方根参数作为指标进行第三次聚类计算；
[0042]
根据所述第二次聚类计算和所述第三次聚类计算的结果得到风机轴承的故障诊断结果。
[0043]
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0044]
采集风机轴承的振动数据，将所述振动数据进行分段处理，对分段后的所述振动数据进行标记；
[0045]
对每段所述振动数据进行小波包分解，并根据时域频域指标计算分解后的所述振动数据；
[0046]
获取所述振动数据的特征参数集，对所述特征参数集进行主成分分析，降低所述特征参数集的数据维度，得到综合变量参数集；
[0047]
对所述综合变量参数集进行聚类分析，根据聚类分析的结果判断风机轴承的故障类型。
[0048]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0049]
采集风机轴承的振动数据，将所述振动数据进行分段处理，对分段后的所述振动数据进行标记；
[0050]
对每段所述振动数据进行小波包分解，并根据时域频域指标计算分解后的所述振动数据；
[0051]
获取所述振动数据的特征参数集，对所述特征参数集进行主成分分析，降低所述特征参数集的数据维度，得到综合变量参数集；
[0052]
对所述综合变量参数集进行聚类分析，根据聚类分析的结果判断风机轴承的故障类型。
[0053]
本申请的有益效果是：本申请公开了一种风机轴承故障诊断方法、系统、计算机设备和存储介质。首先采集分级的振动数据，获取原始信号经过小波包分析得到的数据，考虑了时域频域特征指标，将其与小波包分析后的数据结合起来组成特征参数集，再经过主成分分析法在尽可能保留有用信息的前提下，将特征参数集降低至合适的维度，然后将降维后的特征参数集导入到多层聚类系统中，将正常信号和不同程度的故障信号区分开，经过三次的聚类计算，获取到风机轴承的故障类型，本实施例公开的风机轴承故障诊断方法的准确率不受限于风机振动数据的数据量，具有较强的抗干扰能力，该方法能够判别不同部位的不同程度的故障，故障识别的准确率高。此外，由于采用的自动的诊断方法，能够显著提高诊断的效率，降低人工诊断的成本。
附图说明
[0054]
图1为一个实施例中风机轴承故障诊断方法的流程示意图；
[0055]
图2为一个实施例中对振动数据时域频域计算的流程示意图；
[0056]
图3为一个实施例中特征参数集主成分分析的流程示意图；
[0057]
图4为一个实施例中对参数集聚类计算的流程示意图；
[0058]
图5为一个实施例中风机轴承故障诊断系统的结构框图；
[0059]
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
[0060]
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处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。
[0061]
在一个实施例中，如图1所示，提供了一种风机轴承故障诊断方法，包括以下步骤：
[0062]
步骤101，采集风机轴承的振动数据，将所述振动数据进行分段处理，对分段后的所述振动数据进行标记；
[0063]
步骤102，对每段所述振动数据进行小波包分解，并根据时域频域指标计算分解后的所述振动数据；
[0064]
步骤103，获取所述振动数据的特征参数集，对所述特征参数集进行主成分分析，降低所述特征参数集的数据维度，得到综合变量参数集；
[0065]
步骤104，对所述综合变量参数集进行聚类分析，根据聚类分析的结果判断风机轴承的故障类型。
[0066]
具体地，在对风机轴承故障的诊断过程中，首先采集分级的振动数据，获取原始信号经过小波包分析得到的数据，考虑了时域频域特征指标，将其与小波包分析后的数据结合起来组成特征参数集，再经过主成分分析法在尽可能保留有用信息的前提下，将特征参数集降低至合适的维度，然后将降维后的特征参数集导入到多层聚类系统中，将正常信号和不同程度的故障信号区分开，经过三次的聚类计算，获取到风机轴承的故障类型，本实施例公开的风机轴承故障诊断方法的准确率不受限于风机振动数据的数据量，具有较强的抗干扰能力，该方法能够判别不同部位的不同程度的故障，故障识别的准确率高。此外，由于采用的自动的诊断方法，能够显著提高诊断的效率，降低人工诊断的成本。通过采用小波包和时域频域指标组合的方式来计算得到的特征参数集，再通过主成分分析法降低数据冗余，在提高运算效率的同时可保证有用信息被保留下来，提高了训练的精度和预测精度；此外，通过构建了多层聚类系统，同时将该系统应用于风机轴承故障诊断中，具有很强的泛化能力和故障预测精度。
[0067]
在一个实施例中，如图2所示，对振动数据时域频域计算的流程包括：
[0068]
步骤201，计算所述振动数据的均值和方根幅值，根据所述均值和所述方根幅值得到所述振动数据的方差值；
[0069]
步骤202，根据所述方差值计算所述振动数据的重心频率，并利用所述重心频率获取所述振动数据的均方频率和频率方差；
[0070]
步骤203，利用所述均振动数据的方频率和频率方差去除所述振动数据的干扰信号。
[0071]
具体地，本实施例中的风机振动数据包括正常数据、内圈故障数据、外圈故障、滚动体故障数据等，每一种类型的数据包括三种转速工况，在提取数据的特征参数之前，先将每一种类型的数据贴上标签。然后通过对振动数据进行时域频域计算，因此，本实施例通过在获取特征参数集时采用小波包方法结合时域频域指标计算的方式，达到降低噪音对信号
的干扰程度，增强信噪比的目的；通过对振动数据进行时域频域计算有利于对信号的特征提取，而且可以获得信号的一些微弱的特征。
[0072]
在一个实施例中，如图3所示，特征参数集主成分分析的流程包括：
[0073]
步骤301，标准化所述振动数据，获取所述振动数据的协方差矩阵；
[0074]
步骤302，计算所述协方差矩阵的特征向量和特征值，并对所述特征值进行排序；
[0075]
步骤303，对所述特征值按照排序规则进行成分划分，累计划分后的所述特征值的贡献率；
[0076]
步骤304，提取贡献率超过预设阈值的所述特征值，获取所述综合变量参数集。
[0077]
具体地，本实施例中主成分分析是一种通过降维技术把多个变量化为少数几个主成分(综合变量)的统计分析方法。这些主成分能够反映原始变量的绝大部分信息，它们通常表示为原始变量的某种线性组合。为了这些主成分所含的信息不互相重叠，应要求这些数据之间互不相关。本实施例中通过首先计算相关矩阵的特征值及特征向量；然后将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵；最后进行计算贡献率，根据累计贡献率，其中贡献率一般要求累计贡献率达到85％，考虑取前面k个主成分，本实施例实际使用的是87％。
[0078]
在一个实施例中，如图4所示，对参数集聚类计算的流程包括：
[0079]
步骤401，对所述综合变量参数集进行第一次聚类计算，通过样本间距离计算，区分所述综合变量参数集中的正常信号和故障信号；
[0080]
步骤402，提取所述故障信号进行第二次聚类计算，通过样本类距离计算，区分所述故障信号中的故障部件、故障类型和故障程度；
[0081]
步骤403，将第二次聚类计算未能区分的故障信号进行提取，通过均方根参数作为指标进行第三次聚类计算；
[0082]
步骤404，根据所述第二次聚类计算和所述第三次聚类计算的结果得到风机轴承的故障诊断结果。
[0083]
具体地，本实施例创造性地提出了多层聚类系统结构。聚类分析所用到的方法包括：样本之间距离计算方式，例如使用seuclidean、cityblock等工具进行计算。类间距离的计算标准，例如使用single、ward等工具进行计算。样本间距离计算方式和类间距离计算方式的不同组合对整个聚类结果影响很大。一次聚类分析在聚类数比较少的情况下有较好的效果，但是在数据量大、聚类数多的情况下无法达到预期效果。所以本发明提出多层聚类系统结构，可以有效地解决数据量庞大、聚类数多、且聚类划分标准不唯一的情况。对降维后的特征参数使用三层聚类分析，第一次聚类可以判别正常信号和故障信号；第二次聚类和第三次聚类可以区分不同部位以及不同程度的故障信号，最后根据多次聚类计算的结果得到风机轴承的故障原因、类型和具体地故障部件。
[0084]
应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替
地执行。
[0085]
在一个实施例中，如图5所示，提供了一种风机轴承故障诊断系统，包括：数据获取模块501、数据处理模块502、特征提取模块503、参数聚类模块504，其中：
[0086]
数据获取模块501，用于采集风机轴承的振动数据，将所述振动数据进行分段处理，对分段后的所述振动数据进行标记；
[0087]
数据处理模块502，用于对每段所述振动数据进行小波包分解，并根据时域频域指标计算分解后的所述振动数据；
[0088]
特征提取模块503，用于获取所述振动数据的特征参数集，对所述特征参数集进行主成分分析，降低所述特征参数集的数据维度，得到综合变量参数集；
[0089]
参数聚类模块504，用于对所述综合变量参数集进行聚类分析，根据聚类分析的结果判断风机轴承的故障类型。
[0090]
在一个实施例中，如图5所示，所述数据处理模块502包括指标分解单元5021，所述指标分解单元5021用于：
[0091]
计算所述振动数据的均值和方根幅值，根据所述均值和所述方根幅值得到所述振动数据的方差值；
[0092]
根据所述方差值计算所述振动数据的重心频率，并利用所述重心频率获取所述振动数据的均方频率和频率方差；
[0093]
利用所述均振动数据的方频率和频率方差去除所述振动数据的干扰信号。
[0094]
在一个实施例中，如图5所示，所述特征提取模块503包括成分分析单元5031，所述成分分析单元5031用于：
[0095]
标准化所述振动数据，获取所述振动数据的协方差矩阵；
[0096]
计算所述协方差矩阵的特征向量和特征值，并对所述特征值进行排序；
[0097]
对所述特征值按照排序规则进行成分划分，累计划分后的所述特征值的贡献率；
[0098]
提取贡献率超过预设阈值的所述特征值，获取所述综合变量参数集。
[0099]
在一个实施例中，所述参数聚类模块504包括聚类计算单元5041，所述聚类计算单元用于5041：
[0100]
对所述综合变量参数集进行第一次聚类计算，通过样本间距离计算，区分所述综合变量参数集中的正常信号和故障信号；
[0101]
提取所述故障信号进行第二次聚类计算，通过样本类距离计算，区分所述故障信号中的故障部件、故障类型和故障程度；
[0102]
将第二次聚类计算未能区分的故障信号进行提取，通过均方根参数作为指标进行第三次聚类计算；
[0103]
根据所述第二次聚类计算和所述第三次聚类计算的结果得到风机轴承的故障诊断结果。
[0104]
关于风机轴承故障诊断系统的具体限定可以参见上文中对于风机轴承故障诊断方法的限定，在此不再赘述。上述风机轴承故障诊断系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0105]
图6示出了一个实施例中计算机设备的内部结构图。该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现权限异常检测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行权限异常检测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0106]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0107]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：采集风机轴承的振动数据，将所述振动数据进行分段处理，对分段后的所述振动数据进行标记；对每段所述振动数据进行小波包分解，并根据时域频域指标计算分解后的所述振动数据；获取所述振动数据的特征参数集，对所述特征参数集进行主成分分析，降低所述特征参数集的数据维度，得到综合变量参数集；对所述综合变量参数集进行聚类分析，根据聚类分析的结果判断风机轴承的故障类型。
[0108]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算所述振动数据的均值和方根幅值，根据所述均值和所述方根幅值得到所述振动数据的方差值；根据所述方差值计算所述振动数据的重心频率，并利用所述重心频率获取所述振动数据的均方频率和频率方差；利用所述均振动数据的方频率和频率方差去除所述振动数据的干扰信号。
[0109]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：标准化所述振动数据，获取所述振动数据的协方差矩阵；计算所述协方差矩阵的特征向量和特征值，并对所述特征值进行排序；对所述特征值按照排序规则进行成分划分，累计划分后的所述特征值的贡献率；提取贡献率超过预设阈值的所述特征值，获取所述综合变量参数集。
[0110]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对所述综合变量参数集进行第一次聚类计算，通过样本间距离计算，区分所述综合变量参数集中的正常信号和故障信号；提取所述故障信号进行第二次聚类计算，通过样本类距离计算，区分所述故障信号中的故障部件、故障类型和故障程度；将第二次聚类计算未能区分的故障信号进行提取，通过均方根参数作为指标进行第三次聚类计算；根据所述第二次聚类计算和所述第三次聚类计算的结果得到风机轴承的故障诊断结果。
[0111]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：采集风机轴承的振动数据，将所述振动数据进行分段处理，对分段后的所述振动数据进行标记；对每段所述振动数据进行小波包分解，并根据时域频域指标计算分解后的所述振动数据；获取所述振动数据的特征参数集，对所述特征参数集进行主成分分析，降低所述特征参数集的数据维度，得到综合变量参数集；对所述综合变量参数集进行聚类分析，根据聚类分析的结果判断风机轴承的故障类型。
[0112]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算所述振动数据
的均值和方根幅值，根据所述均值和所述方根幅值得到所述振动数据的方差值；根据所述方差值计算所述振动数据的重心频率，并利用所述重心频率获取所述振动数据的均方频率和频率方差；利用所述均振动数据的方频率和频率方差去除所述振动数据的干扰信号。
[0113]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：标准化所述振动数据，获取所述振动数据的协方差矩阵；计算所述协方差矩阵的特征向量和特征值，并对所述特征值进行排序；对所述特征值按照排序规则进行成分划分，累计划分后的所述特征值的贡献率；提取贡献率超过预设阈值的所述特征值，获取所述综合变量参数集。
[0114]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对所述综合变量参数集进行第一次聚类计算，通过样本间距离计算，区分所述综合变量参数集中的正常信号和故障信号；提取所述故障信号进行第二次聚类计算，通过样本类距离计算，区分所述故障信号中的故障部件、故障类型和故障程度；将第二次聚类计算未能区分的故障信号进行提取，通过均方根参数作为指标进行第三次聚类计算；根据所述第二次聚类计算和所述第三次聚类计算的结果得到风机轴承的故障诊断结果。
[0115]
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
[0116]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0117]
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。