本發(fā)明涉及風(fēng)電機(jī)組故障診斷，具體涉及多源風(fēng)電機(jī)組軸承故障診斷方法。

背景技術(shù)：

1、隨著可再生能源的迅速發(fā)展，風(fēng)電已經(jīng)成為重要的能源來(lái)源。風(fēng)電機(jī)組的可靠性直接影響到電力生產(chǎn)的效率及安全性。軸承作為風(fēng)電機(jī)組的關(guān)鍵部件，其故障可能導(dǎo)致機(jī)組停機(jī)，造成經(jīng)濟(jì)損失。因此，及時(shí)、準(zhǔn)確地診斷軸承故障至關(guān)重要。

2、而在風(fēng)電機(jī)組中，軸承承擔(dān)著傳遞載荷和支持旋轉(zhuǎn)部件的關(guān)鍵角色。風(fēng)電機(jī)組的主要構(gòu)件如主軸和發(fā)電機(jī)的轉(zhuǎn)子都依賴于軸承的正常運(yùn)行。軸承的故障不僅可能導(dǎo)致設(shè)備的性能下降，還可能引發(fā)機(jī)組停機(jī)，造成生產(chǎn)損失和維修成本的增加。常見的軸承故障類型包括磨損、疲勞裂紋和潤(rùn)滑不足，所述故障如果未能及時(shí)檢測(cè)，會(huì)導(dǎo)致嚴(yán)重的機(jī)械損壞，甚至引發(fā)安全事故。目前，風(fēng)電機(jī)組軸承故障的診斷主要依賴于振動(dòng)分析、溫度監(jiān)測(cè)、聲學(xué)信號(hào)監(jiān)測(cè)和油液分析。其中，振動(dòng)分析是利用振動(dòng)傳感器監(jiān)測(cè)軸承的振動(dòng)信號(hào)，通過(guò)頻譜分析、包絡(luò)分析等技術(shù)識(shí)別故障特征。雖然振動(dòng)分析是一種有效的故障檢測(cè)手段，但其準(zhǔn)確性受到信號(hào)噪聲和外部干擾的影響。溫度監(jiān)測(cè)是通過(guò)溫度傳感器監(jiān)測(cè)軸承的工作溫度，溫度異常通常預(yù)示著潛在的故障。然而，溫度變化可能由多種因素引起，需要結(jié)合其他數(shù)據(jù)進(jìn)行綜合分析。聲學(xué)信號(hào)監(jiān)測(cè)是利用聲學(xué)傳感器收集軸承運(yùn)行過(guò)程中的聲學(xué)信號(hào)，通過(guò)聲波特征分析判斷故障。這種方法對(duì)環(huán)境噪聲敏感，可能導(dǎo)致誤判。油液分析是通過(guò)對(duì)潤(rùn)滑油的分析，檢查金屬顆粒和污染物的存在，評(píng)估軸承的健康狀況。這種方法通常需要定期取樣，不能提供實(shí)時(shí)監(jiān)測(cè)。

3、目前，軸承故障診斷主要采用振動(dòng)分析、溫度監(jiān)測(cè)、聲學(xué)信號(hào)等單一方式，往往存在信息不全面、誤診率高等問(wèn)題，難以全面、準(zhǔn)確地判斷軸承的狀態(tài)，容易出現(xiàn)漏檢或誤檢的情況。因此，鑒于單一的數(shù)據(jù)分析方法已無(wú)法滿足現(xiàn)代風(fēng)電機(jī)組的故障診斷需求，基于多源風(fēng)電機(jī)組軸承故障診斷的軸承故障診斷方法顯得尤為重要。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提出了一種多源風(fēng)電機(jī)組軸承故障診斷方法，旨在通過(guò)融合多種監(jiān)測(cè)數(shù)據(jù)，提高對(duì)風(fēng)電機(jī)組軸承故障的檢測(cè)精度和及時(shí)性。該方法結(jié)合振動(dòng)信號(hào)、溫度數(shù)據(jù)、聲學(xué)信號(hào)及潤(rùn)滑油分析結(jié)果，通過(guò)機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)，建立綜合故障診斷模型，從而實(shí)現(xiàn)對(duì)軸承健康狀態(tài)的實(shí)時(shí)監(jiān)控和評(píng)估。

2、本發(fā)明采用以下技術(shù)方案實(shí)現(xiàn)：

3、第一方面，本發(fā)明提供了一種多源風(fēng)電機(jī)組軸承故障診斷方法，該方法包括以下步驟：

4、獲取用于軸承故障診斷數(shù)據(jù)融合的多源異構(gòu)數(shù)據(jù)，對(duì)多源異構(gòu)數(shù)據(jù)進(jìn)行去噪、標(biāo)準(zhǔn)化和缺失值處理的預(yù)處理后，得到全面覆蓋風(fēng)電機(jī)組運(yùn)行的軸承傳感數(shù)據(jù)；

5、將得到的軸承傳感數(shù)據(jù)進(jìn)行特征提取，提取得到風(fēng)電機(jī)組軸承的振動(dòng)信號(hào)特征、溫度數(shù)據(jù)特征、聲學(xué)信號(hào)特征和潤(rùn)滑油分析特征，將提取的特征進(jìn)行融合形成綜合特征向量；

6、使用綜合特征向量訓(xùn)練無(wú)監(jiān)督特征學(xué)習(xí)模型，學(xué)習(xí)軸承正常和故障狀態(tài)的特征模式，基于訓(xùn)練的無(wú)監(jiān)督特征學(xué)習(xí)模型建立軸承故障診斷模型；

7、將實(shí)時(shí)監(jiān)測(cè)的軸承傳感數(shù)據(jù)輸入至軸承故障診斷模型，輸出每個(gè)監(jiān)測(cè)時(shí)刻風(fēng)電機(jī)組軸承的運(yùn)行狀態(tài)和異常得分；

8、基于輸出的運(yùn)行狀態(tài)和異常得分進(jìn)行異常檢測(cè)、識(shí)別異常點(diǎn)和確定異常類型；

9、使用時(shí)間序列分析歷史數(shù)據(jù)和異常點(diǎn)作為輸入，應(yīng)用預(yù)設(shè)的故障預(yù)測(cè)模型生成故障預(yù)測(cè)結(jié)果，根據(jù)預(yù)警閾值生成故障預(yù)警信號(hào)。

10、作為本發(fā)明的進(jìn)一步方案，獲取的多源異構(gòu)數(shù)據(jù)包括來(lái)自加速度傳感器的振動(dòng)信號(hào)、溫度傳感器的溫度數(shù)據(jù)、聲學(xué)傳感器的聲學(xué)信號(hào)和潤(rùn)滑油分析儀器的潤(rùn)滑油分析數(shù)據(jù)。

11、作為本發(fā)明的進(jìn)一步方案，進(jìn)行預(yù)處理得到的軸承傳感數(shù)據(jù)時(shí)，包括以下步驟：

12、對(duì)振動(dòng)信號(hào)使用小波變換進(jìn)行去噪；

13、對(duì)去噪后的數(shù)據(jù)執(zhí)行z-score標(biāo)準(zhǔn)化，使數(shù)據(jù)均值為0，方差為1；

14、對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行均值填充，填補(bǔ)和補(bǔ)全缺失值，得到軸承傳感數(shù)據(jù)。

15、作為本發(fā)明的進(jìn)一步方案，提取得到風(fēng)電機(jī)組軸承的振動(dòng)信號(hào)特征、溫度數(shù)據(jù)特征、聲學(xué)信號(hào)特征和潤(rùn)滑油分析特征，將提取的特征進(jìn)行融合形成綜合特征向量，包括以下步驟：

16、提取振動(dòng)信號(hào)的時(shí)域特征、頻域特征和時(shí)頻域特征；

17、提取溫度數(shù)據(jù)的均值和變化率；

18、提取聲學(xué)信號(hào)的聲壓級(jí)及梅爾頻率倒譜系數(shù)；

19、提取潤(rùn)滑油的粘度、酸值和水分含量特征；

20、對(duì)提取的特征向量進(jìn)行加權(quán)融合，以形成綜合特征向量。

21、作為本發(fā)明的進(jìn)一步方案，使用綜合特征向量訓(xùn)練無(wú)監(jiān)督特征學(xué)習(xí)模型時(shí)，使用綜合特征向量訓(xùn)練自編碼器模型，通過(guò)最小化重構(gòu)誤差學(xué)習(xí)軸承正常和故障狀態(tài)的特征模式；其中，自編碼器模型的損失函數(shù)為重構(gòu)誤差損失函數(shù)，定義為：

22、；

23、式中，為原始特征向量，為重構(gòu)特征向量；其中，對(duì)每個(gè)監(jiān)測(cè)時(shí)刻的綜合特征向量計(jì)算異常得分，定義為：

24、；

25、并與預(yù)設(shè)閾值進(jìn)行比較以檢測(cè)故障。

26、作為本發(fā)明的進(jìn)一步方案，所述自編碼器模型的網(wǎng)絡(luò)結(jié)構(gòu)包括：接收綜合特征向量的輸入層；將輸入特征映射到低維表示的編碼層；最小維度進(jìn)行特征表示的瓶頸層；將瓶頸層的特征映射回原始特征空間的解碼層；以及重構(gòu)輸入數(shù)據(jù)的輸出層。

27、作為本發(fā)明的進(jìn)一步方案，將實(shí)時(shí)監(jiān)測(cè)的軸承傳感數(shù)據(jù)輸入至軸承故障診斷模型之前，還包括：

28、從軸承傳感器獲取包括振動(dòng)信號(hào)、溫度、聲學(xué)信號(hào)和潤(rùn)滑油分析數(shù)據(jù)的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)；

29、對(duì)獲取的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)格式轉(zhuǎn)換為與訓(xùn)練數(shù)據(jù)相同的特征向量形式，使用高通濾波器去除低頻噪聲，將實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)標(biāo)準(zhǔn)化并進(jìn)行缺失值處理；

30、對(duì)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)進(jìn)行特征提取，生成實(shí)時(shí)數(shù)據(jù)的特征向量；

31、將實(shí)時(shí)監(jiān)測(cè)的特征向量輸入到訓(xùn)練好的故障診斷模型中。

32、作為本發(fā)明的進(jìn)一步方案，輸出每個(gè)監(jiān)測(cè)時(shí)刻風(fēng)電機(jī)組軸承的運(yùn)行狀態(tài)和異常得分時(shí)，基于自編碼器模型計(jì)算重構(gòu)，將輸入的特征向量通過(guò)編碼器和解碼器處理，輸出重構(gòu)后的特征向量；并計(jì)算出重構(gòu)誤差；得到的重構(gòu)誤差即為異常得分。

33、作為本發(fā)明的進(jìn)一步方案，基于輸出的運(yùn)行狀態(tài)和異常得分進(jìn)行異常檢測(cè)、識(shí)別異常點(diǎn)和確定異常類型時(shí)，包括以下步驟：

34、通過(guò)分析訓(xùn)練數(shù)據(jù)中的正常樣本和故障樣本的異常得分分布設(shè)定閾值；

35、將實(shí)時(shí)數(shù)據(jù)的異常得分與設(shè)定的閾值進(jìn)行比較，當(dāng)異常得分高于閾值，則檢測(cè)為異常，計(jì)算實(shí)時(shí)異常得分；

36、當(dāng)異常得分超出閾值時(shí)，記錄該時(shí)間點(diǎn)的傳感器數(shù)據(jù)為異常點(diǎn)；

37、對(duì)檢測(cè)到的異常點(diǎn)進(jìn)行趨勢(shì)、振幅分析確定異常點(diǎn)，并識(shí)別是否存在周期性異?；蛲话l(fā)性異常；

38、提取異常點(diǎn)的振動(dòng)頻率、溫度變化幅度的特征，使用已標(biāo)記的異常數(shù)據(jù)訓(xùn)練分類模型，將異常點(diǎn)特征輸入訓(xùn)練好的分類模型，輸出異常類型；

39、將分類模型的輸出與已知的故障模式進(jìn)行匹配，確認(rèn)具體的異常類型。

40、本發(fā)明還包括一種計(jì)算機(jī)設(shè)備，包括：至少一個(gè)處理器，以及與所述至少一個(gè)處理器通信連接的存儲(chǔ)器，其中，所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器執(zhí)行所述的多源風(fēng)電機(jī)組軸承故障診斷方法。

41、本發(fā)明還包括一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)指令，所述計(jì)算機(jī)指令用于使所述計(jì)算機(jī)執(zhí)行所述的多源風(fēng)電機(jī)組軸承故障診斷方法。

42、與現(xiàn)有技術(shù)相比，本發(fā)明提供的多源風(fēng)電機(jī)組軸承故障診斷方法，具有以下有益效果：

43、1.增強(qiáng)了數(shù)據(jù)的全面性和準(zhǔn)確性：本方法通過(guò)獲取并融合多源異構(gòu)數(shù)據(jù)，全面覆蓋了風(fēng)電機(jī)組軸承的運(yùn)行狀態(tài)，大幅提升了故障診斷的全面性和數(shù)據(jù)的準(zhǔn)確性，使得系統(tǒng)能夠捕獲更多的狀態(tài)特征，減少了因單一數(shù)據(jù)源導(dǎo)致的故障檢測(cè)遺漏或誤判風(fēng)險(xiǎn)。

44、2.通過(guò)多維度特征提取提高故障識(shí)別能力：本方法通過(guò)提取振動(dòng)信號(hào)的時(shí)域、頻域和時(shí)頻域特征，溫度數(shù)據(jù)的均值和變化率，聲學(xué)信號(hào)的聲壓級(jí)及梅爾頻率倒譜系數(shù)，以及潤(rùn)滑油的粘度、酸值和水分含量特征，構(gòu)建包含多種信息的綜合特征向量，能夠更好地反映軸承的實(shí)際運(yùn)行狀態(tài)，使得診斷模型能夠更精準(zhǔn)地識(shí)別復(fù)雜的故障模式。

45、3.采用無(wú)監(jiān)督學(xué)習(xí)模型具備適用性和靈活性：本方法采用無(wú)監(jiān)督特征學(xué)習(xí)模型進(jìn)行正常和故障狀態(tài)的特征學(xué)習(xí)，無(wú)需大量故障樣本即可有效構(gòu)建故障診斷模型，通過(guò)最小化重構(gòu)誤差來(lái)學(xué)習(xí)數(shù)據(jù)的正常分布，使得在實(shí)際應(yīng)用中能更快、更準(zhǔn)確地檢測(cè)異常情況，具有較強(qiáng)的泛化能力和適應(yīng)性。

46、4.實(shí)現(xiàn)了實(shí)時(shí)診斷與異常檢測(cè)的快速響應(yīng)：本方法能夠在實(shí)時(shí)數(shù)據(jù)監(jiān)測(cè)的基礎(chǔ)上，快速輸出風(fēng)電機(jī)組軸承的運(yùn)行狀態(tài)和異常得分，從而實(shí)現(xiàn)即時(shí)的故障診斷和異常檢測(cè)。通過(guò)高效的實(shí)時(shí)監(jiān)測(cè)和快速響應(yīng)能力，可以有效減少風(fēng)電機(jī)組因故障造成的停機(jī)時(shí)間，降低維護(hù)成本，提高風(fēng)電機(jī)組的運(yùn)維效率和經(jīng)濟(jì)性。

47、5.具備靈敏的異常檢測(cè)與分類能力，實(shí)現(xiàn)故障預(yù)測(cè)與預(yù)警增強(qiáng)運(yùn)維安全：本方法基于輸出的異常得分和預(yù)設(shè)閾值，能夠快速識(shí)別異常點(diǎn)并確定異常類型。通過(guò)分析異常得分的分布，能夠自動(dòng)設(shè)定最優(yōu)的檢測(cè)閾值，進(jìn)一步提高了異常檢測(cè)的靈敏度。此外，通過(guò)異常點(diǎn)的特征提取和分類模型的訓(xùn)練，能夠?qū)z測(cè)到的異常類型進(jìn)行有效分類和識(shí)別，為準(zhǔn)確的故障維修提供支持。本方法還利用時(shí)間序列分析歷史數(shù)據(jù)和異常點(diǎn)信息，可以提前預(yù)測(cè)潛在的故障風(fēng)險(xiǎn)，并生成相應(yīng)的預(yù)警信號(hào)，使得運(yùn)維人員能夠在故障發(fā)生前采取預(yù)防性措施，不僅能夠降低故障風(fēng)險(xiǎn)，延長(zhǎng)風(fēng)電機(jī)組的使用壽命，還顯著提升了整體運(yùn)行的安全性和可靠性。

48、綜上所述，本發(fā)明的多源風(fēng)電機(jī)組軸承故障診斷方法在數(shù)據(jù)獲取、預(yù)處理、特征提取、模型訓(xùn)練、實(shí)時(shí)診斷、異常檢測(cè)和故障預(yù)測(cè)方面均具備顯著優(yōu)勢(shì)，能夠有效提升風(fēng)電機(jī)組的運(yùn)行安全性和經(jīng)濟(jì)性，故障診斷和預(yù)警系統(tǒng)的快速響應(yīng)和高準(zhǔn)確性降低了運(yùn)維人員在故障排查和維修方面的時(shí)間和人力投入，減少了因故障導(dǎo)致的風(fēng)電機(jī)組停機(jī)損失，從而顯著降低了總體運(yùn)維成本，提高了風(fēng)電場(chǎng)的經(jīng)濟(jì)效益。

49、本發(fā)明的所述方面或其他方面在以下實(shí)施例的描述中會(huì)更加簡(jiǎn)明易懂。應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本發(fā)明。